¿Cuánta energía consume la inteligencia artificial? Datos, mitos y cómo usarla con criterio

Cada consulta a una inteligencia artificial activa servidores, procesadores especializados, sistemas de almacenamiento, redes y equipos de refrigeración. Por tanto, utilizar IA sí tiene un impacto energético y ambiental. Sin embargo, las comparaciones virales —«una pregunta consume una botella de agua» o «equivale a cargar el móvil»— suelen ignorar qué modelo se utilizó, dónde se procesó la petición y cómo se realizó el cálculo.

La respuesta rigurosa no es negar ese impacto ni alarmarse ante cada consulta. Es comprender qué sabemos, qué todavía no puede medirse con precisión y cómo utilizar estas herramientas con una finalidad clara.

Una pregunta no tiene un consumo universal

No existe una cifra válida para todas las consultas. El consumo depende del modelo y su tamaño, la longitud de la instrucción y la respuesta, el formato generado, la eficiencia del centro de datos, la energía de la región y el agua empleada directa o indirectamente.

Hecho: Google publicó en agosto de 2025 una metodología para calcular el impacto de las consultas realizadas en Gemini Apps. Según sus mediciones internas, una petición de texto mediana utilizó aproximadamente 0,24 vatios-hora de energía, generó 0,03 gramos de CO₂ equivalente y consumió 0,26 mililitros de agua.

Estas cifras describen un servicio, una infraestructura y un momento concretos. No deberían extrapolarse automáticamente a todas las plataformas. Una consulta extensa, una investigación compleja o la generación de vídeo pueden exigir muchos más recursos que una pregunta breve. Consulta la metodología de Google Cloud.

El impacto individual es pequeño, pero la escala importa

Una consulta de texto aislada puede representar un consumo reducido. El problema aparece cuando multiplicamos pequeñas operaciones por cientos de millones de usuarios, aplicaciones empresariales, asistentes automáticos y procesos que funcionan continuamente.

Hecho: la Agencia Internacional de la Energía estimó que los centros de datos consumieron alrededor de 415 teravatios-hora en 2024, aproximadamente el 1,5 % de la electricidad mundial. Su escenario central proyecta cerca de 945 teravatios-hora para 2030, algo menos del 3 % de la demanda eléctrica global.

Estas cifras corresponden al conjunto de los centros de datos, no exclusivamente a la inteligencia artificial. No obstante, la AIE considera que los servidores acelerados, impulsados principalmente por la adopción de IA, serán uno de los mayores motores de ese crecimiento. También advierte que las previsiones presentan una incertidumbre considerable. Consulta el informe Energy and AI.

Entrenar un modelo y utilizarlo no son lo mismo

El entrenamiento es el proceso inicial mediante el que un modelo aprende patrones a partir de enormes volúmenes de información. Puede requerir gran capacidad computacional durante semanas o meses. La inferencia ocurre cada vez que recibe una instrucción y genera una respuesta. Una inferencia consume mucho menos que un entrenamiento completo, pero se repite constantemente.

También existe un impacto anterior y posterior: fabricación de chips, construcción de centros de datos, extracción de minerales, transporte de equipos y residuos electrónicos.

Hecho: un informe de la Unión Internacional de Telecomunicaciones concluye que todavía existen importantes vacíos de información. Muchas estimaciones se basan en aproximaciones indirectas y no incluyen adecuadamente todas las etapas del ciclo de vida. Consulta el informe de la UIT.

Perspectiva: deberíamos desconfiar tanto de las cifras milagrosamente pequeñas como de las equivalencias espectacularmente alarmantes cuando no explican su metodología.

La eficiencia no garantiza una reducción total

Los nuevos procesadores y modelos pueden hacer más trabajo utilizando menos energía por operación. Esta mejora es positiva, pero existe una paradoja: cuando una tecnología se vuelve más rápida y barata, aumenta su utilización.

Inferencia razonada: la eficiencia técnica debe acompañarse de decisiones sobre para qué utilizamos la IA. No basta con reducir el coste de cada operación si automatizamos tareas innecesarias a una escala enorme.

Cinco hábitos para utilizar la IA con más criterio

La responsabilidad principal corresponde a fabricantes, centros de datos, proveedores energéticos y reguladores. Aun así, los usuarios podemos adoptar prácticas razonables:

1. Consultar con una finalidad concreta. Definir el resultado evita cadenas de preguntas que no utilizaremos.
2. Aportar el contexto necesario desde el principio. Explicar objetivo, público y formato reduce correcciones.
3. Elegir el formato adecuado. Si basta el texto, generar imágenes, audio o vídeo puede no aportar valor.
4. Guardar y reutilizar el trabajo útil. Una plantilla puede adaptarse sin comenzar siempre desde cero.
5. Valorar el beneficio obtenido. Preparar una clase o mejorar la accesibilidad puede justificar los recursos; producir decenas de versiones casi iguales ofrece mucho menos valor.

Sostenibilidad también significa transparencia

El usuario todavía dispone de poca información para comparar el impacto ambiental de diferentes servicios. Sería útil que los proveedores publicaran mediciones comparables sobre energía, agua, emisiones, hardware y ciclo de vida.

El trabajo internacional coordinado por la UIT junto con otros organismos insiste en armonizar estándares para medir y reducir el impacto ambiental de la IA. Consulta el informe de normalización ambiental.

Aprender a utilizar inteligencia artificial con criterio no consiste en sentirse culpable por cada pregunta. Consiste en comprender que lo digital también ocupa infraestructuras físicas y que una herramienta valiosa merece un uso consciente.

En Lykios Academy defendemos una idea sencilla: la tecnología debe ayudarnos a pensar, aprender y actuar mejor. No se trata de utilizar menos IA por sistema, sino de utilizar la necesaria, con un propósito claro y un resultado que justifique los recursos empleados.