Contenido
- Resumen en 30 segundos: las ocho cifras que importan
- Por qué las cifras no cuadran: cinco parámetros que nadie fija
- El consumo eléctrico de 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 realmente el impacto
- Cómo auditar cualquier titular sobre consumo de IA
- Lo que todavía no sabemos
- Preguntas frecuentes
- Metodología y límites de este artículo
- Referencias
Las estimaciones publicadas sobre el consumo de una sola consulta a un modelo de lenguaje se mueven en un rango de más de tres órdenes de magnitud: desde 0,24 vatios-hora hasta casi 30. No es que unos mientan y otros digan la verdad: es que miden cosas distintas. Este artículo reconstruye, con fuentes primarias y revisadas por pares, qué consume la inteligencia artificial en electricidad y en agua, por qué las cifras que circulan son incompatibles entre sí, y cómo leer cualquier titular sobre el tema sin equivocarse. Incluye las cifras agregadas de la Agencia Internacional de la Energía y del Lawrence Berkeley National Laboratory, las mediciones en producción de Google, la primera auditoría de ciclo de vida completo de un modelo comercial (Mistral), y los trabajos académicos que cuantifican la huella hídrica. Al final hay una lista de referencias con DOI para que cualquiera pueda verificar cada dato.
Resumen en 30 segundos: las ocho cifras que importan
Si únicamente vas a ojear un fragmento de este artículo, asegúrate de que sea esta tabla. Cada una de las filas detalla la procedencia junto al año, puesto que, careciendo de dichos datos, la cifra carece de sentido por completo.
| 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.
- 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 cifras no cuadran: cinco parámetros que nadie fija
En julio de 2025 se produjo un acontecimiento revelador. Sam Altman, el máximo responsable de OpenAI, dio a conocer que una petición promedio en ChatGPT gasta 0,34 Wh y aproximadamente 0,32 mililitros de agua. Poco después, Mistral AI dio a conocer el primer análisis sobre el ciclo de vida global de un modelo de lenguaje comercial y cifró el agua de una respuesta de 400 tokens en 45 mililitros. Dos compañías de un mismo ámbito, durante el transcurso del mismo mes, con una brecha superior a cien veces en idéntica variable.
Ninguna de las dos opciones resulta forzosamente errónea. Ambas evalúan métricas distintas, y en ello radica la complejidad real de esta discusión. Una revisión sistemática compuesta por 88 investigaciones con arbitraje científico, difundida a través de Renewable and Sustainable Energy Reviews, concluyó que la energía requerida por cada operación de inferencia presenta una variabilidad que supera los tres órdenes de magnitud dentro de la bibliografía académica; por ejemplo, crear imágenes demanda aproximadamente 1.450 veces más recursos que ejecutar una clasificación textual sencilla [3].
Antes de comparar dos cifras sobre consumo de IA hay que comprobar que coinciden en estos cinco parámetros:
| Parámetro | Opciones posibles | Efecto en la cifra |
|---|---|---|
| Frontera del sistema | Únicamente el acelerador; acelerador más servidor; sumando capacidad ociosa; añadiendo el sobrecoste del centro de datos (PUE); incluyendo la fabricación del hardware | El resultado final puede multiplicarse por dos o por tres |
| Agua: retirada o consumo | Volumen extraído de la cuenca en contraste con el recurso evaporado y no retornado | Se aprecian discrepancias de un orden de magnitud |
| Alcance del agua | Directa (refrigeración, alcance 1); indirecta (generación eléctrica, alcance 2); incorporada (semiconductores, alcance 3) | Normalmente, el alcance 2 rebasa al primero |
| Tipo de tarea | Pregunta breve; contestación extensa; razonamiento profundo; generación de imágenes; vídeo | Alcanza hasta ×1.450 basándose en la revisión sistemática |
| Modelo y despliegue | Versión compacta cuantizada frente a desarrollo de frontera; procesamiento por lotes o consultas individuales; emplazamiento y climatología de la instalación | Diferencias de hasta ×65 entre arquitecturas; hasta ×100 motivadas por la gestión de peticiones |
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 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] |
Existen un par de lecturas compatibles de esta tabla. Por un lado, la inteligencia artificial representa todavía una porción discreta del suministro eléctrico global —apenas el 0,5 % en la actualidad, con una 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 de la industria eléctrica, dado que las redes de distribución requieren entre siete y diez años para su planificación, al tiempo que un data center se levanta en un bienio.
Un dato que refleja dicha desproporción: un modelo de dinámica de sistemas difundido en Sustainable Futures y enfocado en Virginia del Norte —el principal mercado mundial de centros de datos, zona que actualmente absorbe cerca del 25 % de la energía eléctrica local— revela que el margen de reserva proyectado descenderá por debajo del umbral de referencia del 17,7 % en un plazo de tres a cinco años, al tiempo que la proporción correspondiente a los centros de datos se elevaría hasta el 36 %-40 % del gasto energético regional para el año 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].
