IA y consumo eléctrico: la cara B de los datacenters gigantes

OPINIÓN · FUTURO · ENERGÍA

1. La IA no vive en la nube: vive en la red eléctrica

Cuando abres tu modelo favorito, lo normal es pensar en parámetros, tokens, prompts… no en subestaciones eléctricas. Pero los grandes modelos de IA son, sobre todo, máquinas de convertir electricidad en probabilidades. Del otro lado de tu pantalla hay naves industriales llenas de GPUs, sistemas de refrigeración a máxima potencia y contratos a largo plazo con compañías eléctricas.

El orden de magnitud ya es preocupante: los centros de datos consumen aproximadamente el 1,5 % de la electricidad global y organismos como la Agencia Internacional de la Energía estiman que esta demanda podría duplicarse si se mantiene el ritmo actual de despliegue de IA y servicios en la nube. No es solo que haya más usuarios, es que cada nuevo modelo suele ser más grande y más intensivo en cómputo.

Hasta hace poco, el gran golpe energético llegaba con el entrenamiento: semanas de cálculo distribuido para entrenar un modelo masivo. Pero ahora el protagonismo lo está ganando el uso diario. Millones de personas pidiendo resúmenes, generando código o imágenes en tiempo real convierten la “nube” en una demanda casi constante de electricidad. Eso convierte cada nueva región de datacenters en un actor político más dentro del sistema eléctrico nacional.

La moraleja es sencilla: no existe IA sin infraestructura. Y esa infraestructura compite por recursos con hogares, industria y renovables. Es el primer choque frontal entre el relato de la “IA mágica” y la realidad física de cables, turbinas y embalses.

2. El dilema europeo: querer ser potencia de IA con un sistema eléctrico frágil

Europa llega a la carrera de la IA con una mezcla complicada de fortalezas y debilidades. Por un lado, tiene redes eléctricas avanzadas, capacidad regulatoria y proyectos propios de modelos abiertos, como los que analizas al hablar de la IA europea y los modelos abiertos. Por otro, arrastra el impacto de la crisis energética reciente, una gran sensibilidad social al precio de la luz y menos apetito político por llenar el territorio de macrodatacenters sin condiciones.

Mientras tanto, Estados Unidos y China compiten a base de escala bruta: terrenos baratos, incentivos agresivos, alianzas con grandes utilities y una visión de la IA como pieza estratégica en una especie de nueva “guerra fría tecnológica”. Si quieres profundizar en esa dimensión geopolítica, encaja muy bien con tu análisis sobre la nueva guerra fría de la IA entre EEUU, China y Europa.

La UE, en cambio, ha puesto mucho foco en la regulación algorítmica (riesgos, transparencia, derechos fundamentales) con el AI Act europeo, pero ha empezado más tarde el debate sobre la huella energética de estos sistemas. Y ahora se encuentra en una situación incómoda: para competir en IA de frontera necesita gigavatios y chips, justo lo que escasea y genera rechazo social cuando se percibe que encarece la factura eléctrica.

El riesgo es claro: Europa puede acabar atrapada entre dos extremos igual de malos. O renunciar de facto a la IA de vanguardia por miedo al impacto energético, o copiar el modelo de “hiperescala a cualquier precio” y disparar la tensión sobre su sistema eléctrico. Ninguno de los dos caminos es sostenible a largo plazo.

Tres miedos que pesan en la conversación pública

1. Quedarse atrás. El miedo a que toda la innovación en IA de alto impacto ocurra en otros continentes, y Europa se convierta solo en consumidora de servicios externos.

2. Repetir la crisis energética. Que la demanda de los datacenters presione de nuevo los precios mayoristas, justo cuando hogares e industria empezaban a respirar.

3. Conflicto local. Vecinos que ven cómo se reservan líneas eléctricas y agua para un datacenter mientras a ellos se les pide “ahorrar energía”. Políticamente, eso es dinamita.

3. El modelo “hiperescala” tiene letra pequeña

La narrativa oficial es sencilla: cuantos más datacenters, más empleo, más inversión y más innovación. Pero la realidad es bastante más matizada. Un campus de IA de nueva generación puede pedir una potencia similar a la de una ciudad pequeña o mediana, asegurarse contratos baratos a largo plazo y capturar buena parte de la capacidad de la red en la zona durante décadas.

