Contenido
- Resumen en 30 segundos: las ocho cifras que importan
- Por qué las cuentas no encajan: cinco parámetros que nadie establece
- Cuánta electricidad consumen los centros de datos
- Cuánto demanda una única petición
- El agua: un trío de grifos diferentes
- Entrenamiento frente a inferencia: dónde está el coste real
- El inconveniente no es global, sino local
- Qué mitiga realmente el impacto
- Cómo auditar cualquier titular sobre consumo de IA
- Lo que todavía no sabemos
- Preguntas frecuentes
- Metodología y límites de este artículo
- Referencias
Los cálculos difundidos acerca del gasto energético de una única petición a un modelo de lenguaje oscilan en un intervalo superior a tres órdenes de magnitud: abarca desde 0,24 vatios-hora hasta prácticamente 30. No se trata de que ciertas fuentes falseen los datos y otras acierten, sino de que evalúan parámetros diferentes. Este texto recopila, basándose en documentos originales y con revisión científica, el gasto real de la inteligencia artificial tanto en recursos hídricos como eléctricos, analiza el motivo por el cual los datos publicados resultan contradictorios y enseña a interpretar de forma correcta cualquier noticia al respecto. Se incorporan las estadísticas conjuntas de la Agencia Internacional de la Energía junto con el Lawrence Berkeley National Laboratory, los registros de rendimiento operativo de Google, la primera evaluación integral del ciclo de vida perteneciente a un sistema comercial (Mistral), además de las investigaciones universitarias que miden el impacto sobre el agua. Hacia el final se adjunta un repertorio bibliográfico dotado de DOI para facilitar la comprobación independiente de cada información.
Resumen en 30 segundos: las ocho cifras que importan
Si únicamente vas a ojear una sección de este texto, asegúrate de que sea esta tabla. Cada hilera especifica la procedencia y la fecha, pues careciendo de estos datos la cifra pierde todo su sentido.
| Magnitud | Cifra | Fuente y año |
|---|---|---|
| Electricidad de todos los centros de datos del mundo (2025) | ≈485 TWh — un 1,5 % del consumo eléctrico mundial | AIE, Electricity 2026 |
| Proyección para 2030 | ≈945 TWh — cerca del 3 % mundial | AIE, Energy and AI (2025) y Electricity 2026 |
| Parte atribuible específicamente a cargas de IA (2025) | ≈155 TWh de los 485 TWh (≈20 % del total) | AIE / Aczel et al. (2026) |
| Centros de datos en EE. UU. (2023) | 176 TWh — el 4,4 % de la electricidad del país | Lawrence Berkeley National Laboratory (2024) |
| Consulta de texto mediana en Gemini, medida en producción | 0,24 Wh y 0,26 ml de agua | Elsworth et al., Google (2025) |
| Consulta de 400 tokens en Le Chat, análisis de ciclo de vida | 1,14 gCO₂e y 45 ml de agua | Mistral AI con Carbone 4 y ADEME (2025) |
| Rango entre el modelo más y el menos eficiente por consulta larga | de 0,45 Wh a más de 29 Wh (×65) | Jegham et al. (2025) |
| Huella hídrica global de la IA proyectada para 2027 | 4.200-6.600 millones de m³ anuales (retirada) | Li et al. (2023) / Barnett-Itzhaki (2026) |
En este artículo vas a descubrir
• Por qué los datos oficiales no resultan equiparables entre sí, además de los cinco factores que conviene definir previamente a cualquier análisis.
• Las cifras agregadas de consumo eléctrico, con sus escenarios y sus intervalos de incertidumbre.
• El consumo por consulta: todas las mediciones disponibles puestas en la misma tabla, con su metodología.
• El agua: los tres «grifos» distintos que casi nadie distingue y que explican la mayor parte de las discrepancias.
- Entrenamiento frente a inferencia: dónde se sitúa actualmente el gasto real.
- Por qué la dificultad no es global sino local, analizando las situaciones de Virginia del Norte, Irlanda, Oregón y São Paulo.
- Qué palancas reducen el impacto de verdad, cuantificadas.
- Una lista de comprobación de seis preguntas para auditar cualquier titular sobre consumo de IA.
Por qué las cuentas no encajan: cinco parámetros que nadie establece
En julio de 2025 se produjo un acontecimiento revelador. Sam Altman, el máximo responsable de OpenAI, dio a conocer que una petición promedio en ChatGPT gasta 0,34 Wh y aproximadamente 0,32 mililitros de agua. Poco después, Mistral AI dio a conocer el primer análisis sobre el ciclo de vida global de un modelo de lenguaje comercial y cifró el agua de una respuesta de 400 tokens en 45 mililitros. Dos compañías de un mismo ámbito, durante el transcurso del mismo mes, con una brecha superior a cien veces en idéntica variable.
