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 consume una sola consulta
- El agua: un trío de grifos diferentes
- Entrenamiento frente a inferencia: dónde está el coste real
- El problema no es global, es local
- Qué reduce el impacto de verdad
- Cómo auditar cualquier titular sobre consumo de IA
- Lo que todavía no sabemos
- Preguntas frecuentes
- Enfoque y alcance de este texto
- Referencias
Las estimaciones publicadas sobre el consumo de una sola consulta a un modelo de lenguaje se mueven en un rango de más de tres órdenes de magnitud: desde 0,24 vatios-hora hasta casi 30. No es que unos mientan y otros digan la verdad: es que miden cosas distintas. Este artículo reconstruye, con fuentes primarias y revisadas por pares, qué consume la inteligencia artificial en electricidad y en agua, por qué las cifras que circulan son incompatibles entre sí, y cómo leer cualquier titular sobre el tema sin equivocarse. Incluye las cifras agregadas de la Agencia Internacional de la Energía y del Lawrence Berkeley National Laboratory, las mediciones en producción de Google, la primera auditoría de ciclo de vida completo de un modelo comercial (Mistral), y los trabajos académicos que cuantifican la huella hídrica. Al final hay una lista de referencias con DOI para que cualquiera pueda verificar cada dato.
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 las cifras públicas no son comparables entre sí, y los cinco parámetros que hay que fijar antes de comparar nada.
- Los datos consolidados de uso eléctrico, junto con sus contextos y márgenes de duda.
- 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 el problema no es global sino local, con los casos de Virginia del Norte, Irlanda, Oregón y São Paulo.
- Qué palancas disminuyen el impacto de manera real, 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 opciones resulta forzosamente errónea. Ambas evalúan métricas distintas, y en ello radica la complejidad real de esta discusión. Una revisión sistemática compuesta por 88 investigaciones con arbitraje científico, difundida a través de Renewable and Sustainable Energy Reviews, concluyó que la energía requerida por cada operación de inferencia presenta una variabilidad que supera los tres órdenes de magnitud dentro de la bibliografía académica; por ejemplo, crear imágenes demanda aproximadamente 1.450 veces más recursos que ejecutar una clasificación textual sencilla [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 | Solo el acelerador; acelerador + servidor; + capacidad inactiva; + sobrecoste del centro de datos (PUE); + fabricación del hardware | Puede multiplicar el resultado por 2 o por 3 |
| Agua: retirada o consumo | Agua retirada de la cuenca frente a agua efectivamente evaporada y no devuelta | Diferencias de un orden de magnitud |
| Alcance del agua | Directa (refrigeración, alcance 1); indirecta (generación eléctrica, alcance 2); incorporada (semiconductores, alcance 3) | El alcance 2 suele superar al 1 |
| Tipo de tarea | Consulta corta; respuesta larga; razonamiento extendido; imagen; vídeo | Hasta ×1.450 según la revisión sistemática |
| Modelo y despliegue | Modelo pequeño cuantizado frente a modelo frontera; lotes grandes o peticiones sueltas; ubicación y clima del centro de datos | Hasta ×65 entre modelos; hasta ×100 por la planificación de peticiones |
A esto se suma una traba estructural en materia de transparencia. Un estudio dado a conocer en Patterns en 2025 lo señala con total claridad: los reportes ecológicos de los administradores de centros de datos no diferencian el tráfico de inteligencia artificial del resto de demandas, por lo que el impacto ambiental de la IA únicamente se calcula mediante estimaciones basadas en indicadores globales de las instalaciones; además, con frecuencia los datos difundidos ni siquiera posibilitan calcular el consumo global de la empresa [1].
