Medio ambiente – «La huella energética y de carbono mundial y la difusión de la IA». Un proyecto de contabilidad de la energía y las emisiones. [A l’encontre]

_{Foto: Jordan Gale/Oregon Capital Chronicle.}

Erald Kolasi y Jesse Damiani*

A l’encontre, 7-11-2026

Traducción de Correspondencia de Prensa, 8-11-2026

La campaña de las elecciones de mitad de mandato en Estados Unidos estuvo marcada por numerosas movilizaciones contra la creciente implantación de centros de datos y por un gran número de peticiones de moratorias, entre otros lugares, en Texas, la nueva sede de Elon Musk. Estos centros de datos multiplican el consumo de recursos (energía, agua), provocan contaminación acústica (ventiladores de refrigeración) y devalúan el precio de numerosos terrenos, lo que constituye una forma de expropiación de los pequeños y medianos propietarios.

Las inversiones masivas de los multimillonarios propietarios del sistema productivo subyacente a la IA se enfrentan pues, a una contestación social y política. Ahora bien, esta oligarquía económica se caracteriza por una voluntad ultrautoritaria para defender sus imponentes intereses. Aquí queda claro el entrelazamiento social y político entre los círculos trumpistas y esta plutocracia, que organizan un intento de hegemonía político-doctrinal. Además, su proyecto conduce a la transformación de una parte de la infraestructura material del capitalismo estadounidense. Por el momento, estas inversiones funcionan como motor de un crecimiento distorsionado, antes de que estalle la burbuja de la IA, junto con una crisis del crédito privado y de la deuda privada, que se viene gestando desde hace tiempo. La reciente «ola azul» demócrata se va a topar con estos obstáculos.

El artículo que publicamos está centrado en un intento de cuantificar —en términos de consumo energético, extracción de «tierras raras» y emisiones de gases de efecto invernadero— el «ciclo de vida de la difusión de la IA a escala mundial». Redacción de A l’Encontre

***

Erald Kolasi y Jesse Damiani

La expansión de la IA supone un punto de inflexión revolucionario para las redes energéticas y las cadenas de suministro mundiales. El crecimiento del sector de la IA ha sido tan rápido e intenso que los analistas compiten por publicar previsiones cada vez más asombrosas. Un estudio del FMI de 2025 estimaba que el consumo anual de electricidad relacionado con la IA podría alcanzar unos 1.500 TWh de aquí a 2030, lo que equivale al consumo actual de la India, un país con 1.400 millones de habitantes ¹. Por su parte, la consultora internacional de gestión McKinsey estima que esta cifra podría ser aún mayor, superando los 2.000 TWh ². Esta onda de choque derivada de la difusión mundial está alimentada por un auge histórico y sin precedentes de las infraestructuras: centros de datos, centrales eléctricas, instalaciones de reciclaje de agua, fábricas de semiconductores (fábricas especializadas donde el silicio en bruto se transforma en circuitos integrados y microchips), subestaciones eléctricas, redes de transporte de electricidad, almacenes automatizados y muchas otras (véase la ilustración). Los centros de datos proliferaron inicialmente con el boom del cloud computing en las décadas de 2000 y 2010, cuando numerosas empresas pasaron de los almacenes de datos locales a la nube con el objetivo de reducir sus costos y aumentar su eficiencia. Pero la ola de IA de nueva generación que siguió al lanzamiento de ChatGPT en 2022 provocó un increíble auge en la construcción de nuevos centros de datos y el establecimiento de una red de infraestructuras relacionadas. Aunque, efectivamente, se está gestando un movimiento de oposición local contra esta expansión de la IA, las clases dirigentes mundiales se centran en una fórmula sencilla: primero la energía, luego las preguntas. A pesar de un profundo debate sobre los impactos energéticos, medioambientales y materiales del auge de la IA, seguimos sin disponer de evaluaciones rigurosas y objetivas que tengan en cuenta la compleja dinámica del ciclo de vida de la difusión de la IA a escala mundial.