Además, la propia forma en que se negocian estas infraestructuras suele favorecer a unos pocos gigantes capaces de firmar acuerdos multimillonarios y construir a una velocidad que las compañías locales no pueden igualar. Eso deja a muchas pymes tecnológicas europeas condenadas a alquilar capacidad en la nube de esos mismos gigantes, reforzando la dependencia que ya veíamos en otros ámbitos digitales.

Aquí aparece una tensión clave: ¿queremos que la soberanía en IA signifique solo tener “nuestros” modelos, o también controlar dónde y cómo se alimentan energéticamente? Un modelo europeo entrenado íntegramente en datacenters alojados en infraestructuras de terceros países sigue siendo una dependencia estratégica, aunque el código sea abierto.

4. Tres caminos posibles para Europa

Camino 1: resignarse a ser cliente

La primera opción sería aceptar que la IA de frontera se va a entrenar en otros sitios y centrarse en regular su uso y proteger a ciudadanos y empresas. Sería una Europa fuerte en normas, pero débil en infraestructura. Es tentador a corto plazo porque evita grandes decisiones energéticas, pero a medio plazo nos convierte en importadores crónicos de cómputo.

Camino 2: copiar el modelo estadounidense y chino

La segunda opción sería entrar de lleno en la carrera de los megadatacenters: más incentivos, más suelo industrial, más acuerdos con utilities, más ductos de agua. Es el camino del “si ellos lo hacen, nosotros también”. El problema es que Europa no tiene la misma tolerancia social ante los impactos ambientales ni los mismos márgenes energéticos. Hacer esto sin un plan claro solo traslada la factura al clima y al ciudadano.

Camino 3: estrategia propia basada en eficiencia y especialización

La tercera vía, la que tiene más sentido, pasa por aceptar que no vamos a ganar solo por tamaño, sino por eficiencia y diseño inteligente. Apostar por modelos más especializados y soportes técnicos que reduzcan la necesidad de usar siempre el mayor modelo posible. En el fondo es la misma lógica que hay detrás de enfoques como GraphRAG y las arquitecturas de recuperación aumentada: usar mejor el contexto y los datos para no disparar la carga computacional en cada interacción.

También implica repartir la inteligencia entre dispositivos locales y la nube. Iniciativas como el cómputo privado y on-device, sobre las que profundizas en tu análisis de Private AI Compute de Google, apuntan justo ahí: no todo tiene que pasar por un datacenter gigante a cientos de kilómetros. Parte de la inteligencia puede ocurrir en tu portátil, móvil o servidor local, descargando presión de la red eléctrica central.

5. ¿Cuánta IA necesitamos de verdad?

El debate energético obliga a hacer una pregunta incómoda: ¿toda la IA que estamos usando merece existir? No se trata de demonizar cada prompt, sino de admitir que hay usos con un valor social y económico enorme y otros que son puro capricho o, directamente, humo.

Un modelo que ayuda a optimizar una red de transporte público, reducir desperdicio en una fábrica o apoyar un diagnóstico médico tiene un retorno potencial muy alto frente al coste energético. Pero usar el mismo tipo de modelo gigantesco para reescribir correos intrascendentes o generar infinitas variaciones de un mismo banner publicitario tiene mucha más difícil justificación, especialmente si escalas ese comportamiento a millones de usuarios.

Al final volvemos a una idea que atraviesa todo lo que escribes sobre productividad y negocio, como desarrollas cuando hablas de IA, creatividad y productividad: el criterio clave no es “¿podemos hacerlo con IA?”, sino “¿aporta suficiente valor para el coste (también energético) que implica?”. Un poco de freno selectivo puede ahorrar muchos megavatios sin frenar la innovación importante.

6. Reglas de juego que Europa podría imponer (y exportar)

Una de las ventajas de la UE es su capacidad de convertir normas internas en estándares de facto globales. Ya lo ha hecho con la privacidad, la seguridad de productos o las telecomunicaciones. Con la IA y la energía podría ocurrir algo parecido si se atreve a ir más allá del AI Act y tocar la parte incómoda: cuánta energía se permite gastar y bajo qué condiciones.

