Contenido
- Resumen en 30 segundos: las ocho cifras que importan
- Por qué las cuentas no cuadran: cinco parámetros que nadie fija
- El consumo eléctrico de los centros de datos
- Cuánto consume una sola consulta
- El agua: tres grifos distintos
- 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
- Enfoque y alcance de este texto
- 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 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 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 cuadran: cinco parámetros que nadie fija
En julio de 2025 ocurrió algo revelador. Sam Altman, consejero delegado de OpenAI, publicó que una consulta media a ChatGPT consume 0,34 Wh y unos 0,32 mililitros de agua. Pocos días después, Mistral AI publicó la primera evaluación de ciclo de vida completo de un modelo comercial de lenguaje y cifró el agua de una respuesta de 400 tokens en 45 mililitros. Dos empresas del mismo sector, en el mismo mes, con una diferencia de más de cien veces en la misma magnitud.
Ninguna de las dos posturas resulta necesariamente errónea. Evalúan aspectos diferentes, y ese es justamente el trasfondo de esta discusión. Una revisión sistemática compuesta por 88 investigaciones evaluadas por expertos y difundida en Renewable and Sustainable Energy Reviews reveló que el gasto energético por tarea durante la inferencia abarca más de tres órdenes de magnitud en los trabajos científicos; en este sentido, producir imágenes demanda aproximadamente 1.450 veces más recursos que una operación elemental de clasificación de textos [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 inactiva; incorporando el sobrecoste del centro de datos (PUE); abarcando la fabricación del hardware | El resultado puede duplicarse o triplicarse |
| Agua: retirada o consumo | Volumen extraído de la cuenca en comparación con el agua evaporada de manera efectiva sin retorno | Se aprecian variaciones de un orden de magnitud |
| Alcance del agua | Directa mediante refrigeración, correspondiente al alcance 1; indirecta a través de la generación eléctrica, abarcando el alcance 2; incorporada en los semiconductores, catalogada en el alcance 3 | Normalmente, el alcance 2 rebasa al primero |
| Tipo de tarea | Consultas breves; respuestas extensas; procesos de razonamiento profundo; generación de imágenes; producción de vídeo | Se alcanzan multiplicadores de hasta ×1.450 de acuerdo con la revisión sistemática |
| Modelo y despliegue | Modelos compactos cuantizados frente a arquitecturas frontera; gestión de lotes masivos o peticiones individuales; condiciones climáticas y emplazamiento del data center | Diferencias de hasta ×65 entre modelos; variaciones de hasta ×100 motivadas por la planificación de las solicitudes |
A esto se añade un problema estructural de transparencia. Un trabajo publicado en Patterns en 2025 lo expone sin rodeos: los informes medioambientales de los operadores de centros de datos no distinguen entre cargas de IA y cargas que no lo son, de modo que la huella de la IA solo puede aproximarse a partir de métricas generales del centro de datos; y en muchos casos la información publicada no permite ni determinar el total de la compañía [1].
El consumo eléctrico de los centros de datos
Aquí las cifras resultan más firmes, ya 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 una demanda mundial de los centros de datos de aproximadamente 945 TWh en 2030, una cantidad equivalente al gasto eléctrico anual de Japón. Por su parte, la edición de Electricity 2026 ubica la base de 2025 cerca de los 485 TWh, lo que equivale al 1,5 % de la energía global, de los cuales unos 155 TWh se destinan exclusivamente a infraestructuras de 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] |
Se pueden extraer dos lecturas compatibles de esta tabla. Por un lado, a escala global, la inteligencia artificial representa todavía un porcentaje reducido de la red eléctrica global —aproximadamente el 0,5 % en la actualidad, con proyección de alcanzar entre el 1 % y el 1,2 % hacia 2030, basándose en la previsión más prudente [10]—. Por otro lado, la velocidad de expansión carece de antecedentes recientes dentro del sector eléctrico, dándose la circunstancia de que las redes de suministro requieren márgenes de siete a diez años para su planificación, al tiempo que un centro de datos se levanta en un período de 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 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].
Dicha labor cobra relevancia por un par de motivos que van más allá de la simple cifra. Por un lado, su delimitación sistémica abarca el gasto energético del acelerador operativo, la plataforma anfitriona, el margen ocioso de los equipos y el sobrecosto eléctrico del centro de datos; en otras palabras, constituye un balance exhaustivo y no una estimación complaciente centrada únicamente en la GPU. Por otro lado, registra un descenso de 33 veces en energía y 44 veces en huella de carbono por consulta mediana en el transcurso de un único año, un logro derivado tanto de la optimización del software como de la adquisición de electricidad verde. En consecuencia, cualquier dato previo a 2024 sobre el gasto energético por consulta queda completamente desfasado por un orden de magnitud considerable.
