En enero de 2025, DeepSeek, una startup china, lanzó su modelo de razonamiento de IA, DeepSeek R1, que se desempeñó de manera comparable a la de OpenAI’s ChatGPT-4o pero a un costo significativamente más bajo. En cuestión de días, DeepSeek R1 y su modelo no de razonamiento V3 se convirtieron en las aplicaciones más descargadas a nivel global. Esta rápida adopción llevó a una pérdida significativa en el valor de mercado de Nvidia, el principal fabricante de chips de AI avanzados, que cayó cerca de $600 mil millones. Las empresas de servicios públicos y los formuladores de políticas de EE. UU. comenzaron a cuestionar la necesidad de aumentos masivos en la capacidad de generación y transmisión de energía para apoyar centros de datos. Sin embargo, a julio de 2025, la industria de IA había recuperado, con empresas de tecnología importantes como Meta, Microsoft, Alphabet/Google y OpenAI reafirmando sus compromisos con inversiones significativas en nuevos centros de datos. Estas empresas también entraron en acuerdos con empresas nucleares y otras empresas de energía para alimentar sus operaciones. La acción de Nvidia se recuperó, y en julio se convirtió en la primera empresa en alcanzar un valor de mercado de $4 billones. El Departamento de Energía de EE. UU. anunció planes para ubicar centros de datos en tierras públicas, y el presidente Donald Trump, junto con una delegación de CEOs de tecnología, regresó de una gira por tres estados del Golfo Árabe, anunciando miles de millones de dólares en nuevas ventas por parte de fabricantes de chips de EE. UU. y inversiones extranjeras en centros de datos de EE. UU. El sector energético anticipó un aumento en la generación de electricidad nueva para apoyar la rápida expansión de centros de datos de EE. UU. durante la década.
Proyecciones de crecimiento de la demanda de energía para AI
En abril de 2025, Bloomberg Intelligence proyectó un crecimiento continuo en la demanda de energía para AI, proyectando un aumento potencial de hasta cuatro veces por 2032, incluso con ganancias de eficiencia reportadas por empresas como Ant Group y DeepSeek. La Administración Internacional de la Energía (IEA) estimó que la demanda de energía para centros de datos en EE. UU. aumentaría un 130% por 2030 en comparación con los niveles de 2024. El laboratorio de IA Anthropic proyectó que se necesitarían 50 gigavatios de capacidad de generación de energía nueva por 2027 solo para entrenar los últimos modelos de IA, con mucho más requerido para su operación. El ex CEO de Google, Eric Schmidt, testificó ante el Congreso que los centros de datos requerirían una adición de 29 gigavatios de potencia por 2027 y 67 más gigavatios por 2030. Este crecimiento proyectado en la demanda de energía para AI plantea desafíos significativos para la capacidad financiera y técnica del sistema de servicios públicos de EE. UU., planteando preguntas sobre quién debería asumir el riesgo para proyectos de energía necesarios para apoyar la esperada explosión de IA durante la próxima década y más allá.
Capacidad financiera y técnica de los sistemas de servicios públicos locales y regionales
La capacidad financiera y técnica de los sistemas de servicios públicos locales y regionales para satisfacer esta demanda es incierta. Estos sistemas están legalmente obligados a servir a sus clientes pero pueden carecer de los medios financieros para construir capacidad suficiente nueva. La pregunta surge sobre si algunos o todos los riesgos financieros deberían ser reasignados a las empresas que construyen nuevos centros de datos. Si estas empresas construyen plantas de energía « detrás de la medidor », debería haber una obligación de interconectar con y potencialmente apoyar la red más grande.
