Contenido
- Resumen en 30 segundos: las ocho cifras que importan
- Por qué las cuentas no encajan: cinco parámetros que nadie establece
- Cuánta electricidad consumen los centros de datos
- Cuánto demanda una única petición
- El agua: un trío de grifos diferentes
- Entrenamiento frente a inferencia: dónde está el coste real
- El inconveniente no es general, sino local
- Qué reduce el impacto de verdad
- 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 que demanda una única petición a un sistema de inteligencia artificial oscilan enormemente, abarcando desde 0,24 vatios-hora hasta prácticamente 30, lo cual abarca más de tres órdenes de magnitud. Esto no ocurre porque existan falsedades o certezas absolutas, sino debido a que los parámetros evaluados varían por completo. Este texto analiza minuciosamente, apoyándose en investigaciones originales y validadas por la comunidad científica, el impacto real de la inteligencia artificial tanto en recursos hídricos como eléctricos, explicando además el motivo de la contradicción entre las estadísticas habituales y enseñando a interpretar críticamente cualquier noticia al respecto. Se incorporan las estadísticas globales aportadas por la Agencia Internacional de la Energía junto con el Lawrence Berkeley National Laboratory, los registros operativos obtenidos directamente de Google, la primera evaluación integral sobre el ciclo de vida de un sistema comercial como Mistral, y diversos estudios académicos dedicados a medir la huella de agua. Como cierre, se proporciona un repertorio bibliográfico dotado de DOI para facilitar la comprobación independiente de cada información.
Resumen en 30 segundos: las ocho cifras que importan
Si solo vas a leer una parte de este artículo, que sea esta tabla. Cada fila indica la fuente y el año, porque sin eso el número no significa nada.
| 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) |
Esto es lo que vas a descubrir en el artículo
• Por qué las cifras públicas no son comparables entre sí, y los cinco parámetros que hay que fijar antes de comparar nada.
• Las cifras agregadas de consumo eléctrico, con sus escenarios y sus intervalos de incertidumbre.
- El consumo por consulta: todas las mediciones disponibles puestas en la misma tabla, con su metodología.
- El agua: los tres «grifos» distintos que casi nadie distingue y que explican la mayor parte de las discrepancias.
- Entrenamiento frente a inferencia: dónde se sitúa actualmente el gasto real.
• Por qué 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, 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 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 | 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 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 los datos resultan más fiables, dado que se apoyan en fuentes institucionales con metodologías transparentes. La Agencia Internacional de la Energía (AIE) encabeza estas estimaciones: en su reporte Energy and AI, publicado en abril de 2025, calculó que la demanda mundial de los centros de datos rondará los 945 TWh en 2030, una cifra semejante al gasto eléctrico de todo Japón en un año. Asimismo, su publicación Electricity 2026 fija el arranque de 2025 cerca de los 485 TWh, lo que equivale al 1,5 % de la demanda global de electricidad, de los cuales aproximadamente 155 TWh se destinan a infraestructuras centradas en la IA.
