Contenido
- Resumen en 30 segundos: las ocho cifras que importan
- Por qué las cuentas no cuadran: cinco parámetros que nadie fija
- 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 global, sino local
- Qué mitiga el impacto realmente
- Cómo auditar cualquier titular sobre consumo de IA
- Lo que todavía no sabemos
- Preguntas frecuentes
- Metodología y límites de este artículo
- Referencias
Los cálculos difundidos acerca del gasto energético de una única petición a un modelo de lenguaje oscilan en un intervalo superior a tres órdenes de magnitud: abarca desde 0,24 vatios-hora hasta prácticamente 30. No se trata de que ciertas fuentes falseen los datos y otras acierten, sino de que evalúan parámetros diferentes. Este texto recopila, basándose en documentos originales y con revisión científica, el gasto real de la inteligencia artificial tanto en recursos hídricos como eléctricos, analiza el motivo por el cual los datos publicados resultan contradictorios y enseña a interpretar de forma correcta cualquier noticia al respecto. Se incorporan las estadísticas conjuntas de la Agencia Internacional de la Energía junto con el Lawrence Berkeley National Laboratory, los registros de rendimiento operativo de Google, la primera evaluación integral del ciclo de vida perteneciente a un sistema comercial (Mistral), además de las investigaciones universitarias que miden el impacto sobre el agua. Hacia el final se adjunta un repertorio bibliográfico dotado de DOI para facilitar la comprobación independiente de cada información.
Resumen en 30 segundos: las ocho cifras que importan
Si únicamente vas a ojear 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) |
En este artículo vas a descubrir
• 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 el inconveniente no resulta 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 cuentas 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 suma una dificultad estructural en cuanto a la transparencia. Un estudio dado a conocer en Patterns durante 2025 lo señala con claridad: los reportes ecológicos de los administradores de centros de datos no distinguen entre cargas de IA y cargas que no lo son, por lo que el impacto ambiental de la inteligencia artificial únicamente se logra estimar mediante indicadores globales de la infraestructura; además, frecuentemente los datos difundidos ni siquiera posibilitan calcular el total corporativo [1].
Cuánta electricidad consumen los centros de datos
Aquí las cifras resultan más firmes, ya que se apoyan en fuentes institucionales con metodologías transparentes. La Agencia Internacional de la Energía (AIE) encabeza estas estimaciones: en su reporte Energy and AI, publicado en abril de 2025, calculó una demanda mundial de los centros de datos de aproximadamente 945 TWh en 2030, una cantidad equivalente al gasto eléctrico anual de Japón. Por su parte, la edición de Electricity 2026 ubica la base de 2025 cerca de los 485 TWh, lo que equivale al 1,5 % de la energía global, de los cuales unos 155 TWh se destinan exclusivamente a infraestructuras de IA.
| Fuente | Ámbito | Cifra actual | Proyección | Nota metodológica |
|---|---|---|---|---|
| AIE, Electricity 2026 / Energy and AI | Planetharis, la totalidad de los centros de procesamiento de datos | aprox. 485 TWh (2025), 1,5 % | aprox. 945 TWh hacia 2030 (aprox. 3 %); aprox. 1.200 TWh en 2035 | Escenario de referencia; la propia AIE recalca las dudas macroeconómicas y de implantación [3] |
| Lawrence Berkeley National Laboratory (2024) | Estados Unidos | 176 TWh (2023), 4,4 % | 325-580 TWh en 2028 (6,7 %-12 %) | Estudio solicitado por el Departamento de Energía; el 12 % representa el límite superior, quedando descartado como cálculo principal |
| Chen et al., Communications Sustainability (2026) | Planetharis, únicamente la infraestructura de inteligencia artificial de las seis grandes empresas tecnológicas | aprox. 118 TWh (2024) | 239-295 TWh en 2030 (aprox. 1 % global) | Fusiona la revisión bibliográfica junto con la simulación de supuestos [10] |
| Aczel et al. (2026) | Planetharis, separando inteligencia artificial de otras cargas | 448 TWh (2025), inteligencia artificial aprox. 20 % | 945 TWh para 2030, inteligencia artificial aprox. 40 % | Documento resumen [14] |
| Fan et al., Energy and Climate Change (2026) | Planetharis, perspectiva a largo plazo | — | 1.800-5.000 TWh en 2050 dependiendo del contexto socioeconómico | Esquema SSP; este intervalo evidencia una variación genuina, descartando discrepancias [8] |
| Turkay et al., PLOS One (2026) | Planetharis, proyección tendencial | — | Cerca del 30 % del consumo eléctrico global en 2050 | Suposición límite basada en la prolongación de patrones vigentes, descartando que sea un cálculo principal [12] |
Se pueden extraer dos lecturas compatibles de esta tabla. Por un lado, a escala global, la inteligencia artificial representa todavía un porcentaje reducido de la red eléctrica global —aproximadamente el 0,5 % en la actualidad, con proyección de alcanzar entre el 1 % y el 1,2 % hacia 2030, basándose en la previsión más prudente [10]—. Por otro lado, la velocidad de expansión carece de antecedentes recientes dentro del sector eléctrico, dándose la circunstancia de que las redes de suministro requieren márgenes de siete a diez años para su planificación, al tiempo que un centro de datos se levanta en un período de dos.
