IA Verde: Claves para una revolución sostenible

El crecimiento de la IA y su infraestructura

En los últimos años, la inteligencia artificial ha experimentado un crecimiento sin precedentes, impulsado por avances en potencia computacional, disponibilidad de datos masivos y mejoras en algoritmos de aprendizaje automático. Modelos cada vez más potentes, como los de lenguaje generativo, han revolucionado sectores como la salud, la educación, la industria y los servicios digitales. El mercado de la Inteligencia Artificial se ha convertido en una industria de 200.000 millones de dólares.[1] Este desarrollo ha convertido a la IA en una tecnología estratégica a nivel global, con un impacto creciente en la economía, la productividad y la innovación, aunque también ha despertado preocupaciones sobre su sostenibilidad, gobernanza y efectos sociales.

Nada ilustra mejor la incertidumbre actual sobre la adopción de IA que la variedad de previsiones sobre la demanda de energía. Es difícil realizar estimaciones generales sobre el consumo energético de la IA y su impacto ambiental, ya que la demanda energética y las emisiones dependen de diversos factores, como el tipo de consultas realizadas, el tamaño de los modelos que las responden y la proporción de energías renovables y combustibles fósiles en la red eléctrica que alimenta el centro de datos. Esto se suma a que las grandes compañías tecnológicas no comparten datos específicos sobre el consumo de energía de sus modelos de IA. Por eso diferentes estudios y consultorías manejan diferentes proyecciones sobre la demanda de energía para el 2030.

Fuente: IEA[2]

Se puede dimensionar el crecimiento acelerado de la demanda de energía de la IA observando el consumo energético de los centros de datos: en 2024, representó alrededor del 1,5% del consumo eléctrico mundial, una cantidad que se espera se duplique para 2030, alcanzando los 945 TWh, un poco más que el consumo eléctrico anual de Japón en la actualidad.[3] Para 2050, se estima que alcanzará los 2.000 TWh, un 3% del consumo eléctrico mundial.[1] Aunque el consumo energético de los centros de datos es menor en comparación con otros usos eléctricos como la movilidad eléctrica o la calefacción, resulta fundamental gestionar activamente sus emisiones para garantizar un crecimiento de la demanda que sea controlado y sostenible.

Fuente: Deloitte

Cuando se analiza el consumo de energía para centros de datos por regiones, China y Estados Unidos son los países que muestran mayor crecimiento del consumo de electricidad de los centros de datos, representando casi el 80% del crecimiento mundial hasta 2030. El consumo aumentó en torno a los 240 TWh en Estados Unidos, 130% más que el nivel de 2024. En esta región, el consumo energético de los centros de datos representará casi la mitad del crecimiento de la demanda eléctrica de aquí a 2030. Impulsada por el uso de la IA, se prevé que en E.E.U.U. se consuma más electricidad en 2030 para procesar datos que para fabricar todos los bienes de alto consumo energético en conjunto, como el aluminio, el acero, el cemento y los productos químicos. Mientras que en China aumentó un 170%, respecto a 2024, llegando a los 175 TWh. En Europa el consumo creció más de 45 TWh, un 70% más que el 2024.[2]

Fuente: IEA

Si bien el crecimiento en la construcción de centros de datos será más fuerte en los Estados Unidos, Europa tiene amplias oportunidades para hacer crecer su mercado y estimular aún más su ecosistema tecnológico. Se espera que la demanda total de carga de TI para centros de datos en la región crezca de 10 GW en 2023 a aproximadamente 35 GW en 2030. Para satisfacer esta nueva demanda de carga de TI, se necesitarán más de 250.000 a 300.000 millones de dólares de inversión en infraestructura de centros de datos, excluyendo la capacidad de generación de energía. [4]

Fuente: McKinsey

En cuando a la energía que consumen los centros de datos en Europa, entre 2023 y 2030, se prevé que la demanda de electricidad aumente en aproximadamente 85 TWh, con una CAGR de alrededor del 13%.[4]

Este aumento será uno de los principales impulsores del crecimiento a corto plazo de la demanda de energía en Europa, ya que los centros de datos representarán alrededor del 4,5% del consumo total de energía europeo para el 2030.[4] Sin embargo, es importante gestionar este crecimiento con el tiempo necesario para suministrar energía a los nuevos centros de datos. Por ejemplo, en mercados grandes y establecidos como Dublín y Fráncfort, este tiempo para suministrar energía puede superar los tres a cinco años, y los plazos de entrega solo para los equipos eléctricos suelen superar los tres años.