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 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 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 punto donde más se enreda la discusión pública, y el motivo resulta evidente: coexisten tres corrientes diferentes y casi nunca se especifica a cuál de ellas se hace referencia.
1. Agua directa (alcance 1). La que se evapora en las torres de refrigeración del propio centro de datos. Es la que suele aparecer en los titulares y la única que el operador controla directamente.
2. Agua indirecta (alcance 2). La que se consume generando la electricidad que alimenta el centro de datos: refrigeración de centrales térmicas y nucleares, evaporación en embalses hidroeléctricos. Suele ser mayor que la directa. En el clúster de São Paulo, con una carga informática de unos 550 MW y una huella hídrica anual estimada de 16,1 millones de m³, más del 46 % es «agua virtual» consumida en la generación hidroeléctrica[7].
3. Agua incorporada (alcance 3). La de la fabricación de semiconductores y del resto de la cadena de suministro del hardware.
Esta divergencia aclara por qué una red eléctrica de bajas emisiones carece automáticamente de un perfil hídrico reducido, aspecto que el estudio elaborado por Aczel et al. recalca de manera explícita [14]. Asimismo, esto esclarece una contradicción territorial: la energía hidroeléctrica, estandarte de la transición energética, desencadena un círculo vicioso donde los requerimientos hídricos y energéticos de los centros de procesamiento de datos tensionan infraestructuras que ya se encuentran vulneradas por la crisis climática [7].
| Estimación | Ámbito y año | Magnitud | Qué mide exactamente |
|---|---|---|---|
| Li et al. (2023), recogido por Barnett-Itzhaki (2026) | Mundial, IA, 2027 | 4.200-6.600 millones de m³/año | Retirada de agua, no consumo neto [2] |
| Patterns (2025) | Mundial, solo cargas de IA, 2025 | 312.500-764.600 millones de litros (0,31-0,76 miles de millones de m³) | Huella aproximada por métricas generales de centro de datos [1] |
| Nature Sustainability (2025) | Estados Unidos, servidores de IA, 2024-2030 | 731-1.125 millones de m³/año | Huella hídrica anual, con horquilla por escala de despliegue [6] |
| Entrenamiento de un modelo de clase GPT-3 | Un modelo, ciclo completo | ≈1,3 GWh y ≈5,4 millones de litros | Datos de ciclo de vida recogidos en revisión jurídico-técnica [24] |
| Mistral Large 2 (2025) | Un modelo, entrenamiento + 18 meses de uso | 20,4 ktCO₂e y 281.000 m³ de agua | Análisis de ciclo de vida; el 91 % del agua corresponde a entrenamiento e inferencia |
| Serie de modelos de 20M a 13.000M de parámetros (2025) | Desarrollo completo de una familia de modelos | 493 t de CO₂ y 2,769 millones de litros | Incluye fabricación de hardware y desarrollo; el desarrollo supuso ≈50 % del impacto del entrenamiento final [22] |
Nótese la 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.
El emplazamiento pesa más que la cantidad total sumada. El sesenta y seis por ciento de las nuevas instalaciones de servidores en territorio estadounidense se ubican en regiones con escasez de agua [18], mientras que un estudio publicado en PLOS Water señala cuatro inquietudes registradas en procesos judiciales y documentos oficiales en Estados Unidos: el debilitamiento de la gestión democrática del recurso hídrico, la explotación desmedida acompañada de alzas en las facturas, la disminución de la capacidad de adaptación en la gestión del agua, y el crecimiento en el consumo hídrico impulsado por una mayor exigencia de energía 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 precio depende del uso, no de la fase de creación. Un sistema optimizado que se ejecute mil millones de veces a diario tiene un impacto mayor que uno ineficaz entrenado en una única ocasión.
• 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].