Ninguna de las dos está necesariamente equivocada. Están midiendo cosas distintas, y ahí está el verdadero problema de este debate. Una revisión sistemática de 88 estudios revisados por pares publicada en Renewable and Sustainable Energy Reviews encontró que la energía por tarea en inferencia abarca más de tres órdenes de magnitud en la literatura científica, con la generación de imágenes consumiendo alrededor de 1.450 veces más que una tarea básica de clasificación de texto [3].
Antes de comparar dos cifras sobre consumo de IA hay que comprobar que coinciden en estos cinco parámetros:
| Parámetro | Opciones posibles | Efecto en la cifra |
|---|---|---|
| Frontera del sistema | Únicamente el acelerador; acelerador más servidor; sumando capacidad ociosa; añadiendo el sobrecoste del centro de datos (PUE); incluyendo la fabricación del hardware | El resultado final puede multiplicarse por dos o por tres |
| Agua: retirada o consumo | Volumen extraído de la cuenca en contraste con el recurso evaporado y no retornado | Se aprecian discrepancias de un orden de magnitud |
| Alcance del agua | Directa (refrigeración, alcance 1); indirecta (generación eléctrica, alcance 2); incorporada (semiconductores, alcance 3) | Normalmente, el alcance 2 rebasa al primero |
| Tipo de tarea | Pregunta breve; contestación extensa; razonamiento profundo; generación de imágenes; vídeo | Alcanza hasta ×1.450 basándose en la revisión sistemática |
| Modelo y despliegue | Versión compacta cuantizada frente a desarrollo de frontera; procesamiento por lotes o consultas individuales; emplazamiento y climatología de la instalación | Diferencias de hasta ×65 entre arquitecturas; hasta ×100 motivadas por la gestión de peticiones |
A esto se suma una dificultad estructural en cuanto a la transparencia. Un estudio dado a conocer en Patterns durante 2025 lo señala con claridad: los reportes ecológicos de los administradores de centros de datos no distinguen entre cargas de IA y cargas que no lo son, por lo que el impacto ambiental de la inteligencia artificial únicamente se logra estimar mediante indicadores globales de la infraestructura; además, frecuentemente los datos difundidos ni siquiera posibilitan calcular el total corporativo [1].
Cuánta electricidad consumen los centros de datos
Aquí los datos resultan más fiables, dado que se apoyan en fuentes institucionales con metodologías transparentes. La Agencia Internacional de la Energía (AIE) encabeza estas estimaciones: en su reporte Energy and AI, publicado en abril de 2025, calculó que la demanda mundial de los centros de datos rondará los 945 TWh en 2030, una cifra semejante al gasto eléctrico de todo Japón en un año. Asimismo, su publicación Electricity 2026 fija el arranque de 2025 cerca de los 485 TWh, lo que equivale al 1,5 % de la demanda global de electricidad, de los cuales aproximadamente 155 TWh se destinan a infraestructuras centradas en la IA.
| Fuente | Ámbito | Cifra actual | Proyección | Nota metodológica |
|---|---|---|---|---|
| AIE, Electricity 2026 / Energy and AI | Planeta entero, la totalidad de los centros de datos | ≈485 TWh en 2025, 1,5 % | ≈945 TWh hacia 2030 (≈3 %); ≈1.200 TWh para 2035 | Escenario de referencia; la propia AIE recalca las dudas económicas generales y el ritmo de integración [3] |
| Lawrence Berkeley National Laboratory (2024) | Estados Unidos | 176 TWh (2023), 4,4 % | De 325 a 580 TWh en 2028 (6,7 %-12 %) | Promovido por el Departamento de Energía; el doce por ciento representa el límite superior y no una cifra estimada media |
| Chen et al., Communications Sustainability (2026) | A escala global, exclusivamente infraestructura de inteligencia artificial de las seis grandes tecnológicas | ≈118 TWh (2024) | 239-295 TWh en 2030 (cerca del 1 % global) | Fusiona revisión bibliográfica y simulación de supuestos [10] |
| Aczel et al. (2026) | Global, separando inteligencia artificial de otras cargas | 448 TWh (2025), IA cercana al 20 % | 945 TWh en 2030, IA alrededor del 40 % | Estudio recopilatorio [14] |
| Fan et al., Energy and Climate Change (2026) | Mundial, perspectiva temporal amplia | — | Entre 1.800 y 5.000 TWh para 2050 según el contexto socioeconómico | Esquema SSP; la amplitud del intervalo plasma la duda genuina y no discrepancias [8] |
| Turkay et al., PLOS One (2026) | Mundial, supuesto de inercia | — | Cerca del 30 % del consumo eléctrico global en 2050 | Hipótesis límite basada en la prolongación de pautas actuales, ajena a cálculos principales [12] |
Hay dos lecturas compatibles de esta tabla. La primera: en términos agregados, la IA sigue siendo una fracción modesta del sistema eléctrico mundial —en torno al 0,5 % hoy, camino del 1 % al 1,2 % en 2030 según la estimación más conservadora [10]—. La segunda: el ritmo de crecimiento no tiene precedente reciente en el sector eléctrico, y la infraestructura de red se planifica en plazos de siete a diez años mientras un centro de datos se construye en dos.