Por lo tanto, ese es el objetivo principal de este artículo: contar la historia de la IA y la energía a escala mundial, ampliando el ámbito de análisis mucho más allá de lo que ningún otro estudio ha hecho hasta ahora. Los sistemas de IA como Gemini y ChatGPT consumen enormes cantidades de electricidad, pero el desarrollo del universo de la IA afecta a las redes energéticas y a las cadenas de suministro de todo el mundo. El desarrollo de la IA es, sin duda, una historia de electricidad, pero también es una historia de energía, agua, metales, materiales y termodinámica. Hay que producir acero y cemento para construir centros de datos. Hay que tender cables de fibra óptica para transportar los datos y la información desde los centros de datos hasta las empresas y los consumidores. Los chips informáticos deben fabricarse con algunas de las máquinas más avanzadas que la humanidad haya concebido jamás. Y estas máquinas son tan delicadas y complejas que deben desmontarse durante su envío y volver a montarse con sumo cuidado una vez en destino. El gigante neerlandés de los semiconductores ASML envía cada año cientos de máquinas de litografía de última generación. Para una sola máquina de ultravioleta extremo (EUV), ASML (Advanced Semiconductor Materials Lithography) necesita, en promedio, tres aviones de carga, 40 contenedores de cargamento y 20 camiones para transportar los componentes desmontados hasta la Taiwan Semiconductor Manufacturing Company (TSMC) en Taiwán, que utiliza estas máquinas para producir los chips más avanzados del mundo ³. La red eléctrica taiwanesa se basa principalmente en el carbón y el gas natural, y dado que TSMC consume por sí sola alrededor del 10 % de la electricidad de la isla, la industria de los semiconductores en Taiwán genera un elevado nivel de emisiones de carbono ⁴.

***

Estos desafíos nos llevaron a analizar los detalles y a llevar a cabo las investigaciones necesarias para responder a algunas preguntas decisivas. ¿Cuánta energía consume la humanidad como consecuencia de la adopción y la difusión generalizadas de los sistemas de IA en la economía mundial? ¿Qué porcentaje del consumo energético mundial en 2026 debería atribuirse a la IA? ¿Qué se considera exactamente un sistema de IA? ¿Cuál es la cantidad de emisiones mundiales de gases de efecto invernadero (GEI) generadas por la adopción y la difusión de la IA? ¿Cómo afecta el auge de la IA a las redes energéticas mundiales y a las cadenas de suministro industriales? ¿A dónde va a parar toda esta expansión energética y qué efectos podría tener sobre la biósfera planetaria durante la próxima década?

Se trata, según nuestros conocimientos, del primer análisis cuantitativo que intenta desglosar la huella energética y las emisiones globales relacionadas con la difusión de la IA en un solo año (2026), así como proporcionar los datos y el contexto necesarios para un análisis completo del ciclo de vida. Los estudios sobre la IA y la energía son numerosos, pero, como veremos en breve, suelen limitarse a diversas piezas de un rompecabezas más amplio sin llegar a armar el conjunto. Este artículo se centrará en los impactos de la difusión de la IA a lo largo de su ciclo de vida a escala mundial. Cuando los investigadores calculan la huella hídrica de la carne de vacuno, no se limitan al agua que se consume en el McDonald’s local. Tienen en cuenta el agua utilizada para criar la vaca, la necesaria para cultivar las plantas con las que se alimenta, así como otros eslabones de la cadena de suministro, lo que les permite concluir que el 98 % de la huella hídrica de los productos cárnicos se debe al agua utilizada para el cultivo de alimentos para animales ⁵. Realizan análisis similares cuando quieren calcular la huella de carbono de las centrales de carbón o de las tecnologías de energía renovable. El sector de la IA no debería ser una excepción, pero muy a menudo el discurso público y académico sobre el tema puede dar la impresión de ser una caricatura aleatoria de lo que realmente ocurre.

Esto se debe a que muchos investigadores universitarios y el público en general suelen considerar la IA como un producto más que como un sector. Los productos están localizados en el espacio y son independientes. La hamburguesa está ahí mismo, en nuestras manos. ChatGPT nos envía una respuesta personalizada directamente a nuestro dispositivo. Cuando solo vemos unidades aisladas y desconectadas entre sí, las consecuencias que se derivan de ello también parecen, casi por definición, menores y aisladas. Pero cuando cambiamos de perspectiva y consideramos la IA como un sector global, empezamos a darnos cuenta de que conlleva cadenas de suministro interdependientes, economías de escala, efectos de red, integración tecnológica y aglomeración industrial. Entonces deja de ser una entidad aislada. Es una megamáquina global que devora todo a su paso. Precisamente porque la IA es, en realidad, un sector que ofrece una amplia gama de productos y servicios, podemos someterla al mismo tipo de análisis del ciclo de vida que se utiliza para otros sectores.

