Cuando hablamos de inteligencia artificial, solemos centrarnos en sus avances, sus capacidades sorprendentes y todo lo que puede hacer por nosotros. Pero hay una parte menos visible de esta tecnología que vale la pena mirar con atención: su enorme consumo eléctrico. En este artículo te contamos, desde nuestra experiencia en Intelarter, por qué la IA necesita tanta energía, qué implica eso a nivel ambiental y hacia dónde vamos como sociedad.
Entrenar un modelo consume más que usarlo, pero ambos pesan
Para entender por qué la IA consume tanto, primero hay que distinguir dos fases clave en su funcionamiento: el entrenamiento y la inferencia.
El entrenamiento es el proceso en el que un modelo aprende. Para eso, se le da acceso a cantidades enormes de datos, y se le hacen millones (a veces billones) de cálculos hasta que logra generalizar. Este proceso puede durar semanas o meses y necesita un conjunto de hardware muy específico: GPUs o TPUs de alto rendimiento, funcionando sin parar.
Por ejemplo, entrenar un modelo como GPT-3 podría consumir lo mismo que una docena de hogares durante un año entero. Es una cantidad de energía difícil de imaginar, pero real. Ahora bien, una vez que el modelo ya está entrenado, empieza la etapa de uso diario: eso es la inferencia.
Aquí es cuando los usuarios, como vos o nosotros, hacemos preguntas, pedimos textos, imágenes o decisiones automáticas. Cada respuesta implica otra ronda de cálculos, más pequeña que el entrenamiento, pero repetida millones de veces al día en todo el mundo.
Se estima que una sola respuesta de un chatbot como ChatGPT puede usar hasta 0,24 Wh. Parece poco, pero multiplicado por miles de millones de interacciones mensuales, la cifra crece rápido.
No es solo el cálculo: también importa dónde y cómo se hace
Algo que no siempre se tiene en cuenta es que la IA no trabaja sola en el aire. Toda su potencia necesita estar alojada en centros de datos especializados, repartidos por el mundo. Y esos centros son estructuras físicas gigantescas, llenas de servidores, discos duros, routers y sistemas de refrigeración industrial.
La refrigeración es clave: las GPUs se calientan muchísimo durante los procesos de entrenamiento e inferencia. Mantener la temperatura baja para evitar daños o pérdidas de rendimiento requiere sistemas de enfriamiento constantes, que por sí solos ya representan una parte significativa del consumo energético total.
De hecho, algunos centros de datos que alojan modelos de IA pueden llegar a usar tanta electricidad como una ciudad pequeña. Y eso sin contar el agua necesaria para la refrigeración, que también se convierte en un factor ambiental a considerar.
¿Y de dónde viene toda esa energía?
Ese es otro tema importante. Si bien algunas grandes compañías tecnológicas aseguran que sus centros de datos funcionan con energías renovables, la realidad es que una parte considerable de la electricidad que alimenta la IA proviene todavía de fuentes fósiles, lo que incrementa las emisiones de CO₂.
Además, muchos centros de datos están ubicados en zonas donde la matriz energética es poco limpia, lo que amplifica el impacto ambiental incluso si el consumo no parece tan alto en términos absolutos.
Este fenómeno preocupa a los organismos internacionales. Según la Agencia Internacional de la Energía (IEA), el consumo eléctrico asociado a la IA y los centros de datos podría duplicarse en los próximos años, si no se aplican mejoras sustanciales en eficiencia energética o un cambio drástico hacia fuentes limpias.
Algunos números clave para entender el problema
| Concepto | Consumo estimado |
|---|---|
| Entrenamiento de GPT-3 | +1 GWh (energía de 12 hogares/año) |
| Respuesta de un chatbot IA | ~0,24 Wh por mensaje |
| Centro de datos de IA | Como una ciudad pequeña |
| Porcentaje de energía en refrigeración | Hasta 40% del total del centro |
| Emisiones de carbono | Proporcionales a la matriz eléctrica utilizada |
¿Es sostenible seguir escalando la IA así?
Esta es la gran pregunta. Porque mientras más grandes y potentes son los modelos, más recursos necesitan. A medida que se vuelve más accesible y se integra en más servicios (educación, salud, transporte, entretenimiento), su huella energética también crece.
Desde nuestro punto de vista, no se trata de frenar la IA, sino de repensar cómo la desarrollamos y usamos. Las soluciones pueden venir desde varias direcciones:
- Diseñar modelos más eficientes, que logren resultados similares con menos datos y menos cómputo.
- Optimizar la infraestructura de centros de datos, con mejoras en refrigeración y arquitectura.
- Migrar a energías renovables y a redes eléctricas más limpias.
- Aplicar la IA con criterio, evitando el uso innecesario o puramente experimental que no aporta valor real.
¿Y qué podemos hacer como usuarios?
Tal vez no seamos nosotros quienes diseñamos estos modelos ni quienes construyen centros de datos, pero como usuarios también tenemos un rol. Cada vez que usamos una IA, podemos preguntarnos: ¿es necesario? ¿lo estoy usando con intención o por curiosidad pasajera?
Del mismo modo que aprendimos a ser conscientes con el uso del agua o de los plásticos, podemos incorporar una cultura de consumo tecnológico responsable.
En resumen, la inteligencia artificial consume tanta electricidad por una combinación de factores: procesos computacionales intensivos, infraestructura de alto consumo, necesidades de refrigeración, y un uso cada vez más masivo y cotidiano. Todo eso tiene consecuencias reales sobre el planeta, tanto en emisiones como en recursos naturales.
Desde Intelarter, creemos que la clave está en seguir investigando, sí, pero también en desarrollar tecnologías que sean más eficientes y sostenibles desde el diseño. Y como sociedad, acompañar esa transformación con decisiones responsables.
