Contenido
- Resumen en 30 segundos: las ocho cifras clave
- 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 mitiga realmente el impacto
- 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 clave
Si únicamente vas a ojear una sección de este texto, asegúrate de que sea esta tabla. Cada hilera especifica la procedencia y la fecha, pues careciendo de estos datos la cifra pierde todo su sentido.
| 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 resultan comparables entre sí, además de los cinco parámetros que conviene definir antes de contrastar cualquier dato.
- Los datos consolidados de gasto energético, acompañados de sus respectivos contextos y márgenes de variación.
• 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 disminuyen el impacto de manera real, 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 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 los datos resultan más fiables, dado que se apoyan en fuentes institucionales con metodologías transparentes. La Agencia Internacional de la Energía (AIE) encabeza estas estimaciones: en su reporte Energy and AI, publicado en abril de 2025, calculó que la demanda mundial de los centros de datos rondará los 945 TWh en 2030, una cifra semejante al gasto eléctrico de todo Japón en un año. Asimismo, su publicación Electricity 2026 fija el arranque de 2025 cerca de los 485 TWh, lo que equivale al 1,5 % de la demanda global de electricidad, de los cuales aproximadamente 155 TWh se destinan a infraestructuras centradas en la IA.
| Fuente | Ámbito | Cifra actual | Proyección | Nota metodológica |
|---|---|---|---|---|
| AIE, Electricity 2026 / Energy and AI | Planetharis, la totalidad de los centros de procesamiento de datos | aprox. 485 TWh (2025), 1,5 % | aprox. 945 TWh hacia 2030 (aprox. 3 %); aprox. 1.200 TWh en 2035 | Escenario de referencia; la propia AIE recalca las dudas macroeconómicas y de implantación [3] |
| Lawrence Berkeley National Laboratory (2024) | Estados Unidos | 176 TWh (2023), 4,4 % | 325-580 TWh en 2028 (6,7 %-12 %) | Estudio solicitado por el Departamento de Energía; el 12 % representa el límite superior, quedando descartado como cálculo principal |
| Chen et al., Communications Sustainability (2026) | Planetharis, únicamente la infraestructura de inteligencia artificial de las seis grandes empresas tecnológicas | aprox. 118 TWh (2024) | 239-295 TWh en 2030 (aprox. 1 % global) | Fusiona la revisión bibliográfica junto con la simulación de supuestos [10] |
| Aczel et al. (2026) | Planetharis, separando inteligencia artificial de otras cargas | 448 TWh (2025), inteligencia artificial aprox. 20 % | 945 TWh para 2030, inteligencia artificial aprox. 40 % | Documento resumen [14] |
| Fan et al., Energy and Climate Change (2026) | Planetharis, perspectiva a largo plazo | — | 1.800-5.000 TWh en 2050 dependiendo del contexto socioeconómico | Esquema SSP; este intervalo evidencia una variación genuina, descartando discrepancias [8] |
| Turkay et al., PLOS One (2026) | Planetharis, proyección tendencial | — | Cerca del 30 % del consumo eléctrico global en 2050 | Suposición límite basada en la prolongación de patrones vigentes, descartando que sea un cálculo principal [12] |
Se pueden extraer dos lecturas compatibles de esta tabla. Por un lado, a escala global, la inteligencia artificial representa todavía un porcentaje reducido de la red eléctrica global —aproximadamente el 0,5 % en la actualidad, con proyección de alcanzar entre el 1 % y el 1,2 % hacia 2030, basándose en la previsión más prudente [10]—. Por otro lado, la velocidad de expansión carece de antecedentes recientes dentro del sector eléctrico, dándose la circunstancia de que las redes de suministro requieren márgenes de siete a diez años para su planificación, al tiempo que un centro de datos se levanta en un período de dos.
Un dato que refleja dicha discrepancia: una simulación de dinámica de sistemas dada a conocer en Sustainable Futures centrada en Virginia del Norte —el núcleo mundial de centros de datos, donde estos ya absorben cerca del 25 % de la energía eléctrica local— revela que la reserva proyectada descenderá por debajo del umbral aconsejado del 17,7 % en un plazo de tres a cinco años, y que la proporción destinada a estas instalaciones llegará al 36 %-40 % del gasto energético de la zona para 2031 [17].
Cuánto demanda una única petición
Esta es la cifra que más circula y la menos fiable. Durante años las estimaciones se construyeron desde fuera, con supuestos sobre hardware y utilización. En agosto de 2025 se publicó la primera medición en un entorno de producción real: Google instrumentó la infraestructura que sirve a Gemini y cifró la consulta de texto mediana en 0,24 Wh de energía y 0,26 ml de agua, el equivalente a ver nueve segundos de televisión y a cinco gotas de agua [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 | 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 descubrimiento inesperado que resulta útil tener presente: durante un análisis multilingüe enfocado en NVIDIA H200 que superó las 5.100 pruebas, el consumo energético llegó a multiplicarse por tres entre arquitecturas con idénticas demandas de trabajo, el vínculo entre el gasto de energía y la eficacia lógica demostró ser escaso (ρ de Spearman = 0,109; p = 0,386), mientras que el idioma de la consulta se comportó como un parámetro medible de despliegue: las lenguas romances gastaron en promedio menor cantidad de energía que el inglés en diversos modelos [5].
