El auge de los sistemas de inteligencia artificial (IA) comercialmente disponibles ha generado alarmantes titulares. Cada vez que ChatGPT redacta un correo electrónico, se asemeja a vaciar una botella de agua, o cada respuesta de un chatbot equivale a encender una bombilla durante unos 20 minutos. A medida que la tecnología se integra más en nuestra vida cotidiana, los investigadores intentan cuantificar el impacto ambiental de la IA. Aunque crecen las preocupaciones sobre la demanda energética de la IA y su creciente omnipresencia, los esfuerzos exitosos entre los responsables políticos para rastrear o regular la huella de la industria han sido escasos. Esto se debe principalmente a la falta de datos relevantes y mecanismos de reporting por parte de las empresas de los sectores tecnológico y energético.
¿Cuáles son los costos energéticos de la IA y de dónde provienen?
Las comparaciones ambientales utilizadas en los artículos de noticias resaltan solo un aspecto de las demandas energéticas de la IA. El impacto ecológico de la tecnología abarca los meses, e incluso años, que se necesitan para entrenar y desplegar un modelo de IA. Diferentes etapas de desarrollo requieren hardware especializado con necesidades de consumo variables, pero generalmente grandes. Durante la etapa de entrenamiento, los modelos se alimentan con cantidades curadas, aunque a menudo extensas, de datos para «aprender» según sus algoritmos. Las unidades de procesamiento gráfico (GPUs) utilizadas en este proceso suelen funcionar las 24 horas del día, lo que genera altos requisitos energéticos (generalmente respaldados por fuentes no renovables) que aumentan rápidamente dependiendo de la complejidad del modelo. Por ejemplo, investigadores de Google y UC Berkeley estimaron que entrenar el modelo ChatGPT-3 de OpenAI consumió suficiente electricidad para abastecer a alrededor de 120 hogares estadounidenses durante un año. Aunque la falta de acceso a este tipo de datos ha dificultado calcular las demandas eléctricas de GPT-4, los investigadores estiman que probablemente consumió 50 veces más electricidad. Una estimación basada en datos de la Agencia Internacional de Energía (IEA) sugirió que ChatGPT utiliza casi 10 veces más electricidad que una búsqueda normal en Google. Estos números solo crecerán a medida que más usuarios adopten programas de IA generativa en lugar de motores de búsqueda tradicionales. De hecho, los investigadores estiman que si Google procesara 9 mil millones de búsquedas potenciadas por IA al día, podrían requerir 23-30 veces la cantidad de energía necesaria para búsquedas normales. Algunos expertos, como el líder de AI y Clima en Hugging Face, mantienen un «AI Energy Score» dashboard, que reporta una diferencia aproximada de 62,000 veces entre las necesidades energéticas más altas y más bajas entre los diferentes casos de uso y modelos del dashboard. Las demandas energéticas para generar texto, imágenes y videos varían ampliamente, siendo la generación de videos la más intensiva en energía; recientemente, el MIT Technology Review encontró que un modelo de IA utilizó aproximadamente 3.4 millones de joules, la cantidad de energía necesaria para hacer funcionar un microondas por más de una hora, para generar un video de 5 segundos. Gran parte del procesamiento de estos comandos se realiza a través de centros de datos. El consumo eléctrico de los centros de datos fue del 4.4% de la demanda eléctrica de EE.UU. en 2023 y podría crecer hasta el 6% para 2026. A nivel mundial, estos centros representan el 1-2% de las necesidades energéticas del mundo, pero dada la creciente demanda de IA, algunos esperan que pueda alcanzar el 21% para 2030. Esto no tiene en cuenta el uso de agua, que se necesita para enfriar el hardware. Algunos investigadores del Reino Unido estiman que el uso global de agua para el procesamiento de datos podría alcanzar la mitad del consumo de agua del país para 2027. También se incurren costos energéticos indirectos adicionales en el mantenimiento de grandes infraestructuras de edificios, que incluyen hardware de computación, sistemas de almacenamiento y equipo de red. También existen costos al final de la vida útil. Una GPU se utiliza típicamente durante cuatro años antes de ser descartada o reutilizada. Actualmente, hay poca información sobre cómo se desechan estos dispositivos y cuál será el impacto ambiental de esta acumulación de residuos. La falta de datos hace que el consumo energético de la IA sea menos transparente.
