Contenido
- Resumen en 30 segundos: las ocho cifras que importan
- Por qué las cifras 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
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) |
Lo que vas a encontrar en este 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 está hoy el coste 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, consejero delegado de OpenAI, dio a conocer que una petición promedio dirigida a ChatGPT requiere 0,34 Wh y cerca de 0,32 mililitros de agua. Poco después, Mistral AI dio a conocer el primer análisis de ciclo de vida integral sobre un modelo lingüístico comercial y cifró el agua de una respuesta de 400 tokens en 45 mililitros. Dos compañías del mismo ámbito, durante el mismo mes, con una disparidad superior a cien veces en idéntica métrica.
Ninguna de las dos posturas resulta necesariamente errónea. Evalúan aspectos diferentes, y ese es justamente el trasfondo de esta discusión. Una revisión sistemática compuesta por 88 investigaciones evaluadas por expertos y difundida en Renewable and Sustainable Energy Reviews reveló que el gasto energético por tarea durante la inferencia abarca más de tres órdenes de magnitud en los trabajos científicos; en este sentido, producir imágenes demanda aproximadamente 1.450 veces más recursos que una operación elemental de clasificación de textos [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 son más sólidas, porque existen fuentes institucionales con metodología publicada. La Agencia Internacional de la Energía (AIE) es la referencia central: su informe Energy and AI de abril de 2025 proyectó un consumo global de centros de datos de unos 945 TWh en 2030, comparable al consumo eléctrico anual de Japón, y su serie Electricity 2026 sitúa el punto de partida de 2025 en torno a 485 TWh, es decir un 1,5 % de la electricidad mundial, de los cuales unos 155 TWh corresponden a instalaciones orientadas a IA.
| Fuente | Ámbito | Cifra actual | Proyección | Nota metodológica |
|---|---|---|---|---|
| AIE, Electricity 2026 / Energy and AI | Mundial, todos los centros de datos | ≈485 TWh (2025), 1,5 % | ≈945 TWh en 2030 (≈3 %); ≈1.200 TWh en 2035 | Escenario base; la propia AIE subraya la incertidumbre macroeconómica y de adopción [3] |
| Lawrence Berkeley National Laboratory (2024) | Estados Unidos | 176 TWh (2023), 4,4 % | 325-580 TWh en 2028 (6,7 %-12 %) | Encargado por el Departamento de Energía; el 12 % es el extremo alto, no una estimación central |
| Chen et al., Communications Sustainability (2026) | Mundial, solo infraestructura de IA de las seis grandes tecnológicas | ≈118 TWh (2024) | 239-295 TWh en 2030 (≈1 % mundial) | Combina análisis documental con modelización de escenarios [10] |
| Aczel et al. (2026) | Mundial, con desglose IA / no IA | 448 TWh (2025), IA ≈20 % | 945 TWh en 2030, IA ≈40 % | Informe de síntesis [14] |
| Fan et al., Energy and Climate Change (2026) | Mundial, horizonte largo | — | 1.800-5.000 TWh en 2050 según escenario socioeconómico | Marco SSP; el rango refleja incertidumbre real, no desacuerdo [8] |
| Turkay et al., PLOS One (2026) | Mundial, escenario de continuidad | — | Hasta el 30 % de la demanda eléctrica mundial en 2050 | Escenario extremo de continuidad de tendencias, no previsión central [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 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 | 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 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 hallazgo contraintuitivo que conviene conocer: en una evaluación multilingüe sobre NVIDIA H200 con más de 5.100 ejecuciones, la energía varió hasta el triple entre modelos con cargas idénticas, la correlación entre gasto energético y rendimiento en razonamiento resultó débil (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 consumieron de media menos energía que el inglés en varios modelos [5].
El agua: un trío de grifos diferentes
El agua es donde más se confunde el debate público, y la razón es sencilla: hay tres flujos distintos y casi nunca se dice cuál se está contando.