Algunas ideas que tendrían impacto real:

• Etiquetado energético de servicios de IA. Igual que ya miras la etiqueta de un electrodoméstico, poder ver el coste aproximado en kWh y agua de mil consultas a un modelo concreto.

• Límites de eficiencia mínimos para datacenters. Estándares progresivos de PUE y WUE que obliguen a invertir en refrigeración avanzada, reutilización de calor y ubicación inteligente.

• Transparencia en tiempo real para los reguladores. Datos agregados sobre consumo y picos de demanda de los grandes campus de IA, para poder planificar la red y evitar sorpresas.

• Vincular ayudas públicas a objetivos de descarbonización. Si un proyecto de datacenter o de modelo de IA quiere dinero público o ventajas fiscales, que tenga que demostrar un plan sólido de alineación con renovables y reducción de emisiones.

Esto no resolvería el problema de golpe, pero cambiaría la lógica del juego: competir no solo por tamaño, sino por quién es capaz de ofrecer más inteligencia con menos vatios. Y ahí Europa sí tiene algo que decir.

7. Qué puedes hacer tú (y tu organización) desde hoy

Es fácil sentir que todo esto te queda grande: gobiernos, utilities, gigantes tecnológicos… ¿Qué pinta ahí tu equipo o tu proyecto? Más de lo que parece. Cada decisión de diseño suma o resta presión al sistema eléctrico, igual que cada decisión de producto suma o resta ruido en el mercado de la IA, algo que ya señalas cuando hablas de encaje producto-mercado en productos de IA.

Algunas palancas muy concretas:

• Diseñar con “presupuesto de vatios”. Igual que defines un presupuesto de tiempo de respuesta o de coste por usuario, define un objetivo de consumo estimado por tarea resuelta. Obliga a cuestionar si de verdad necesitas el modelo más pesado para todo.

• Empezar pequeño. Prototipa con modelos medianos o ligeros, y solo salta a modelos gigantes cuando tengas una justificación clara. Muchas aplicaciones internas funcionan perfectamente con bases de conocimiento bien estructuradas y modelos compactos.

• Usar la nube con cabeza. No se trata de volver on-premise por nostalgia, pero sí de entender qué cargas tienen sentido en datacenters remotos y cuáles puedes acercar a donde se generan los datos, con arquitecturas híbridas y agentes especializados.

• Elegir proveedores que hablen de energía, no solo de parámetros. Si un servicio de IA nunca menciona consumo, PUE, acuerdos con renovables o huella de agua, es una señal. Igual que miras la seguridad o el precio, mira también la honestidad energética.

A nivel personal, tampoco hace falta que conviertas cada consulta en un dilema moral, pero sí puedes cambiar pequeños hábitos: agrupar tareas en menos interacciones, evitar pedir diez variaciones mínimas de lo mismo o preferir herramientas que integren modelos on-device cuando sea posible. No vas a salvar la red tú solo, pero sí puedes enviar una señal de demanda distinta.

8. IA, energía y poder: lo que nos jugamos de verdad

La carrera por la IA de frontera no va solo de chatbots más listos o de imágenes más realistas. Va de quién controla las infraestructuras, quién tiene acceso a energía abundante y barata y quién puede permitirse desplegar modelos sin que el sistema eléctrico salte por los aires. Ignorar esta dimensión es regalar la partida a quienes juegan con más megavatios y menos escrúpulos.

Europa tiene una oportunidad rara: puede convertir la eficiencia energética en parte de su marca de IA. No “la IA más grande”, sino “la IA que respeta mejor el clima, la red y al ciudadano”. Eso exige decisiones valientes, menos titulares fáciles y más conversación adulta sobre qué estamos dispuestos a sacrificar para sostener este nuevo cerebro digital planetario.

La próxima vez que lances una consulta a la IA, quizá mires la pantalla con un matiz distinto. No se trata de dejar de usarla, sino de entender que, detrás de cada respuesta, hay un sistema eléctrico trabajando para ti. La pregunta de fondo es si queremos que esa energía construya algo que merezca la pena o si aceptamos, sin más, que otra parte de la factura se vaya en alimentar modelos que nadie se ha parado a cuestionar.