Fuente: McKinsey

La huella ambiental de la inteligencia artificial

La inteligencia artificial ofrece numerosos beneficios en distintos ámbitos, desde mejorar la eficiencia operativa hasta facilitar la toma de decisiones complejas. Sin embargo, estas valiosas ventajas tienen un costo que va más allá del monetario. La huella ambiental permite conocer el impacto real del uso cada vez mayor de la IA. La huella de carbono de las grandes compañías tecnológicas ha aumentado en los últimos años debido a su enfoque en la IA. El consumo eléctrico de los centros de datos de Google aumentó un 17% en 2023, representando entre el 7 y 10% del consumo eléctrico global de centro de datos y el 0,1% del consumo eléctrico total global en ese año.[4]

Desde la producción del hardware, incluyendo los materiales utilizados, pasando por el entrenamiento y uso de los modelos, hasta el desecho del hardware como residuos electrónicos, la inteligencia artificial generativa implica un alto consumo de recursos. Frente a esta problemática, se ha desarrollado e implementado diferentes tecnologías que permiten un uso más eficiente de estos recursos y una IA verde cada vez más sostenible.

El consumo energético detrás de los avances

Los modelos de IA generativa tienen un corto ciclo de vida. Las empresas lanzan modelos nuevos, a menudo de mayor tamaño, a un ritmo acelerado. Como resultado, la considerable energía consumida para entrenar los modelos anteriores se vuelve rápidamente obsoleta. Aún más preocupante es el volumen de iteraciones de entrenamiento y prueba que nunca llegan a producción. Estas fases experimentales aún consumen grandes cantidades de energía, lo que aumenta los costos ocultos del proceso de desarrollo de la IA.

El entrenamiento de los modelos requiere más energía cuanto más grandes sean los modelos y más parámetros necesiten. El entrenamiento de un modelo GPT-3 con 175.000 millones de parámetros consume casi 1.300 MWh de electricidad, aproximadamente la energía consumida por 130 hogares en E.E.U.U en un año. Pasar al siguiente tamaño de modelo GPT-4, con 1,76 billones de parámetros, el consumo de energía del entrenamiento pasaría a 62.319 MWh, equivalente a la energía necesaria para 5.000 hogares en E.E.U.U. en un año.

Después del proceso de entrenamiento, está la fase de inferencia que exige la misma o más cantidad de energía. Se estima que la demanda de energía para la inferencia aumente exponencialmente a medida que un mayor número de personas se conviertan en usuarios habituales de la IA generativa. Según la Agencia Internacional de la Energía (AIE), una sola consulta en ChatGPT consume 2,9 vatios-hora de electricidad, casi diez veces más de lo que requiere una búsqueda en Google. Si suponemos alrededor de 9.000 millones de búsquedas diarias (promedio de búsquedas diarias en Google), ejecutar estas búsquedas en ChatGPT requeriría 10 teravatios-hora adicionales de electricidad al año. En ese sentido, Microsoft ha desarrollado Project Forge, un software de aprendizaje automático que programa entrenamientos e inferencias en horarios de baja demanda, mejorando la eficiencia del uso del hardware hasta en un 90%. También emplea la herramienta Splitwise, que mejora la eficiencia de la inferencia en un 2,35 veces.

Después del desarrollo del modelo, también se consume energía al implementar estos modelos en aplicaciones y al ajustarlos continuamente para mejorar su rendimiento.

Para tratar de satisfacer la creciente demanda de energía de los centros de datos, las grandes compañías tecnológicas han anunciado planes para utilizar pequeños reactores modulares (SMR) como fuente de alimentación de energía. Los reactores modulares pequeños son reactores compactos que generan entre decenas y cientos de megavatios, y producen energía limpia y constante durante largos períodos (18-24 meses sin recarga). Esta solución ofrece un suministro de energía estable, sin depender del clima como las renovables, y aunque su inversión inicial es alta, sus costos operativos y vida útil los hacen competitivos a largo plazo. Además, su tamaño permite instalarlos cerca o dentro de centros de datos, reduciendo pérdidas en la transmisión. Varias startups en E.E.U.U. como Oklo están diseñando SMRs para suministrar energía a industrias y centros de datos.

Tecnología que pesa: materiales y eficiencia

En cuanto alhardware, la IA utiliza miles de unidades de procesamiento gráfico (GPU). Los chips de GPU requieren entre 10 y 15 veces más energía para funcionar que una unidad central de procesamiento (CPU) tradicional. Este hardware suele estar hecho de cobre, cobalto, tungsteno, litio, germanio, paladio, plomo, cromo, cadmio, mercurio y otros metales de la tierra. Alrededor de la mitad de las emisiones de gases de efecto invernadero (GEI) en la producción de las tarjetas gráficas provienen de la minería de estos metales.

