¿Cuánta energía y agua consume realmente la inteligencia artificial? cifras verificadas y análisis detallado 2024-2030

Contenido

1. ›Resumen en 30 segundos: las ocho cifras clave
2. ›Por qué las cifras 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: tres grifos distintos
6. ›Entrenamiento frente a inferencia: dónde está el coste real
7. ›El problema no es global, es local
8. ›Qué mitiga el impacto realmente
9. ›Cómo auditar cualquier titular sobre consumo de IA
10. ›Lo que todavía no sabemos
11. ›Preguntas frecuentes
12. ›Enfoque y alcance de este texto
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 clave

Si solo vas a leer una parte de este artículo, que sea esta tabla. Cada fila indica la fuente y el año, porque sin eso el número no significa nada.

Magnitud	Cifra	Fuente y año
Electricidad de todos los centros de datos del mundo (2025)	≈485 TWh — un 1,5 % del consumo eléctrico mundial	AIE, Electricity 2026
Proyección para 2030	≈945 TWh — cerca del 3 % mundial	AIE, Energy and AI (2025) y Electricity 2026
Parte atribuible específicamente a cargas de IA (2025)	≈155 TWh de los 485 TWh (≈20 % del total)	AIE / Aczel et al. (2026)
Centros de datos en EE. UU. (2023)	176 TWh — el 4,4 % de la electricidad del país	Lawrence Berkeley National Laboratory (2024)
Consulta de texto mediana en Gemini, medida en producción	0,24 Wh y 0,26 ml de agua	Elsworth et al., Google (2025)
Consulta de 400 tokens en Le Chat, análisis de ciclo de vida	1,14 gCO₂e y 45 ml de agua	Mistral AI con Carbone 4 y ADEME (2025)
Rango entre el modelo más y el menos eficiente por consulta larga	de 0,45 Wh a más de 29 Wh (×65)	Jegham et al. (2025)
Huella hídrica global de la IA proyectada para 2027	4.200-6.600 millones de m³ anuales (retirada)	Li et al. (2023) / Barnett-Itzhaki (2026)

En este artículo vas a descubrir

• Por qué las cifras públicas no son comparables entre sí, y los cinco parámetros que hay que fijar antes de comparar nada.

• Las cifras agregadas de consumo eléctrico, con sus escenarios y sus intervalos de incertidumbre.

• El consumo por consulta: todas las mediciones disponibles puestas en la misma tabla, con su metodología.

• El agua: los tres «grifos» distintos que casi nadie distingue y que explican la mayor parte de las discrepancias.

• Entrenamiento frente a inferencia: dónde se sitúa actualmente el gasto real.

• Por qué el problema no es global sino local, con los casos de Virginia del Norte, Irlanda, Oregón y São Paulo.

• Qué palancas reducen el impacto de verdad, cuantificadas.

• Una lista de comprobación de seis preguntas para auditar cualquier titular sobre consumo de IA.

Por qué las cifras no cuadran: cinco parámetros que nadie fija

En julio de 2025 se produjo un acontecimiento revelador. Sam Altman, el máximo responsable de OpenAI, dio a conocer que una petición promedio en ChatGPT gasta 0,34 Wh y aproximadamente 0,32 mililitros de agua. Poco después, Mistral AI dio a conocer el primer análisis sobre el ciclo de vida global de un modelo de lenguaje comercial y cifró el agua de una respuesta de 400 tokens en 45 mililitros. Dos compañías de un mismo ámbito, durante el transcurso del mismo mes, con una brecha superior a cien veces en idéntica variable.

Ninguna de las dos está necesariamente equivocada. Están midiendo cosas distintas, y ahí está el verdadero problema de este debate. Una revisión sistemática de 88 estudios revisados por pares publicada en Renewable and Sustainable Energy Reviews encontró que la energía por tarea en inferencia abarca más de tres órdenes de magnitud en la literatura científica, con la generación de imágenes consumiendo alrededor de 1.450 veces más que una tarea básica de clasificación de texto [3].