| Fuente | Ámbito | Cifra actual | Proyección | Nota metodológica |
|---|---|---|---|---|
| AIE, Electricity 2026 / Energy and AI | Planeta entero, la totalidad de los centros de datos | ≈485 TWh en 2025, 1,5 % | ≈945 TWh hacia 2030 (≈3 %); ≈1.200 TWh para 2035 | Escenario de referencia; la propia AIE recalca las dudas económicas generales y el ritmo de integración [3] |
| Lawrence Berkeley National Laboratory (2024) | Estados Unidos | 176 TWh (2023), 4,4 % | De 325 a 580 TWh en 2028 (6,7 %-12 %) | Promovido por el Departamento de Energía; el doce por ciento representa el límite superior y no una cifra estimada media |
| Chen et al., Communications Sustainability (2026) | A escala global, exclusivamente infraestructura de inteligencia artificial de las seis grandes tecnológicas | ≈118 TWh (2024) | 239-295 TWh en 2030 (cerca del 1 % global) | Fusiona revisión bibliográfica y simulación de supuestos [10] |
| Aczel et al. (2026) | Global, separando inteligencia artificial de otras cargas | 448 TWh (2025), IA cercana al 20 % | 945 TWh en 2030, IA alrededor del 40 % | Estudio recopilatorio [14] |
| Fan et al., Energy and Climate Change (2026) | Mundial, perspectiva temporal amplia | — | Entre 1.800 y 5.000 TWh para 2050 según el contexto socioeconómico | Esquema SSP; la amplitud del intervalo plasma la duda genuina y no discrepancias [8] |
| Turkay et al., PLOS One (2026) | Mundial, supuesto de inercia | — | Cerca del 30 % del consumo eléctrico global en 2050 | Hipótesis límite basada en la prolongación de pautas actuales, ajena a cálculos principales [12] |
Hay dos lecturas compatibles de esta tabla. La primera: en términos agregados, la IA sigue siendo una fracción modesta del sistema eléctrico mundial —en torno al 0,5 % hoy, camino del 1 % al 1,2 % en 2030 según la estimación más conservadora [10]—. La segunda: el ritmo de crecimiento no tiene precedente reciente en el sector eléctrico, y la infraestructura de red se planifica en plazos de siete a diez años mientras un centro de datos se construye en dos.
Un dato que ilustra ese desajuste: un modelo de dinámica de sistemas publicado en Sustainable Futures aplicado a Virginia del Norte —el mayor mercado de centros de datos del mundo, donde ya consumen alrededor del 25 % de la electricidad regional— encuentra que el margen de reserva previsto cae por debajo del nivel de referencia del 17,7 % en una ventana de tres a cinco años, y que la cuota de los centros de datos alcanzaría el 36 %-40 % del consumo regional en 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 | 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 moraleja práctica no aboga por el consumo escaso ni por el desmedido. Más bien, se deduce que la selección del modelo y su modalidad de servicio influyen mucho más que la mera decisión de implementar IA o prescindir de ella. Una investigación empírica centrada en H100 reveló que organizar temporalmente el flujo de solicitudes disminuye la energía requerida por cada consulta hasta cien veces, constatando además que el beneficio derivado de emplear precisión reducida surge únicamente en escenarios condicionados por la capacidad de cálculo [20]. Por otro lado, un análisis enfocado en 14 arquitecturas abiertas que oscilan entre 6.000 y 34.000 millones de parámetros determinó que escalar el tamaño incrementa notablemente el gasto energético sin aportar ganancias de exactitud equivalentes, evidenciando que, para numerosas labores, las opciones intermedias alcanzan o rebasan el rendimiento de las mayores con un coste energético notablemente inferior [21].
Hay además un descubrimiento inesperado que resulta útil tener presente: durante un análisis multilingüe enfocado en NVIDIA H200 que superó las 5.100 pruebas, el consumo energético llegó a multiplicarse por tres entre arquitecturas con idénticas demandas de trabajo, el vínculo entre el gasto de energía y la eficacia lógica demostró ser escaso (ρ de Spearman = 0,109; p = 0,386), mientras que el idioma de la consulta se comportó como un parámetro medible de despliegue: las lenguas romances gastaron en promedio menor cantidad de energía que el inglés en diversos modelos [5].
El agua: un trío de grifos diferentes
El agua 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). La que se consume generando la electricidad que alimenta el centro de datos: refrigeración de centrales térmicas y nucleares, evaporación en embalses hidroeléctricos. Suele ser mayor que la directa. En el clúster de São Paulo, con una carga informática de unos 550 MW y una huella hídrica anual estimada de 16,1 millones de m³, más del 46 % es «agua virtual» consumida en la generación hidroeléctrica[7].
3. Agua incorporada (alcance 3). La de la fabricación de semiconductores y del resto de la cadena de suministro del hardware.