Un dato que refleja dicha 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 cifra resulta ser la más repetida y, al mismo tiempo, la menos certera. Durante mucho tiempo, los cálculos se elaboraron desde una perspectiva externa, basándose en conjeturas sobre el uso y el hardware. No fue hasta agosto de 2025 cuando vio la luz el primer registro en condiciones reales de funcionamiento: Google monitorizó el sistema encargado de dar soporte a Gemini y determinó que la petición textual media demanda 0,24 Wh de energía y 0,26 ml de agua, lo cual equivale a nueve segundos de emisión televisiva y al volumen de cinco gotas [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 | 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 conclusión práctica no es «consume poco» ni «consume mucho». Es que la elección de modelo y la forma de servirlo pesan más que el hecho de usar IA o no usarla. Un estudio empírico sobre H100 encontró que la estructuración temporal de la llegada de peticiones puede reducir la energía por petición hasta cien veces, y que la mejora por usar precisión reducida solo aparece en regímenes limitados por cómputo [20]. Otro trabajo sobre 14 modelos abiertos de 6.000 a 34.000 millones de parámetros concluyó que aumentar el tamaño del modelo eleva mucho el consumo sin mejoras proporcionales de precisión, y que en bastantes tareas los modelos medianos igualan o superan a los grandes con mucha menos energía [21].
Hay además un descubrimiento contraintuitivo que resulta útil tener presente: durante un análisis multilingüe enfocado en NVIDIA H200 que superó las 5.100 ejecuciones, el consumo energético experimentó variaciones de hasta tres veces entre opciones con idénticas cargas de trabajo, la vinculación entre gasto de energía y desempeño lógico demostró ser escasa (ρ de Spearman = 0,109; p = 0,386), y el idioma de la consulta se comportó como un parámetro medible de despliegue: las lenguas romances requirieron en promedio un menor gasto energético que el inglés en diversos modelos [5].
El agua: un trío de grifos diferentes
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 diferencia aclara por qué una infraestructura eléctrica de bajas emisiones no garantiza por sí misma un consumo reducido de agua, aspecto que el estudio de Aczel et al. recalca de manera explícita [14]. Asimismo, pone de manifiesto una contradicción territorial: la energía hidráulica, estandarte de la transición energética, desencadena un círculo vicioso donde las necesidades de los centros de procesamiento de datos tensionan redes hídricas y energéticas que ya se encuentran vulnerables debido a la crisis climática [7].
| Cálculo | Alcance y periodo | Volumen | En qué consiste concretamente |
|---|---|---|---|
| Li et al. (2023), recogido por Barnett-Itzhaki (2026) | Global, IA, 2027 | 4.200-6.600 millones de m³/año | Extracción hídrica, sin contabilizar el consumo neto [2] |
| Patterns (2025) | A nivel mundial, exclusivamente para cargas de IA, 2025 | 312.500-764.600 millones de litros (0,31-0,76 miles de millones de m³) | Gasto estimado mediante parámetros estándar de centros de datos [1] |
| Nature Sustainability (2025) | Estados Unidos, infraestructura de inteligencia artificial, 2024-2030 | 731-1.125 millones de m³/año | Gasto de agua anual, variando según el nivel de implementación [6] |
| Entrenamiento de un modelo de clase GPT-3 | Un modelo, ciclo completo | ≈1,3 GWh y ≈5,4 millones de litros | Registros del ciclo vital obtenidos en una auditoría legal y técnica [24] |
| Mistral Large 2 (2025) | Una unidad, fase de aprendizaje y año y medio de explotación | 20,4 ktCO₂e y 281.000 m³ de agua | Evaluación del ciclo vital; el 91 % del recurso hídrico se vincula al entrenamiento y la inferencia |
| Serie de modelos de 20M a 13.000M de parámetros (2025) | Creación integral de una gama de sistemas | 493 t de CO₂ y 2,769 millones de litros | Abarca la producción de componentes y la investigación; la creación representó cerca de la mitad de la huella del entrenamiento definitivo [22] |
Nótese la diferencia entre la primera y la segunda fila: un orden de magnitud. No es un error de ninguno de los dos trabajos, es que la primera mide retirada y la segunda huella atribuida a cargas de IA. Cualquier artículo que presente ambas como la misma magnitud está mal construido.