Sin embargo, se ha observado que el consumo podría compensarse, al menos parcialmente, con la mayor eficiencia energética de las GPU para realizar más cálculos simultáneamente. Grandes empresas del sector tech han desarrollado chips hasta 67% más eficientes energéticamente que su versión anterior. Por su lado, Nvidia ha desarrollado el nuevo chip Blackwell cuyo rendimiento es 30 veces mejor para cargas de trabajo LLM y su consumo de energía es 25 veces menor que la iteración anterior. La startup de IA Gen Mythic está desarrollando chips analógicos que logran un mejor rendimiento en tipos específicos de cálculos de IA, como multiplicaciones de matrices y procesamiento de señales, al pasar de chips digitales (basados en 0/1) a señales de voltaje analógico continuo. Este mayor grado de paralelismo y eficiencia conduce a velocidades de cálculo más rápidas y una menor huella energética.

El desafío del agua en la era de la IA

Los modelos de IA también requieren grandes cantidades de agua dulce que se utilizan para enfriar los centros de datos. Se estima que, por cada kilovatio hora de energía que consume un centro de datos, se necesitan dos litros de agua para su refrigeración. Si GPT-3 se hiciera cargo de las 9.000 millones de búsquedas diarias en Google, se necesitarían 4.500 millones de litros de agua al día para enfriar las operaciones del centro de datos. Este consumo de agua no solo se asocia al enfriamiento de los centros de datos, sino también a la fabricación del hardware: producir un solo microchip puede requerir hasta 2.200 galones de agua ultrapura (UPW).

Frente a este escenario, la tecnología de refrigeración líquida en circuito cerrado para centros de datos es una innovación clave. Su funcionamiento se basa en eliminar por completo el consumo de agua por evaporación. En lugar de usar agua constantemente, esta técnica utiliza un sistema sellado que recircula el mismo líquido internamente para disipar el calor generado por los servidores, sin necesidad de reponer agua continuamente. Una instalación típica puede ahorrar más de 125 millones de litros de agua al año, y reducir el índice de uso de agua (WUE) de alrededor de 0,49 L/kWh a 0,30 L/kWh, lo que representa una mejora del 39 % en eficiencia hídrica.[5] Esta innovación se está pilotando en centros que entrarán en funcionamiento entre 2026 y 2027, posicionando a empresas como Microsoft a la vanguardia de la IA verde.

La innovación que deja residuos atrás

Otro impacto de una adopción masiva de la IA son los desechos electrónicos. Se proyecta que la IA podría crear entre 1,2 y 5,0 millones de toneladas métricas de residuos electrónicos para 2030, lo que supone unas 1.000 veces más residuos electrónicos de los que se produjeron en 2023. Los residuos electrónicos acaban en gran medida en los vertederos, donde productos químicos nocivos como el mercurio, el plomo, el bromo y el arsénico se filtran de los componentes electrónicos, contaminando el suelo y, en consecuencia, poniendo en peligro la salud de la vida silvestre, la ganadería y las personas de los alrededores.

Para reducir los residuos electrónicos generados por los centros de datos, se están adoptando medidas basadas en la economía circular, como el diseño modular y reparable del hardware, la reutilización y reacondicionamiento de equipos, y el reciclaje especializado para recuperar materiales valiosos y tratar sustancias tóxicas. Además, se promueve el uso de materiales más sostenibles, el cumplimiento de certificaciones ambientales como la ISO 14001, y la colaboración sectorial a través de alianzas como la Green Software Foundation.

Una tecnología que exige, pero también aligera

Si bien la IA planteará un enorme desafío para los sistemas energéticos del mundo, también ayudará a mitigar la demanda de energía en varios sectores. Puede optimizar redes de transporte y logística, disminuir reparaciones mediante mantenimiento predictivo, reducir el uso de materiales en la fabricación y minimizar la necesidad de servicios médicos y talleres al prevenir accidentes viales. Aunque se espera que el crecimiento de los centros de datos aumente el consumo de electricidad y las emisiones, se está estudiando si este impacto sería relativamente pequeño dentro del sector energético porque podría compensarse gracias a la reducción de emisiones cuando la IA se aplique de forma generalizada. Un informe del Consejo de Lisboa señaló que, “incluso si las predicciones de que los centros de datos pronto representarán el 4% del consumo energético mundial se hacen realidad, la IA está teniendo un impacto importante en la reducción del 96% restante del consumo energético”.[6]

Las tendencias como las observadas por Koomey, Moore y Jevons ofrecen una mirada clave para entender cómo evoluciona la eficiencia computacional y su impacto ambiental.

La ley de Moore establece que la capacidad de procesamiento de los chips se duplica aproximadamente cada dos años, lo que ha permitido desarrollar modelos de inteligencia artificial cada vez más potentes. Sin embargo, en el contexto de la IA verde, este crecimiento plantea un dilema: aunque los procesadores son más rápidos y eficientes, también habilitan el entrenamiento de modelos más grandes y demandantes, lo que puede aumentar el consumo energético si no se controla su escalabilidad.

