Consumo eléctrico y hídrico de la inteligencia artificial: fuentes confiables y datos actualizados

Consumo eléctrico y hídrico de la inteligencia artificial: fuentes confiables y datos actualizados
Contenido
  1. Resumen en 30 segundos: las ocho cifras que importan
  2. Por qué las cuentas no cuadran: cinco parámetros que nadie fija
  3. El consumo eléctrico de los centros de datos
  4. Cuánto demanda una única petición
  5. El agua: un trío de grifos diferentes
  6. Entrenamiento frente a inferencia: dónde está el coste real
  7. El inconveniente no es general, sino local
  8. Qué mitiga realmente el impacto
  9. Cómo auditar cualquier titular sobre consumo de IA
  10. Lo que todavía no sabemos
  11. Preguntas frecuentes
  12. Metodología y límites de este artículo
  13. Referencias

Los cálculos difundidos acerca del gasto energético de una única petición a un modelo de lenguaje oscilan en un intervalo superior a tres órdenes de magnitud: abarca desde 0,24 vatios-hora hasta prácticamente 30. No se trata de que ciertas fuentes falseen los datos y otras acierten, sino de que evalúan parámetros diferentes. Este texto recopila, basándose en documentos originales y con revisión científica, el gasto real de la inteligencia artificial tanto en recursos hídricos como eléctricos, analiza el motivo por el cual los datos publicados resultan contradictorios y enseña a interpretar de forma correcta cualquier noticia al respecto. Se incorporan las estadísticas conjuntas de la Agencia Internacional de la Energía junto con el Lawrence Berkeley National Laboratory, los registros de rendimiento operativo de Google, la primera evaluación integral del ciclo de vida perteneciente a un sistema comercial (Mistral), además de las investigaciones universitarias que miden el impacto sobre el agua. Hacia el final se adjunta un repertorio bibliográfico dotado de DOI para facilitar la comprobación independiente de cada información.

Resumen en 30 segundos: las ocho cifras que importan

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.

MagnitudCifraFuente y año
Electricidad de todos los centros de datos del mundo (2025)≈485 TWh — un 1,5 % del consumo eléctrico mundialAIE, Electricity 2026
Proyección para 2030≈945 TWh — cerca del 3 % mundialAIE, 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 paísLawrence Berkeley National Laboratory (2024)
Consulta de texto mediana en Gemini, medida en producción0,24 Wh y 0,26 ml de aguaElsworth et al., Google (2025)
Consulta de 400 tokens en Le Chat, análisis de ciclo de vida1,14 gCO₂e y 45 ml de aguaMistral AI con Carbone 4 y ADEME (2025)
Rango entre el modelo más y el menos eficiente por consulta largade 0,45 Wh a más de 29 Wh (×65)Jegham et al. (2025)
Huella hídrica global de la IA proyectada para 20274.200-6.600 millones de m³ anuales (retirada)Li et al. (2023) / Barnett-Itzhaki (2026)

En este artículo vas a descubrir

• Por qué los datos oficiales no resultan equiparables entre sí, además de los cinco factores que conviene definir previamente a cualquier análisis.

• 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 la dificultad no es 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 cuadran: cinco parámetros que nadie fija

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:

ParámetroOpciones posiblesEfecto en la cifra
Frontera del sistemaSolo el acelerador; acelerador + servidor; + capacidad inactiva; + sobrecoste del centro de datos (PUE); + fabricación del hardwarePuede multiplicar el resultado por 2 o por 3
Agua: retirada o consumoAgua retirada de la cuenca frente a agua efectivamente evaporada y no devueltaDiferencias de un orden de magnitud
Alcance del aguaDirecta (refrigeración, alcance 1); indirecta (generación eléctrica, alcance 2); incorporada (semiconductores, alcance 3)El alcance 2 suele superar al 1
Tipo de tareaConsulta corta; respuesta larga; razonamiento extendido; imagen; vídeoHasta ×1.450 según la revisión sistemática
Modelo y despliegueModelo pequeño cuantizado frente a modelo frontera; lotes grandes o peticiones sueltas; ubicación y clima del centro de datosHasta ×65 entre modelos; hasta ×100 por la planificación de peticiones

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].

El consumo eléctrico de 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.