Un dato que refleja dicha desproporción: un modelo de dinámica de sistemas difundido en Sustainable Futures y enfocado en Virginia del Norte —el principal mercado mundial de centros de datos, zona que actualmente absorbe cerca del 25 % de la energía eléctrica local— revela que el margen de reserva proyectado descenderá por debajo del umbral de referencia del 17,7 % en un plazo de tres a cinco años, al tiempo que la proporción correspondiente a los centros de datos se elevaría hasta el 36 %-40 % del gasto energético regional para el año 2031 [17].
Cuánto demanda una única petición
Esta es la cifra que más circula y la menos fiable. Durante años las estimaciones se construyeron desde fuera, con supuestos sobre hardware y utilización. En agosto de 2025 se publicó la primera medición en un entorno de producción real: Google instrumentó la infraestructura que sirve a Gemini y cifró la consulta de texto mediana en 0,24 Wh de energía y 0,26 ml de agua, el equivalente a ver nueve segundos de televisión y a cinco gotas de agua [23].
Ese cometido cobra relevancia por un par de motivos que van más allá de la simple cifra. Por un lado, el perímetro del sistema abarca tanto la energía del acelerador activo y el equipo principal como la potencia ociosa de los equipos y el gasto energético adicional del centro de datos; en otras palabras, se trata de una medición exhaustiva y no de una estimación favorable de GPU. Por otro lado, registra un descenso de 33 veces en energía y 44 veces en huella de carbono por consulta mediana en un solo año, logro derivado de la optimización del software y la adquisición de electricidad limpia. Por consiguiente, cualquier dato sobre el consumo por consulta previo a 2024 queda desfasado por múltiplos considerables.
| Medición | Energía | Agua | Metodología |
|---|---|---|---|
| Gemini Apps, consulta de texto mediana (Google, 2025) | 0,24 Wh | 0,26 ml | Evaluación en entorno real, infraestructura global abarcando capacidad ociosa junto con la eficiencia PUE [23] |
| ChatGPT, consulta media (declaración de OpenAI, 2025) | 0,34 Wh | ≈0,32 ml | Anuncio oficial sin detalles metodológicos disponibles ni auditoría externa |
| Le Chat, respuesta de 400 tokens (Mistral, 2025) | No desglosada | 45 ml | Estudio de ciclo de vida bajo normas ISO 14040/44, verificado por Resilio junto a Hubblo; abarca 1,14 gCO₂e y 0,16 mg Sb eq |
| 30 modelos comerciales, consulta corta (Jegham et al., 2025) | 0,42-0,45 Wh el más eficiente | Cálculo derivado mediante coeficientes empresariales | Cálculo estadístico de la arquitectura hardware partiendo de información abierta de API [11] |
| Los mismos 30 modelos, consulta larga | Más de 29 Wh el más intensivo (×65) | — | Idem al caso previo [11] |
| Correo de 120-200 palabras con Llama-3-70B (Shumba et al., 2024) | — | ≈0,12 l | Cálculo basado en el rendimiento hídrico territorial dentro de 11 naciones africanas [16] |
| El mismo correo con un modelo de clase GPT-4 | — | Hasta ≈2,6 l | Idem al caso previo; el rango varía notablemente según el territorio [16] |
La moraleja práctica no aboga por el consumo escaso ni por el desmedido. Más bien, se deduce que la selección del modelo y su modalidad de servicio influyen mucho más que la mera decisión de implementar IA o prescindir de ella. Una investigación empírica centrada en H100 reveló que organizar temporalmente el flujo de solicitudes disminuye la energía requerida por cada consulta hasta cien veces, constatando además que el beneficio derivado de emplear precisión reducida surge únicamente en escenarios condicionados por la capacidad de cálculo [20]. Por otro lado, un análisis enfocado en 14 arquitecturas abiertas que oscilan entre 6.000 y 34.000 millones de parámetros determinó que escalar el tamaño incrementa notablemente el gasto energético sin aportar ganancias de exactitud equivalentes, evidenciando que, para numerosas labores, las opciones intermedias alcanzan o rebasan el rendimiento de las mayores con un coste energético notablemente inferior [21].
Hay además un descubrimiento inesperado que resulta útil tener presente: durante un análisis multilingüe enfocado en NVIDIA H200 que superó las 5.100 pruebas, el consumo energético llegó a multiplicarse por tres entre arquitecturas con idénticas demandas de trabajo, el vínculo entre el gasto de energía y la eficacia lógica demostró ser escaso (ρ de Spearman = 0,109; p = 0,386), mientras que el idioma de la consulta se comportó como un parámetro medible de despliegue: las lenguas romances gastaron en promedio menor cantidad de energía que el inglés en diversos modelos [5].