Por otro lado, la ley de Koomey observa que la eficiencia energética de los dispositivos informáticos ha mejorado de forma constante, logrando realizar más cálculos por unidad de energía con el tiempo. Este avance es clave para la IA verde, ya que permite reducir el impacto ambiental de los modelos al hacer más con menos electricidad, especialmente cuando se combinan con diseños eficientes, centros de datos sostenibles y estrategias como la cuantización o el edge computing.

Sin embargo, la paradoja de Jevons nos advierte que mejorar la eficiencia no siempre reduce el impacto ambiental. Entonces, si se hace un modelo de IA más eficiente, con menor consumo energético, eso lo hace más barato, accesible y útil, lo que puede llevar a que se utilice con más frecuencia y en más aplicaciones. A medida que la eficiencia en el uso de un recurso mejora, el consumo total de ese recurso puede aumentar en lugar de disminuir.

Esto indica que, si bien la eficiencia seguirá mejorando, la Green AI también necesita políticas y un diseño responsable, no solo mejoras tecnológicas, para evitar un “efecto rebote”.

Iniciativas globales por una tecnología responsable

A nivel internacional, varias entidades están sentando las bases para una inteligencia artificial más eficiente y respetuosa con el medio ambiente. La Green Software Foundation (GSF) trabaja en desarrollar buenas prácticas y herramientas para crear software que consuma menos recursos y emisiones, incluyendo algoritmos de IA. De forma complementaria, la AI Verify Foundation promueve estándares globales de transparencia, verificación y gobernanza ética en IA. Por otro lado, el Pacto de Centros de Datos Climáticamente Neutros (CNDCP) agrupa a empresas del sector digital comprometidas a alcanzar la neutralidad climática en sus centros de datos para 2030, que cada vez son más. Un ejemplo de ello, son las grandes compañías tecnológicas que han asumido compromisos para lograr cero emisiones netas. Esto los ha llevado a convertirse en algunos de los compradores corporativos de energía renovable más importantes del mundo, promoviendo además un uso de energía cada vez más limpia.

En febrero de 2025, la Cumbre de Acción sobre IA reunió a representantes de 58 países para debatir el futuro de la IA. Un resultado clave fue la “Declaración sobre Inteligencia Artificial Inclusiva y Sostenible para las Personas y el Planeta”, que enfatiza el desarrollo de una IA abierta, transparente, ética, segura y confiable.

Las naciones están empezando a gestionar la IA desde sus entidades gubernamentales. Por ejemplo, Emiratos Árabes Unidos cuenta con un Ministerio para la Inteligencia Artificial, Economía Digital y Aplicaciones de Teletrabajo desde 2017, que actúa como coordinador nacional, regulador ético y motor académico e industrial, buscando posicionar a los EAU como referente global en IA. Por otro lado, instituciones internacionales están empezado a mostrar un interés importante por medir y evaluar el consumo de los centros de datos con una visión más global, como la Agencia Internacional de la Energía, cuyo informe del Mercado Eléctrico de este año ha incluido por primera vez una sección exclusiva a los centros de datos.

Para garantizar que estas políticas se apliquen con rigor técnico, existen normas internacionales que guían tanto el diseño como la operación de sistemas de IA sostenibles. Las normas ISO 14001 (gestión ambiental) y ISO 50001 (gestión de la energía) ayudan a evaluar y reducir el impacto ambiental en organizaciones, incluyendo aquellas que desarrollan IA. La IEEE 7000 establece principios de diseño ético, útil en el desarrollo de algoritmos que consideren el impacto ambiental desde la fase de diseño. Por su parte, el Código de Conducta de la UE para Centros de Datos, contiene 150 prácticas recomendadas de eficiencia.

Europa lidera con normas y visión a largo plazo

En Europa, la sostenibilidad está integrada en la regulación y planificación estratégica de la IA. El Plan Coordinado sobre IA (2021) refuerza la necesidad de una IA que no solo sea competitiva, sino también sostenible. Además, el Green Deal Europeo y las políticas ESG (ambientales, sociales y de gobernanza) orientan la inversión digital hacia soluciones tecnológicas que respeten los objetivos climáticos del continente.

El AI Act (2024) es la primera ley en el mundo que busca regular la inteligencia artificial desde un enfoque ético, seguro y conforme a los valores europeos, abriendo la puerta a considerar el impacto ambiental como criterio regulatorio. El Artículo 40 encarga a la Comisión Europea el desarrollo de estándares técnicos sobre eficiencia en el uso de recursos, como el consumo energético durante todo el ciclo de vida de los sistemas de IA, sin embargo, estos estándares serán voluntarios y podrían tardar años en concretarse.

