Cuánta energía gasta realmente la IA: lo que nadie te cuenta de tus prompts

SOSTENIBILIDAD · CENTROS DE DATOS · IMPACTO OCULTO

Si te interesa entender la parte técnica de cómo se diseñan estos sistemas, este artículo se complementa muy bien con tu pieza sobre diseño de sistemas de machine learning, donde miras la arquitectura. Aquí miramos el coste energético de que todo eso funcione.

1. Qué pasa realmente cuando envías un prompt

Desde fuera parece magia: escribes unas líneas, aparece una respuesta y ya. Desde dentro es mucho menos romántico. Tu mensaje viaja desde el móvil u ordenador hasta un centro de datos, donde un clúster de GPUs o chips especializados carga el modelo, procesa tu entrada, genera la salida token a token y la envía de vuelta. Todo eso en segundos.

Ese viaje implica varias piezas físicas: redes, routers, discos, memoria, chips y, sobre todo, sistemas de refrigeración que mantienen todo el hardware en rangos de temperatura seguros. Ahí es donde entra el consumo de agua: muchos centros de datos usan torres de refrigeración o sistemas evaporativos que literalmente consumen agua para disipar calor.

Es fácil olvidarlo porque la experiencia está muy pulida, igual que cuando ves una película generada con modelos de vídeo en la nube y no piensas en los servidores detrás, algo que ya analizabas cuando hablaste de las aplicaciones de IA generativa en Netflix y VFX. La diferencia es que ahora no son solo grandes estudios: cualquiera con un navegador puede encender todo ese despliegue energético con un simple mensaje.

2. Entrenamiento vs uso diario: dónde se va la mayor parte de la energía

Cuando se habla de impacto ambiental de la IA, el foco suele ir al entrenamiento de modelos gigantes. Entrenar un modelo puntero tipo GPT-4 o Gemini implica semanas o meses de cálculo distribuido, decenas de miles de GPUs y costes que se miden en millones de dólares y decenas de gigavatios-hora de electricidad. Algunos análisis han llegado a estimar entrenamientos individuales en el orden de los 50 GWh para modelos de esta escala.

Pero algo importante ha cambiado en los últimos dos años: el uso cotidiano ha explotado. Millones de personas y empresas lanzan cada día consultas, generan código, resumen documentos o crean imágenes. Según la Agencia Internacional de la Energía (IEA), la demanda eléctrica de los centros de datos se duplicará aproximadamente de aquí a 2030, con la IA como uno de los principales disparadores. Y en muchos proveedores, la energía que se va a inferencia ya rivaliza o supera a la del entrenamiento inicial.

En otras palabras: entrenar el modelo es el gran sprint inicial, pero mantenerlo respondiendo a millones de usuarios es una maratón continua. Por eso tiene tanto sentido repensar arquitecturas, aproximaciones más eficientes e incluso modelos más pequeños y especializados, como los que exploras al hablar de modelos pequeños y eficientes.

3. Cuánta energía usa una sola pregunta

Vamos a lo que quieres saber: cuánto gasta tu prompt. Durante un tiempo circularon estimaciones muy altas, en torno a 2,9 Wh por pregunta para modelos grandes, casi diez veces más que una búsqueda en Google. Investigaciones más recientes y, sobre todo, cifras compartidas por OpenAI hablan de algo bastante más bajo: alrededor de 0,34 Wh por consulta media en modelos optimizados, es decir, 0,00034 kWh.

Traducido a algo más tangible, es más o menos lo que gastaría un horno encendido durante un segundo o una bombilla LED eficiente durante un par de minutos. Si asumimos una batería de móvil típica de 10–15 Wh, una pregunta a la IA estaría en el orden del 2–3 % de una carga completa. No es dramático a nivel individual, pero si haces una sesión larga de 30 mensajes, ya te vas a unos 10 Wh, similar a ver varios minutos de streaming en alta calidad.

¿Y a escala global? Ahí cambia el juego. Algunos cálculos recientes estiman que solo un servicio de chat de IA de uso masivo podría consumir decenas de millones de kWh al día, comparable al consumo eléctrico anual de países pequeños. Es el típico caso en el que la unidad hace poco daño, pero la multiplicación por millones de usuarios sí.

4. El agua escondida en cada respuesta

La parte de electricidad suele recibir la atención, pero la huella de agua es igual de importante. Los centros de datos consumen agua de dos formas: directa, para refrigeración local, e indirecta, vinculada a la generación eléctrica cuando se usan centrales que dependen de grandes volúmenes de agua.

Estudios recientes muestran que por cada kWh consumido en algunos centros de datos se pueden gastar entre 1,8 y 12 litros de agua, dependiendo del clima y la tecnología de refrigeración. Cuando bajas eso al nivel de una conversación con la IA, los números oscilan bastante: hay estimaciones que van desde unos pocos mililitros por sesión hasta alrededor de 2 litros por cada 50 consultas. Lo importante no es tanto la cifra exacta, sino entender que el agua forma parte del coste real de cada interacción.