El agua: un trío de grifos diferentes
El agua es donde más se confunde el debate público, y la razón es sencilla: hay tres flujos distintos y casi nunca se dice cuál se está contando.
1. Agua directa (alcance 1). La que se evapora en las torres de refrigeración del propio centro de datos. Es la que suele aparecer en los titulares y la única que el operador controla directamente.
2. Agua indirecta (alcance 2). La que se consume generando la electricidad que alimenta el centro de datos: refrigeración de centrales térmicas y nucleares, evaporación en embalses hidroeléctricos. Suele ser mayor que la directa. En el clúster de São Paulo, con una carga informática de unos 550 MW y una huella hídrica anual estimada de 16,1 millones de m³, más del 46 % es «agua virtual» consumida en la generación hidroeléctrica[7].
3. Agua incorporada (alcance 3). La de la fabricación de semiconductores y del resto de la cadena de suministro del hardware.
Esta distinción explica por qué una red eléctrica baja en carbono no es automáticamente baja en agua, un punto que el informe de Aczel et al. subraya expresamente [14]. Y explica también una paradoja geográfica: la hidroelectricidad, bandera de la descarbonización, genera un bucle de realimentación en el que la demanda del centro de datos presiona sistemas de agua y energía ya comprometidos por el cambio climático [7].
| Estimación | Ámbito y año | Magnitud | Qué mide exactamente |
|---|---|---|---|
| Li et al. (2023), recogido por Barnett-Itzhaki (2026) | Mundial, IA, 2027 | 4.200-6.600 millones de m³/año | Retirada de agua, no consumo neto [2] |
| Patterns (2025) | Mundial, solo cargas de IA, 2025 | 312.500-764.600 millones de litros (0,31-0,76 miles de millones de m³) | Huella aproximada por métricas generales de centro de datos [1] |
| Nature Sustainability (2025) | Estados Unidos, servidores de IA, 2024-2030 | 731-1.125 millones de m³/año | Huella hídrica anual, con horquilla por escala de despliegue [6] |
| Entrenamiento de un modelo de clase GPT-3 | Un modelo, ciclo completo | ≈1,3 GWh y ≈5,4 millones de litros | Datos de ciclo de vida recogidos en revisión jurídico-técnica [24] |
| Mistral Large 2 (2025) | Un modelo, entrenamiento + 18 meses de uso | 20,4 ktCO₂e y 281.000 m³ de agua | Análisis de ciclo de vida; el 91 % del agua corresponde a entrenamiento e inferencia |
| Serie de modelos de 20M a 13.000M de parámetros (2025) | Desarrollo completo de una familia de modelos | 493 t de CO₂ y 2,769 millones de litros | Incluye fabricación de hardware y desarrollo; el desarrollo supuso ≈50 % del impacto del entrenamiento final [22] |
Nótese la diferencia entre la primera y la segunda fila: un orden de magnitud. No es un error de ninguno de los dos trabajos, es que la primera mide retirada y la segunda huella atribuida a cargas de IA. Cualquier artículo que presente ambas como la misma magnitud está mal construido.
El emplazamiento pesa más que la cantidad total sumada. El sesenta y seis por ciento de las nuevas instalaciones de servidores en territorio estadounidense se ubican en regiones con escasez de agua [18], mientras que un estudio publicado en PLOS Water señala cuatro inquietudes registradas en procesos judiciales y documentos oficiales en Estados Unidos: el debilitamiento de la gestión democrática del recurso hídrico, la explotación desmedida acompañada de alzas en las facturas, la disminución de la capacidad de adaptación en la gestión del agua, y el crecimiento en el consumo hídrico impulsado por una mayor exigencia de energía eléctrica [13].
Entrenamiento frente a inferencia: dónde está el coste real
Durante años el relato se centró en el entrenamiento: las cifras espectaculares de un modelo frontera entrenándose durante semanas. Ese marco está desfasado. Los informes del sector indican que la inferencia, no el entrenamiento, concentra más del 90 % del consumo total de energía de un servicio de IA en explotación [19], y una síntesis en Open Praxis recoge un estudio que estima la huella de carbono de la fase de uso en 25 veces la del entrenamiento inicial [18].
Esto acarrea tres efectos que transforman por completo el debate:
- El coste es proporcional al uso, no al desarrollo. Un modelo eficiente usado mil millones de veces al día pesa más que un modelo ineficiente entrenado una vez.
• El cuello de botella se desplaza a la ingeniería de servicio. La cuantización, el volumen de lote, la programación de consultas y la selección del motor de inferencia consiguen recortar el gasto energético global hasta un 73 % en comparación con un ajuste sin optimizar [4].
• Surge el efecto rebote. Dentro de esta literatura se documenta de forma explícita la paradoja de Jevons: las optimizaciones en la eficiencia abaratan el servicio y elevan la demanda global [18]. Tal como lo plantean Jegham et al., se trata de «una paradoja en auge: conforme la inteligencia artificial resulta más económica y ágil, su implantación generalizada estimula un gasto desmedido de recursos» [11].