Antes de comparar dos cifras sobre consumo de IA hay que comprobar que coinciden en estos cinco parámetros:

Parámetro	Opciones posibles	Efecto en la cifra
Frontera del sistema	Solo el acelerador; acelerador + servidor; + capacidad inactiva; + sobrecoste del centro de datos (PUE); + fabricación del hardware	Puede multiplicar el resultado por 2 o por 3
Agua: retirada o consumo	Agua retirada de la cuenca frente a agua efectivamente evaporada y no devuelta	Diferencias de un orden de magnitud
Alcance del agua	Directa (refrigeración, alcance 1); indirecta (generación eléctrica, alcance 2); incorporada (semiconductores, alcance 3)	El alcance 2 suele superar al 1
Tipo de tarea	Consulta corta; respuesta larga; razonamiento extendido; imagen; vídeo	Hasta ×1.450 según la revisión sistemática
Modelo y despliegue	Modelo pequeño cuantizado frente a modelo frontera; lotes grandes o peticiones sueltas; ubicación y clima del centro de datos	Hasta ×65 entre modelos; hasta ×100 por la planificación de peticiones

A esto se suma una traba estructural en materia de transparencia. Un estudio dado a conocer en Patterns en 2025 lo señala con total claridad: los reportes ecológicos de los administradores de centros de datos no diferencian el tráfico de inteligencia artificial del resto de demandas, por lo que el impacto ambiental de la IA únicamente se calcula mediante estimaciones basadas en indicadores globales de las instalaciones; además, con frecuencia los datos difundidos ni siquiera posibilitan calcular el consumo global de la empresa [1].

El consumo eléctrico de 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]

Hay dos lecturas compatibles de esta tabla. La primera: en términos agregados, la IA sigue siendo una fracción modesta del sistema eléctrico mundial —en torno al 0,5 % hoy, camino del 1 % al 1,2 % en 2030 según la estimación más conservadora [10]—. La segunda: el ritmo de crecimiento no tiene precedente reciente en el sector eléctrico, y la infraestructura de red se planifica en plazos de siete a diez años mientras un centro de datos se construye en 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 cifra es la más repetida y, al mismo tiempo, la menos veraz. A lo largo de los años, los cálculos se elaboraron desde una perspectiva externa, partiendo de conjeturas sobre el uso y el hardware. En agosto de 2025 vio la luz el primer registro en un contexto operativo real: Google equipó la plataforma que da soporte a Gemini y determinó que la petición textual media consume 0,24 Wh de energía y 0,26 ml de agua, lo cual equivale a nueve segundos de emisión televisiva y a cinco gotas de líquido [23].

Ese cometido cobra relevancia por un par de motivos que van más allá de la simple cifra. Por un lado, el perímetro del sistema abarca tanto la energía del acelerador activo y el equipo principal como la potencia ociosa de los equipos y el gasto energético adicional del centro de datos; en otras palabras, se trata de una medición exhaustiva y no de una estimación favorable de GPU. Por otro lado, registra un descenso de 33 veces en energía y 44 veces en huella de carbono por consulta mediana en un solo año, logro derivado de la optimización del software y la adquisición de electricidad limpia. Por consiguiente, cualquier dato sobre el consumo por consulta previo a 2024 queda desfasado por múltiplos considerables.

Medición	Energía	Agua	Metodología
Gemini Apps, consulta de texto mediana (Google, 2025)	0,24 Wh	0,26 ml	Cálculo en producción, arquitectura integral abarcando capacidad ociosa y PUE [23]
ChatGPT, consulta media (declaración de OpenAI, 2025)	0,34 Wh	≈0,32 ml	Anuncio oficial carente de metodología detallada o auditoría externa
Le Chat, respuesta de 400 tokens (Mistral, 2025)	No desglosada	45 ml	Evaluación de ciclo de vida bajo norma ISO 14040/44, validada por Resilio junto con Hubblo; contempla 1,14 gCO₂e y 0,16 mg Sb eq
30 modelos comerciales, consulta corta (Jegham et al., 2025)	0,42-0,45 Wh el más eficiente	Cálculo mediante factores corporativos	Cálculo estadístico de la infraestructura a partir de información pública de API [11]
Los mismos 30 modelos, consulta larga	Más de 29 Wh el de mayor consumo (×65)	—	Idéntico al caso previo [11]
Correo de 120-200 palabras con Llama-3-70B (Shumba et al., 2024)	—	≈0,12 l	Cálculo basado en el uso hídrico nacional a lo largo de 11 naciones africanas [16]
El mismo correo con un modelo de clase GPT-4	—	Hasta ≈2,6 l	Idéntico al caso previo; el rango varía notablemente según la nación [16]

