Si has utilizado ChatGPT recientemente (y estadísticamente, probablemente lo has hecho), eres parte de una tendencia global. Se estima que el chatbot de OpenAI es el quinto sitio web más visitado del mundo, con más de 400 millones de usuarios a la semana. Y eso es solo una herramienta de inteligencia artificial. A medida que la IA generativa se integra en aplicaciones, motores de búsqueda, lugares de trabajo y hábitos diarios, nuestras interacciones con modelos de lenguaje grandes (LLMs) como ChatGPT, Google Gemini y Claude están en aumento.
Hemos tomado conciencia de los riesgos de la IA, desde la desinformación y los deepfakes hasta la vigilancia y la dependencia emocional. Pero uno de los mayores problemas es el impacto ambiental de la IA.
El funcionamiento de los LLMs requiere enormes cantidades de electricidad y agua. Estos modelos consumen energía no solo durante el entrenamiento, cuando absorben y organizan vastos volúmenes de datos, sino cada vez que haces una pregunta. Eso se traduce en miles de millones de consultas al día, cada una demandando poder computacional y aumentando un costo ambiental creciente. La verdad es que no sabemos cuánto energía utiliza realmente la IA, y eso es un gran problema. A diferencia de la mayoría de las industrias, las empresas de IA no están obligadas a informar sobre la huella ambiental de sus modelos. No existe un marco de regulación o reporte estandarizado para el uso de energía o las emisiones de carbono específicamente relacionadas con los sistemas de IA.
Hay varias razones para esto. Primero, la tecnología es relativamente nueva, por lo que la infraestructura para este tipo de regulación y reporte aún no ha avanzado. Pero las empresas tecnológicas tampoco han presionado por ello. Esto se debe en parte a que la IA es un campo muy competitivo, lo que significa que compartir datos de energía podría revelar detalles sobre el tamaño, la arquitectura o la eficiencia de un modelo. También es técnicamente complicado. Los sistemas de IA están distribuidos en vastas granjas de servidores, múltiples equipos e infraestructura compartida, lo que dificulta aislar y rastrear el uso. Además, las empresas que han invertido fuertemente en la narrativa de que la IA solo nos traerá beneficios no quieren ser vinculadas a emisiones altísimas o al consumo de recursos finitos.
Con poca transparencia, investigadores y periodistas deben hacer estimaciones, y esas estimaciones son alarmantes. Aquí hay lo que sabemos sobre el uso de energía de la IA. Se han realizado muchas estimaciones creíbles en los últimos años. Pero un informe reciente de MIT Technology Review ofrece una de las imágenes más claras hasta ahora sobre el creciente apetito de la IA por electricidad y agua. El informe está lleno de comparaciones impactantes. Por ejemplo, generar un video de IA de 5 segundos podría usar tanta energía como hacer funcionar un microondas durante una hora.
Incluso las respuestas simples de un chatbot pueden variar ampliamente en consumo de energía. Una estimación coloca una respuesta básica entre 114 y 6,700 julios, lo que equivale a hacer funcionar un microondas entre medio segundo y ocho segundos. Pero a medida que las tareas se vuelven más complejas, como las que involucran imágenes o videos, el costo energético aumenta drásticamente. Según el informe, el panorama general es aún más preocupante. En 2024, los centros de datos de EE. UU. consumieron alrededor de 200 teravatios-hora de electricidad, que es aproximadamente lo mismo que el consumo anual total de Tailandia. Y ese número está aumentando rápidamente. Para 2028, los investigadores estiman que el uso de electricidad relacionado con la IA podría alcanzar hasta 326 teravatios-hora por año. Eso es más que todo el uso actual de centros de datos en EE. UU. y suficiente para abastecer anualmente a más del 22% de los hogares estadounidenses.
En términos de carbono, eso equivale a conducir más de 300 mil millones de millas, lo que se traduce en aproximadamente 1,600 viajes de ida y vuelta al sol. No se trata solo de energía. La infraestructura de IA también consume grandes cantidades de agua, principalmente para refrigeración. En algunas regiones, esto añade presión a los suministros de agua ya estirados, lo que es una preocupación seria durante olas de calor y sequías. Los expertos dicen que uno de los mayores desafíos aquí es la escala. Incluso si tuviéramos cifras precisas hoy, seguiríamos subestimando el problema en un año o incluso en un mes. Esto se debe a que la forma en que usamos la IA está evolucionando rápidamente. Los modelos generativos se están integrando en herramientas cotidianas, desde aplicaciones de escritura y bots de atención al cliente hasta software de edición de fotos y motores de búsqueda. A medida que esta adopción se acelera, sin una comprensión clara de los costos, el impacto ambiental probablemente se disparará mucho más rápido de lo que esperábamos.
La buena noticia es que hay un creciente impulso para hacer que la IA sea más responsable por su huella ambiental. Pero en este momento, la transparencia es la excepción y no la regla. Por ejemplo, la Green Software Foundation (GSF), una organización sin fines de lucro global que incluye a Microsoft, Cisco, Siemens, Google y otras empresas, es uno de los grupos que lideran esta iniciativa. A través de su Comité de IA Verde, la GSF está desarrollando estándares de sostenibilidad diseñados específicamente para la IA. Esto incluye contabilidad de carbono a lo largo del ciclo de vida, herramientas de código abierto para rastrear el uso de energía y métricas de intensidad de carbono en tiempo real, todo con el objetivo de hacer que el impacto ambiental de la IA sea medible, reportable y (esperemos) manejable.
Los marcos de políticas también están tomando forma en algunas regiones. Por ejemplo, la Ley de IA de la UE fomenta la sostenibilidad a través de evaluaciones de riesgo. Mientras tanto, el Plan de Acción de Oportunidades de IA del Reino Unido y el British Standards Institution (BSI) están creando guías técnicas sobre cómo medir y reportar la huella de carbono de la IA. Estos son pasos iniciales, pero podrían ayudar a informar futuras regulaciones. Algunas empresas de IA también están tomando medidas en la dirección correcta, invirtiendo en energía renovable, investigando métodos de entrenamiento más eficientes y desarrollando infraestructura de refrigeración mejorada. Pero estas mejoras aún no son estándar en toda la industria y todavía no hay un enfoque ampliamente aceptado.
Por eso la transparencia es importante. Sin datos claros y abiertos sobre cuánta energía consumen estos sistemas, no podemos evaluar con precisión el costo de la IA ni responsabilizar a las empresas adecuadas. Ciertamente, tampoco podemos construir políticas o infraestructuras más sostenibles a su alrededor. Las empresas tecnológicas no pueden seguir pidiéndonos que confiemos en el futuro de la IA mientras ocultan el verdadero costo de su funcionamiento.