Cuánta electricidad consumen los centros de datos
Aquí las cifras son más sólidas, porque existen fuentes institucionales con metodología publicada. La Agencia Internacional de la Energía (AIE) es la referencia central: su informe Energy and AI de abril de 2025 proyectó un consumo global de centros de datos de unos 945 TWh en 2030, comparable al consumo eléctrico anual de Japón, y su serie Electricity 2026 sitúa el punto de partida de 2025 en torno a 485 TWh, es decir un 1,5 % de la electricidad mundial, de los cuales unos 155 TWh corresponden a instalaciones orientadas a IA.
| Fuente | Ámbito | Cifra actual | Proyección | Nota metodológica |
|---|---|---|---|---|
| AIE, Electricity 2026 / Energy and AI | Mundial, todos los centros de datos | ≈485 TWh (2025), 1,5 % | ≈945 TWh en 2030 (≈3 %); ≈1.200 TWh en 2035 | Escenario base; la propia AIE subraya la incertidumbre macroeconómica y de adopción [3] |
| Lawrence Berkeley National Laboratory (2024) | Estados Unidos | 176 TWh (2023), 4,4 % | 325-580 TWh en 2028 (6,7 %-12 %) | Encargado por el Departamento de Energía; el 12 % es el extremo alto, no una estimación central |
| Chen et al., Communications Sustainability (2026) | Mundial, solo infraestructura de IA de las seis grandes tecnológicas | ≈118 TWh (2024) | 239-295 TWh en 2030 (≈1 % mundial) | Combina análisis documental con modelización de escenarios [10] |
| Aczel et al. (2026) | Mundial, con desglose IA / no IA | 448 TWh (2025), IA ≈20 % | 945 TWh en 2030, IA ≈40 % | Informe de síntesis [14] |
| Fan et al., Energy and Climate Change (2026) | Mundial, horizonte largo | — | 1.800-5.000 TWh en 2050 según escenario socioeconómico | Marco SSP; el rango refleja incertidumbre real, no desacuerdo [8] |
| Turkay et al., PLOS One (2026) | Mundial, escenario de continuidad | — | Hasta el 30 % de la demanda eléctrica mundial en 2050 | Escenario extremo de continuidad de tendencias, no previsión central [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 discrepancia: una simulación de dinámica de sistemas dada a conocer en Sustainable Futures centrada en Virginia del Norte —el núcleo mundial de centros de datos, donde estos ya absorben cerca del 25 % de la energía eléctrica local— revela que la reserva proyectada descenderá por debajo del umbral aconsejado del 17,7 % en un plazo de tres a cinco años, y que la proporción destinada a estas instalaciones llegará al 36 %-40 % del gasto energético de la zona para 2031 [17].
Cuánto consume una sola consulta
Esta cifra es la más repetida y, al mismo tiempo, la menos veraz. A lo largo de los años, los cálculos se elaboraron desde una perspectiva externa, partiendo de conjeturas sobre el uso y el hardware. En agosto de 2025 vio la luz el primer registro en un contexto operativo real: Google equipó la plataforma que da soporte a Gemini y determinó que la petición textual media consume 0,24 Wh de energía y 0,26 ml de agua, lo cual equivale a nueve segundos de emisión televisiva y a cinco gotas de líquido [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 | Cálculo en producción, arquitectura integral abarcando capacidad ociosa y PUE [23] |
| ChatGPT, consulta media (declaración de OpenAI, 2025) | 0,34 Wh | ≈0,32 ml | Anuncio oficial carente de metodología detallada o auditoría externa |
| Le Chat, respuesta de 400 tokens (Mistral, 2025) | No desglosada | 45 ml | Evaluación de ciclo de vida bajo norma ISO 14040/44, validada por Resilio junto con Hubblo; contempla 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 mediante factores corporativos | Cálculo estadístico de la infraestructura a partir de información pública de API [11] |
| Los mismos 30 modelos, consulta larga | Más de 29 Wh el de mayor consumo (×65) | — | Idéntico al caso previo [11] |
| Correo de 120-200 palabras con Llama-3-70B (Shumba et al., 2024) | — | ≈0,12 l | Cálculo basado en el uso hídrico nacional a lo largo de 11 naciones africanas [16] |
| El mismo correo con un modelo de clase GPT-4 | — | Hasta ≈2,6 l | Idéntico al caso previo; el rango varía notablemente según la nación [16] |