La moraleja práctica no aboga por el consumo escaso ni por el desmedido. Más bien, se deduce que la selección del modelo y su modalidad de servicio influyen mucho más que la mera decisión de implementar IA o prescindir de ella. Una investigación empírica centrada en H100 reveló que organizar temporalmente el flujo de solicitudes disminuye la energía requerida por cada consulta hasta cien veces, constatando además que el beneficio derivado de emplear precisión reducida surge únicamente en escenarios condicionados por la capacidad de cálculo [20]. Por otro lado, un análisis enfocado en 14 arquitecturas abiertas que oscilan entre 6.000 y 34.000 millones de parámetros determinó que escalar el tamaño incrementa notablemente el gasto energético sin aportar ganancias de exactitud equivalentes, evidenciando que, para numerosas labores, las opciones intermedias alcanzan o rebasan el rendimiento de las mayores con un coste energético notablemente inferior [21].

Hay además un hallazgo contraintuitivo que conviene conocer: en una evaluación multilingüe sobre NVIDIA H200 con más de 5.100 ejecuciones, la energía varió hasta el triple entre modelos con cargas idénticas, la correlación entre gasto energético y rendimiento en razonamiento resultó débil (ρ de Spearman = 0,109; p = 0,386), y el idioma de la consulta se comportó como un parámetro medible de despliegue: las lenguas romances consumieron de media menos energía que el inglés en varios modelos [5].

El agua: tres grifos distintos

El agua representa el punto donde más se enreda la discusión pública, y el motivo resulta evidente: coexisten tres corrientes diferentes y casi nunca se especifica a cuál de ellas se hace referencia.

1. Agua directa (alcance 1). La que se evapora en las torres de refrigeración del propio centro de datos. Es la que suele aparecer en los titulares y la única que el operador controla directamente.

2. Agua indirecta (alcance 2). La que se consume generando la electricidad que alimenta el centro de datos: refrigeración de centrales térmicas y nucleares, evaporación en embalses hidroeléctricos. Suele ser mayor que la directa. En el clúster de São Paulo, con una carga informática de unos 550 MW y una huella hídrica anual estimada de 16,1 millones de m³, más del 46 % es «agua virtual» consumida en la generación hidroeléctrica[7].

3. Agua incorporada (alcance 3). La de la fabricación de semiconductores y del resto de la cadena de suministro del hardware.

Esta 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].

Cálculo	Alcance y periodo	Volumen	En qué consiste la medición exacta
Li et al. (2023), citado por Barnett-Itzhaki (2026)	Global, IA, 2027	4.200-6.600 millones de m³/año	Extracción de recursos hídricos, prescindiendo del consumo neto [2]
Patterns (2025)	A escala global, únicamente para cargas de IA, 2025	312.500-764.600 millones de litros (0,31-0,76 miles de millones de m³)	Gasto estimado mediante parámetros estándar aplicados a centros de datos [1]
Nature Sustainability (2025)	Estados Unidos, infraestructura de servidores de inteligencia artificial, 2024-2030	731-1.125 millones de m³/año	Consumo hídrico anual, abarcando un rango según el nivel de implementación [6]
Entrenamiento de un modelo tipo GPT-3	Un modelo individual, proceso íntegro	≈1,3 GWh y ≈5,4 millones de litros	Registros del ciclo vital recopilados en una auditoría legal y técnica [24]
Mistral Large 2 (2025)	Una unidad, fase de aprendizaje sumada a año y medio de funcionamiento	20,4 ktCO₂e y 281.000 m³ de agua	Evaluación de ciclo vital; el 91 % del recurso hídrico se vincula al entrenamiento y la inferencia
Gama de modelos desde 20M hasta 13.000M de parámetros (2025)	Creación integral de una familia de sistemas	493 t de CO₂ y 2,769 millones de litros	Comprende la producción de componentes y la investigación; la creación supuso casi el 50 % 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 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, la dimensión de los lotes, la calendarización de solicitudes y la selección del motor de inferencia son capaces de disminuir la energía global en hasta un 73 % en comparación con un ajuste carente de optimización [4].