Estas estimaciones se complican aún más por el hecho de que las empresas tecnológicas y eléctricas no suelen divulgar datos de consumo de energía o agua y no están sujetas a obligaciones de hacerlo. La mayoría de las estimaciones son inciertas porque carecen de información propietaria. Aunque Google, Microsoft y Meta se negaron a compartir las necesidades energéticas de las solicitudes de IA de sus modelos, el CEO de OpenAI, Sam Altman, escribió recientemente que una consulta promedio utiliza 0.34 vatios-hora, o lo que una bombilla usa en un par de minutos, y 0.000085 galones de agua. Sin embargo, estas cifras no incluyen las extensas necesidades energéticas de entrenar el modelo y solo reflejan las necesidades energéticas en una base por consulta. Existen mejoras en la eficiencia del consumo energético de la IA. Este nivel de consumo no se le escapa a los líderes del sector. Aunque ha habido algún crecimiento en la eficiencia, estas mejoras han comenzado a estancarse. Los grandes centros de datos presentan una oportunidad para una mayor eficiencia energética, como se ilustra en la construcción de centros «hyperscale». Otros ejemplos incluyen mejoras a nivel de hardware, como la limitación de potencia, o limitar la cantidad de energía que se alimenta a los procesadores y GPUs; esta técnica se ha demostrado que disminuye el consumo de energía hasta en un 15% con mínimos efectos en la experiencia del usuario. Otras eficiencias también surgen de la construcción de modelos más pequeños, la poda o la cuantificación del diseño de la arquitectura del algoritmo, la transición a fuentes de energía renovable, el aumento de la colaboración entre empresas de IA, o el uso de IA para identificar posibles mejoras para sí misma y otros modelos. Por ejemplo, Google DeepMind informó que logró reducir su consumo de energía en centros de datos en un 30% utilizando IA para predecir mejor las necesidades de enfriamiento. Sin embargo, estas mejoras aún requieren un uso adicional de IA y, por lo tanto, un mayor consumo de energía, incluso con nuevas eficiencias consideradas. Con costos energéticos más bajos para los sistemas de IA, la demanda creciente podría llevar a un efecto de rebote, donde la tecnología más eficiente y sus menores costos de producción generan una mayor demanda y adopción, resultando nuevamente en un aumento del consumo. Este ciclo a veces se conoce como la paradoja de Jevons, un término que se acuñó inicialmente cuando el motor de vapor se volvió más eficiente. Desafortunadamente, el impacto de las demandas energéticas crecientes no se sentirá de manera uniforme. Algunas regiones y estados ya están siendo drenadas de recursos mucho más que otras. «Data Center Alley» en Virginia ofrece un ejemplo; alberga más de 300 centros de datos, el mayor número en Estados Unidos. Los residentes están luchando contra las expansiones continuas de centros de datos en la región, lo que lleva a facturas de energía más altas, una demanda de agua creciente y una calidad del aire empeorada debido a los generadores diésel de respaldo de las instalaciones. Más al sur, la NAACP recientemente demandó a xAI de Elon Musk por supuestamente operar turbinas para un centro de datos en South Memphis sin los permisos adecuados. La NAACP enfatizó que las emisiones tóxicas de las turbinas se dirigían hacia vecindarios predominantemente negros que soportan el peso del racismo ambiental.
Para asegurarse de que la adopción creciente de IA no exacerbe la degradación ambiental, los responsables políticos, las empresas y las comunidades necesitarán una mejor comprensión de dónde enfocar su atención y recursos, comenzando con mejores datos sobre emisiones y consumo de energía.
Los científicos del MIT encontraron que las empresas que utilizan auditores independientes para la garantía disminuyeron sus emisiones totales en un 7.5% anualmente, incluso cuando comenzaban con emisiones más altas que las empresas sin garantía. Sin embargo, estas estimaciones pueden que no sean lo suficientemente detalladas. Por ejemplo, la estimación de la IEA incluye la actividad en los centros de datos, sin un enfoque directo en las aplicaciones de IA. A menos que las empresas tecnológicas revelen qué porcentaje de su uso de energía está relacionado con la IA, la ambigüedad persistirá. El año pasado, el senador Ed Markey (D-MA) presentó la «Artificial Intelligence Environmental Impacts Act of 2024» para medir mejor el impacto de la IA. La legislación exigiría que la Agencia de Protección Ambiental (EPA) realizara un estudio integral sobre la cuestión, además de convocar un consorcio de partes interesadas a través del Instituto Nacional de Estándares y Tecnología (NIST) y creando un sistema de reporting voluntario. Esto culminaría en un informe interinstitucional presentado al Congreso para informar los hallazgos y proporcionar recomendaciones de políticas. La Oficina de Responsabilidad Gubernamental (GAO) también publicó un informe sobre los efectos ambientales y humanos de la AI generativa en abril de 2025, detallando seis posibles opciones de políticas, incluyendo fomentar a los desarrolladores para que compartan detalles del modelo sobre la infraestructura utilizada para el entrenamiento y el uso de IA generativa, así como proporcionar incentivos gubernamentales para modelos y métodos de entrenamiento más eficientes en recursos. A nivel estatal, al menos 60 proyectos de ley han sido presentados en todo el país para abordar el impacto de los centros de datos, pero ha habido poco cambio significativo. Los investigadores de Harvard encontraron que la intensidad de carbono de los centros de datos fue un 48% más alta que el promedio nacional, en parte porque los centros de datos a menudo se construyen en áreas con redes eléctricas más sucias. Grandes empresas, como Meta y Microsoft, han recurrido a formas alternativas de energía para alimentar sus centros de datos, enfocándose en la energía nuclear. Sin embargo, el MIT Technology Review enfatizó que la energía nuclear representa solo el 20% de la producción de electricidad en EE.UU., mientras que las tecnologías limpias pero intermitentes, como la energía eólica y solar, no pueden alimentar completamente los centros de datos en funcionamiento continuo. Dadas las muchas incertidumbres, es el momento adecuado para que EE.UU. apoye iniciativas de investigación adicionales sobre métodos para reducir el impacto ambiental de la IA, mientras continúa mejorando la transparencia y estableciendo normas en esta importante área. No hacerlo podría no solo acelerar la crisis climática, sino también ralentizar la adopción de aplicaciones de IA y retrasar sus beneficios.