Que haya tanta dispersión de datos no es casualidad: falta transparencia. Justo lo que se intenta corregir con iniciativas de medición y con la presión regulatoria, como la que comentas en tu análisis sobre Private AI Compute de Google, donde el foco no es solo la privacidad, sino también la eficiencia y la posibilidad de mover parte de la carga a dispositivos locales.

5. Datos, cables y política energética: el mapa se complica

Los centros de datos no están repartidos de forma uniforme. Estados Unidos, la Unión Europea y China concentran una buena parte de la capacidad actual y del crecimiento previsto. La IEA calcula que, bajo su escenario central, el consumo eléctrico de centros de datos podría alcanzar hacia 2030 una cifra equivalente a toda la demanda actual de un país como Japón, con la IA como protagonista de este salto.

Esto ya está generando tensiones muy concretas: redes eléctricas saturadas en zonas con muchos centros de datos, debates sobre si se deben priorizar estos proyectos frente a otros usos, presión para acelerar renovables y, en paralelo, un renovado interés por la energía nuclear y acuerdos directos entre grandes tecnológicas y proveedores de energía limpia.

Toda esta capa macro se cruza con la realidad empresarial: migraciones de cargas a la nube, despliegue de clusters dedicados y apuesta por arquitecturas más eficientes y basadas en agentes. Lo enlazas directamente cuando hablas de migración a la nube e IA basada en agentes o de las grandes inversiones en infraestructuras de centros de datos que comentas en la inversión de Anthropic en centros de datos.

6. No todo es malo: cuándo la IA puede compensar parte de su impacto

Hay una parte del debate que se menciona menos: la IA también se está usando para hacer más eficiente el propio sistema energético. Desde optimizar redes eléctricas y ajustar la demanda en tiempo real hasta reducir desperdicio en fábricas y cadenas logísticas, la misma tecnología que consume mucha energía puede ayudar a ahorrarla en otros puntos de la economía.

Ejemplos claros: modelos que predicen mejor el consumo de una ciudad y permiten integrar más renovables sin comprometer la estabilidad; sistemas que ajustan climatización en edificios grandes; optimización de rutas logísticas y mantenimiento predictivo en industria pesada. El beneficio neto dependerá de cómo se diseñen y desplieguen estos sistemas, y de si están alineados con objetivos climáticos y no solo con reducción de costes a corto plazo.

En el fondo, esto nos devuelve a la idea de usar la IA como palanca para crear valor real, y no solo como juguete. Va en la línea de lo que desarrollas al hablar de cómo la IA mejora productividad y creatividad o en tu guía sobre encaje producto-mercado para productos de IA: si el uso no genera un valor claro, el coste energético es difícil de justificar.

7. Qué puedes hacer tú como usuario y como empresa

A nivel personal, no tiene mucho sentido obsesionarse con cada prompt individual, igual que no vas calculando cuántos vatios gastas cada vez que desbloqueas el móvil. Pero sí tiene sentido revisar cómo usas la IA: si estás lanzando veinte variantes de la misma pregunta solo por costumbre, o si hay procesos que podrías compactar en una interacción más pensada.

Como empresa, la conversación es otra. Si vas a construir productos, asistentes internos o pipelines complejos, merece la pena incluir el impacto energético en el diseño desde el principio. Elegir modelos más pequeños cuando sea posible, cachear resultados, reducir contexto innecesario, usar recuperación de información en lugar de prompts gigantes y, sobre todo, medir. Lo mismo que contarías en cualquier proyecto serio de ingeniería de sistemas, pero aplicado a IA generativa.

En esa línea, entran muy bien enfoques como los que describes en chatbots empresariales bien diseñados o en tus piezas sobre asistentes de IA para noticias. No se trata solo de que el sistema responda, sino de que lo haga de forma trazable, controlable y energéticamente razonable.

La gobernanza también importa: quién decide en qué procesos se usa IA, cómo se audita, cómo se combina con otras herramientas. Es el mismo debate que aparece cuando hablas de liderazgo en IA en la empresa o cuando analizas los riesgos de depender demasiado de unos pocos proveedores de nube, como se vio en el apagón global de AWS.

8. Hacia una IA más honesta con su huella

La IA no va a desaparecer, y probablemente tampoco queremos que lo haga: ya está generando valor real en ciencia, salud, industria y creatividad. El reto no es apagarla, sino hacerla más honesta con su coste. Eso implica más transparencia por parte de los proveedores, más presión regulatoria inteligente y más responsabilidad por parte de quienes diseñan productos y estrategias alrededor de estos modelos.

También implica asumir que no todos los casos de uso merecen el mismo despliegue energético. No es lo mismo usar un modelo gigantesco para detectar arritmias en un electrocardiograma, como el que comentas en tu artículo sobre modelos ligeros en salud, que para reescribir un correo sin demasiada importancia. Ahí entra el criterio humano: decidir cuándo la potencia extra está justificada y cuándo no.

La próxima vez que abras un chat con la IA, tal vez no dejes de usarlo, pero sí lo mires con otros ojos. Detrás de esa respuesta amable hay renovables, fósiles, agua, minería, regulación y muchas decisiones de diseño. Entenderlo no es para sentir culpa, sino para usar la tecnología con algo más de respeto y exigir a quienes la construyen que la hagan, de verdad, un poco más sostenible.