***

El sector de la IA tiene una huella medioambiental enorme que puede describirse a través de dos componentes fundamentales: las emisiones operativas y las emisiones intrínsecas. Las emisiones operativas son las emisiones de gases de efecto invernadero que se derivan directamente de la electricidad consumida por los sistemas de IA para el entrenamiento, la inferencia [cuando el modelo de IA ya entrenado se utiliza en producción para analizar nuevos datos y realizar predicciones] o cualquier otra operación habitual. Por su parte, las emisiones intrínsecas corresponden al conjunto de emisiones generadas a lo largo de todo el ciclo de vida, desde la fabricación, el transporte, la construcción, la instalación, el reciclaje y el desmantelamiento del material físico y de las infraestructuras que sustentan el ecosistema del cloud en sentido amplio, incluidas actividades como la fundición de acero, la mezcla de hormigón, la limpieza de los chips de silicio y muchas otras. Del mismo modo, el consumo de energía también puede describirse en términos de emisiones operativas e intrínsecas.

Las empresas tecnológicas y los investigadores partidarios de las tecnologías se centran tradicionalmente en las emisiones operativas de carbono y el consumo energético, ya que son fáciles de medir y aún más fáciles de ocultar mediante compensaciones de carbono, créditos y otros mecanismos de «greenwashing» que prácticamente no contribuyen en nada a resolver los problemas ecológicos fundamentales derivados del despliegue mundial de la IA, entre los que destacan el enorme consumo de agua y los cambios radicales en el uso del suelo, con consecuencias de gran alcance ⁶.

Como se pondrá de manifiesto en este análisis, las emisiones de carbono operativas y el consumo energético relacionados con el uso eléctrico de la IA no son más que una pieza importante de un rompecabezas mucho más vasto. El impacto real se sitúa tanto antes como después de las operaciones in situ, desde el conjunto de las cadenas de suministro mundiales que producen a un ritmo frenético el material informático y las infraestructuras físicas que constituyen los cimientos del despliegue de la IA, hasta los efectos de rebote y las consecuencias posteriores en los hogares, las empresas y los gobiernos que utilizan los sistemas de IA a un ritmo sin precedentes.

Utilizamos el término «onda de choque» para destacar los niveles colosales de inversión que impulsan la expansión y la difusión de las tecnologías de IA. No nos pronunciamos aquí sobre si estas tecnologías son, en sí mismas, impresionantes o revolucionarias. Las tecnologías pueden extenderse por todo tipo de razones, a veces porque son verdaderamente revolucionarias y otras porque simplemente son impuestas a la sociedad por las clases dominantes. Sin duda, algunas características de los modelos de IA son impresionantes y cambiarán la naturaleza del trabajo y de la sociedad humana en sentido amplio, pero, al mismo tiempo, estos modelos también presentan debilidades fundamentales o problemas potenciales que podrían limitar su difusión y su universalidad en el futuro, en particular las alucinaciones, los «muros de datos» [barrera teórica y técnica a la que se enfrentan los modelos de inteligencia artificial cuando su progreso se ve frenado por el agotamiento o la escasez de nuevos datos de alta calidad disponibles para entrenarlos], las barreras de abstracción [fenómeno por el cual las herramientas se vuelven cada vez más fáciles de usar al ocultar la complejidad técnica subyacente] y muchas otras ⁷. Sea como fuere, este artículo no se centra en las ventajas y desventajas de la adopción de la IA. Se centra estrictamente en la contabilidad energética y de emisiones, con el fin de ofrecer al público en general y a los investigadores una idea más clara de la magnitud y el alcance de la difusión de la IA, así como de las presiones que ejerce sobre los recursos del planeta. Los autores de este artículo coinciden en que la especulación financiera en torno al sector de la IA se convirtió en una burbuja y que, al igual que todas las burbujas anteriores, ésta llegará a su fin, lo que provocará una caída vertiginosa del volumen de inversiones a nivel mundial. Sin embargo, la fecha en la que esto podría ocurrir y el impacto que podría tener en la presente evaluación también quedan fuera del alcance de este artículo.