| Medición | Energía | Agua | Metodología |
|---|---|---|---|
| Gemini Apps, consulta de texto mediana (Google, 2025) | 0,24 Wh | 0,26 ml | Medición en producción, pila completa incluyendo capacidad inactiva y PUE [23] |
| ChatGPT, consulta media (declaración de OpenAI, 2025) | 0,34 Wh | ≈0,32 ml | Declaración pública sin metodología publicada ni revisión externa |
| Le Chat, respuesta de 400 tokens (Mistral, 2025) | No desglosada | 45 ml | Análisis de ciclo de vida ISO 14040/44, revisado por Resilio y Hubblo; incluye 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 | Estimada por multiplicadores de empresa | Inferencia estadística de la configuración de hardware a partir de datos públicos de API [11] |
| Los mismos 30 modelos, consulta larga | Más de 29 Wh el más intensivo (×65) | — | Igual que la anterior [11] |
| Correo de 120-200 palabras con Llama-3-70B (Shumba et al., 2024) | — | ≈0,12 l | Estimación por eficiencia hídrica nacional en 11 países africanos [16] |
| El mismo correo con un modelo de clase GPT-4 | — | Hasta ≈2,6 l | Igual que la anterior; la horquilla depende fuertemente del país [16] |
La moraleja práctica no aboga por el consumo mínimo ni por el desmedido. Más bien, se deduce que la selección del modelo y su modalidad de servicio influyen mucho más que la propia decisión de implementar o prescindir de la inteligencia artificial. A través de una investigación empírica centrada en H100, se descubrió que organizar temporalmente las solicitudes entrantes es capaz de recortar el gasto energético por consulta hasta un centenar de veces, mientras que los beneficios derivados de emplear una precisión menor únicamente se manifiestan en escenarios condicionados por la capacidad de cálculo [20]. Por otro lado, un análisis diferente enfocado en 14 arquitecturas abiertas que oscilaban entre los 6.000 y los 34.000 millones de parámetros determinó que expandir las dimensiones del sistema incrementa notablemente el gasto energético sin aportar avances exactos equivalentes, evidenciando además que, en numerosas actividades, los sistemas medianos consiguen igualar o superar a los de mayor envergadura gastando una cantidad considerablemente menor de 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: tres grifos distintos
El agua representa el ámbito donde más se confunde la discusión pública, debido a un motivo elemental: existen tres corrientes diferentes y casi nunca se especifica a cuál se alude.
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). Aquella empleada en producir la electricidad que abastece las instalaciones informáticas: refrigeración en plantas térmicas y atómicas, además de la evaporación en pantanos hidroeléctricos. Habitualmente supera a la directa. Dentro del clúster de São Paulo, el cual cuenta con una capacidad de cálculo cercana a los 550 MW y un gasto hídrico anual calculado en 16,1 millones de m³, más del 46 % corresponde a «agua virtual» gastada durante la producción 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].
| Cálculo | Alcance y periodo | Volumen | En qué consiste la medición exacta |
|---|---|---|---|
| Li et al. (2023), citado por Barnett-Itzhaki (2026) | Global, IA, 2027 | 4.200-6.600 millones de m³/año | Extracción de recursos hídricos, prescindiendo del consumo neto [2] |
| Patterns (2025) | A escala global, únicamente para cargas de IA, 2025 | 312.500-764.600 millones de litros (0,31-0,76 miles de millones de m³) | Gasto estimado mediante parámetros estándar aplicados a centros de datos [1] |
| Nature Sustainability (2025) | Estados Unidos, infraestructura de servidores de inteligencia artificial, 2024-2030 | 731-1.125 millones de m³/año | Consumo hídrico anual, abarcando un rango según el nivel de implementación [6] |
| Entrenamiento de un modelo tipo GPT-3 | Un modelo individual, proceso íntegro | ≈1,3 GWh y ≈5,4 millones de litros | Registros del ciclo vital recopilados en una auditoría legal y técnica [24] |
| Mistral Large 2 (2025) | Una unidad, fase de aprendizaje sumada a año y medio de funcionamiento | 20,4 ktCO₂e y 281.000 m³ de agua | Evaluación de ciclo vital; el 91 % del recurso hídrico se vincula al entrenamiento y la inferencia |
| Gama de modelos desde 20M hasta 13.000M de parámetros (2025) | Creación integral de una familia de sistemas | 493 t de CO₂ y 2,769 millones de litros | Comprende la producción de componentes y la investigación; la creación supuso casi el 50 % de la huella del entrenamiento definitivo [22] |
Nótese la discrepancia entre la primera y la segunda línea: existe un orden de magnitud de por medio. No se trata de un fallo en ninguna de las dos labores, sino de que la primera cuantifica la retirada mientras que la segunda calcula la huella atribuida a cargas de IA. Cualquier publicación que equipare ambas métricas carece de rigor.