La conclusión práctica no es «consume poco» ni «consume mucho». Es que la elección de modelo y la forma de servirlo pesan más que el hecho de usar IA o no usarla. Un estudio empírico sobre H100 encontró que la estructuración temporal de la llegada de peticiones puede reducir la energía por petición hasta cien veces, y que la mejora por usar precisión reducida solo aparece en regímenes limitados por cómputo [20]. Otro trabajo sobre 14 modelos abiertos de 6.000 a 34.000 millones de parámetros concluyó que aumentar el tamaño del modelo eleva mucho el consumo sin mejoras proporcionales de precisión, y que en bastantes tareas los modelos medianos igualan o superan a los grandes con mucha menos energía [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 divergencia aclara por qué una red eléctrica de bajas emisiones carece automáticamente de un perfil hídrico reducido, aspecto que el estudio elaborado por Aczel et al. recalca de manera explícita [14]. Asimismo, esto esclarece una contradicción territorial: la energía hidroeléctrica, estandarte de la transición energética, desencadena un círculo vicioso donde los requerimientos hídricos y energéticos de los centros de procesamiento de datos tensionan infraestructuras que ya se encuentran vulneradas por la crisis climática [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.
La ubicación cuenta más que la cantidad total sumada. Dos terceras partes de las recientes instalaciones de procesamiento de datos en Estados Unidos se ubican en áreas que padecen escasez de agua [18], mientras que una investigación difundida 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, una explotación desmedida acompañada de alzas en las tarifas, la reducción del margen de maniobra en la gestión del agua, y una mayor demanda hídrica impulsada por el crecimiento del consumo eléctrico [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. Cuantización, tamaño de lote, planificación de peticiones y elección del motor de inferencia pueden reducir la energía total hasta un 73 % respecto a una configuración sin optimizar [4].
• Aparece el efecto rebote. La paradoja de Jevons se documenta explícitamente en esta literatura: las mejoras de eficiencia abaratan el servicio y aumentan la demanda total [18]. Jegham et al. lo formulan como «una paradoja creciente: a medida que la IA se vuelve más barata y más rápida, la adopción global impulsa un consumo de recursos desproporcionado» [11].
Además, existe un factor de ingeniería eléctrica poco conocido que resulta clave para estructurar la red: la demanda energética durante las fases de entrenamiento no es constante. Mediante un registro detallado basado en series temporales, se detectaron fluctuaciones que oscilan entre el 15 % y el 85 % de la capacidad máxima del hardware, lo cual genera complicaciones considerables para la proyección a gran escala de la red [22].
El problema no es global, es 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 reduce el impacto de verdad
Esta faceta literaria recibe escasas menciones en los medios, a pesar de ser la más práctica. Sus proporciones se encuentran medidas:
| Palanca | Reducción documentada | Límite práctico | Fuente |
|---|---|---|---|
| Estructuración temporal de la llegada de peticiones | Hasta ×100 en energía por petición | Requiere control del patrón de tráfico; penaliza latencia | [20] |
| Conjunto de optimizaciones de inferencia (cuantización, lotes, motor) | Hasta 73 % de la energía total | Muy sensible a la geometría de la carga y al hardware | [4] |
| Elegir modelo mediano en lugar de grande | Rendimiento igual o superior con mucha menos energía en varias tareas | Depende de la tarea; no vale para todo | [21] |
| Buenas prácticas combinadas en servidores de IA (EE. UU.) | Hasta 73 % en emisiones y 86 % en huella hídrica | Limitado por la infraestructura energética actual | [6] |
| Refrigeración avanzada (líquida directa) | Hasta 50 % de la energía de refrigeración | Requiere rediseño de instalación | [25] |
| Ubicación en regiones de baja huella de carbono y seguras en agua | Cerca de la mitad de la huella combinada | Choca con restricciones de latencia y de red | [25] |
| Simbiosis con depuradoras: efluente tratado para refrigerar y calor de retorno para la depuradora | ≈84 Mt CO₂e/año, ≈1.300 millones de m³ de agua dulce y ≈95.400 millones de dólares de ahorro anual neto | Requiere coubicación; mayor potencial en EE. UU., Japón, China, Países Bajos y Reino Unido | [9] |
| Enrutamiento según intensidad de carbono y refrigeración líquida | 40 %-60 % de reducción de impacto | Disponibles y asequibles hoy, pero poco desplegadas | [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 encuentra una fuerte coocurrencia espacial entre ambos tipos de instalación que permitiría emparejamientos optimizados a escala nacional [9]. Es el tipo de solución que no requiere ningún avance tecnológico pendiente, solo planificación.