• Se manifiesta el efecto rebote. Dentro de esta literatura se documenta de forma explícita la paradoja de Jevons: las optimizaciones en la eficiencia abaratan el servicio y elevan la demanda global [18]. Jegham et al. lo plantean como «una paradoja en expansión: conforme la inteligencia artificial se vuelve más veloz y económica, su masiva adopción desencadena un gasto desmedido de recursos» [11].

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 problema no es global, es 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.)	Los centros de datos ya consumen ≈25 % de la electricidad regional; el margen de reserva cae bajo el umbral en 3-5 años; cuota del 36 %-40 % en 2031	Sustainable Futures (2026) [17]
Oregón, Virginia e Irlanda	Índice de estrés eléctrico (PSI) superior a 0,25, indicador de vulnerabilidad local de red	Chen et al. (2026) [10]
Irlanda (EirGrid) y Dominion (EE. UU.)	Dificultad para acomodar los nuevos centros necesarios; relajar las garantías de fiabilidad multiplica por 1,5-4,6 la capacidad disponible	Lin et al. (2023) [15]
São Paulo (Brasil)	16,1 millones de m³ anuales de huella hídrica para ≈550 MW; más del 46 % agua virtual de hidroeléctrica sensible a sequía	Cambridge Prisms: Water (2026) [7]
Texas y Japón	Sistemas diversificados capaces de absorber la nueva carga sin estrés comparable	Chen et al. (2026) [10]
8 de 11 países africanos analizados	Consumen menos agua por consulta que la media mundial, por menor intensidad hídrica de su generación eléctrica; los de clima estepario, más	Shumba et al. (2024) [16]

La última fila merece atención porque contradice la intuición habitual. La huella de una consulta idéntica puede variar de forma sustancial según el país donde se ejecute, y no siempre en la dirección que se supone. La ubicación del centro de datos y el diseño de su refrigeración influyen en el impacto ambiental tanto como la eficiencia del hardware[25].

Qué mitiga el impacto realmente

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 temporal del flujo de solicitudes	Hasta ×100 en gasto energético por consulta	Demanda supervisión del tráfico; afecta a la latencia	[20]
Conjunto de mejoras para la inferencia (cuantización, procesamiento por lotes, motor)	Hasta el 73 % de la energía total	Altamente dependiente del hardware y de la carga de trabajo	[4]
Seleccionar un modelo intermedio en lugar de uno grande	Prestaciones equivalentes o superiores con un consumo energético muy inferior en múltiples tareas	Sujeto al tipo de tarea; no aplica universalmente	[21]
Prácticas óptimas integradas en centros de datos de inteligencia artificial (EE. UU.)	Hasta un 73 % en emisiones y un 86 % en huella hídrica	Condicionado por las limitaciones de la red eléctrica actual	[6]
Sistemas de refrigeración avanzados (liquidez directa)	Hasta un 50 % de la electricidad destinada a climatización	Exige modificar la infraestructura existente	[25]
Emplazamiento en zonas con baja huella de carbono y seguridad hídrica	Alrededor del cincuenta por ciento de la huella total combinada	Entra en conflicto con los requisitos de red y latencia	[25]
Simbiosis con plantas depuradoras: uso de agua tratada para refrigerar y aprovechamiento térmico para la instalación	≈84 Mt CO₂e/año, ≈1.300 millones de m³ de agua dulce y ≈95.400 millones de dólares de ahorro neto anual	Precisa coubicación; mayor impacto previsto en EE. UU., Japón, China, Países Bajos y Reino Unido	[9]
Desvío de tráfico según la huella de carbono y refrigeración líquida	Entre un 40 % y un 60 % de disminución del impacto ambiental	Soluciones viables y económicas en la actualidad, 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 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 resulta igualmente relevante: el estudio publicado en Nature Sustainability advierte que, pese a implementar prácticas óptimas, la industria de servidores de IA apenas logrará cumplir con sus metas de cero neto para 2030 a menos que acuda a sistemas de compensación de carbono y de recuperación hídrica cuyos resultados generan profundas dudas[6].