Esta distinción explica por qué una red eléctrica baja en carbono no es automáticamente baja en agua, un punto que el informe de Aczel et al. subraya expresamente [14]. Y explica también una paradoja geográfica: la hidroelectricidad, bandera de la descarbonización, genera un bucle de realimentación en el que la demanda del centro de datos presiona sistemas de agua y energía ya comprometidos por el cambio climático [7].
| Estimación | Ámbito y año | Magnitud | Qué mide exactamente |
|---|---|---|---|
| Li et al. (2023), recogido por Barnett-Itzhaki (2026) | Mundial, IA, 2027 | 4.200-6.600 millones de m³/año | Retirada de agua, no consumo neto [2] |
| Patterns (2025) | Mundial, solo cargas de IA, 2025 | 312.500-764.600 millones de litros (0,31-0,76 miles de millones de m³) | Huella aproximada por métricas generales de centro de datos [1] |
| Nature Sustainability (2025) | Estados Unidos, servidores de IA, 2024-2030 | 731-1.125 millones de m³/año | Huella hídrica anual, con horquilla por escala de despliegue [6] |
| Entrenamiento de un modelo de clase GPT-3 | Un modelo, ciclo completo | ≈1,3 GWh y ≈5,4 millones de litros | Datos de ciclo de vida recogidos en revisión jurídico-técnica [24] |
| Mistral Large 2 (2025) | Un modelo, entrenamiento + 18 meses de uso | 20,4 ktCO₂e y 281.000 m³ de agua | Análisis de ciclo de vida; el 91 % del agua corresponde a entrenamiento e inferencia |
| Serie de modelos de 20M a 13.000M de parámetros (2025) | Desarrollo completo de una familia de modelos | 493 t de CO₂ y 2,769 millones de litros | Incluye fabricación de hardware y desarrollo; el desarrollo supuso ≈50 % del impacto del entrenamiento final [22] |
Nótese la diferencia entre la primera y la segunda fila: un orden de magnitud. No se trata de un fallo en ninguna de las dos labores, sino de que la primera calcula la retirada y la segunda la huella atribuida a cargas de IA. Todo texto que equipare ambas como si fueran idénticas magnitudes 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. La cuantización, la dimensión de los lotes, la calendarización de solicitudes y la selección del motor de inferencia son capaces de disminuir la energía global en hasta un 73 % en comparación con un ajuste carente de optimización [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].
Hay además un detalle de ingeniería eléctrica poco conocido y relevante para la planificación de red: el consumo durante el entrenamiento no es constante. Una medición detallada con series temporales encontró oscilaciones entre el 15 % y el 85 % del consumo máximo del hardware, con implicaciones negativas para la planificación a escala de red [22].
El inconveniente no es general, 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 reserva se reducirá por debajo del límite en un plazo de 3 a 5 años; alcanzando una proporción de entre el 36 % y el 40 % para 2031 | Sustainable Futures (2026) [17] |
| Oregón, Virginia e Irlanda | Se registra un índice de estrés eléctrico (PSI) superior a 0,25, lo cual evidencia la vulnerabilidad de las redes locales | Chen et al. (2026) [10] |
| Irlanda (EirGrid) y Dominion (EE. UU.) | Existen obstáculos para integrar las nuevas infraestructuras requeridas; al flexibilizar los estándares de fiabilidad, la capacidad accesible se multiplica por un factor de 1,5 a 4,6 | Lin et al. (2023) [15] |
| São Paulo (Brasil) | Se genera una huella hídrica anual de 16,1 millones de metros cúbicos para aproximadamente 550 MW; superando el 46 % de agua virtual proveniente de fuentes hidroeléctricas vulnerables a las sequías | Cambridge Prisms: Water (2026) [7] |
| Texas y Japón | Cuentan con infraestructuras diversificadas con la capacidad de integrar la demanda adicional sin sufrir tensiones equivalentes | Chen et al. (2026) [10] |
| 8 de 11 países africanos analizados | Requieren menos agua por cada interacción en comparación con la media global, debido a la baja intensidad hídrica de sus fuentes energéticas; aunque los territorios con climas esteparios demandan una mayor cantidad | Shumba et al. (2024) [16] |
Conviene prestar atención al último renglón debido a que desafía el sentido común. El rastro de una petición idéntica cambia notablemente dependiendo del territorio en que se realice, y no siempre en el sentido previsible. El emplazamiento del centro de datos y la arquitectura de su climatización condicionan la huella ecológica tanto como la eficiencia del hardware[25].