***

En 2026, nuestro análisis revela que la difusión y el despliegue de la IA son responsables de nada menos que el 1,1 % de la demanda energética mundial total, una cifra claramente superior a lo que sugieren la mayoría de las estimaciones convencionales simplistas. Por ejemplo, un análisis simplista de Our World in Data afirma que la difusión de la IA solo representa el 0,2 % de la demanda mundial de energía primaria ⁸. Como explicamos detalladamente en este artículo, este tipo de evaluaciones suelen ser de poca utilidad, ya que se centran únicamente en el consumo de electricidad e ignoran la dinámica energética más amplia a lo largo de todo el ciclo de vida que impulsa la difusión de la IA a escala mundial. De hecho, demostramos que el consumo energético mundial relacionado con la IA probablemente ya sea superior al del Reino Unido en su conjunto. También estimamos que la IA será responsable de aproximadamente el 1,2 % del total de las emisiones mundiales de GEI para este año. Se trata de cifras asombrosas que contradicen los discursos habituales sobre la relativa insignificancia de la IA en el consumo energético mundial.

No pretendemos que los resultados aquí presentados constituyan respuestas definitivas a las preguntas que hemos planteado. En efecto, queremos reconocer abiertamente, desde el principio, que nuestra metodología y nuestros cálculos, que se exponen en detalle a continuación, adolecen de diversas lagunas, omisiones e hipótesis simplificadoras, casi todas ellas necesarias dado el alcance de este análisis y las limitaciones relacionadas con los datos. Estos puntos serán abordados en detalle, lo que, esperamos, ahorrará a nuestros detractores muchos esfuerzos inútiles. Los resultados de este análisis deben considerarse como una aproximación de primer orden y como un punto de partida hacia investigaciones y estudios más exhaustivos, de modo que las evaluaciones detalladas de segundo y tercer orden puedan conducir a respuestas más precisas en el futuro.

La cantidad de trabajo que queda por realizar en este ámbito es considerable. Nuestros principales objetivos para este artículo son los siguientes:

-Queremos promover un cambio en la forma en que el público en general, los investigadores universitarios, las grandes empresas y los gobiernos abordan la IA y su impacto en el consumo de energía, las emisiones de gases de efecto invernadero y la biósfera planetaria. Esto implica, ante todo, explicar por qué los discursos actuales son totalmente insuficientes y, a continuación, proponer mejores alternativas para abordar los desafios a los que nos enfrentamos.

-Esperamos fomentar la continuación de la investigación en este ámbito para que otros grupos puedan llegar a respuestas mejores que las que aquí presentamos.

-Esperamos que este artículo pueda servir de marco de referencia para futuras medidas políticas destinadas a afianzar un mayor control público y democrático sobre el alcance, la magnitud y la velocidad de la onda de choque relacionada con la difusión de la IA que actualmente sacude a gran parte del mundo.

IA y energía: una introducción

El término «inteligencia artificial» suscita numerosas opiniones e interpretaciones. El primer punto de partida de este análisis consiste en determinar qué entendemos por IA. En este contexto, definimos la IA como cualquier sistema generativo, agéntico, software o robótico que se base parcial o totalmente en la lógica simbólica clásica (como los marcos robóticos TAMP, en los que los planificadores de lógica simbólica se combinan con la visión por ordenador, el reconocimiento de patrones geométricos, etc.), el aprendizaje profundo con redes neuronales o una combinación de ambos.

Quedan excluidos de esta definición los modelos, sistemas y procesos basados en técnicas como la regresión logística, los bosques aleatorios (random forest, algoritmo de aprendizaje automático, ndt) o el gradient boosting [combinación progresiva de entidades débiles]. Se incluyen en esta definición los grandes modelos lingüísticos (LLM) como ChatGPT, Claude, Copilot y Gemini, pero también los agentes de IA, los vehículos autónomos, los robots industriales, los robots autónomos, el software de apoyo a la toma de decisiones en la empresa —como los sistemas de apoyo a la toma de decisiones clínicas en los hospitales— y muchos otros. En términos sencillos: si se recurre de alguna manera a la lógica simbólica o a las redes neuronales, se clasifica en la categoría de IA a efectos de este análisis. Los debates filosóficos sobre qué constituye la inteligencia y sobre si los LLM o los agentes de IA son realmente seres conscientes o intelectuales quedan fuera del alcance de este análisis.