El contrapunto resulta igualmente relevante: el estudio publicado en Nature Sustainability advierte que, pese a implementar prácticas óptimas, la industria de servidores de IA apenas logrará cumplir con sus metas de cero neto para 2030 a menos que acuda a sistemas de compensación de carbono y de recuperación hídrica cuyos resultados generan 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? ¿Solo la GPU, o también el servidor, la capacidad inactiva, el PUE del edificio y la fabricación 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 corta de texto y la generación de un vídeo no son la misma unidad de análisis.
5. ¿Es medición, estimación o declaración? Existen tres grados de evidencia bastante diferenciados: la medición instrumentada en producción, la inferencia estadística a partir de información pública de API, y la aseveración 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 subraya de forma explícita un análisis sistemático de 88 investigaciones: se trata de una categoría novedosa que carece de métricas exhaustivas divulgadas [3]. Teniendo en cuenta que estas tecnologías producen una cantidad muy superior de tokens por cada operación, este vacío representa, con casi total seguridad, la carencia más significativa 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, lo que obstaculiza la asignación precisa de los impactos [1].
• Los datos locales de consumo de agua rara vez son públicos. Los gobiernos locales y las empresas de servicios no siempre los facilitan, de modo que hace falta solicitarlos por vía de transparencia [13].
• La atribución transfronteriza está sin resolver. Se ha propuesto un marco híbrido que asigne la huella operativa a los Estados anfitriones y los impactos incorporados y de servicio a los Estados consumidores, pero no existe acuerdo [24].
Preguntas frecuentes
¿Cuánta energía demanda una consulta realizada en ChatGPT o Gemini?
La única medición instrumentada en un entorno de producción disponible es la de Google para Gemini: 0,24 Wh de energía y 0,26 ml de agua para la consulta de texto mediana, con una frontera de sistema que incluye acelerador, servidor anfitrión, capacidad inactiva y sobrecoste del centro de datos [23]. OpenAI ha declarado 0,34 Wh y unos 0,32 ml para ChatGPT, sin publicar metodología. Para consultas largas y modelos intensivos, los estudios independientes miden hasta más de 29 Wh [11]. No existe una cifra única válida: depende del modelo, de la longitud de la respuesta y de cómo se sirva.
¿Es cierto que la inteligencia artificial gasta demasiada agua?
Depende de qué se cuente. Por consulta individual, las mediciones van de 0,26 ml (Gemini, medición en producción) a 45 ml (Le Chat, análisis de ciclo de vida de 400 tokens). En agregado, las proyecciones para la IA mundial se mueven entre 0,31-0,76 miles de millones de m³ en 2025 según Patterns[1] y 4.200-6.600 millones de m³ anuales de retirada en 2027 según Li et al. [2]. La diferencia principal no es de magnitud real sino de definición: retirada frente a consumo, y alcance directo frente a 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?