Qué reduce el impacto de verdad
Esta es la sección de la literatura menos mencionada en los medios, aunque resulta la más práctica. Las cifras ya han sido medidas:
| Palanca | Reducción documentada | Límite práctico | Fuente |
|---|---|---|---|
| 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 es igual de importante: el análisis de Nature Sustainability concluye que, aun aplicando las mejores prácticas, el sector de servidores de IA difícilmente alcanzará sus objetivos de cero neto en 2030 sin recurrir a mecanismos de compensación de carbono y de restauración hídrica de efectividad muy incierta[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 breve de texto y la creación de un vídeo no representan la misma unidad de análisis.
5. ¿Es medición, estimación o declaración? Existen tres grados de evidencia sumamente diferenciados: la medición instrumentada en entornos de producción, la inferencia estadística a partir de datos públicos de API, y la declaración corporativa carente de metodología.
6. ¿Está normalizada por utilidad? Energía por consulta sin decir qué calidad de respuesta se obtiene no permite comparar. De ahí la propuesta de métricas compuestas tipo AI Energy Score, que capturan calidad de razonamiento por unidad de energía [5].
Lo que todavía no sabemos
Un artículo honesto tiene que decir dónde se acaba la evidencia. En este campo, las lagunas son grandes y están documentadas:
- No existen evaluaciones integrales y revisadas por pares acerca de los modelos de razonamiento o de la inteligencia artificial agéntica. Así lo 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. 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. 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 consume una consulta a ChatGPT o a 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 del enfoque adoptado, las estimaciones cambian notablemente. Para una solicitud individual, los registros oscilan entre los 0,26 ml reportados por Gemini en entornos reales y los 45 ml calculados por Le Chat mediante un análisis del ciclo de vida abarcando 400 tokens. Globalmente, las estimaciones para la inteligencia artificial a escala planetaria se sitúan entre 0,31 y 0,76 mil millones de metros cúbicos para 2025, tal como indica Patterns[1], mientras que Li et al. proyectan extracciones anuales de entre 4.200 y 6.600 millones de metros cúbicos para 2027 [2]. El contraste fundamental no radica tanto en la magnitud material como en los criterios conceptuales empleados: extracción versus consumo, además del alcance directo frente al 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], y una estimación recogida en la literatura sitúa la huella de carbono de la fase de uso en 25 veces la del entrenamiento inicial [18]. En el caso documentado de Mistral Large 2, el 91 % del agua y el 85,5 % de los gases de efecto invernadero corresponden conjuntamente a entrenamiento e inferencia.
¿Cuál es la proporción de electricidad global que demanda 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 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].
¿Puede la energía renovable cubrir la demanda de la IA?
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].
¿Qué puede hacer una empresa que usa IA para reducir su huella?
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.
Metodología y límites de este artículo
Este artículo se ha elaborado a partir de bibliografía evaluada por expertos hallada mediante exploración semántica en repositorios científicos (Semantic Scholar, OpenAlex y PubMed mediante Consensus), la cual se complementa con tres clases de datos primarios ajenos al ámbito académico: reportes de instituciones oficiales (Agencia Internacional de la Energía, Lawrence Berkeley National Laboratory por encomienda del Departamento de Energía de Estados Unidos), estudios de ciclo de vida difundidos por productores con auditoría externa (Mistral AI con Carbone 4, ADEME, Resilio y Hubblo), además de registros operativos en entornos reales compartidos por proveedores (Google).
Tres límites que el lector debe tener presentes:
- Las cifras de 2030 y 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).
Los valores por consulta de las herramientas comerciales de IA varían velozmente: cualquier estadística de esta clase tiene que contrastarse con el reporte más actual de la compañía proveedora.