El Anexo XI del AI Act exige que los proveedores de modelos de IA divulguen el consumo energético estimado o conocido durante su desarrollo o lanzamiento, aunque esta obligación se limita a la fase inicial y no abarca otros impactos como agua, materiales o el uso posterior.

Finalmente, el Artículo 69 recomienda que los códigos de conducta voluntarios para IA incluyan medidas para evaluar y reducir el impacto ambiental de los sistemas. Estas normas son importantes porque definen y promueven estándares sobre eficiencia energética en IA, aunque podría tener mayor impacto cuando sean obligatorias. No hay por ahora límites obligatorios de huella para los sistemas de IA ni impuestos directos a su carbono, aunque se prevé que en revisiones futuras (el AI Act deberá evaluarse en 2028) la Comisión examine cómo fomentar modelos de IA más energéticamente eficientes.

Controlar el consumo energético de los centros de datos se ha vuelto clave para garantizar un desarrollo tecnológico equilibrado y sostenible. Imponer límites puede funcionar como una herramienta de presión positiva que impulse a las organizaciones a replantear sus modelos operativos, adoptar tecnologías más limpias, priorizar la eficiencia energética y planificar mejor el uso de los recursos. Un ejemplo claro de esta estrategia es el caso de Irlanda, donde el consumo energético de los centros de datos pasó del 5 % en 2015 al 21 % en 2023. Ante este aumento, el operador del sistema eléctrico EirGrid decidió imponer una moratoria sobre el desarrollo de nuevos centros de datos en Dublín hasta 2028, marcando un precedente importante en la regulación del impacto energético de la infraestructura digital.

España y Aragón: impulso local con impacto global

España también ha comenzado a integrar la sostenibilidad en sus políticas de IA. A nivel más amplio, la Ley 7/2021 de Cambio Climático y Transición Energética establece objetivos nacionales de neutralidad climática a 2050 y reducción de emisiones a 2030. Si bien la ley no menciona la IA explícitamente, obliga a grandes empresas a calcular y reportar su huella de carbono, y define objetivos de penetración de renovables del 100% para 2050. Además, la Agenda España Digital 2026 incorpora objetivos de sostenibilidad digital, como la eficiencia energética en infraestructuras y el uso de energías limpias para alimentar los entornos digitales.

La Estrategia Nacional de Inteligencia Artificial (ENIA) 2024 incluye entre sus líneas de acción el desarrollo de tecnologías más responsables y eficientes. Esta visión se refuerza con el Programa Nacional de Algoritmos Verdes (PNAV) que promueve una IA “verde por diseño”, es decir, que la sostenibilidad medioambiental se incorpore desde la concepción y desarrollo de algoritmos. Incluye cuatro ejes: infraestructuras y servicios eficientes energéticamente, integración de tecnología verde en la industria, dinamización del mercado para soluciones de IA respetuosas con el medio ambiente, y formación y sensibilización en IA sostenible. Esta iniciativa pionera busca que la investigación y desarrollo en IA tengan en cuenta métricas de huella de carbono, optimización de recursos y economía circular.

Es destacable que España es de los pocos países con una línea de financiación específica para IA sostenible, anticipando requisitos futuros y creando capacidades locales en este ámbito como es el caso de Aragón. En ese sentido, Aragón está construyendo un ecosistema de IA verde que abarca desde el sector primario hasta la gobernanza digital. Ofrece condiciones ideales como espacio, red y energías renovables que han atraído a gigantes compañías tecnológicas. Estas compañías han anunciado inversiones que superan los 30.000 millones de euros en centros de datos en la región, con el compromiso de alimentarlos exclusivamente con energía 100% renovable local. Esta combinación de tecnología de vanguardia, energía limpia y apoyo institucional convierte a Aragón en un hub estratégico para el desarrollo de inteligencia artificial sostenible, donde la sostenibilidad se traduce en una auténtica ventaja competitiva.

El camino hacia una inteligencia artificial más verde

A pesar de los crecientes retos ambientales que acompañan al avance de la inteligencia artificial, también está surgiendo una oportunidad única: hacer que la IA sea parte de la solución. La inteligencia artificial verde promueve el desarrollo y uso de tecnologías más eficientes y sostenibles, demostrando que es posible innovar sin comprometer el planeta. Gracias a mejoras en hardware, optimización de modelos y uso de energías limpias, cada vez más organizaciones están reduciendo su huella ambiental mientras impulsan la innovación. Así, la IA no solo representa un motor de cambio tecnológico, sino también un aliado clave en la transición ecológica.