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). Aquella empleada en producir la electricidad que abastece las instalaciones informáticas: refrigeración en plantas térmicas y atómicas, además de la evaporación en pantanos hidroeléctricos. Habitualmente supera a la directa. Dentro del clúster de São Paulo, el cual cuenta con una capacidad de cálculo cercana a los 550 MW y un gasto hídrico anual calculado en 16,1 millones de m³, más del 46 % corresponde a «agua virtual» gastada durante la producción 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 la medición exacta |
|---|---|---|---|
| Li et al. (2023), citado por Barnett-Itzhaki (2026) | Global, IA, 2027 | 4.200-6.600 millones de m³/año | Extracción de recursos hídricos, prescindiendo del consumo neto [2] |
| Patterns (2025) | A escala global, únicamente 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 aplicados a centros de datos [1] |
| Nature Sustainability (2025) | Estados Unidos, infraestructura de servidores de inteligencia artificial, 2024-2030 | 731-1.125 millones de m³/año | Consumo hídrico anual, abarcando un rango según el nivel de implementación [6] |
| Entrenamiento de un modelo tipo GPT-3 | Un modelo individual, proceso íntegro | ≈1,3 GWh y ≈5,4 millones de litros | Registros del ciclo vital recopilados en una auditoría legal y técnica [24] |
| Mistral Large 2 (2025) | Una unidad, fase de aprendizaje sumada a año y medio de funcionamiento | 20,4 ktCO₂e y 281.000 m³ de agua | Evaluación de ciclo vital; el 91 % del recurso hídrico se vincula al entrenamiento y la inferencia |
| Gama de modelos desde 20M hasta 13.000M de parámetros (2025) | Creación integral de una familia de sistemas | 493 t de CO₂ y 2,769 millones de litros | Comprende la producción de componentes y la investigación; la creación supuso casi el 50 % 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 ubicación cuenta más que la cantidad total sumada. Dos terceras partes de las recientes instalaciones de procesamiento de datos en Estados Unidos se ubican en áreas que padecen escasez de agua [18], mientras que una investigación difundida 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, una explotación desmedida acompañada de alzas en las tarifas, la reducción del margen de maniobra en la gestión del agua, y una mayor demanda hídrica impulsada por el crecimiento del consumo eléctrico [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. 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].
Hay además un detalle de ingeniería eléctrica poco conocido y relevante para la planificación de red: el consumo durante el entrenamiento no es constante. Una medición detallada con series temporales encontró oscilaciones entre el 15 % y el 85 % del consumo máximo del hardware, con implicaciones negativas para la planificación a escala de 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 es la parte de la literatura menos citada en prensa y la más útil. Las magnitudes están cuantificadas:
| Palanca | Reducción documentada | Límite práctico | Fuente |
|---|---|---|---|
| Estructuración temporal de la llegada de peticiones | Hasta ×100 en energía por petición | Requiere control del patrón de tráfico; penaliza latencia | [20] |
| Conjunto de optimizaciones de inferencia (cuantización, lotes, motor) | Hasta 73 % de la energía total | Muy sensible a la geometría de la carga y al hardware | [4] |
| Elegir modelo mediano en lugar de grande | Rendimiento igual o superior con mucha menos energía en varias tareas | Depende de la tarea; no vale para todo | [21] |
| Buenas prácticas combinadas en servidores de IA (EE. UU.) | Hasta 73 % en emisiones y 86 % en huella hídrica | Limitado por la infraestructura energética actual | [6] |
| Refrigeración avanzada (líquida directa) | Hasta 50 % de la energía de refrigeración | Requiere rediseño de instalación | [25] |
| Ubicación en regiones de baja huella de carbono y seguras en agua | Cerca de la mitad de la huella combinada | Choca con restricciones de latencia y de red | [25] |
| Simbiosis con depuradoras: efluente tratado para refrigerar y calor de retorno para la depuradora | ≈84 Mt CO₂e/año, ≈1.300 millones de m³ de agua dulce y ≈95.400 millones de dólares de ahorro anual neto | Requiere coubicación; mayor potencial en EE. UU., Japón, China, Países Bajos y Reino Unido | [9] |
| Enrutamiento según intensidad de carbono y refrigeración líquida | 40 %-60 % de reducción de impacto | Disponibles y asequibles hoy, pero poco desplegadas | [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? ¿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 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 hay mediciones de extremo a extremo revisadas por pares de los modelos de razonamiento ni de la IA agéntica. La revisión sistemática de 88 estudios lo señala expresamente: son una modalidad emergente sin mediciones completas publicadas [3]. Dado que estos sistemas generan muchos más tokens por tarea, es probablemente la laguna más relevante hoy.