Informes técnicos de DeepSeek
El informe técnico de DeepSeek en diciembre de 2024 demostró que su modelo V3 tenía capacidades comparables a los modelos principales de EE. UU. pero consumía solo una fracción de las horas de procesamiento gráfico utilizadas para entrenar sus contrapartes estadounidenses. El informe de seguimiento de DeepSeek en enero de 2025 mostró que su familia de modelos de razonamiento R1 coincidía con las capacidades de OpenAI’s o1 modelo de razonamiento. Las eficiencias de entrenamiento de DeepSeek fueron evidentes al comparar su modelo V3 con el modelo Llama 3.1 de Meta. Ambos modelos obtuvieron resultados similares en los estándares de referencia, pero DeepSeek utilizó solo 2,048 chips de procesamiento gráfico Nvidia H800 para entrenar V3, solo 13% de los 16,000 chips de procesamiento gráfico Nvidia H100 utilizados por Meta para entrenar Llama 3.1. DeepSeek también entrenó su modelo V3 durante solo 2.788 millones de horas de procesamiento gráfico, menos del 10% de las 30.8 millones de horas de procesamiento gráfico utilizadas por Meta. Las diferencias en el tamaño del modelo y el conjunto de datos de entrenamiento no podían explicar estas eficiencias. DeepSeek logró sus eficiencias a través de varias mejoras técnicas, incluida una innovadora mezcla de expertos muy eficiente, calcular pesos del modelo en formato FP8 en lugar del más preciso FB16, utilizar atención latente multi-cabeza eficiente (MLA) en lugar de la arquitectura de atención tradicional (MHA) y predecir dos tokens al mismo tiempo en lugar de uno.
Eficiencias de DeepSeek
Estas eficiencias permitieron a los modelos de DeepSeek operar de manera más eficiente en tiempo de inferencia, cuando los usuarios proporcionan entrada y los modelos generan salida. Por ejemplo, la innovación de la mezcla de expertos significa que en lugar de necesitar activar todos los 671 mil millones de parámetros para responder a una consulta o solicitud, los modelos de DeepSeek necesitan solo 37 mil millones. Estas eficiencias se reflejan en los precios ofrecidos por DeepSeek a los usuarios. Su precio de entrada más barato es de $0.07 por millón de tokens para su modelo de chat V3 y $0.27 para su modelo de razonamiento R1. Su precio de salida es de $1.10 por millón de tokens para su modelo V3 y $2.19 por millón de tokens para su modelo R1. Ofrece una reducción del 50% en el precio para el uso en horas pico. Estos precios son mucho más bajos que los de OpenAI en la actualidad. Por ejemplo, el precio de entrada más bajo de GPT 4.1 es de $0.50 por millón de tokens, casi el doble que el precio de entrada comparable de DeepSeek para su modelo V3, y su precio de salida es de $8.00 por millón de tokens, más de siete veces el precio de salida de DeepSeek para su modelo V3.
Impacto en la demanda de energía
Las innovaciones de DeepSeek inevitablemente se traducirán en ahorros significativos de energía por token generado tanto en tiempo de entrenamiento como en tiempo de inferencia. La energía necesaria para entrenar y utilizar un modelo de IA particular generalmente es una función de las horas de computación gastadas en el entrenamiento o uso, el número de procesadores utilizados y la potencia promedio utilizada por procesador. Por lo tanto, el número dramáticamente más bajo de horas de procesamiento gráfico utilizadas para entrenar los modelos de DeepSeek y el número de chips utilizados también son medidas aproximadas relativas de la cantidad de energía eléctrica requerida.