Infraestructuras con menor impacto

La demanda energética de los centros de datos puede gestionarse cuidadosamente de diversas maneras, desde la mejora del rendimiento de los equipos informáticos y de hardware hasta la implementación de un sistema integral de gestión energética para optimizar el uso del centro.

Es clave dar prioridad a los proveedores con hardware más eficiente energéticamente diseñado específicamente para la IA. Un estudio realizado por Google descubrió que el uso de una arquitectura de modelo de IA, un procesador y un centro de datos más ecológico puede reducir la huella de carbono de la tecnología entre 100 y 1.000 veces. Un proyecto innovador consiste en reutilizar GPU desechadas para minimizar los residuos electrónicos, prolongar la vida útil del hardware tecnológico y reducir la huella de carbono asociada al desarrollo de IA. Por ejemplo, modelos como BLOOM se han entrenado utilizando energía nuclear y chips más eficientes, liberando solo 25 toneladas métricas de CO₂ en comparación con otros.

Otras medidas abarcan explorar nuevos hardware sostenibles como la computación neuromórfica o analógica. La startup holandesa Innatera utiliza redes neuronales de picos (SNN) de inspiración biológica. Estas redes utilizan eventos cronometrados con precisión («picos») para comunicarse como lo hacen las neuronas de nuestro cerebro, lo que produce una eficiencia energética extrema.

Por otro lado, una innovación prometedora es el enfriamiento por inmersión en líquidos dieléctricos, que podría reducir significativamente el consumo energético al eliminar ventiladores, al tiempo que reduce el consumo de agua en comparación con los métodos de enfriamiento actuales. Ya se están implementando métodos como el uso de aguas residuales o agua de mar para refrigeración.

Además, otras medidas que pueden ayudar a reducir el impacto ambiental de la Gen AI son las relacionadas a la ubicación de los servidores. El entrenamiento podría demandar hasta 1 GW en una sola ubicación para 2028 y 8 GW (el equivalente a ocho reactores nucleares) para 2030, si persisten las tendencias actuales de escalado del cómputo de entrenamiento.[7] Se puede utilizar dispositivos de computación periférica para reducir el uso de energía asociado con la transferencia y distribución de datos.

Las consecuencias medioambientales y la huella de gases de efecto invernadero de los proyectos de IA de la generación pueden variar significativamente debido a la combinación energética variable de las ubicaciones de los servidores y los centros de datos que alojan las aplicaciones de IA. Por ejemplo, la huella de carbono de la IA en lugares donde la red eléctrica es relativamente limpia, como Francia, será mucho menor que en lugares con una red que depende en gran medida de los combustibles fósiles, como algunas partes de los EE.UU.

En este sentido, las emisiones relacionadas con la energía también pueden reducirse parcialmente mediante la ubicación estratégica de los centros de datos, donde la combinación de la red tenga una alta proporción de energía libre de carbono y donde las temperaturas sean inherentemente más bajas, lo que reduce la necesidad de consumo de energía relacionado con la refrigeración.[4]

Fuente: McKinsey

Modelos más ligeros, resultados más sostenibles

Para hacer la inteligencia artificial más eficiente y sostenible, se están adoptando diversas estrategias que reducen el consumo de energía sin afectar el rendimiento. Una de ellas es priorizar modelos pre-entrenados más pequeños y específicos de cada tarea. Se están probando estrategias como fusionar varios modelos en uno solo que pueda decidir internamente qué modelo usar según la tarea.

Otra estrategia de reducción de consumo de energía es la optimización del tamaño de los modelos de IA mediante técnicas como la cuantización, la destilación o la poda, que permiten ejecutarlos en dispositivos con recursos limitados (como móviles o sensores) de forma eficiente. Una reciente investigación académica propuso un nuevo algoritmo que reemplaza multiplicaciones complejas por sumas más simples, lo que permite ahorrar hasta un 95 % de energía en ciertos procesos. Por último, incluir puntos de guardado en los entrenamientos permite continuar el trabajo desde donde se dejó, en lugar de reiniciar todo, ahorrando así energía y recursos computacionales.

Como parte de la optimización de los modelos, un diseño eficiente de prompts es clave para optimizar ya que permite obtener respuestas más precisas utilizando menos recursos computacionales. Esto no solo mejora la calidad de los resultados, sino que también reduce el consumo energético asociado. Algunas empresas tecnológicas, por ejemplo, han logrado disminuir hasta un 50% el consumo energético de sus aplicaciones al cambiar de lenguaje de programación. En esta línea, Google publicó una guía con recomendaciones para crear prompts eficaces, subrayando que las respuestas más largas suelen implicar un mayor uso de energía y recursos.