Adicionalmente, existe un aspecto de ingeniería eléctrica poco divulgado que resulta clave para la organización de la red: la demanda energética durante la fase de entrenamiento no es constante. A través de un monitoreo exhaustivo basado en series temporales, se detectaron fluctuaciones que van desde el 15 % hasta el 85 % de la capacidad máxima de los equipos, lo cual genera repercusiones desfavorables para la estructuración a gran escala [22].
El inconveniente no es global, sino local
Si uno observa únicamente las cifras globales, las consecuencias de la IA aparentan ser controlables. El inconveniente radica en que los recursos no se distribuyen equitativamente: Norteamérica, Europa Occidental y Asia-Pacífico concentran más del 90 % de la capacidad de cómputo proyectada[10], al tiempo que, dentro de dichos territorios, la acumulación se repite en un número reducido de enclaves.
| Territorio | Situación documentada | Fuente |
|---|---|---|
| Virginia del Norte (EE. UU.) | Las instalaciones de procesamiento de datos absorben cerca del 25 % de la energía eléctrica local; el margen de seguridad descenderá por debajo del límite crítico en un lustro; la participación alcanzará entre el 36 % y el 40 % hacia 2031 | Sustainable Futures (2026) [17] |
| Oregón, Virginia e Irlanda | Un índice de estrés eléctrico (PSI) que supera el valor de 0,25, lo cual señala una clara fragilidad en las redes de distribución zonales | Chen et al. (2026) [10] |
| Irlanda (EirGrid) y Dominion (EE. UU.) | Obstáculos para integrar la infraestructura emergente; al flexibilizar los estándares de estabilidad, la potencia utilizable se multiplica de 1,5 a 4,6 veces | Lin et al. (2023) [15] |
| São Paulo (Brasil) | Un impacto hídrico anual de 16,1 millones de metros cúbicos para aproximadamente 550 MW; superando el 46 % de agua virtual proveniente de fuentes hidroeléctricas vulnerables a períodos secos | Cambridge Prisms: Water (2026) [7] |
| Texas y Japón | Redes equilibradas con la capacidad de integrar el incremento de demanda sin sufrir tensiones equivalentes | Chen et al. (2026) [10] |
| 8 de 11 países africanos analizados | Gastan menos recursos hídricos por cada petición en comparación con el promedio global, debido a la menor huella del agua en su producción de energía; no obstante, las naciones con entornos áridos muestran cifras superiores | Shumba et al. (2024) [16] |
La última fila merece atención porque contradice la intuición habitual. La huella de una consulta idéntica puede variar de forma sustancial según el país donde se ejecute, y no siempre en la dirección que se supone. La ubicación del centro de datos y el diseño de su refrigeración influyen en el impacto ambiental tanto como la eficiencia del hardware[25].
Qué mitiga realmente el impacto
Esta es la sección de la literatura menos mencionada en los medios, aunque resulta la más práctica. Las cifras ya han sido medidas:
| Palanca | Reducción documentada | Límite práctico | Fuente |
|---|---|---|---|
| Organización cronológica en la recepción de solicitudes | Hasta ×100 de energía por cada solicitud | Demanda gestión del flujo de tráfico; afecta negativamente la latencia | [20] |
| Paquete de mejoras para la inferencia (cuantificación, procesamiento por lotes, motor) | Hasta un 73 % de la energía global | Muy dependiente del hardware y de las características de la carga | [4] |
| Seleccionar un modelo intermedio en vez de uno grande | Capacidad equivalente o superior con un gasto energético muy inferior en múltiples funciones | Sujeto al tipo de tarea; no aplica universalmente | [21] |
| Estrategias óptimas integradas en centros de datos de inteligencia artificial (EE. UU.) | Hasta un 73 % en emisiones y un 86 % en consumo hídrico | Restringido por las redes energéticas actuales | [6] |
| Sistemas de climatización avanzados (refrigeración líquida directa) | Hasta el 50 % de la energía destinada a la climatización | Demanda una remodelación de las instalaciones | [25] |
| Emplazamiento en zonas con baja huella ecológica y seguridad hídrica | Aproximadamente la mitad del impacto combinado | Entra en conflicto con los requisitos de red y latencia | [25] |
| Integración con plantas depuradoras: uso de agua regenerada para climatización y aprovechamiento térmico para la planta | ≈84 Mt CO₂e/año, ≈1.300 millones de m³ de agua potable y un beneficio neto anual de ≈95.400 millones de dólares | Exige proximidad geográfica; mayor viabilidad en EE. UU., Japón, China, Países Bajos y Reino Unido | [9] |
| Desvío de tráfico según la huella de carbono y sistemas de refrigeración líquida | Entre un 40 % y un 60 % de disminución del impacto | Soluciones viables y económicas hoy en día, aunque con baja implantación | [24] |
El trabajo sobre simbiosis entre centros de datos y depuradoras merece mención aparte por su escala: construye una geobase de más de 4.775 centros de datos y 57.547 depuradoras municipales en 98 países, y halla una fuerte coocurrencia espacial entre ambos tipos de instalación que permitiría emparejamientos optimizados a escala nacional [9]. Hablamos de una clase de solución que prescinde de cualquier avance tecnológico futuro, basándose exclusivamente en una correcta planificación.