Cómo auditar cualquier titular sobre consumo de IA

Seis preguntas. Si un titular o un informe no permite responderlas, el dato no es utilizable:

1. ¿De qué año es la medición? Google documentó una mejora de 33 veces en energía por consulta en doce meses. Una cifra de 2023 no describe 2026.

2. ¿Qué incluye la frontera del sistema? ¿Solo la GPU, o también el servidor, la capacidad inactiva, el PUE del edificio y la fabricación 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 bastante diferenciados: la medición instrumentada en producción, la inferencia estadística a partir de información pública de API, y la aseveración 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, obstaculizando la asignación precisa de los impactos [1].

• Los datos locales de consumo de agua rara vez son públicos. Los gobiernos locales y las empresas de servicios no siempre los facilitan, de modo que hace falta solicitarlos por vía de transparencia [13].

• La atribución transfronteriza está sin resolver. Se ha propuesto un marco híbrido que asigne la huella operativa a los Estados anfitriones y los impactos incorporados y de servicio a los Estados consumidores, pero no existe acuerdo [24].

Preguntas frecuentes

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

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 verdad que la IA consume mucha agua?

Dependiendo de lo que se aborde, los registros varían desde los 0,26 ml (en el caso de Gemini, evaluado en un entorno real) hasta los 45 ml (según la estimación de ciclo de vida para 400 tokens en Le Chat). Por otro lado, las estimaciones globales para la inteligencia artificial oscilan entre los 0,31 y los 0,76 mil millones de m³ previstos para 2025, de acuerdo con Patterns[1], mientras que Li et al. calculan extracciones anuales de entre 4.200 y 6.600 millones de m³ para el año 2027 [2]. El contraste fundamental no radica tanto en la dimensión material, sino en el criterio conceptual: extracción en contraposición a consumo, además del alcance operativo, ya sea directo o indirecto.

¿Qué pesa más, entrenar un modelo o usarlo?

Usarlo. La inferencia concentra más del 90 % del consumo energético de un servicio en explotación[19], mientras que diversos cálculos documentados sitúan la huella de carbono de la fase operativa en veinticinco veces la generada durante el entrenamiento inicial [18]. Tomando como referencia el caso analizado de Mistral Large 2, tanto la fase de entrenamiento como la de inferencia aglutinan de forma conjunta el 91 % del consumo de agua y el 85,5 % de las emisiones de gases de efecto invernadero.

¿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 optimizaciones de eficiencia solucionan la dificultad?

Solo de manera parcial. Los análisis de escenarios reflejan que, a pesar de que el rendimiento operativo experimenta un progreso considerable, el requerimiento global asciende cerca de un orden de magnitud debido al incremento en la utilización [12]. Hablamos del efecto rebote o paradoja de Jevons, constatado de manera clara en dichos estudios [18]. Aquellas proyecciones que consiguen abatir más las emisiones integran una menor cantidad de arquitecturas junto con un cambio hacia fuentes eléctricas con baja huella de carbono, rebasando por encima de 20 puntos porcentuales el impacto que la sola eficiencia es capaz de alcanzar [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.

Enfoque y alcance de este texto

Este artículo se ha elaborado a partir de bibliografía evaluada por expertos hallada mediante exploración semántica en repositorios científicos (Semantic Scholar, OpenAlex y PubMed por medio de Consensus), reforzada con tres clases de datos primarios no académicos: documentos oficiales de instituciones públicas (Agencia Internacional de la Energía, Lawrence Berkeley National Laboratory por encomienda del Departamento de Energía de Estados Unidos), estudios de ciclo vital editados por compañías con auditoría externa (Mistral AI junto a Carbone 4, ADEME, Resilio y Hubblo), y registros de rendimiento operativo dados a conocer por proveedores (Google).

Tres límites que el lector debe tener presentes:

• 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 sin metodología publicada se identifican como tales y no se tratan como equivalentes a mediciones instrumentadas o a análisis de ciclo de vida revisados.

• 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? (conjunto informativo sustentado en cifras de la AIE).

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

Los costes por consulta de los servicios comerciales de inteligencia artificial varían con gran rapidez: cualquier dato de esta índole necesita ser contrastado frente al registro más actualizado del proveedor.