La mayoría de los usuarios interactúan con los sistemas de IA sin prestar atención a las condiciones subyacentes necesarias para su creación. Sin embargo, antes de que un modelo o un sistema de IA pueda ponerse en marcha, debe ser entrenado y desarrollado. Esto requiere el almacenamiento de grandes cantidades de datos en el cloud. Implica el despliegue de equipos especializados, como procesadores gráficos (GPU), aceleradores, chips de memoria, racks de servidores, conmutadores de red, transceptores ópticos, cables de fibra óptica, refrigeradores, torres de refrigeración y muchos otros elementos más. Para satisfacer las exigencias del cálculo de IA de alto rendimiento, se conectan entre sí miles de GPU para que funcionen como un superordenador de facto, a menudo con la ayuda de chips de memoria de alto ancho de banda (HBM) apilados verticalmente junto a los GPU. Los GPU reciben datos de entrada e instrucciones procedentes del exterior y los utilizan para realizar cálculos rápidos, en forma de multiplicaciones matriciales que implementan las arquitecturas de redes neuronales que constituyen el núcleo de los sistemas modernos de IA (véase la ilustración 2). Todos estos componentes deben fabricarse, transportarse, instalarse, repararse y mantenerse en funcionamiento continuo para garantizar que puedan respaldar adecuadamente la difusión y el despliegue de la IA. Y una vez que los modelos de IA se han entrenado y desplegado, los usuarios envían consultas y comandos como entradas y reciben diversos resultados, que van desde texto escrito y diagramas hasta imágenes y vídeos.

Emma Strubell [Universidad Carnegie Mellon, Instituto de Tecnologías del Lenguaje] y sus colaboradores publicaron en 2019 un artículo de gran relevancia que llamó la atención de todo el mundo sobre los modelos de IA de alto consumo energético que se estaban desarrollando en aquel momento ⁹. Por ejemplo, el artículo concluía que el entrenamiento de un modelo de IA de primera generación mediante una metodología de búsqueda de arquitectura neuronal emitiría el equivalente a 600 000 libras [unos 271 000 kg] de dióxido de carbono, lo que equivale aproximadamente a lo que emiten 30 000 coches en Estados Unidos en un solo día en condiciones normales de conducción.

Aunque ese artículo fue revolucionario, marcó el inicio de una tendencia lamentable que consiste en analizar la demanda energética de la IA principalmente a través del prisma del consumo eléctrico operativo, una tendencia que ha persistido en numerosos estudios recientes, de donde provienen datos anecdóticos como que «el entrenamiento del GPT-4 de OpenAI [de Sam Altman] costó más de 100 millones de dólares y consumió 50 gigavatios-hora de energía, lo que equivale a lo necesario para abastecer a San Francisco durante tres días» ¹⁰. Esta tendencia a analizar las necesidades y la capacidad operativas llevó a la mayoría de las publicaciones académicas sobre el tema a ignorar en gran medida las dinámicas del ciclo de vida, como los procesos previos y posteriores afectados por la implantación de la IA. A esta altura, todo el mundo sabe que una consulta típica en ChatGPT puede consumir hasta diez veces más electricidad que una búsqueda habitual en Google ¹¹. Pero el consumo de electricidad es solo un aspecto de esta historia, y ni siquiera es el más importante.

Udit Gupta [de Cornell Tech, especializado en la interacción entre la arquitectura informática, los sistemas, el aprendizaje automático y la sostenibilidad medioambiental] y sus colaboradores cuestionaron este enfoque centrado en el consumo operativo en un artículo innovador publicado en 2021, en el que demostraron que las emisiones intrínsecas superan con creces las emisiones operativas de los sistemas informáticos modernos ¹². Varios estudios han examinado las relaciones entre los modelos de IA, la energía y las emisiones a lo largo de todo el ciclo de vida. En un artículo publicado en 2022, Sasha Luccioni [actualmente titular de la cátedra de Justicia Social e IA de la École normale supérieure] y su equipo estimaron las emisiones totales a lo largo de todo el ciclo de vida relacionadas con el entrenamiento del modelo de IA BLOOM ¹³. Confirmando los resultados de Gupta y otros investigadores, demostraron que el carbono intrínseco del hardware informático superaba con creces las emisiones relacionadas con el funcionamiento resultantes del propio entrenamiento del modelo.