A pesar de la inicial escepticismo, los miembros de la industria de inteligencia artificial reconocieron rápidamente los logros técnicos de DeepSeek como reales. Sin embargo, esto no cambió su determinada carrera para desarrollar fuentes adicionales de energía para el entrenamiento y uso de AI. Una razón para esta reacción de « no cambiar » es que las eficiencias como las logradas por DeepSeek han sido una característica común del desarrollo de AI durante la última década o así, de manera similar a la ley de Moore. Una estimación de julio de 2024 sugirió que la eficiencia del tiempo de inferencia computacional, por ejemplo, ha aumentado en tres órdenes de magnitud en los dos años hasta julio de 2024. Un estudio de visión por computadora estimó que « las innovaciones que aumentan la computación reducen las necesidades de computación a la mitad cada nueve meses ». Otro estudio de modelos de lenguaje grande (LLM) de 2013-2023 encontró que « la computación requerida para alcanzar un umbral de rendimiento determinado se ha reducido aproximadamente a la mitad cada 8 meses ». Si la tendencia en AI es para disminuciones regulares en los costos de computación por unidad, entonces, como dijo el CEO de Anthropic, Dario Amodei, las mejoras de DeepSeek son « en tendencia » en el mejor de los casos.
La industria de AI siempre ha utilizado estas ganancias de eficiencia computacional para impulsar mejoras en el rendimiento de los modelos de AI
Dadas las imperfecciones bien conocidas de los modelos de AI actuales, esta carrera para mejorar los modelos de AI continuará necesariamente. Las alucinaciones son solo una manifestación de la inconfiabilidad que hace que los LLM actuales sean de limitada utilidad para aplicaciones de alto riesgo en medicina, derecho, guerra y otros dominios. Para aumentar el uso de servicios basados en AI entre profesionales y empresas, la industria debe mejorar. Esto significa expandir recursos computacionales adicionales por encima del nivel actual, lo que significa que la demanda de energía de la industria de AI continuará creciendo. Otra razón para el compromiso inquebrantable de la industria con más energía es que el precio más bajo que DeepSeek está impidiendo en la industria estimulará la demanda de uso de modelos de AI. Un precio más bajo para el servicio de AI actualmente admitidamente menos que perfecto sería muy probablemente atraer a muchos clientes adicionales, lo que aumentaría el tiempo de computación y el uso de energía de AI en general. Incluso los críticos de la « exuberancia irracional » de la industria de AI sobre la demanda de energía para AI reconocen que « en el largo plazo, hacer que AI sea más barata probablemente estimulará una adopción más amplia y uso, y por lo tanto aumentará las exigencias de energía ».
La clave para la demanda de energía de AI es la demanda de servicios de AI
Pero ¿y si la calidad del servicio de AI no aumenta lo suficiente para generar la demanda para cubrir los costos de desarrollo y operación? Una de las grandes historias de AI de 2024 fue que los parámetros de escalado, los datos de entrenamiento y el tiempo de computación para el entrenamiento de modelos parecían haber alcanzado un techo. Aumentar el tiempo de computación de entrenamiento no mejora significativamente la precisión, la confiabilidad o las capacidades de los modelos de AI más recientes. La industria de AI pensó que había encontrado una nueva ley de escalado que postulaba que aumentar la computación posterior al entrenamiento podría mejorar los modelos de manera más sustancial. Pero parece que estas mejoras en los modelos de razonamiento en cadena proporcionan mejoras en rendimiento solo en áreas limitadas como la codificación, la matemática y la lógica, donde las respuestas exactas pueden conocerse con anticipación. En agosto de 2025, después de dos años de desarrollo, OpenAI lanzó su modelo GPT 5, pero los usuarios tempranos informaron que había logrado solo « mejoras modestas » y « evolutivas » en comparación con sus modelos anteriores y aquellos disponibles de sus rivales de laboratorio de AI más cercanos. Dadas estas dificultades para lograr mejoras sustanciales en AI, la industria de AI tiene un largo camino que recorrer para crear un flujo de ingresos que respalde sus costos de desarrollo desproporcionados.
