Contenido
- Resumen en 30 segundos: las ocho cifras que importan
- Por qué las cuentas no encajan: cinco parámetros que nadie establece
- Cuánta electricidad consumen los centros de datos
- Cuánto demanda una única petición
- El agua: tres grifos distintos
- Entrenamiento frente a inferencia: dónde está el coste real
- El inconveniente no es general, sino local
- Qué reduce el impacto de verdad
- Cómo auditar cualquier titular sobre consumo de IA
- Lo que todavía no sabemos
- Preguntas frecuentes
- Enfoque y alcance de este texto
- Referencias
Los cálculos difundidos acerca del gasto energético que demanda una única petición a un sistema de inteligencia artificial oscilan enormemente, abarcando desde 0,24 vatios-hora hasta prácticamente 30, lo cual abarca más de tres órdenes de magnitud. Esto no ocurre porque existan falsedades o certezas absolutas, sino debido a que los parámetros evaluados varían por completo. Este texto analiza minuciosamente, apoyándose en investigaciones originales y validadas por la comunidad científica, el impacto real de la inteligencia artificial tanto en recursos hídricos como eléctricos, explicando además el motivo de la contradicción entre las estadísticas habituales y enseñando a interpretar críticamente cualquier noticia al respecto. Se incorporan las estadísticas globales aportadas por la Agencia Internacional de la Energía junto con el Lawrence Berkeley National Laboratory, los registros operativos obtenidos directamente de Google, la primera evaluación integral sobre el ciclo de vida de un sistema comercial como Mistral, y diversos estudios académicos dedicados a medir la huella de agua. Como cierre, se proporciona un repertorio bibliográfico dotado de DOI para facilitar la comprobación independiente de cada información.
Resumen en 30 segundos: las ocho cifras que importan
Si solo vas a leer una parte de este artículo, que sea esta tabla. Cada fila indica la fuente y el año, porque sin eso el número no significa nada.
| 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 resultan comparables entre sí, además de los cinco parámetros que conviene definir antes de contrastar cualquier dato.
• Las cifras agregadas de consumo eléctrico, con sus escenarios y sus intervalos de incertidumbre.
• 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 encajan: cinco parámetros que nadie establece
En julio de 2025 ocurrió algo revelador. Sam Altman, consejero delegado de OpenAI, publicó que una consulta media a ChatGPT consume 0,34 Wh y unos 0,32 mililitros de agua. Pocos días después, Mistral AI publicó la primera evaluación de ciclo de vida completo de un modelo comercial de lenguaje y cifró el agua de una respuesta de 400 tokens en 45 mililitros. Dos empresas del mismo sector, en el mismo mes, con una diferencia de más de cien veces en la misma magnitud.
Ninguna de las dos está necesariamente equivocada. Están midiendo cosas distintas, y ahí está el verdadero problema de este debate. Una revisión sistemática de 88 estudios revisados por pares publicada en Renewable and Sustainable Energy Reviews encontró que la energía por tarea en inferencia abarca más de tres órdenes de magnitud en la literatura científica, con la generación de imágenes consumiendo alrededor de 1.450 veces más que una tarea básica de clasificación de texto [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 inactiva; incorporando el sobrecoste del centro de datos (PUE); abarcando la fabricación del hardware | El resultado puede duplicarse o triplicarse |
| Agua: retirada o consumo | Volumen extraído de la cuenca en comparación con el agua evaporada de manera efectiva sin retorno | Se aprecian variaciones de un orden de magnitud |
| Alcance del agua | Directa mediante refrigeración, correspondiente al alcance 1; indirecta a través de la generación eléctrica, abarcando el alcance 2; incorporada en los semiconductores, catalogada en el alcance 3 | Normalmente, el alcance 2 rebasa al primero |
| Tipo de tarea | Consultas breves; respuestas extensas; procesos de razonamiento profundo; generación de imágenes; producción de vídeo | Se alcanzan multiplicadores de hasta ×1.450 de acuerdo con la revisión sistemática |
| Modelo y despliegue | Modelos compactos cuantizados frente a arquitecturas frontera; gestión de lotes masivos o peticiones individuales; condiciones climáticas y emplazamiento del data center | Diferencias de hasta ×65 entre modelos; variaciones de hasta ×100 motivadas por la planificación de las solicitudes |