En un famoso artículo publicado en 2023, Alex de Vries [Universidad de Ámsterdam] demostró que las necesidades de inferencia de la IA pronto superarían con creces el consumo eléctrico utilizado para el entrenamiento ¹⁴. El artículo modeló varios escenarios futuros de consumo eléctrico, y el escenario más pesimista a corto plazo preveía que el consumo eléctrico de Google alcanzara el mismo nivel que el de Irlanda. Sin embargo, el análisis se centró únicamente en el consumo eléctrico y pasó por alto los efectos de red, así como la dinámica del ciclo de vida de la implantación de la IA. Otros investigadores han demostrado que los sistemas de IA pueden presentar huellas de carbono radicalmente diferentes según el lugar, el momento y la forma en que se ejecutan, especialmente cuando no disponen de suficiente capacidad de almacenamiento en baterías y están sujetos a las variaciones propias de la energía eólica y solar ¹⁵. Por ejemplo, algunas cargas de trabajo relacionadas con la IA podrían transferirse a centros de datos alimentados con energías renovables, lo que reduciría así sus emisiones.

***

Los centros de datos y otras infraestructuras de IA se basan fundamentalmente en minerales y materias primas críticas extraídas de la Tierra. El cobre se utiliza para el cableado, el litio para las baterías y los elementos de tierras raras forman parte de la composición de los imanes industriales que se emplean en los ventiladores de refrigeración y los discos duros. Todos estos minerales y elementos esenciales proceden de diversas cadenas de suministro globales, complejas y extractivas ¹⁶. Las operaciones mineras necesarias para obtener estas materias primas tienen una importante huella de carbono, ya que acaban destruyendo los sumideros de carbono y los paisajes locales, por no hablar de las emisiones relacionadas con el funcionamiento de gigantescos vehículos y maquinaria que funcionan con diésel, como las perforadoras rotativas con explosivos. El procesamiento de una sola tonelada de metales de tierras raras genera unas 2.000 toneladas de residuos tóxicos ¹⁷. En Baotou, China [Mongolia Interior], se formó un inmenso lago de lodos tóxicos a lo largo de los años como consecuencia del procesamiento de tierras raras, lo que deterioró la calidad del agua local y devastó las comunidades de la zona.

La industria de los semiconductores es el motor del desarrollo de los centros de datos. Los semiconductores se fabrican en plantas de fabricación, o «fabs». Muchas empresas consideradas fabricantes de semiconductores, en realidad, no producen sus propios chips o componentes. En su lugar, subcontratan la producción a terceros fabricantes. El fabricante de semiconductores más importante del mundo es Taiwan Semiconductor Manufacturing Company (TSMC). TSMC funciona según un modelo económico de fundición, lo que significa que no diseña nada, sino que se limita a fabricar los dispositivos y componentes físicos. Otras empresas, como NVIDIA [Jen-Hsun Huang] o AMD [procesadores GPU, directora ejecutiva Lisa Su], son empresas de software que se encargan del diseño y, a continuación, envían sus planos a TSMC para que ésta pueda producir los chips correspondientes. En sentido estricto, TSMC es un fabricante de chips, mientras que una empresa como NVIDIA es un diseñador de chips.

Y estas empresas no representan más que una ínfima parte de la industria de los semiconductores. Los microchips se fabrican mediante un proceso muy complejo que incluye etapas como el grabado, la fotolitografía, la deposición, las pruebas y el montaje, todas las cuales requieren algunas de las máquinas y equipos de fabricación más avanzados que la humanidad haya concebido jamás. La empresa neerlandesa ASML fabrica las máquinas de litografía más avanzadas del mundo, que utilizan sensores y láseres de última generación para grabar patrones complejos en placas de silicio. Applied Materials produce algunos de los sistemas de depósito más avanzados del mundo. Además, estos chips de IA se apoyan en un ecosistema físico compuesto por armarios de servidores, conmutadores de red, emisores-receptores ópticos, sistemas de refrigeración y cables de fibra óptica (véase la ilustración 3). Los propios racks de servidores requieren grandes cantidades de acero y aluminio, dos metales procedentes de industrias con un alto consumo energético que emiten enormes cantidades de dióxido de carbono.

En 2023, los centros de datos estadounidenses representaban aproximadamente el 4,4 % del consumo nacional de electricidad, es decir, 180 TWh, lo que equivale más o menos al consumo total de Tailandia y a unas cuatro veces el de la ciudad de Nueva York ¹⁸. En 2000, solo representaban el 0,1 % del consumo total de electricidad; por lo tanto, su participación en el consumo nacional aumentó un 4000 % en menos de 25 años ¹⁹. En otros países, la proporción de los centros de datos en el consumo nacional de electricidad es aún mayor; representaban más del 10 % de la producción total de electricidad de Irlanda en 2021, y se estima que en la actualidad rondan el 20 % del consumo total de electricidad del país ²⁰.