FuenteÁmbitoCifra actualProyecciónNota metodológica
AIE, Electricity 2026 / Energy and AIMundial, todos los centros de datos≈485 TWh (2025), 1,5 %≈945 TWh en 2030 (≈3 %); ≈1.200 TWh en 2035Escenario base; la propia AIE subraya la incertidumbre macroeconómica y de adopción [3]
Lawrence Berkeley National Laboratory (2024)Estados Unidos176 TWh (2023), 4,4 %325-580 TWh en 2028 (6,7 %-12 %)Encargado por el Departamento de Energía; el 12 % es el extremo alto, no una estimación central
Chen et al., Communications Sustainability (2026)Mundial, solo infraestructura de IA de las seis grandes tecnológicas≈118 TWh (2024)239-295 TWh en 2030 (≈1 % mundial)Combina análisis documental con modelización de escenarios [10]
Aczel et al. (2026)Mundial, con desglose IA / no IA448 TWh (2025), IA ≈20 %945 TWh en 2030, IA ≈40 %Informe de síntesis [14]
Fan et al., Energy and Climate Change (2026)Mundial, horizonte largo—1.800-5.000 TWh en 2050 según escenario socioeconómicoMarco SSP; el rango refleja incertidumbre real, no desacuerdo [8]
Turkay et al., PLOS One (2026)Mundial, escenario de continuidad—Hasta el 30 % de la demanda eléctrica mundial en 2050Escenario extremo de continuidad de tendencias, no previsión central [12]

Existen un par de lecturas compatibles de esta tabla. Por un lado, la inteligencia artificial representa todavía una porción discreta del suministro eléctrico global —apenas el 0,5 % en la actualidad, con una proyección de alcanzar entre el 1 % y el 1,2 % hacia 2030, basándose en la previsión más prudente [10]—. Por otro lado, la velocidad de expansión carece de antecedentes recientes dentro de la industria eléctrica, dado que las redes de distribución requieren entre siete y diez años para su planificación, al tiempo que un data center se levanta en un bienio.

Un dato que refleja dicha desproporción: un modelo de dinámica de sistemas difundido en Sustainable Futures y enfocado en Virginia del Norte —el principal mercado mundial de centros de datos, zona que actualmente absorbe cerca del 25 % de la energía eléctrica local— revela que el margen de reserva proyectado descenderá por debajo del umbral de referencia del 17,7 % en un plazo de tres a cinco años, al tiempo que la proporción correspondiente a los centros de datos se elevaría hasta el 36 %-40 % del gasto energético regional para el año 2031 [17].

Cuánto demanda una única petición

Esta 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].

Dicha labor cobra relevancia por un par de motivos que van más allá de la simple cifra. Por un lado, su delimitación sistémica abarca el gasto energético del acelerador operativo, la plataforma anfitriona, el margen ocioso de los equipos y el sobrecosto eléctrico del centro de datos; en otras palabras, constituye un balance exhaustivo y no una estimación complaciente centrada únicamente en la GPU. Por otro lado, registra un descenso de 33 veces en energía y 44 veces en huella de carbono por consulta mediana en el transcurso de un único año, un logro derivado tanto de la optimización del software como de la adquisición de electricidad verde. En consecuencia, cualquier dato previo a 2024 sobre el gasto energético por consulta queda completamente desfasado por un orden de magnitud considerable.

MediciónEnergíaAguaMetodología
Gemini Apps, consulta de texto mediana (Google, 2025)0,24 Wh0,26 mlMedición en producción, pila completa incluyendo capacidad inactiva y PUE [23]
ChatGPT, consulta media (declaración de OpenAI, 2025)0,34 Wh≈0,32 mlDeclaración pública sin metodología publicada ni revisión externa
Le Chat, respuesta de 400 tokens (Mistral, 2025)No desglosada45 mlAnálisis 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 eficienteEstimada por multiplicadores de empresaInferencia estadística de la configuración de hardware a partir de datos públicos de API [11]
Los mismos 30 modelos, consulta largaMás 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 lEstimación por eficiencia hídrica nacional en 11 países africanos [16]
El mismo correo con un modelo de clase GPT-4—Hasta ≈2,6 lIgual 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: un trío de grifos diferentes

El agua es donde más se confunde el debate público, y la razón es sencilla: hay tres flujos distintos y casi nunca se dice cuál se está contando.

1. Agua directa (alcance 1). Se trata de aquella que se evapora en el interior de las torres de refrigeración del propio centro de datos. Habitualmente acapara los titulares y constituye el único volumen que el operador gestiona de manera directa.

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].