La industria de AI siempre ha utilizado estas ganancias de eficiencia computacional para impulsar mejoras en el rendimiento de los modelos de AI
En junio de 2024, la firma de capital de riesgo Sequoia Capital estimó que el ingreso anual de AI tendría que ser de $600 mil millones solo para justificar los gastos de capital de Nvidia. Es difícil imaginar que venga de los consumidores individuales. ¿Un billón de consumidores pagarían $600 cada uno, o 100 millones de consumidores pagarían $6,000 al año? Hoy en día, la mayoría de los usuarios activos semanales de ChatGPT de todo el mundo, unos 400 millones, pagan nada, al igual que sus 67,5 millones de usuarios en EE. UU. Los profesionales y las empresas proporcionarán la demanda, y lo harán solo si pueden encontrar $600 mil millones en ganancias de productividad al utilizar estas herramientas. Hasta junio de 2025, los ingresos de los grandes laboratorios de AI habían mostrado aumentos significativos, pero aún no eran commensurables con sus gastos de capital. Richard Waters, el editor de tecnología de The Financial Times, señaló que « el abismo entre los gastos de capital y los ingresos ha mostrado poco signo de estrechamiento ». En el segundo trimestre de 2025, los titanes de la tecnología presentaron informes de ganancias impresionantes, lo que impulsó a Microsoft a convertirse en una empresa cuyo valor supera los $4 billones; sin embargo, como señaló Waters, « no mucho de ese rendimiento puede atribuirse directamente a la IA generativa. Ni es del todo claro cómo justificarán finalmente el aumento masivo en los gastos de capital para construir y entregar la tecnología ». Incluso después de los informes de ganancias impresionantes, The Economist señaló que las empresas de tecnología « están gastando mucho, pero muchas otras empresas están creciendo frustradas » y dieron la bienvenida a la industria a la « trough de desilusión de AI ».
La industria de la inteligencia artificial continuará acercándose a las empresas de servicios públicos y a los formuladores de políticas con solicitudes de aumentos sustanciales en la producción de energía. Las empresas de servicios públicos tendrán que estar preparadas para responder, lo que significa contemplar billones de dólares de nuevas inversiones en centrales eléctricas de enorme capacidad, medidas en gigawatts. Sin políticas y estructuras de tarifa que aíslen los costos de desarrollo de energía de centros de datos, esta nueva demanda por sí sola es probable que fuerce un aumento en las tarifas para los consumidores ordinarios. Sin embargo, los problemas regulatorios son incluso peores que esto. Las empresas de servicios públicos también tienen que estar preparadas para el riesgo de que las demandas de energía de las empresas de AI de hoy en día sean enormemente exageradas. Si resulta ser así, entonces las empresas de servicios públicos podrían quedar con billones de dólares de inversión atascada que solo pueden recuperarse de los consumidores ordinarios. El desafío urgente es diseñar una estrategia regulatoria que pueda acomodar las demandas de energía de la industria de la AI sin poner los costos y riesgos en otros clientes de energía.
Desafíos regulatorios en la industria de la AI
Las empresas de servicios públicos tendrán que adaptarse rápidamente a las nuevas demandas de energía de la industria de la AI. Esto incluye la posibilidad de que las empresas de AI soliciten aumentos sustanciales en la producción de energía, lo que podría llevar a un aumento en las tarifas para los consumidores ordinarios. Sin embargo, las empresas de servicios públicas también tienen que estar preparadas para el riesgo de que las demandas de energía de las empresas de AI de hoy en día sean enormemente exageradas. Si resulta ser así, entonces las empresas de servicios públicas podrían quedar con billones de dólares de inversión atascada que solo pueden recuperarse de los consumidores ordinarios.
Importancia de una estrategia regulatoria efectiva
Una estrategia regulatoria efectiva es crucial para acomodar las demandas de energía de la industria de la AI sin poner los costos y riesgos en otros clientes de energía. Esto incluye la necesidad de políticas y estructuras de tarifa que aíslen los costos de desarrollo de energía de centros de datos, así como la necesidad de que las empresas de servicios públicas estén preparadas para adaptarse a las nuevas demandas de energía. Al diseñar una estrategia regulatoria efectiva, las empresas de servicios públicas pueden evitar que los costos y riesgos de la industria de la AI se transfieran a los consumidores ordinarios.