A esto se añade un problema estructural de transparencia. Un trabajo publicado en Patterns en 2025 lo expone sin rodeos: los informes medioambientales de los operadores de centros de datos no distinguen entre cargas de IA y cargas que no lo son, de modo que la huella de la IA solo puede aproximarse a partir de métricas generales del centro de datos; y en muchos casos la información publicada no permite ni determinar el total de la compañía [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 | Planeta entero, la totalidad de los centros de datos | ≈485 TWh en 2025, 1,5 % | ≈945 TWh hacia 2030 (≈3 %); ≈1.200 TWh para 2035 | Escenario de referencia; la propia AIE recalca las dudas económicas generales y el ritmo de integración [3] |
| Lawrence Berkeley National Laboratory (2024) | Estados Unidos | 176 TWh (2023), 4,4 % | De 325 a 580 TWh en 2028 (6,7 %-12 %) | Promovido por el Departamento de Energía; el doce por ciento representa el límite superior y no una cifra estimada media |
| Chen et al., Communications Sustainability (2026) | A escala global, exclusivamente infraestructura de inteligencia artificial de las seis grandes tecnológicas | ≈118 TWh (2024) | 239-295 TWh en 2030 (cerca del 1 % global) | Fusiona revisión bibliográfica y simulación de supuestos [10] |
| Aczel et al. (2026) | Global, separando inteligencia artificial de otras cargas | 448 TWh (2025), IA cercana al 20 % | 945 TWh en 2030, IA alrededor del 40 % | Estudio recopilatorio [14] |
| Fan et al., Energy and Climate Change (2026) | Mundial, perspectiva temporal amplia | — | Entre 1.800 y 5.000 TWh para 2050 según el contexto socioeconómico | Esquema SSP; la amplitud del intervalo plasma la duda genuina y no discrepancias [8] |
| Turkay et al., PLOS One (2026) | Mundial, supuesto de inercia | — | Cerca del 30 % del consumo eléctrico global en 2050 | Hipótesis límite basada en la prolongación de pautas actuales, ajena a cálculos principales [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 ilustra ese desajuste: un modelo de dinámica de sistemas publicado en Sustainable Futures aplicado a Virginia del Norte —el mayor mercado de centros de datos del mundo, donde ya consumen alrededor del 25 % de la electricidad regional— encuentra que el margen de reserva previsto cae por debajo del nivel de referencia del 17,7 % en una ventana de tres a cinco años, y que la cuota de los centros de datos alcanzaría el 36 %-40 % del consumo regional en 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].
Ese cometido cobra relevancia por un par de motivos que van más allá de la simple cifra. Por un lado, el perímetro del sistema abarca tanto la energía del acelerador activo y el equipo principal como la potencia ociosa de los equipos y el gasto energético adicional del centro de datos; en otras palabras, se trata de una medición exhaustiva y no de una estimación favorable de GPU. Por otro lado, registra un descenso de 33 veces en energía y 44 veces en huella de carbono por consulta mediana en un solo año, logro derivado de la optimización del software y la adquisición de electricidad limpia. Por consiguiente, cualquier dato sobre el consumo por consulta previo a 2024 queda desfasado por múltiplos considerables.
| 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 moraleja práctica no aboga por el consumo escaso ni por el desmedido. Más bien, se deduce que la selección del modelo y su modalidad de servicio influyen mucho más que la mera decisión de implementar IA o prescindir de ella. Una investigación empírica centrada en H100 reveló que organizar temporalmente el flujo de solicitudes disminuye la energía requerida por cada consulta hasta cien veces, constatando además que el beneficio derivado de emplear precisión reducida surge únicamente en escenarios condicionados por la capacidad de cálculo [20]. Por otro lado, un análisis enfocado en 14 arquitecturas abiertas que oscilan entre 6.000 y 34.000 millones de parámetros determinó que escalar el tamaño incrementa notablemente el gasto energético sin aportar ganancias de exactitud equivalentes, evidenciando que, para numerosas labores, las opciones intermedias alcanzan o rebasan el rendimiento de las mayores con un coste energético notablemente inferior [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: tres grifos distintos
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 divergencia aclara por qué una red eléctrica de bajas emisiones carece automáticamente de un perfil hídrico reducido, aspecto que el estudio elaborado por Aczel et al. recalca de manera explícita [14]. Asimismo, esto esclarece una contradicción territorial: la energía hidroeléctrica, estandarte de la transición energética, desencadena un círculo vicioso donde los requerimientos hídricos y energéticos de los centros de procesamiento de datos tensionan infraestructuras que ya se encuentran vulneradas por 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 se trata de un fallo en ninguna de las dos labores, sino de que la primera calcula la retirada y la segunda la huella atribuida a cargas de IA. Todo texto que equipare ambas como si fueran idénticas magnitudes carece de rigor.