El contrapunto resulta igual de relevante: según advierte un análisis publicado en Nature Sustainability, incluso adoptando las prácticas más óptimas, la industria de servidores de IA apenas podrá cumplir sus metas de cero emisiones netas para 2030 si no apela a esquemas de compensación de carbono y de recuperación hídrica cuya eficacia genera profundas dudas[6].
Cómo auditar cualquier titular sobre consumo de IA
Seis preguntas. Si un titular o un informe no permite responderlas, el dato no es utilizable:
1. ¿De qué año es la medición? Google documentó una mejora de 33 veces en energía por consulta en doce meses. Una cifra de 2023 no describe 2026.
2. ¿Qué incluye la frontera del sistema? ¿Acaso abarca únicamente la GPU, o también engloba el servidor, el margen de capacidad ociosa, el coeficiente PUE de las instalaciones y la propia producción del hardware?
3. En agua, ¿retirada o consumo? ¿Y de qué alcance: refrigeración, generación eléctrica o fabricación de chips?
4. ¿Qué tarea concreta se midió? Una consulta breve de texto y la creación de un vídeo no representan la misma unidad de análisis.
5. ¿Es medición, estimación o declaración? Existen tres grados de evidencia sumamente diferenciados: la medición instrumentada en entornos de producción, la inferencia estadística a partir de datos públicos de API, y la declaración corporativa carente de metodología.
6. ¿Está normalizada por utilidad? Energía por consulta sin decir qué calidad de respuesta se obtiene no permite comparar. De ahí la propuesta de métricas compuestas tipo AI Energy Score, que capturan calidad de razonamiento por unidad de energía [5].
Lo que todavía no sabemos
Un artículo honesto tiene que decir dónde se acaba la evidencia. En este campo, las lagunas son grandes y están documentadas:
- No existen evaluaciones integrales y revisadas por pares acerca de los modelos de razonamiento o de la inteligencia artificial agéntica. Así lo destaca de manera explícita un análisis metódico sobre 88 investigaciones: nos encontramos ante una tipología novedosa carente de mediciones exhaustivas divulgadas [3]. Teniendo en cuenta que estas tecnologías producen una cantidad muy superior de tokens por cada labor, esta carencia constituye con probabilidad el vacío más significativo en la actualidad.
• No existen datos fiables de ciclo de vida de las GPU, ni factores de evaluación ampliamente disponibles, ni un estándar establecido de análisis de ciclo de vida para modelos de lenguaje. Lo reconoce la propia Mistral en su auditoría.
• Los operadores no desglosan cargas de IA frente a cargas convencionales en sus reportes ecológicos, obstaculizando la asignación precisa de los impactos [1].
• Los datos locales de consumo de agua rara vez son públicos. Las administraciones municipales y las compañías suministradoras no siempre los publican, por lo que resulta necesario pedirlos mediante los mecanismos de transparencia [13].
• La atribución transfronteriza sigue sin resolverse. Se ha planteado un esquema híbrido capaz de asignar la huella operativa a las naciones anfitriones, mientras que los impactos incorporados y de servicio recaen en las consumidoras, si bien todavía no se alcanza un consenso [24].
Preguntas frecuentes
¿Cuánta energía gasta una consulta realizada en ChatGPT o Gemini?
Google proporciona la única medición instrumentada disponible en un entorno productivo para Gemini: 0,24 Wh energéticos y 0,26 ml hídricos por cada consulta textual mediana, considerando un perímetro sistémico que abarca el acelerador, el servidor central, el margen operativo inactivo y el gasto general del centro de datos [23]. Por su parte, OpenAI reportó 0,34 Wh y aproximadamente 0,32 ml en relación con ChatGPT, omitiendo los detalles metodológicos. Investigaciones independientes registran cifras superiores a 29 Wh cuando se trata de peticiones extensas y arquitecturas exigentes [11]. Carecemos de un valor universal aplicable, pues este varía en función de la arquitectura, la extensión de la contestación y la infraestructura de despliegue.
¿Es cierto que la inteligencia artificial gasta demasiada agua?
Dependiendo de lo que se aborde, los registros varían desde los 0,26 ml (en el caso de Gemini, evaluado en un entorno real) hasta los 45 ml (según la estimación de ciclo de vida para 400 tokens en Le Chat). Por otro lado, las estimaciones globales para la inteligencia artificial oscilan entre los 0,31 y los 0,76 mil millones de m³ previstos para 2025, de acuerdo con Patterns[1], mientras que Li et al. calculan extracciones anuales de entre 4.200 y 6.600 millones de m³ para el año 2027 [2]. El contraste fundamental no radica tanto en la dimensión material, sino en el criterio conceptual: extracción en contraposición a consumo, además del alcance operativo, ya sea directo o indirecto.
