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: tres grifos distintos
- Entrenamiento frente a inferencia: dónde está el coste real
- El inconveniente no es global, sino local
- Qué mitiga el impacto realmente
- 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 las cifras públicas no resultan comparables entre sí, además de los cinco parámetros que conviene definir antes de contrastar cualquier dato.
- Los datos consolidados de gasto energético, acompañados de sus respectivos contextos y márgenes de variación.
- 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 está hoy el coste real.
- Por qué el inconveniente no resulta global sino local, analizando las situaciones 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, consejero delegado de OpenAI, dio a conocer que una petición promedio dirigida a ChatGPT requiere 0,34 Wh y cerca de 0,32 mililitros de agua. Poco después, Mistral AI dio a conocer el primer análisis de ciclo de vida integral sobre un modelo lingüístico comercial y cifró el agua de una respuesta de 400 tokens en 45 mililitros. Dos compañías del mismo ámbito, durante el mismo mes, con una disparidad superior a cien veces en idéntica métrica.
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 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 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 | Planetharis, la totalidad de los centros de procesamiento de datos | aprox. 485 TWh (2025), 1,5 % | aprox. 945 TWh hacia 2030 (aprox. 3 %); aprox. 1.200 TWh en 2035 | Escenario de referencia; la propia AIE recalca las dudas macroeconómicas y de implantación [3] |
| Lawrence Berkeley National Laboratory (2024) | Estados Unidos | 176 TWh (2023), 4,4 % | 325-580 TWh en 2028 (6,7 %-12 %) | Estudio solicitado por el Departamento de Energía; el 12 % representa el límite superior, quedando descartado como cálculo principal |
| Chen et al., Communications Sustainability (2026) | Planetharis, únicamente la infraestructura de inteligencia artificial de las seis grandes empresas tecnológicas | aprox. 118 TWh (2024) | 239-295 TWh en 2030 (aprox. 1 % global) | Fusiona la revisión bibliográfica junto con la simulación de supuestos [10] |
| Aczel et al. (2026) | Planetharis, separando inteligencia artificial de otras cargas | 448 TWh (2025), inteligencia artificial aprox. 20 % | 945 TWh para 2030, inteligencia artificial aprox. 40 % | Documento resumen [14] |
| Fan et al., Energy and Climate Change (2026) | Planetharis, perspectiva a largo plazo | — | 1.800-5.000 TWh en 2050 dependiendo del contexto socioeconómico | Esquema SSP; este intervalo evidencia una variación genuina, descartando discrepancias [8] |
| Turkay et al., PLOS One (2026) | Planetharis, proyección tendencial | — | Cerca del 30 % del consumo eléctrico global en 2050 | Suposición límite basada en la prolongación de patrones vigentes, descartando que sea un cálculo principal [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 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 trabajo es importante por dos razones más allá del número. La primera es que su frontera del sistema incluye la energía del acelerador activo, el sistema anfitrión, la capacidad inactiva de las máquinas y el sobrecoste energético del centro de datos: es decir, es una contabilidad amplia, no un cálculo optimista de GPU. La segunda es que documenta una reducción de 33 veces en energía y 44 veces en huella de carbono por consulta mediana en un solo año, atribuida a mejoras de software y a la compra de energía limpia. Cualquier cifra sobre consumo por consulta anterior a 2024 está, por tanto, obsoleta por un factor de decenas.
| 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 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 contraintuitivo que resulta útil tener presente: durante un análisis multilingüe enfocado en NVIDIA H200 que superó las 5.100 ejecuciones, el consumo energético experimentó variaciones de hasta tres veces entre opciones con idénticas cargas de trabajo, la vinculación entre gasto de energía y desempeño lógico demostró ser escasa (ρ de Spearman = 0,109; p = 0,386), y el idioma de la consulta se comportó como un parámetro medible de despliegue: las lenguas romances requirieron en promedio un menor gasto energético 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). Se trata de aquella que se evapora en el interior de las torres de refrigeración del propio centro de datos. Habitualmente acapara los titulares y constituye el único volumen que el operador gestiona de manera directa.
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 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 tiene tres consecuencias que cambian la conversación:
• 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].
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 contempla exclusivamente las cifras macroscópicas, las consecuencias de la IA aparentan ser controlables. La dificultad radica en que los recursos materiales no se distribuyen equitativamente: Norteamérica, Europa Occidental y Asia-Pacífico concentran más del 90 % de la capacidad de cómputo proyectada[10], y al interior de dichos territorios el almacenamiento se vuelve a agrupar en unos cuantos enclaves.
| Territorio | Situación documentada | Fuente |
|---|---|---|
| Virginia del Norte (EE. UU.) | Los centros de datos ya consumen ≈25 % de la electricidad regional; el margen de reserva cae bajo el umbral en 3-5 años; cuota del 36 %-40 % en 2031 | Sustainable Futures (2026) [17] |
| Oregón, Virginia e Irlanda | Índice de estrés eléctrico (PSI) superior a 0,25, indicador de vulnerabilidad local de red | Chen et al. (2026) [10] |
| Irlanda (EirGrid) y Dominion (EE. UU.) | Dificultad para acomodar los nuevos centros necesarios; relajar las garantías de fiabilidad multiplica por 1,5-4,6 la capacidad disponible | Lin et al. (2023) [15] |
| São Paulo (Brasil) | 16,1 millones de m³ anuales de huella hídrica para ≈550 MW; más del 46 % agua virtual de hidroeléctrica sensible a sequía | Cambridge Prisms: Water (2026) [7] |
| Texas y Japón | Sistemas diversificados capaces de absorber la nueva carga sin estrés comparable | Chen et al. (2026) [10] |
| 8 de 11 países africanos analizados | Consumen menos agua por consulta que la media mundial, por menor intensidad hídrica de su generación eléctrica; los de clima estepario, más | 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 el impacto realmente
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 |
|---|---|---|---|
| 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? ¿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 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? 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 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 informes ambientales, lo que impide atribuir impactos con precisión [1].
- Los registros municipales sobre el uso del agua casi nunca se divulgan de forma abierta. Las administraciones municipales y las compañías suministradoras no siempre los ponen a disposición de la ciudadanía, por lo cual resulta indispensable pedirlos mediante los mecanismos de acceso a la información [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 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.
¿Qué porcentaje de la electricidad mundial consume 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 optimizaciones de eficiencia solucionan la dificultad?
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 renovable 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].
¿Cómo puede una organización emplear la inteligencia artificial para disminuir su huella ambiental?
Cuatro decisiones con impacto cuantificable, dispuestas según su repercusión: optar por la versión más ligera que ejecute el cometido de manera eficiente en vez de la alternativa más avanzada[21]; consolidar los requerimientos en lotes y organizar su emisión en lugar de lanzarlos de forma individual [20]; escoger la localización y el proveedor basándose en la huella de carbono y la escasez hídrica local, y no únicamente atendiendo a la velocidad de respuesta y la tarifa [25]; así como demandar al suministrador métricas de consumo hídrico y eléctrico por cada petición mediante procedimientos transparentes, evitando métricas globales.
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 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 verificados.
- El ámbito evoluciona vertiginosamente: el avance multiplicado por 33 que Google documentó en el transcurso de un año significa que cualquier métrica por solicitud requiere una datación exacta. Este texto refleja los datos accesibles a fecha de 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? (conjunto informativo sustentado en cifras de la AIE).
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.