• Se manifiesta 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]. Jegham et al. lo plantean como «una paradoja en expansión: conforme la inteligencia artificial se vuelve más veloz y económica, su masiva adopción desencadena 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 cronológica en la recepción de solicitudes | Hasta ×100 de energía por cada solicitud | Demanda gestión del flujo de tráfico; afecta negativamente la latencia | [20] |
| Paquete de mejoras para la inferencia (cuantificación, procesamiento por lotes, motor) | Hasta un 73 % de la energía global | Muy dependiente del hardware y de las características de la carga | [4] |
| Seleccionar un modelo intermedio en vez de uno grande | Capacidad equivalente o superior con un gasto energético muy inferior en múltiples funciones | Sujeto al tipo de tarea; no aplica universalmente | [21] |
| Estrategias óptimas integradas en centros de datos de inteligencia artificial (EE. UU.) | Hasta un 73 % en emisiones y un 86 % en consumo hídrico | Restringido por las redes energéticas actuales | [6] |
| Sistemas de climatización avanzados (refrigeración líquida directa) | Hasta el 50 % de la energía destinada a la climatización | Demanda una remodelación de las instalaciones | [25] |
| Emplazamiento en zonas con baja huella ecológica y seguridad hídrica | Aproximadamente la mitad del impacto combinado | Entra en conflicto con los requisitos de red y latencia | [25] |
| Integración con plantas depuradoras: uso de agua regenerada para climatización y aprovechamiento térmico para la planta | ≈84 Mt CO₂e/año, ≈1.300 millones de m³ de agua potable y un beneficio neto anual de ≈95.400 millones de dólares | Exige proximidad geográfica; mayor viabilidad en EE. UU., Japón, China, Países Bajos y Reino Unido | [9] |
| Desvío de tráfico según la huella de carbono y sistemas de refrigeración líquida | Entre un 40 % y un 60 % de disminución del impacto | Soluciones viables y económicas hoy en día, 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 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 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? Valorar la energía consumida por cada consulta sin especificar la calidad del resultado obtenido impide establecer comparaciones justas. Por esta razón se sugiere el uso de indicadores compuestos como AI Energy Score, capaces de reflejar la eficiencia del razonamiento 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 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, obstaculizando 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 consume una consulta a ChatGPT o a Gemini?
Google proporciona la única medición instrumentada disponible en un entorno productivo para Gemini: 0,24 Wh energéticos y 0,26 ml hídricos por cada consulta textual mediana, considerando un perímetro sistémico que abarca el acelerador, el servidor central, el margen operativo inactivo y el gasto general del centro de datos [23]. Por su parte, OpenAI reportó 0,34 Wh y aproximadamente 0,32 ml en relación con ChatGPT, omitiendo los detalles metodológicos. Investigaciones independientes registran cifras superiores a 29 Wh cuando se trata de peticiones extensas y arquitecturas exigentes [11]. Carecemos de un valor universal aplicable, pues este varía en función de la arquitectura, la extensión de la contestación y la infraestructura de despliegue.
¿Es verdad que la IA consume mucha 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], 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.
¿Qué porcentaje de la electricidad mundial consume la inteligencia artificial?
Globalmente, las infraestructuras de procesamiento de datos requirieron cerca de 485 TWh durante 2025, lo que representa aproximadamente el 1,5 % de la demanda energética global; de esta cifra, cerca de 155 TWh estuvieron vinculados a complejos dedicados a la inteligencia artificial. En otras palabras, la IA ronda el 0,5 % del consumo eléctrico mundial. Las estimaciones de la AIE apuntan a que el conjunto de estos centros alcanzará los 945 TWh hacia 2030, abarcando casi el 3 %, mientras la inteligencia artificial incrementa su protagonismo dentro de dicha cifra.
¿Las mejoras de eficiencia resuelven el problema?
Solo de manera parcial. Los análisis de escenarios reflejan que, a pesar de que el rendimiento operativo experimenta un progreso considerable, el requerimiento global asciende cerca de un orden de magnitud debido al incremento en la utilización [12]. Hablamos del efecto rebote o paradoja de Jevons, constatado de manera clara en dichos estudios [18]. Aquellas proyecciones que consiguen abatir más las emisiones integran una menor cantidad de arquitecturas junto con un cambio hacia fuentes eléctricas con baja huella de carbono, rebasando por encima de 20 puntos porcentuales el impacto que la sola eficiencia es capaz de alcanzar [12].
¿Puede la energía renovable cubrir la demanda de la IA?
En esencia sí, aunque sujeto a condiciones. Tras analizar sistemáticamente 88 investigaciones, se determina que dicha meta resulta factible únicamente si se dinamiza la implantación, se transita del balance anual de energía limpia al emparejamiento por hora —conocido como energía libre de carbono 24/7— y se implementan normativas específicas para cada región. Los mecanismos de adquisición energética difieren notablemente: el abismo de la adicionalidad separa los certificados sueltos de la sincronización horaria auténtica [3].
¿Cómo puede una organización emplear la inteligencia artificial para disminuir su huella ambiental?
Cuatro decisiones con efecto medible, por orden de impacto: elegir el modelo más pequeño que resuelva la tarea en lugar del más capaz disponible[21]; agrupar peticiones en lotes y estructurar su llegada en lugar de enviarlas sueltas [20]; seleccionar proveedor y región por intensidad de carbono y por estrés hídrico de la cuenca, no solo por latencia y precio [25]; y exigir al proveedor datos de energía y agua por consulta con metodología publicada, no declaraciones agregadas.
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:
- Los datos correspondientes a 2030 y años venideros representan escenarios hipotéticos, no predicciones absolutas. Si se mencionan horquillas extensas, se debe a que la volatilidad es innegable y viene reflejada de origen, descartando cualquier discrepancia analítica.
• 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? (estudio elaborado con cifras de la AIE).
• Carbon Brief. AI: Five charts that put data-centre energy use and emissions into context.
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.