¿Qué pesa más, entrenar un modelo o usarlo?
Usarlo. La inferencia concentra más del 90 % del consumo energético de un servicio en explotación[19], mientras que diversos cálculos documentados sitúan la huella de carbono de la fase operativa en veinticinco veces la generada durante el entrenamiento inicial [18]. Tomando como referencia el caso analizado de Mistral Large 2, tanto la fase de entrenamiento como la de inferencia aglutinan de forma conjunta el 91 % del consumo de agua y el 85,5 % de las emisiones de gases de efecto invernadero.
¿Qué porcentaje de la electricidad mundial consume la inteligencia artificial?
Globalmente, las infraestructuras de procesamiento de datos requirieron cerca de 485 TWh durante 2025, lo que representa aproximadamente el 1,5 % de la demanda energética global; de esta cifra, cerca de 155 TWh estuvieron vinculados a complejos dedicados a la inteligencia artificial. En otras palabras, la IA ronda el 0,5 % del consumo eléctrico mundial. Las estimaciones de la AIE apuntan a que el conjunto de estos centros alcanzará los 945 TWh hacia 2030, abarcando casi el 3 %, mientras la inteligencia artificial incrementa su protagonismo dentro de dicha cifra.
¿Las mejoras de eficiencia resuelven el problema?
Solo en parte. Los modelos de escenarios muestran que, aunque la eficiencia por operación mejora de forma sustancial, la demanda agregada crece aproximadamente un orden de magnitud por el aumento del uso [12]. Es el efecto rebote o paradoja de Jevons, documentado explícitamente en esta literatura [18]. Los escenarios que más reducen emisiones combinan consolidación en menos modelos y mayores con transición a electricidad baja en carbono, superando en más de 20 puntos porcentuales lo que logra la eficiencia por sí sola [12].
¿Es capaz la energía verde de satisfacer la demanda de la inteligencia artificial?
En principio sí, aunque con matices. Tras examinar sistemáticamente 88 investigaciones, se determina que esto resulta factible únicamente si se dinamiza la implantación, se transita del balance anual de energía limpia al emparejamiento horario —conocido como 24/7 carbon-free energy— y se implementan normativas ajustadas a cada región. Los mecanismos de adquisición energética difieren notablemente: la llamada «brecha de adicionalidad» separa los certificados desagregados de la sincronización horaria efectiva [3].
¿De qué manera puede una compañía que emplea inteligencia artificial disminuir su impacto ambiental?
Cuatro decisiones con efecto medible, por orden de impacto: elegir el modelo más pequeño que resuelva la tarea en lugar del más capaz disponible[21]; agrupar peticiones en lotes y estructurar su llegada en lugar de enviarlas sueltas [20]; seleccionar proveedor y región por intensidad de carbono y por estrés hídrico de la cuenca, no solo por latencia y precio [25]; y exigir al proveedor datos de energía y agua por consulta con metodología publicada, no declaraciones agregadas.
Metodología y límites de este artículo
Este artículo se ha elaborado a partir de bibliografía evaluada por expertos hallada mediante exploración semántica en repositorios científicos (Semantic Scholar, OpenAlex y PubMed mediante Consensus), la cual se complementa con tres clases de datos primarios ajenos al ámbito académico: reportes de instituciones oficiales (Agencia Internacional de la Energía, Lawrence Berkeley National Laboratory por encomienda del Departamento de Energía de Estados Unidos), estudios de ciclo de vida difundidos por productores con auditoría externa (Mistral AI con Carbone 4, ADEME, Resilio y Hubblo), además de registros operativos en entornos reales compartidos por proveedores (Google).
Tres límites que el lector debe tener presentes:
• Las cifras de 2030 y posteriores son escenarios, no previsiones. Cuando se citan rangos amplios es porque la incertidumbre es real y está cuantificada en la fuente, no porque haya desacuerdo entre autores.
• Las declaraciones corporativas sin metodología publicada se identifican como tales y no se tratan como equivalentes a mediciones instrumentadas o a análisis de ciclo de vida revisados.
• El campo se mueve muy rápido: la mejora de 33 veces documentada por Google en doce meses implica que cualquier cifra por consulta debe fecharse. Este artículo refleja la evidencia disponible a 3 de noviembre de 2026.