CálculoAlcance y periodoVolumenEn qué consiste concretamente
Li et al. (2023), recogido por Barnett-Itzhaki (2026)Global, IA, 20274.200-6.600 millones de m³/añoExtracción hídrica, sin contabilizar el consumo neto [2]
Patterns (2025)A nivel mundial, exclusivamente para cargas de IA, 2025312.500-764.600 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, 2024-2030731-1.125 millones de m³/añoGasto de agua anual, variando según el nivel de implementación [6]
Entrenamiento de un modelo de clase GPT-3Un modelo, ciclo completo≈1,3 GWh y ≈5,4 millones de litrosRegistros 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 explotación20,4 ktCO₂e y 281.000 m³ de aguaEvaluación 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 sistemas493 t de CO₂ y 2,769 millones de litrosAbarca 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 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 localización importa más que el volumen agregado. Dos tercios de los nuevos centros de datos estadounidenses se sitúan en zonas con estrés hídrico [18], y un análisis en PLOS Water identifica cuatro preocupaciones documentadas en litigios y expedientes públicos en Estados Unidos: erosión de la gobernanza democrática del agua, uso insostenible con subida de tarifas, pérdida de flexibilidad en la toma de decisiones hídricas, y aumento del uso de agua por la vía del incremento de la demanda eléctrica [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].

• Surge 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]. Tal como lo plantean Jegham et al., se trata de «una paradoja en auge: conforme la inteligencia artificial resulta más económica y ágil, su implantación generalizada estimula un gasto desmedido de recursos» [11].

Adicionalmente, existe un aspecto de ingeniería eléctrica poco divulgado que resulta clave para la organización de la red: la demanda energética durante la fase de entrenamiento no es constante. A través de un monitoreo exhaustivo basado en series temporales, se detectaron fluctuaciones que van desde el 15 % hasta el 85 % de la capacidad máxima de los equipos, lo cual genera repercusiones desfavorables para la estructuración a gran escala [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.

TerritorioSituación documentadaFuente
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 2031Sustainable Futures (2026) [17]
Oregón, Virginia e IrlandaSe registra un índice de estrés eléctrico (PSI) superior a 0,25, lo cual evidencia la vulnerabilidad de las redes localesChen 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 4,6Lin 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 sequíasCambridge Prisms: Water (2026) [7]
Texas y JapónCuentan con infraestructuras diversificadas con la capacidad de integrar la demanda adicional sin sufrir tensiones equivalentesChen et al. (2026) [10]
8 de 11 países africanos analizadosRequieren 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 cantidadShumba 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 faceta literaria recibe escasas menciones en los medios, a pesar de ser la más práctica. Sus proporciones se encuentran medidas:

PalancaReducción documentadaLímite prácticoFuente
Estructuración temporal de la llegada de peticionesHasta ×100 en energía por peticiónRequiere control del patrón de tráfico; penaliza latencia[20]
Conjunto de optimizaciones de inferencia (cuantización, lotes, motor)Hasta 73 % de la energía totalMuy sensible a la geometría de la carga y al hardware[4]
Elegir modelo mediano en lugar de grandeRendimiento igual o superior con mucha menos energía en varias tareasDepende de la tarea; no vale para todo[21]
Buenas prácticas combinadas en servidores de IA (EE. UU.)Hasta 73 % en emisiones y 86 % en huella hídricaLimitado por la infraestructura energética actual[6]
Refrigeración avanzada (líquida directa)Hasta 50 % de la energía de refrigeraciónRequiere rediseño de instalación[25]
Ubicación en regiones de baja huella de carbono y seguras en aguaCerca de la mitad de la huella combinadaChoca con restricciones de latencia y de red[25]
Simbiosis con depuradoras: efluente tratado para refrigerar y calor de retorno para la depuradora≈84 Mt CO₂e/año, ≈1.300 millones de m³ de agua dulce y ≈95.400 millones de dólares de ahorro anual netoRequiere coubicación; mayor potencial en EE. UU., Japón, China, Países Bajos y Reino Unido[9]
Enrutamiento según intensidad de carbono y refrigeración líquida40 %-60 % de reducción de impactoDisponibles y asequibles hoy, pero poco desplegadas[24]

El trabajo sobre simbiosis entre centros de datos y depuradoras merece mención aparte por su escala: construye una geobase de más de 4.775 centros de datos y 57.547 depuradoras municipales en 98 países, y encuentra una fuerte coocurrencia espacial entre ambos tipos de instalación que permitiría emparejamientos optimizados a escala nacional [9]. Es el tipo de solución que no requiere ningún avance tecnológico pendiente, solo 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 concreta se midió? Una consulta corta de texto y la generación de un vídeo no son la misma unidad de análisis.