• 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, lo que obstaculiza la asignación precisa de los impactos [1].
• Los datos locales de consumo de agua rara vez son públicos. Los gobiernos locales y las empresas de servicios no siempre los facilitan, de modo que hace falta solicitarlos por vía de transparencia [13].
• La atribución transfronteriza sigue sin resolverse. Se ha planteado un esquema híbrido capaz de asignar la huella operativa a las naciones anfitriones, mientras que los impactos incorporados y de servicio recaen en las consumidoras, si bien todavía no se alcanza un consenso [24].
Preguntas frecuentes
¿Cuánta energía consume una consulta a ChatGPT o a Gemini?
La única medición instrumentada en un entorno de producción disponible es la de Google para Gemini: 0,24 Wh de energía y 0,26 ml de agua para la consulta de texto mediana, con una frontera de sistema que incluye acelerador, servidor anfitrión, capacidad inactiva y sobrecoste del centro de datos [23]. OpenAI ha declarado 0,34 Wh y unos 0,32 ml para ChatGPT, sin publicar metodología. Para consultas largas y modelos intensivos, los estudios independientes miden hasta más de 29 Wh [11]. No existe una cifra única válida: depende del modelo, de la longitud de la respuesta y de cómo se sirva.
¿Es cierto que la inteligencia artificial gasta demasiada agua?
Depende de qué se cuente. Por consulta individual, las mediciones van de 0,26 ml (Gemini, medición en producción) a 45 ml (Le Chat, análisis de ciclo de vida de 400 tokens). En agregado, las proyecciones para la IA mundial se mueven entre 0,31-0,76 miles de millones de m³ en 2025 según Patterns[1] y 4.200-6.600 millones de m³ anuales de retirada en 2027 según Li et al. [2]. La diferencia principal no es de magnitud real sino de definición: retirada frente a consumo, y alcance directo frente a 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 en parte. Los modelos de escenarios muestran que, aunque la eficiencia por operación mejora de forma sustancial, la demanda agregada crece aproximadamente un orden de magnitud por el aumento del uso [12]. Es el efecto rebote o paradoja de Jevons, documentado explícitamente en esta literatura [18]. Los escenarios que más reducen emisiones combinan consolidación en menos modelos y mayores con transición a electricidad baja en carbono, superando en más de 20 puntos porcentuales lo que logra la eficiencia por sí sola [12].
¿Es capaz la energía renovable de satisfacer la demanda de la inteligencia artificial?
En principio sí, aunque con matices. Tras examinar sistemáticamente 88 investigaciones, se determina que esto resulta factible únicamente si se dinamiza la implantación, se transita del balance anual de energía limpia al emparejamiento horario —conocido como 24/7 carbon-free energy— y se implementan normativas ajustadas a cada región. Los mecanismos de adquisición energética difieren notablemente: la llamada «brecha de adicionalidad» separa los certificados desagregados de la sincronización horaria efectiva [3].
¿Cómo puede una organización emplear la inteligencia artificial para disminuir su huella ambiental?
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 elaborado a partir de bibliografía evaluada por expertos hallada mediante exploración semántica en repositorios científicos (Semantic Scholar, OpenAlex y PubMed por medio de Consensus), reforzada con tres clases de datos primarios no académicos: documentos oficiales de instituciones públicas (Agencia Internacional de la Energía, Lawrence Berkeley National Laboratory por encomienda del Departamento de Energía de Estados Unidos), estudios de ciclo vital editados por compañías con auditoría externa (Mistral AI junto a Carbone 4, ADEME, Resilio y Hubblo), y registros de rendimiento operativo dados a conocer 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 ámbito evoluciona vertiginosamente: el avance multiplicado por 33 que Google documentó en el transcurso de un año significa que cualquier métrica por solicitud requiere una datación exacta. Este texto refleja los datos accesibles a fecha de 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? (serie basada en datos 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.