Energías limpias para una IA en expansión

El ritmo al que las empresas construyen nuevos centros de datos implica que la mayor parte de la electricidad para abastecerlos debe provenir de centrales eléctricas basadas en combustibles fósiles, ya que las redes eléctricas actuales aún dependen en gran medida de estas fuentes para cubrir la demanda creciente. Esta situación no solo incrementa las emisiones de gases de efecto invernadero, sino que también plantea un desafío para los compromisos climáticos globales. Por ello, es crucial acelerar la transición hacia fuentes de energía renovable que puedan suministrar energía limpia y sostenible a estos centros, minimizando su huella ambiental y fortaleciendo la resiliencia del sistema energético a largo plazo.

Dentro de esta transición hacia fuentes de energía limpia, destacan especialmente la energía eólica y solar por su eficiencia, disponibilidad y bajo impacto ambiental. Sin embargo, las particularidades regionales y la necesidad de garantizar energía limpia las 24 horas han impulsado el uso de alternativas como la energía nuclear en Estados Unidos o la geotérmica en Kenia. Algunos países ya exigen que los centros de datos utilicen parcialmente energía renovable: Alemania obliga a que al menos el 50% de su electricidad provenga de fuentes renovables, cifra que será del 100% para 2027.

Las empresas tecnológicas están invirtiendo en fuentes de energía renovable para alimentar sus centros de datos y las compañías energéticas planean construir nuevas centrales eléctricas de gas y reactores nucleares para satisfacer la creciente demanda de electricidad generada por la IA.

Para el futuro, se observa una tendencia clara hacia una mayor participación de las fuentes de energía renovables, especialmente la solar y la eólica, en la generación de esa electricidad. Mientras que las fuentes fósiles como el carbón y el gas natural se estabilizan o crecen de forma más moderada, las renovables experimentan un crecimiento acelerado, destacando el compromiso del sector con una transición energética más sostenible. Esto sugiere que, a pesar del aumento de la demanda, los centros de datos están avanzando en la dirección correcta al incorporar cada vez más energías limpias en su matriz energética.

Fuente: IEA

Medir, mejorar y compartir

Lograr una IA Verde requerirá no solo la expansión de las energías renovables, sino también transparencia en los informes, un enfoque ecosistémico y un compromiso con el desarrollo y la operación eficientes de la IA, para que el auge de la IA pueda ocurrir sin comprometer potencialmente su huella ambiental. El análisis y la medición, el monitoreo y el seguimiento precisos son primordiales.

Las organizaciones también deben comunicar claramente sus intenciones de sostenibilidad a las partes interesadas, divulgando los niveles de emisiones, detallando el progreso de manera transparente y estableciendo objetivos definidos. En un estudio de Capgemini, del 12% de organizaciones que miden la huella ambiental de la IA Gen, solo el 28% la divulga y solo el 24% ha establecido objetivos para reducirla.[8]

En línea con esta necesidad de medición rigurosa y transparente, han comenzado a desarrollarse estándares que permiten cuantificar el impacto ambiental. ISO en colaboración con la Green Software Foundation, han desarrollado un software que sirve como punto de partida para calcular la tasa de emisiones de carbono de un sistema de software, denominada «puntuación SCI». Medir la especificación de intensidad de carbono (SCI)  tiene como propósito, aumentar la conciencia y la transparencia sobre el nivel de uso de energía y la intensidad de carbono de una aplicación en particular.[9]

Para apoyar la implementación de la norma SCI y garantizar una evaluación integral de las emisiones, los gobiernos pueden utilizar varios puntos de referencia de software comercial y de código abierto. Estos pueden ayudar a medir el consumo de energía y las emisiones de carbono de los modelos y aplicaciones de IA a lo largo de todo el ciclo de vida. Dichas normas deben examinarse constantemente para identificar lagunas o deficiencias, dada su naturaleza relativamente incipiente y el rápido ritmo de desarrollo de la IA.

Un futuro compartido entre IA y sostenibilidad

El avance acelerado de la inteligencia artificial está transformando profundamente la sociedad, la economía y el medio ambiente. Su integración en múltiples sectores ofrece enormes oportunidades, pero también plantea desafíos complejos que requieren una respuesta coordinada y consciente. En este escenario, pensar en una IA sostenible no es una opción, sino una necesidad urgente. Para que esta tecnología contribuya realmente al bienestar colectivo y al equilibrio ecológico, es fundamental adoptar un enfoque integral que abarque desde la educación y la regulación hasta la innovación tecnológica y la gestión responsable de los recursos.

En ese sentido, existe la necesidad de una amplia alfabetización en IA. A medida que la IA se integra en la vida cotidiana y en todos los sectores, se necesita una mayor concienciación sobre los dilemas éticos, el impacto social y la huella ambiental de la IA, lo que permitirá gestionar su evolución de forma responsable y garantizar que produzca resultados que beneficien genuinamente a la humanidad. [10]

Por otro lado, es de gran importancia la asignación cuidadosa de los recursos, equilibrando la ambición de avanzar en la IA con la necesidad de proteger los recursos. Por eso, establecer estándares globales, compartir las mejores prácticas y garantizar un acceso equitativo a las tecnologías verdes será crucial.