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 precio depende del uso, no de la fase de creación. Un sistema optimizado que se ejecute mil millones de veces a diario tiene un impacto mayor que uno ineficaz entrenado en una única ocasión.
• El cuello de botella se desplaza a la ingeniería de servicio. La cuantización, el volumen de lote, la programación de consultas y la selección del motor de inferencia consiguen recortar el gasto energético global hasta un 73 % en comparación con un ajuste 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 general, sino local
Si uno contempla exclusivamente las cifras macroscópicas, las consecuencias de la IA aparentan ser controlables. La dificultad radica en que los recursos materiales no se distribuyen equitativamente: Norteamérica, Europa Occidental y Asia-Pacífico concentran más del 90 % de la capacidad de cómputo proyectada[10], y al interior de dichos territorios el almacenamiento se vuelve a agrupar en unos cuantos 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 seguridad descenderá por debajo del límite crítico en un lustro; la participación alcanzará entre el 36 % y el 40 % hacia 2031 | Sustainable Futures (2026) [17] |
| Oregón, Virginia e Irlanda | Un índice de estrés eléctrico (PSI) que supera el valor de 0,25, lo cual señala una clara fragilidad en las redes de distribución zonales | Chen et al. (2026) [10] |
| Irlanda (EirGrid) y Dominion (EE. UU.) | Obstáculos para integrar la infraestructura emergente; al flexibilizar los estándares de estabilidad, la potencia utilizable se multiplica de 1,5 a 4,6 veces | Lin et al. (2023) [15] |
| São Paulo (Brasil) | Un impacto hídrico anual de 16,1 millones de metros cúbicos para aproximadamente 550 MW; superando el 46 % de agua virtual proveniente de fuentes hidroeléctricas vulnerables a períodos secos | Cambridge Prisms: Water (2026) [7] |
| Texas y Japón | Redes equilibradas con la capacidad de integrar el incremento de demanda sin sufrir tensiones equivalentes | Chen et al. (2026) [10] |
| 8 de 11 países africanos analizados | Gastan menos recursos hídricos por cada petición en comparación con el promedio global, debido a la menor huella del agua en su producción de energía; no obstante, las naciones con entornos áridos muestran cifras superiores | 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 reduce el impacto de verdad
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 |
|---|---|---|---|
| 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? ¿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? Evaluar la energía por consulta sin considerar la calidad de la respuesta obtenida impide realizar comparaciones justas. Por esta razón, se sugiere el uso de indicadores compuestos como el AI Energy Score, los cuales miden el nivel de razonamiento alcanzado por cada unidad de energía empleada [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 reportes ecológicos, obstaculizando 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 está sin resolver. Se ha propuesto un marco híbrido que asigne la huella operativa a los Estados anfitriones y los impactos incorporados y de servicio a los Estados consumidores, pero no existe acuerdo [24].
Preguntas frecuentes
¿Cuánta energía consume una consulta a ChatGPT o a 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 cierto que la inteligencia artificial gasta demasiada 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], mientras que diversos cálculos documentados sitúan la huella de carbono de la fase operativa en veinticinco veces la generada durante el entrenamiento inicial [18]. Tomando como referencia el caso analizado de Mistral Large 2, tanto la fase de entrenamiento como la de inferencia aglutinan de forma conjunta el 91 % del consumo de agua y el 85,5 % de las emisiones de gases de efecto invernadero.
¿Cuál es la proporción de electricidad global que demanda la inteligencia artificial?
En conjunto, las instalaciones de servidores demandaron alrededor de 485 TWh durante 2025, lo que equivale más o menos al 1,5 % de la energía eléctrica a nivel global, y de esa cifra cerca de 155 TWh recayeron en centros enfocados en inteligencia artificial. Dicho de otro modo, la IA ronda el 0,5 % del consumo eléctrico mundial. Hacia 2030, la AIE prevé que el gasto energético total de estas infraestructuras alcance aproximadamente 945 TWh, lo que significará cerca del 3 %, con una mayor cuota de protagonismo por parte de la inteligencia artificial.
¿Las mejoras de eficiencia resuelven el problema?
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, 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 ejecute el cometido de manera eficiente en vez de la alternativa más avanzada[21]; consolidar los requerimientos en lotes y organizar su emisión en lugar de lanzarlos de forma individual [20]; escoger la localización y el proveedor basándose en la huella de carbono y la escasez hídrica local, y no únicamente atendiendo a la velocidad de respuesta y la tarifa [25]; así como demandar al suministrador métricas de consumo hídrico y eléctrico por cada petición mediante procedimientos transparentes, evitando métricas globales.
Enfoque y alcance de este texto
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 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? (serie basada en datos 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.






