Cambie la electricidad generada a partir de carbón de un centro de datos por bioenergía y, en promedio, reducirá su huella de carbono en aproximadamente un 70 por ciento. Trabajo hecho, se podría pensar. Excepto que la huella hídrica de esa misma electricidad se multiplica por más de treinta y la tierra que necesita se multiplica por cien. El carbono baja. Casi todo lo demás sube. Ese incómodo intercambio está en el centro de un nuevo informe de la Universidad de las Naciones Unidas y está obligando a repensar lo que realmente significa “IA verde”.
El informe, del Instituto Universitario de las Naciones Unidas para el Agua, el Medio Ambiente y la Salud, es uno de los intentos más completos hasta ahora de calcular lo que la inteligencia artificial le cuesta al planeta. No sólo en carbono, la métrica que todos buscan, sino también en agua y tierra.
“Lo que más nos sorprendió es la frecuencia con la que las opciones que parecen más ecológicas desde la perspectiva del carbono terminan siendo peores para el agua o la tierra”, dice la Dra. Miriam Aczel, autora principal del informe. Es un punto engañosamente simple y resbaladizo. Las huellas de carbono, hídrica y terrestre no avanzan al mismo ritmo. Empuja uno hacia abajo y podrás empujar a otro hacia arriba, a menudo en otro lugar. La red de Brasil, dominada por la energía hidroeléctrica, funciona aproximadamente un 77 por ciento por debajo del promedio mundial de carbono; Sin embargo, sus huellas hídricas y terrestres son casi el triple de la media mundial.
Así que la alegre afirmación de la industria de que los centros de datos alimentados con energía renovable son limpios, ecológicos y sostenibles resulta ser, en el mejor de los casos, una verdad parcial. Una economía baja en carbono no significa automáticamente escasez de agua o tierra.
La escala del asunto es lo que hace que esas compensaciones importen. En 2025, los centros de datos del mundo consumieron aproximadamente 448 teravatios-hora de electricidad, lo que, si fueran un país, los ubicaría en el undécimo lugar del planeta, justo detrás de Francia y por delante de Arabia Saudita. Para 2030, esa cifra podría aproximadamente duplicarse a 945 TWh. La huella hídrica asociada en ese momento, unos 9,3 billones de litros, cubriría las necesidades domésticas básicas anuales de los 1.300 millones de personas del África subsahariana.
“Si seguimos juzgando la sostenibilidad de la IA únicamente por el carbono, podríamos pensar que las energías renovables limpian la infraestructura de la IA, pero eso es resolver un problema y al mismo tiempo crear otros problemas, a menudo en lugares que no lo solicitaron”, dice Aczel.
La punta del iceberg es la formación.
Aquí está la parte que ha estado escondida a plena vista. La mayor parte de la preocupación sobre el apetito energético de la IA se ha centrado en el entrenamiento, el proceso de construcción de un modelo como GPT-4, que requiere meses de consumo de GPU. Pero resulta que el entrenamiento es la punta del iceberg. Una vez que un modelo entra en funcionamiento, pasa a lo que los ingenieros llaman inferencia: la interminable tarea de responder a las indicaciones cotidianas, miles de millones de ellas, día tras día. Se estima que esa fase representa entre el 80 y el 90 por ciento del uso total de energía de la IA. Solo ChatGPT genera algo así como 2.500 millones de mensajes al día, lo que equivale aproximadamente a 383 gigavatios-hora al año para un solo producto. Y el costo por consulta es tremendamente desigual. Un chat típico es aproximadamente 200 veces más exigente que un filtro de spam básico; una imagen generada por IA, aproximadamente 1.450 veces; un solo vídeo corto puede coincidir con 200.000 de esas clasificaciones de spam.
Es por eso que el informe vuelve una y otra vez a una preocupación contraintuitiva: que mejorar en esto podría empeorar las cosas. La IA más barata, más rápida y más eficiente simplemente se utiliza cada vez más.
“Mucha gente piensa que la huella ambiental de la IA se reduce a medida que la tecnología mejora y los procesos se vuelven más eficientes”, afirma el profesor Kaveh Madani, director del instituto y director de la investigación. “Pero eso es sólo una imagen parcial del problema general”.
Es el efecto rebote, a veces llamado la paradoja de Jevons en honor al economista victoriano que observó que las máquinas de vapor más eficientes llevaban a Gran Bretaña a quemar más carbón, no menos. Madani expresa la versión moderna sin rodeos: una IA más eficiente y asequible significa un mayor consumo de IA, lo que hace que la huella general sea mucho mayor que lo que ahorramos a través de ganancias de eficiencia. Sin límites estrictos, tokens, resolución y longitud de salida predeterminada, los ahorros de cada optimización inteligente tienden a evaporarse bajo el gran volumen de uso. Incluso algo tan pequeño como la cortesía con la que expresas un mensaje mueve el dial; El informe calcula que un modo de respuesta conciso que reduzca los tokens en aproximadamente un 30 por ciento podría ahorrar entre 87 y 98 GWh de electricidad al año, aproximadamente el uso de energía residencial de tres cuartos de millón de personas en el África subsahariana.
Costos locales, beneficios lejanos
Sin embargo, las cargas no recaen donde caen los beneficios. Ésa es quizás la ventaja más aguda del informe.
En Irlanda, los centros de datos consumieron el 21 por ciento de toda la electricidad medida en 2023, más que todos los hogares urbanos juntos, y el operador de la red ha congelado nuevas conexiones alrededor de Dublín hasta 2028. En Querétaro, México, y en Uruguay, asolado por la sequía, nuevas instalaciones sedientas han recurrido a suministros de agua que ya eran escasos para la población local.