En conjunto, las instalaciones de servidores demandaron alrededor de 485 TWh durante 2025, lo que equivale más o menos al 1,5 % de la energía eléctrica a nivel global, y de esa cifra cerca de 155 TWh recayeron en centros enfocados en inteligencia artificial. Dicho de otro modo, la IA ronda el 0,5 % del consumo eléctrico mundial. Hacia 2030, la AIE prevé que el gasto energético total de estas infraestructuras alcance aproximadamente 945 TWh, lo que significará cerca del 3 %, con una mayor cuota de protagonismo por parte de la inteligencia artificial.
¿Las optimizaciones de eficiencia solucionan la dificultad?
Solo de manera parcial. Los análisis de escenarios reflejan que, a pesar de que el rendimiento operativo experimenta un progreso considerable, el requerimiento global asciende cerca de un orden de magnitud debido al incremento en la utilización [12]. Hablamos del efecto rebote o paradoja de Jevons, constatado de manera clara en dichos estudios [18]. Aquellas proyecciones que consiguen abatir más las emisiones integran una menor cantidad de arquitecturas junto con un cambio hacia fuentes eléctricas con baja huella de carbono, rebasando por encima de 20 puntos porcentuales el impacto que la sola eficiencia es capaz de alcanzar [12].
¿Es capaz la energía renovable de satisfacer la demanda de la inteligencia artificial?
En esencia sí, aunque sujeto a condiciones. Tras analizar sistemáticamente 88 investigaciones, se determina que dicha meta resulta factible únicamente si se dinamiza la implantación, se transita del balance anual de energía limpia al emparejamiento por hora —conocido como energía libre de carbono 24/7— y se implementan normativas específicas para cada región. Los mecanismos de adquisición energética difieren notablemente: el abismo de la adicionalidad separa los certificados sueltos de la sincronización horaria auténtica [3].
¿De qué manera puede una compañía que emplea inteligencia artificial disminuir su impacto ambiental?
Cuatro decisiones con impacto cuantificable, dispuestas según su repercusión: optar por la versión más ligera que cumpla con el objetivo en vez de la alternativa más potente[21]; agrupar solicitudes por lotes y coordinar su flujo en lugar de despacharlas individualmente [20]; elegir el proveedor y la ubicación basándose en la huella de carbono y la escasez hídrica local, y no meramente en la latencia o la tarifa [25]; así como demandar al prestador de servicios métricas detalladas de consumo energético e hídrico por cada petición respaldadas por metodologías transparentes, huyendo de cifras globales.
Enfoque y alcance de este texto
Este artículo se ha elaborado a partir de bibliografía evaluada por expertos hallada mediante exploración semántica en repositorios científicos (Semantic Scholar, OpenAlex y PubMed por medio de Consensus), reforzada con tres clases de datos primarios no académicos: documentos oficiales de instituciones públicas (Agencia Internacional de la Energía, Lawrence Berkeley National Laboratory por encomienda del Departamento de Energía de Estados Unidos), estudios de ciclo vital editados por compañías con auditoría externa (Mistral AI junto a Carbone 4, ADEME, Resilio y Hubblo), y registros de rendimiento operativo dados a conocer por proveedores (Google).
Tres límites que el lector debe tener presentes:
- Las cifras de 2030 y los años siguientes se plantean como escenarios, y no como simples previsiones. La mención de horquillas amplias responde a una incertidumbre auténtica que aparece cuantificada en la fuente original, y no a discrepancias entre los especialistas.
• Las declaraciones corporativas que carecen de una metodología publicada se señalan explícitamente y no se consideran equivalentes a las mediciones instrumentadas ni a los análisis de ciclo de vida evaluados.
- El sector avanza a un ritmo frenético: el salto de 33 veces registrado por Google a lo largo de un año significa que cualquier dato por consulta requiere acotar su vigencia. Este texto recoge los datos accesibles al 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.
Las cifras por consulta de los servicios comerciales de IA cambian con rapidez: cualquier dato de esta naturaleza debe comprobarse contra la medición más reciente del proveedor.
