La conversación pública sobre inteligencia artificial suele girar en torno a empleos, privacidad y riesgos existenciales. Pero en los últimos dos años ha subido otro debate al primer plano: ¿qué precio ambiental estamos pagando por la revolución de la IA? Investigadores y periodistas han encendido la alarma sobre el enorme consumo eléctrico asociado a entrenar y desplegar modelos grandes, y piden políticas más robustas. Este texto explora qué sabemos, qué no sabemos y qué podemos hacer.
Un gancho: cifras que molestan
La idea que alarma es simple y contundente: entrenar modelos enormes, operar centros de datos y fabricar chips demanda mucha electricidad; esa electricidad puede generar emisiones de CO2 si proviene de combustibles fósiles. Reportajes recientes y estudios técnicos han mostrado estimaciones que van desde decenas a miles de toneladas de CO2 por entrenamiento de un modelo muy grande, y proyecciones de crecimiento del uso de la IA que podrían multiplicar la carga energética global. La discusión ya no es solo técnica: es política, industrial y climática.
Contexto: por qué el problema escala ahora
La relación entre IA y consumo energético se explica por tres tendencias convergentes. Primero, los modelos que han demostrado capacidades sobresalientes (modelos de lenguaje, visión y multimodales) crecen en tamaño exponencial: más parámetros, más datos y entrenamientos repetidos para iterar y afinar. Segundo, la infraestructura necesaria —GPUs y aceleradores especializados, centros de datos de alta densidad y redes internas masivas— requiere energía no solo para cómputo sino para refrigeración y mantenimiento. Tercero, la adopción masiva de servicios de IA por empresas y productos convierte lo que antes era un experimento en una carga de producción constante: inferencia a escala, búsquedas, asistentes y generación multimedia consumen energía 24/7.
Según la Agencia Internacional de la Energía (IEA), los centros de datos y la infraestructura digital representaron en años recientes aproximadamente el 1% del consumo eléctrico mundial; ese porcentaje no es estático y depende de la eficiencia y del mix energético regional. A su vez, investigaciones periodísticas y académicas han documentado saltos puntuales en emisiones ligadas a picos de entrenamiento y despliegue.
Desarrollo: qué sabemos con evidencia
Entrenamiento vs. inferencia
Hay que separar dos momentos del ciclo de vida de un modelo: entrenamiento (cuando se consume gran cantidad de cómputo para aprender) e inferencia (cuando el modelo responde a consultas). El entrenamiento de modelos de gran escala suele ser intensivo en energía pero ocurre esporádicamente; la inferencia es menos intensiva por unidad pero constante y, en servicios masivos, puede superar el consumo total del entrenamiento.
Rango de impactos estimados
Las cifras difundidas por distintos estudios varían ampliamente porque dependen de factores técnicos (duración del entrenamiento, hardware usado), operativos (eficiencia del centro de datos) y geográficos (mix eléctrico). Estudios académicos y análisis periodísticos coinciden en algo crucial: la huella de carbono de un solo experimento puede ser significativa, y la agregación a escala puede convertirse en una contribución relevante a las emisiones si no se adoptan medidas.
Además del consumo eléctrico directo, existe la huella incorporada: la fabricación de GPUs, la extracción de minerales, y la logística de centros de datos contribuyen a emisiones que no aparecen en la factura de la luz pero forman parte del balance climático.
Lo que hacen las grandes empresas
Los grandes proveedores de nube (hyperscalers) han invertido en eficiencia: diseños de centros de datos de alto rendimiento por vatio, refrigeración líquida, compra de energía renovable y contratos de energía a largo plazo. Aun así, la transición hacia una cadena de suministro más limpia es incompleta. Las empresas anuncian metas de carbono neto y compras de renovables, pero investigadores y periodistas advierten que esos compromisos no siempre cubren todo el ciclo ni evitan picos de demanda en redes con presencia fósil.
Un reportaje reciente documenta cómo el crecimiento de la IA ha coincidido con un aumento medible de consumo energético en ciertas regiones y destaca la necesidad de regulaciones y transparencia en las emisiones de los grandes proyectos de IA: investigación de The Guardian sobre emisiones de la IA.
Beneficios que pueden compensar
No todo es negativo: la IA también ofrece herramientas para mitigación. Modelos y sistemas pueden optimizar redes eléctricas, mejorar eficiencia en logística y transporte, optimizar procesos industriales y reducir consumo en edificios. El balance neto (si la IA reduce más emisiones de las que genera) es incierto y depende de cómo se despliegue: una IA que automatiza procesos ineficientes puede bajar emisiones; una IA que impulsa mayor consumo (por ejemplo, streaming masivo de contenidos generativos) las puede aumentar.