5. ¿Es medición, estimación o declaración? Existen tres grados de evidencia sumamente diferenciados: la medición instrumentada en entornos de producción, la inferencia estadística a partir de datos públicos de API, y la declaración corporativa carente de metodología.

6. ¿Está normalizada por utilidad? Energía por consulta sin decir qué calidad de respuesta se obtiene no permite comparar. De ahí la propuesta de métricas compuestas tipo AI Energy Score, que capturan calidad de razonamiento por unidad de energía [5].

Lo que todavía no sabemos

Un artículo honesto tiene que decir dónde se acaba la evidencia. En este campo, las lagunas son grandes y están documentadas:

  • No 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, lo que obstaculiza la asignación precisa de los impactos [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 está sin resolver. Aunque se ha sugerido un esquema híbrido para delegar la huella operativa a las naciones receptoras y los perjuicios incorporados y de servicio a las naciones consumidoras, todavía no se ha alcanzado un consenso [24].

Preguntas frecuentes

¿Cuánta energía consume una consulta a ChatGPT o a Gemini?

La única medición instrumentada en un entorno de producción disponible es la de Google para Gemini: 0,24 Wh de energía y 0,26 ml de agua para la consulta de texto mediana, con una frontera de sistema que incluye acelerador, servidor anfitrión, capacidad inactiva y sobrecoste del centro de datos [23]. OpenAI ha declarado 0,34 Wh y unos 0,32 ml para ChatGPT, sin publicar metodología. Para consultas largas y modelos intensivos, los estudios independientes miden hasta más de 29 Wh [11]. No existe una cifra única válida: depende del modelo, de la longitud de la respuesta y de cómo se sirva.

¿Es cierto que la inteligencia artificial gasta demasiada agua?

Depende de qué se cuente. Por consulta individual, las mediciones van de 0,26 ml (Gemini, medición en producción) a 45 ml (Le Chat, análisis de ciclo de vida de 400 tokens). En agregado, las proyecciones para la IA mundial se mueven entre 0,31-0,76 miles de millones de m³ en 2025 según Patterns[1] y 4.200-6.600 millones de m³ anuales de retirada en 2027 según Li et al. [2]. La diferencia principal no es de magnitud real sino de definición: retirada frente a consumo, y alcance directo frente a indirecto.

¿Qué pesa más, entrenar un modelo o usarlo?

Usarlo. La inferencia concentra más del 90 % del consumo energético de un servicio en explotación[19], y una estimación recogida en la literatura sitúa la huella de carbono de la fase de uso en 25 veces la del entrenamiento inicial [18]. En el caso documentado de Mistral Large 2, el 91 % del agua y el 85,5 % de los gases de efecto invernadero corresponden conjuntamente a entrenamiento e inferencia.

¿Qué porcentaje de la electricidad mundial consume 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 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].

¿Cómo puede una organización emplear la inteligencia artificial para disminuir su huella ambiental?

Cuatro decisiones con efecto medible, por orden de impacto: elegir el modelo más pequeño que resuelva la tarea en lugar del más capaz disponible[21]; agrupar peticiones en lotes y estructurar su llegada en lugar de enviarlas sueltas [20]; seleccionar proveedor y región por intensidad de carbono y por estrés hídrico de la cuenca, no solo por latencia y precio [25]; y exigir al proveedor datos de energía y agua por consulta con metodología publicada, no declaraciones agregadas.

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 mediante Consensus), la cual se complementa con tres clases de datos primarios ajenos al ámbito académico: reportes de instituciones oficiales (Agencia Internacional de la Energía, Lawrence Berkeley National Laboratory por encomienda del Departamento de Energía de Estados Unidos), estudios de ciclo de vida difundidos por productores con auditoría externa (Mistral AI con Carbone 4, ADEME, Resilio y Hubblo), además de registros operativos en entornos reales compartidos por proveedores (Google).

Tres límites que el lector debe tener presentes:

• Las cifras de 2030 y posteriores son escenarios, no previsiones. Cuando se citan rangos amplios es porque la incertidumbre es real y está cuantificada en la fuente, no porque haya desacuerdo entre autores.

• 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 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.

• Our World in Data. How much energy do data centers and artificial intelligence use? (serie basada en datos de la AIE).

• Carbon Brief. AI: Five charts that put data-centre energy use and emissions into context.

Los valores por consulta de las herramientas comerciales de IA varían velozmente: cualquier estadística de esta clase tiene que contrastarse con el reporte más actual de la compañía proveedora.

Por Andrés Vargas

Otros contenidos populares