El agua: tres grifos distintos
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 el interior de las torres de refrigeración del centro de datos. Se trata del volumen que suele acaparar los titulares y el único sobre el cual el operador ejerce un control directo.
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 distinción explica por qué una red eléctrica baja en carbono no es automáticamente baja en agua, un punto que el informe de Aczel et al. subraya expresamente [14]. Y explica también una paradoja geográfica: la hidroelectricidad, bandera de la descarbonización, genera un bucle de realimentación en el que la demanda del centro de datos presiona sistemas de agua y energía ya comprometidos por el cambio climático [7].
| Estimación | Ámbito y año | Magnitud | Qué mide exactamente |
|---|---|---|---|
| Li et al. (2023), recogido por Barnett-Itzhaki (2026) | Mundial, IA, 2027 | 4.200-6.600 millones de m³/año | Retirada de agua, no consumo neto [2] |
| Patterns (2025) | Mundial, solo cargas de IA, 2025 | 312.500-764.600 millones de litros (0,31-0,76 miles de millones de m³) | Huella aproximada por métricas generales de centro de datos [1] |
| Nature Sustainability (2025) | Estados Unidos, servidores de IA, 2024-2030 | 731-1.125 millones de m³/año | Huella hídrica anual, con horquilla por escala de despliegue [6] |
| Entrenamiento de un modelo de clase GPT-3 | Un modelo, ciclo completo | ≈1,3 GWh y ≈5,4 millones de litros | Datos de ciclo de vida recogidos en revisión jurídico-técnica [24] |
| Mistral Large 2 (2025) | Un modelo, entrenamiento + 18 meses de uso | 20,4 ktCO₂e y 281.000 m³ de agua | Análisis de ciclo de vida; el 91 % del agua corresponde a entrenamiento e inferencia |
| Serie de modelos de 20M a 13.000M de parámetros (2025) | Desarrollo completo de una familia de modelos | 493 t de CO₂ y 2,769 millones de litros | Incluye fabricación de hardware y desarrollo; el desarrollo supuso ≈50 % del impacto del entrenamiento final [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 tiene tres consecuencias que cambian la conversación:
- 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, 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].
• Aparece el efecto rebote. La paradoja de Jevons se documenta explícitamente en esta literatura: las mejoras de eficiencia abaratan el servicio y aumentan la demanda total [18]. Jegham et al. lo formulan como «una paradoja creciente: a medida que la IA se vuelve más barata y más rápida, la adopción global impulsa un consumo de recursos desproporcionado» [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 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] |
Conviene prestar atención al último renglón debido a que desafía el sentido común. El rastro de una petición idéntica cambia notablemente dependiendo del territorio en que se realice, y no siempre en el sentido previsible. El emplazamiento del centro de datos y la arquitectura de su climatización condicionan la huella ecológica tanto como la eficiencia del hardware[25].
Qué mitiga realmente el impacto
Esta es la sección de la literatura menos mencionada en los medios, aunque resulta la más práctica. Las cifras ya han sido medidas:
| Palanca | Reducción documentada | Límite práctico | Fuente |
|---|---|---|---|
| Organización cronológica en la recepción de solicitudes | Hasta ×100 de energía por cada solicitud | Demanda gestión del flujo de tráfico; afecta negativamente la latencia | [20] |
| Paquete de mejoras para la inferencia (cuantificación, procesamiento por lotes, motor) | Hasta un 73 % de la energía global | Muy dependiente del hardware y de las características de la carga | [4] |
| Seleccionar un modelo intermedio en vez de uno grande | Capacidad equivalente o superior con un gasto energético muy inferior en múltiples funciones | Sujeto al tipo de tarea; no aplica universalmente | [21] |
| Estrategias óptimas integradas en centros de datos de inteligencia artificial (EE. UU.) | Hasta un 73 % en emisiones y un 86 % en consumo hídrico | Restringido por las redes energéticas actuales | [6] |
| Sistemas de climatización avanzados (refrigeración líquida directa) | Hasta el 50 % de la energía destinada a la climatización | Demanda una remodelación de las instalaciones | [25] |
| Emplazamiento en zonas con baja huella ecológica y seguridad hídrica | Aproximadamente la mitad del impacto combinado | Entra en conflicto con los requisitos de red y latencia | [25] |
| Integración con plantas depuradoras: uso de agua regenerada para climatización y aprovechamiento térmico para la planta | ≈84 Mt CO₂e/año, ≈1.300 millones de m³ de agua potable y un beneficio neto anual de ≈95.400 millones de dólares | Exige proximidad geográfica; mayor viabilidad en EE. UU., Japón, China, Países Bajos y Reino Unido | [9] |
| Desvío de tráfico según la huella de carbono y sistemas de refrigeración líquida | Entre un 40 % y un 60 % de disminución del impacto | Soluciones viables y económicas hoy en día, aunque con baja implantación | [24] |
El trabajo sobre simbiosis entre centros de datos y depuradoras merece mención aparte por su escala: construye una geobase de más de 4.775 centros de datos y 57.547 depuradoras municipales en 98 países, y halla una fuerte coocurrencia espacial entre ambos tipos de instalación que permitiría emparejamientos optimizados a escala nacional [9]. Hablamos de una clase de solución que prescinde de cualquier avance tecnológico futuro, basándose exclusivamente en una correcta planificación.