La localización importa más que el volumen agregado. Dos tercios de los nuevos centros de datos estadounidenses se sitúan en zonas con estrés hídrico [18], y un análisis en PLOS Water identifica cuatro preocupaciones documentadas en litigios y expedientes públicos en Estados Unidos: erosión de la gobernanza democrática del agua, uso insostenible con subida de tarifas, pérdida de flexibilidad en la toma de decisiones hídricas, y aumento del uso de agua por la vía del incremento de la demanda 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. 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].
• 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].
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 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 parte de la literatura menos citada en prensa y la más útil. Las magnitudes están cuantificadas:
| Palanca | Reducción documentada | Límite práctico | Fuente |
|---|---|---|---|
| Organización temporal del flujo de solicitudes | Hasta ×100 en gasto energético por consulta | Demanda supervisión del tráfico; afecta a la latencia | [20] |
| Conjunto de mejoras para la inferencia (cuantización, procesamiento por lotes, motor) | Hasta el 73 % de la energía total | Altamente dependiente del hardware y de la carga de trabajo | [4] |
| Seleccionar un modelo intermedio en lugar de uno grande | Prestaciones equivalentes o superiores con un consumo energético muy inferior en múltiples tareas | Sujeto al tipo de tarea; no aplica universalmente | [21] |
| Prácticas óptimas integradas en centros de datos de inteligencia artificial (EE. UU.) | Hasta un 73 % en emisiones y un 86 % en huella hídrica | Condicionado por las limitaciones de la red eléctrica actual | [6] |
| Sistemas de refrigeración avanzados (liquidez directa) | Hasta un 50 % de la electricidad destinada a climatización | Exige modificar la infraestructura existente | [25] |
| Emplazamiento en zonas con baja huella de carbono y seguridad hídrica | Alrededor del cincuenta por ciento de la huella total combinada | Entra en conflicto con los requisitos de red y latencia | [25] |
| Simbiosis con plantas depuradoras: uso de agua tratada para refrigerar y aprovechamiento térmico para la instalación | ≈84 Mt CO₂e/año, ≈1.300 millones de m³ de agua dulce y ≈95.400 millones de dólares de ahorro neto anual | Precisa coubicación; mayor impacto previsto en EE. UU., Japón, China, Países Bajos y Reino Unido | [9] |
| Desvío de tráfico según la huella de carbono y refrigeración líquida | Entre un 40 % y un 60 % de disminución del impacto ambiental | Soluciones viables y económicas en la actualidad, 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 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? ¿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 específica se evaluó? Una consulta breve de texto y la creación de un clip audiovisual no constituyen la misma unidad de análisis.
5. ¿Es medición, estimación o declaración? Hay tres niveles de evidencia muy distintos: medición instrumentada en producción, inferencia estadística desde datos públicos de API, y declaración corporativa sin metodología.
6. ¿Está normalizada por utilidad? Evaluar la energía por consulta sin considerar la calidad de la respuesta obtenida impide realizar comparaciones justas. Por esta razón, se sugiere el uso de indicadores compuestos como el AI Energy Score, los cuales miden el nivel de razonamiento alcanzado por cada unidad de energía empleada [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 hay mediciones de extremo a extremo revisadas por pares de los modelos de razonamiento ni de la IA agéntica. La revisión sistemática de 88 estudios lo señala expresamente: son una modalidad emergente sin mediciones completas publicadas [3]. Dado que estos sistemas generan muchos más tokens por tarea, es probablemente la laguna más relevante hoy.
• 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. 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 está sin resolver. Aunque se ha sugerido un esquema híbrido para delegar la huella operativa a las naciones receptoras y los perjuicios incorporados y de servicio a las naciones consumidoras, todavía no se ha alcanzado un consenso [24].
Preguntas frecuentes
¿Cuánta energía gasta 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?
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.
¿Cuál es la proporción de electricidad global que demanda la inteligencia artificial?
Los centros de datos en su conjunto consumieron unos 485 TWh en 2025, en torno al 1,5 % de la electricidad mundial, de los que aproximadamente 155 TWh correspondieron a instalaciones orientadas a IA. Es decir, la IA ronda el 0,5 % del consumo eléctrico mundial. La proyección de la AIE para todos los centros de datos en 2030 es de unos 945 TWh, cerca del 3 %, con la IA ganando peso dentro de ese total.
¿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 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 construido a partir de literatura revisada por pares localizada mediante búsqueda semántica en bases de datos académicas (Semantic Scholar, OpenAlex y PubMed a través de Consensus), complementada con tres tipos de fuentes primarias no académicas: informes de organismos públicos (Agencia Internacional de la Energía, Lawrence Berkeley National Laboratory por encargo del Departamento de Energía de Estados Unidos), análisis de ciclo de vida publicados por fabricantes con revisión externa (Mistral AI con Carbone 4, ADEME, Resilio y Hubblo), y mediciones en producción publicadas por operadores (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 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 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? (serie basada en datos de la AIE).
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.