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 acarrea tres efectos que transforman por completo el debate:
• El coste es proporcional al uso, no al desarrollo. Un modelo eficiente usado mil millones de veces al día pesa más que un modelo ineficiente entrenado una vez.
• El cuello de botella se desplaza a la ingeniería de servicio. Cuantización, tamaño de lote, planificación de peticiones y elección del motor de inferencia pueden reducir la energía total hasta un 73 % respecto a una configuración sin optimizar [4].
• 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 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] |
La última fila merece atención porque contradice la intuición habitual. La huella de una consulta idéntica puede variar de forma sustancial según el país donde se ejecute, y no siempre en la dirección que se supone. La ubicación del centro de datos y el diseño de su refrigeración influyen en el impacto ambiental tanto como la eficiencia del hardware[25].
Qué mitiga el impacto realmente
Esta faceta literaria recibe escasas menciones en los medios, a pesar de ser la más práctica. Sus proporciones se encuentran medidas:
| 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 halla una fuerte coocurrencia espacial entre ambos tipos de instalación que permitiría emparejamientos optimizados a escala nacional [9]. Hablamos de una clase de solución que prescinde de cualquier avance tecnológico futuro, basándose exclusivamente en una correcta 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? ¿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 específica se evaluó? Una consulta breve de texto y la creación de un clip audiovisual no constituyen 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 informes ambientales, lo que impide atribuir impactos con precisión [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 gasta una consulta realizada en ChatGPT o 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.
¿Cuál es la proporción de electricidad global que demanda la inteligencia artificial?
Los centros de datos en su conjunto consumieron unos 485 TWh en 2025, en torno al 1,5 % de la electricidad mundial, de los que aproximadamente 155 TWh correspondieron a instalaciones orientadas a IA. Es decir, la IA ronda el 0,5 % del consumo eléctrico mundial. La proyección de la AIE para todos los centros de datos en 2030 es de unos 945 TWh, cerca del 3 %, con la IA ganando peso dentro de ese total.
¿Las optimizaciones de eficiencia solucionan la dificultad?
Solo 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].
¿Es capaz la energía renovable de satisfacer la demanda de la inteligencia artificial?
En principio sí, pero con condiciones. La revisión sistemática de 88 estudios concluye que es posible únicamente si se acelera el despliegue, se pasa de la correspondencia anual de energía limpia a la correspondencia horaria —el llamado 24/7 carbon-free energy— y se adoptan marcos regulatorios adaptados a cada jurisdicción. Los instrumentos de compra de energía no son equivalentes: la «brecha de adicionalidad» separa los certificados no agrupados de la correspondencia horaria real [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 construido a partir de literatura revisada por pares localizada mediante búsqueda semántica en bases de datos académicas (Semantic Scholar, OpenAlex y PubMed a través de Consensus), complementada con tres tipos de fuentes primarias no académicas: informes de organismos públicos (Agencia Internacional de la Energía, Lawrence Berkeley National Laboratory por encargo del Departamento de Energía de Estados Unidos), análisis de ciclo de vida publicados por fabricantes con revisión externa (Mistral AI con Carbone 4, ADEME, Resilio y Hubblo), y mediciones en producción publicadas por operadores (Google).
Tres límites que el lector debe tener presentes:
- Las cifras de 2030 y los años siguientes se plantean como escenarios, y no como simples previsiones. La mención de horquillas amplias responde a una incertidumbre auténtica que aparece cuantificada en la fuente original, y no a discrepancias entre los especialistas.
• Las declaraciones corporativas que carecen de una metodología publicada se señalan explícitamente y no se consideran equivalentes a las mediciones instrumentadas ni a los análisis de ciclo de vida verificados.
• El 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? (conjunto informativo sustentado en 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.