En este contexto de creciente preocupación por el impacto ambiental de la inteligencia artificial, cada vez más gobiernos, organismos internacionales y empresas tecnológicas están tomando medidas concretas para regular y reducir su huella ecológica. Iniciativas como el Programa Nacional de Algoritmos Verdes en España, el AI Act europeo y pactos como el de Centros de Datos Climáticamente Neutros reflejan un compromiso creciente con una IA más sostenible y marcan el camino hacia buenas prácticas en eficiencia energética, transparencia y gestión responsable de los recursos.

Desde el ámbito tecnológico, las innovaciones no se quedan atrás. Las grandes compañías están implementando chips más eficientes que mejoran significativamente la relación entre rendimiento y consumo energético. Asimismo, prácticas como la cuantificación de modelos, el entrenamiento en regiones con energía renovable o el uso de energía geotérmica y solar están permitiendo un funcionamiento más sostenible de los centros de datos. Incluso en el diseño de modelos y aplicaciones, herramientas como la ingeniería de prompts eficiente y el monitoreo de carbono están ayudando a minimizar el uso de recursos sin comprometer el rendimiento.

Todo esto demuestra que, si bien el crecimiento de la IA presenta desafíos ambientales importantes, también abre la puerta a nuevas formas de innovación responsable. La transición hacia una IA verde ya está en marcha, impulsada por una combinación de regulación, tecnología y conciencia ambiental. Con un enfoque colaborativo y el compromiso de los distintos actores, es posible construir un futuro en el que la inteligencia artificial no solo potencie el desarrollo económico y social, sino que también contribuya activamente a los objetivos de sostenibilidad del planeta.

---

Referencias

[1] DELOITTE. Powering artificial intelligence. Noviembre del 2024. [Consultado: 04-06-2025]. Disponible en: https://www.deloitte.com/global/en/issues/climate/powering-ai.html

[2] IEA. Data Centre Energy Use: Critical Review of Models and Results. Marzo del 2025. [Consultado: 04-06-2025]. Disponible en: https://www.iea-4e.org/wp-content/uploads/2025/05/Data-Centre-Energy-Use-Critical-Review-of-Models-and-Results.pdf

[3] IEA. Energy and AI. Abril del 2025. [Consultado: 04-06-2025]. Disponible en: https://www.iea.org/reports/energy-and-ai

[4] MCKINSEY. The role of power in unlocking the European AI revolution. Octubre del 2024. [Consultado: 04-06-2025]. Disponible en: https://www.mckinsey.com/industries/electric-power-and-natural-gas/our-insights/the-role-of-power-in-unlocking-the-european-ai-revolution#/

[5] SUSTAINABILITY MAGAZINE. Microsoft’s Zero-Water Solution for Data Centre Cooling. Diciembre del 2024. [Consultado: 04-06-2025]. Disponible en: https://sustainabilitymag.com/articles/microsoft-unveils-zero-water-cooling-for-ai-data-centres

[6] THE LISBON COUNCIL. Sustainable Computing for a Sustainable Planet. Enero del 2024. [Consultado: 04-06-2025]. Disponible en: https://lisboncouncil.net/wp-content/uploads/2024/04/LISBON_COUNCIL_Research_Sustainable_Computing_For_A_Sustainable_Planet.pdf

[7] RAND. AI’s Power Requirements Under Exponential Growth. Enero del 2025. [Consultado: 04-06-2025]. Disponible en: hhttps://www.rand.org/pubs/research_reports/RRA3572-1.html

[8] CAPGEMINI. Developing sustainable Gen AI. Enero del 2025. [Consultado: 04-06-2025]. Disponible en: https://www.capgemini.com/wp-content/uploads/2025/01/Final-Web-Version-Report-Sustainable-Gen-AI-2.pdf

[9] TONY BLAIR INSTITUTE FOR GLOBAL CHANGE. Greening AI: A Policy Agenda for the Artificial Intelligence and Energy Revolutions. Mayo del 2024. [Consultado: 04-06-2025]. Disponible en: https://institute.global/insights/climate-and-energy/greening-ai-a-policy-agenda-for-the-artificial-intelligence-and-energy-revolutions

[10] IVY PARTNERS. Green AI: Navigating the Path to Sustainable AI. Mayo del 2025. [Consultado: 04-06-2025]. Disponible en: https://www.ivy.partners/green-ai-navigating-the-path-to-sustainable-ai/