El contrapunto es igual de importante: el análisis de Nature Sustainability concluye que, aun aplicando las mejores prácticas, el sector de servidores de IA difícilmente alcanzará sus objetivos de cero neto en 2030 sin recurrir a mecanismos de compensación de carbono y de restauración hídrica de efectividad muy incierta[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? Valorar la energía consumida por cada consulta sin especificar la calidad del resultado obtenido impide establecer comparaciones justas. Por esta razón se sugiere el uso de indicadores compuestos como AI Energy Score, capaces de reflejar la eficiencia del razonamiento 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 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 informes ambientales, lo que impide atribuir impactos con precisión [1].
- Los registros municipales sobre el uso del agua casi nunca se divulgan de forma abierta. Las administraciones municipales y las compañías suministradoras no siempre los ponen a disposición de la ciudadanía, por lo cual resulta indispensable pedirlos mediante los mecanismos de acceso a la información [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 gasta una consulta realizada en ChatGPT o 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?
Dependiendo del enfoque adoptado, las estimaciones cambian notablemente. Para una solicitud individual, los registros oscilan entre los 0,26 ml reportados por Gemini en entornos reales y los 45 ml calculados por Le Chat mediante un análisis del ciclo de vida abarcando 400 tokens. Globalmente, las estimaciones para la inteligencia artificial a escala planetaria se sitúan entre 0,31 y 0,76 mil millones de metros cúbicos para 2025, tal como indica Patterns[1], mientras que Li et al. proyectan extracciones anuales de entre 4.200 y 6.600 millones de metros cúbicos para 2027 [2]. El contraste fundamental no radica tanto en la magnitud material como en los criterios conceptuales empleados: extracción versus consumo, además del alcance directo frente al 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 en la bibliografía especializada indican que la huella de carbono generada durante la fase operativa multiplica por 25 la del entrenamiento inicial [18]. Si se analiza el caso concreto de Mistral Large 2, el 91 % del agua consumida y el 85,5 % de las emisiones de gases de efecto invernadero provienen, de forma combinada, de ambas etapas de entrenamiento e inferencia.
¿Cuál es la proporción de electricidad global que demanda la inteligencia artificial?
Globalmente, las infraestructuras de procesamiento de datos requirieron cerca de 485 TWh durante 2025, lo que representa aproximadamente el 1,5 % de la demanda energética global; de esta cifra, cerca de 155 TWh estuvieron vinculados a complejos dedicados a la inteligencia artificial. En otras palabras, la IA ronda el 0,5 % del consumo eléctrico mundial. Las estimaciones de la AIE apuntan a que el conjunto de estos centros alcanzará los 945 TWh hacia 2030, abarcando casi el 3 %, mientras la inteligencia artificial incrementa su protagonismo dentro de dicha cifra.
¿Las optimizaciones de eficiencia solucionan la dificultad?
Solo de manera parcial. Las simulaciones predictivas revelan que, a pesar de que el rendimiento operativo aumenta de manera notable, el consumo total se multiplica cerca de diez veces debido al incremento en la frecuencia de utilización [12]. Hablamos del efecto rebote o paradoja de Jevons, un fenómeno registrado formalmente en estos estudios [18]. Aquellos panoramas que consiguen abatir más gases contaminantes unifican una menor cantidad de arquitecturas junto con una migración hacia energía eléctrica limpia, rebasando por más de veinte puntos porcentuales el impacto que genera la optimización aislada [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].
¿De qué manera puede una compañía que emplea inteligencia artificial disminuir su impacto 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:
- Las cifras de 2030 y los años siguientes se plantean como escenarios, y no como simples previsiones. La mención de horquillas amplias responde a una incertidumbre auténtica que aparece cuantificada en la fuente original, y no a discrepancias entre los especialistas.
• Las declaraciones corporativas que carecen de una metodología publicada se señalan explícitamente y no se consideran equivalentes a las mediciones instrumentadas ni a los análisis de ciclo de vida evaluados.
- El sector avanza a un ritmo frenético: el salto de 33 veces registrado por Google a lo largo de un año significa que cualquier dato por consulta requiere acotar su vigencia. Este texto recoge los datos accesibles al 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.