“Y las comunidades que viven cerca de estos sitios no son necesariamente las que utilizan la IA que se ejecuta allí”, dice el Dr. Mir Matin, que dirige el programa de análisis geoespacial del instituto. “Esa asimetría es el problema. Si no la arreglamos, simplemente estaremos repitiendo patrones más antiguos, donde algunos lugares cargan con los costos y otros capturan los beneficios”.
La geografía de quién construye la IA es igualmente desigual. Sólo 32 países albergan los centros de datos especializados en los que se ejecuta la IA fronteriza, y más del 90 por ciento de esa capacidad se encuentra en sólo dos de ellos, Estados Unidos y China. Más de 150 países prácticamente no tienen ningún cálculo soberano, pero muchos todavía suministran los minerales críticos extraídos para el hardware de IA y heredan los desechos electrónicos en el otro extremo, hasta 2,5 millones de toneladas al año para 2030, el equivalente a tirar a la basura unas 250 Torres Eiffel. “La IA ciertamente puede promover la prosperidad y el bienestar humano”, dice el profesor Tshilidzi Marwala, rector de la universidad y subsecretario general de la ONU. “Que lo haga de manera equitativa es ahora una cuestión de gobernanza, no técnica”.
Nada de esto, se esfuerzan en subrayar los autores, es un argumento contra la IA. Madani llama al informe un llamado a utilizar la tecnología de manera responsable en lugar de un argumento en su contra, y señala una ventana estrecha en la que la columna vertebral de esta revolución tecnológica aún podría orientarse para desarrollarse dentro de los límites planetarios. La solución que proponen es mundana y, en cierto modo, tranquilizadora: medir las tres huellas, no sólo la de carbono; mostrar a los usuarios el costo de sus elecciones; Trate el lugar donde se construye un centro de datos como la decisión ambiental que claramente es. Detrás de cada mensaje, imagen y video, como dice Madani, se esconde una creciente infraestructura de energía, agua, tierra, minerales y desechos, profundamente física para algo que a menudo se describe como ingrávido.
En otras palabras, la huella no es fija. Depende de cuánto usemos estos sistemas, para qué los usemos y, fundamentalmente, dónde. Si se toman esas decisiones correctamente mientras la ventana aún está abierta, la próxima década de IA no tendrá por qué escribirse en depósitos drenados y en basura exportada.
DOI: 10.53328/INR26RMA002
Preguntas frecuentes
¿Por qué un centro de datos con bajas emisiones de carbono no es automáticamente ecológico?
Porque las huellas de carbono, hídrica y terrestre no van juntas. Una red que funcione con energía hidroeléctrica o bioenergía puede reducir drásticamente las emisiones de carbono y al mismo tiempo utilizar mucha más agua y tierra por unidad de electricidad, a veces en factores de treinta o cien. Por lo tanto, juzgar la sostenibilidad de la IA únicamente basándose en el carbono puede ocultar dónde está recayendo la verdadera carga, a menudo en regiones que ya tienen escasez de agua.
¿Es cierto que ejecutar IA consume más energía que entrenarla?
Para la mayoría de los modelos implementados, sí. Entrenar un modelo de frontera requiere una enorme cantidad de energía, pero sucede una vez; responder a las indicaciones cotidianas ocurre miles de millones de veces al día. Se estima que esa fase de “inferencia” en curso representa entre el 80 y el 90 por ciento del uso total de energía de la IA, razón por la cual el informe sostiene que la atención debería pasar de las carreras de entrenamiento más grandes a los valores predeterminados incorporados en los productos cotidianos.
¿Cómo puede hacer que la IA sea más eficiente y termine aumentando su huella?
Es una versión de la paradoja de Jevons: cuando algo se vuelve más barato y más rápido, la gente lo usa mucho más. Las ganancias de eficiencia por consulta son absorbidas por el puro crecimiento en volumen, por lo que el uso total de energía, agua y suelo puede seguir aumentando. El informe sostiene que la eficiencia sólo ayuda si va acompañada de límites estrictos en cosas como tokens, resolución y longitud de salida.
¿El tipo de mensaje que escribo realmente cambia el impacto ambiental de la IA?
A una escala de miles de millones de consultas diarias, sorprendentemente, sí. El informe estima que un modo de respuesta conciso que reduzca la producción en aproximadamente un 30 por ciento podría ahorrar entre 87 y 98 gigavatios-hora de electricidad al año. La brecha de energía entre tareas es aún más marcada: una sola imagen de IA puede costar más de mil veces más que una simple clasificación de texto, y un video corto mucho más.
¿Qué lugares conllevan el coste de la IA que tal vez nunca utilicen?
A menudo, comunidades cercanas a los centros de datos y en los extremos de la cadena de suministro. La red de Irlanda ya está bajo presión debido a la demanda de centros de datos, mientras que las instalaciones en México y Uruguay han consumido agua escasa, y muchos países que albergan minería o heredan desechos electrónicos captan poco de los beneficios de la IA. Con más del 90 por ciento de la computación especializada concentrada en dos países, el informe enmarca este desequilibrio como un desafío de gobernanza más que técnico.
Nota rápida antes de seguir leyendo.
ScienceBlog.com no tiene muros de pago, ni contenido patrocinado, ni ningún objetivo más allá de hacer la ciencia correcta. Cada historia aquí está escrita para informar, no para impresionar a un anunciante o promover un punto de vista.
El buen periodismo científico requiere tiempo: leer los artículos, comprobar las afirmaciones, encontrar investigadores que puedan poner los hallazgos en contexto. Hacemos ese trabajo porque creemos que es importante.
Si encuentra útil este sitio, considere apoyarlo con una donación. Incluso unos pocos dólares al mes ayudan a mantener la cobertura independiente y gratuita para todos.