Referencias
1. The carbon and water footprints of data centers and what this could mean for artificial intelligence — Patterns, 2025. DOI: 10.1016/j.patter.2025.101430
2. Barnett-Itzhaki, Z. The water footprint of artificial intelligence: Emerging solutions and governance imperatives — Water Research, 2026. DOI: 10.1016/j.watres.2026.125866
3. Yoo, S. et al. Can renewable energy meet the surging power demand of artificial intelligence? A systematic review — Renewable and Sustainable Energy Reviews, 2026. DOI: 10.1016/j.rser.2026.117213
4. Fernandez, J. et al. Energy Considerations of Large Language Model Inference and Efficiency Optimizations — 2025. DOI: 10.48550/arxiv.2504.17674
5. de Zarzà, I. et al. Energy-Aware Multilingual Evaluation of Large Language Models — Electronics, 2026. DOI: 10.3390/electronics15071395
6. Xiao, T. et al. Environmental impact and net-zero pathways for sustainable artificial intelligence servers in the USA — Nature Sustainability, 2025. DOI: 10.1038/s41893-025-01681-y
7. Liang, G.-D. The Cloud’s Thirst: Quantifying AI’s Water Footprint and its Impact on the Water-Energy Nexus in São Paulo, Brazil — Cambridge Prisms: Water, 2026. DOI: 10.1017/wat.2026.10020
8. Fan, Y. V. et al. Data Centre Energy Demand Projections within Shared Socioeconomic Pathways — Energy and Climate Change, 2026. DOI: 10.1016/j.egycc.2026.100253
9. Wang, A.-J. et al. Global data–water symbiosis reduces AI infrastructure’s carbon and water footprint — Environmental Science and Ecotechnology, 2026. DOI: 10.1016/j.ese.2026.100702
10. Chen, D.-B. et al. Artificial intelligence data centers could reach one percent of global electricity demand by 2030 — Communications Sustainability, 2026. DOI: 10.1038/s44458-026-00152-5
11. Jegham, N. et al. How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference — 2025. DOI: 10.48550/arxiv.2505.09598
12. Turkay, B. M. et al. Scenario-based forecasting of the global energy demand and carbon footprint of artificial intelligence — PLOS One, 2026. DOI: 10.1371/journal.pone.0343056
13. Shah, S. H. Four water insecurity concerns about datacenters driving the AI revolution — PLOS Water, 2026. DOI: 10.1371/journal.pwat.0000500
14. Aczel, M. et al. The Environmental Cost of AI’s Energy Use: Carbon, Water and Land Footprints — 2026. DOI: 10.53328/inr26rma002
15. Lin, L. et al. Exploding AI Power Use: an Opportunity to Rethink Grid Planning and Management — ACM e-Energy, 2023. DOI: 10.1145/3632775.3661959
16. Shumba, N. et al. A Water Efficiency Dataset for African Data Centers — ACM COMPASS, 2024. DOI: 10.1145/3715335.3735483
17. Paccou, R. et al. Opening the black box of data center electricity consumption forecasting: An application of system dynamics modeling to Northern Virginia — Sustainable Futures, 2026. DOI: 10.1016/j.sftr.2026.102072
18. Bozkurt, A. AI’s Thirst, AI’s Heat, AI’s Waste: Exposing the Hidden Environmental Impact of Every Artificial Intelligence Interaction — Open Praxis, 2025. DOI: 10.55982/openpraxis.17.4.1058
19. Niu, C. et al. TokenPowerBench: Benchmarking the Power Consumption of LLM Inference — 2025. DOI: 10.48550/arxiv.2512.03024
20. Delavande, J. et al. Understanding Efficiency: Quantization, Batching, and Serving Strategies in LLM Energy Use — 2026. DOI: 10.48550/arxiv.2601.22362
21. Masthan Ali, S. B. et al. Assessing the Sustainability of LLM Inference through Energy–Accuracy Analysis — ACM e-Energy, 2026. DOI: 10.1145/3744255.3811741
22. Morrison, J. D. et al. Holistically Evaluating the Environmental Impact of Creating Language Models — 2025. DOI: 10.48550/arxiv.2503.05804
23. Elsworth, C. et al. Measuring the environmental impact of delivering AI at Google Scale — 2025. DOI: 10.48550/arxiv.2508.15734
24. Asghar, M. et al. AI’s Cross Border Energy and Water Footprints: State Duties, No Harm Thresholds, and Paris Agreement Compliance Frameworks — Social Science Review Archives, 2025. DOI: 10.70670/sra.v3i3.875
25. Patel, A. et al. The Environmental Impact of AI Servers and Sustainable Solutions — 2025. DOI: 10.48550/arxiv.2601.06063
Fuentes institucionales y corporativas
• Agencia Internacional de la Energía. Electricity 2026 — Demand y Executive summary.
• Lawrence Berkeley National Laboratory. 2024 United States Data Center Energy Usage Report, diciembre de 2024. Anuncio del Departamento de Energía de EE. UU.
• Mistral AI. Our contribution to a global environmental standard for AI, julio de 2025.
• Our World in Data. How much energy do data centers and artificial intelligence use? (estudio elaborado con cifras de la AIE).
• Carbon Brief. AI: Five charts that put data-centre energy use and emissions into context.
Los costes por consulta de los servicios comerciales de inteligencia artificial varían con gran rapidez: cualquier dato de esta índole necesita ser contrastado frente al registro más actualizado del proveedor.