Dediquemos un momento a explicar nuestro enfoque de las unidades en este análisis. La unidad que utilizamos con mayor frecuencia es el teravatio-hora (TWh), una unidad de energía. A modo de comparación, 1 TWh de energía permite abastecer de electricidad a unos 100 000 hogares estadounidenses medios durante un año. También haremos referencia a otras unidades en función de las utilizadas en las fuentes originales que citamos, como los megajulios (MJ) o los exajulios (EJ), que son ambas unidades de energía. Asimismo, utilizaremos unidades como el gigavatio (GW), una unidad de potencia. La potencia se define simplemente como la energía por unidad de tiempo. A modo de comparación, 1 GW de capacidad de potencia puede cubrir el consumo de unos 750 000 hogares estadounidenses, aunque esta cifra puede alcanzar casi un millón en determinadas circunstancias ²¹. Dado que utilizamos tantos tipos de unidades diferentes, realizaremos numerosas conversiones entre ellas. El objetivo de este análisis es reducir al mínimo los cálculos y las ecuaciones; por lo tanto, no presentaremos todos los pasos de conversión necesarios.

La eficiencia de los centros de datos ha mejorado considerablemente con el paso del tiempo. El índice de eficiencia energética (PUE) corresponde al consumo total de energía de un centro de datos dividido por la energía consumida por su equipo informático. Por definición, esta cifra siempre será superior a 1, y cuanto más se acerque a 1, más eficiente se considera el centro de datos. Hace unos 15 años, el PUE de los centros de datos se situaba de media en torno a 2 ²². Hoy en día, las principales instalaciones hiperescala [sistema a gran escala, destinado a alojar y gestionar varios miles de servidores, capaz de adaptarse rápidamente a grandes demandas de recursos] suelen alcanzar valores comprendidos entre 1,1 y 1,2, mientras que las medias globales del parque se sitúan más bien entre 1,4 y 1,6, lo que representa una mejora significativa en términos de eficiencia media ²³. Esta mejora de la eficiencia forma parte de una tendencia más amplia del sector informático, ilustrada por la ley de Koomey, que observa que el número de cálculos por julio de energía disipada se duplica aproximadamente cada dos años.

A pesar de este increíble aumento de la eficiencia, el consumo eléctrico total de los centros de datos ha aumentado de forma espectacular, tal y como vimos antes. Se trata de un ejemplo clásico de la paradoja de Jevons en acción. Esta paradoja, que debe su nombre al economista británico William Stanley Jevons —quien observó en el siglo XIX que el consumo global de carbón seguía aumentando en Gran Bretaña a pesar de que las máquinas de vapor ganaban en eficiencia—, establece que, cuanto más eficientes se vuelven los sistemas industriales y tecnológicos bajo el capitalismo, más energía consumen, ya que los costos de producción disminuyen, los productos se abaratan o se vuelven más rentables, y la demanda aumenta en consecuencia. Las pruebas empíricas que lo respaldan son abrumadoras ²⁴.

Más allá de los centros de datos, se pueden encontrar numerosos ejemplos en la historia moderna. La producción de acero se disparó después de que el proceso Bessemer hiciera más eficiente la fabricación de acero ²⁵. La producción de fertilizantes se disparó después de que el proceso Haber-Bosch hiciera que la producción de amoníaco fuera mucho más eficiente ²⁶. El consumo de agua en la agricultura mundial alcanzó máximos históricos a finales del siglo XX con la introducción de métodos de riego más eficientes ²⁷. La lista es aún más larga. Tal y como se explica en The Physics of Capitalism y en este artículo, el cambio tecnológico bajo el capitalismo suele estar orientado hacia el aumento de la exergía, es decir, el trabajo útil máximo que puede extraerse de un sistema cuando alcanza el equilibrio con su entorno. En otras palabras, los capitalistas buscan sistemáticamente ampliar la escala del sistema energético construyendo dispositivos que consumen más energía, y luego aprovechan las ganancias de eficiencia resultantes para estimular aún más la producción y el consumo, ya que todo el sistema está estructuralmente orientado hacia el crecimiento biofísico.

***

Este fenómeno también se observa fácilmente a nivel de los dispositivos. Un chip de IA Hopper típico de NVIDIA consume unos 700 W ²⁸. El chip Blackwell de nueva generación es mucho más eficiente, ya que puede realizar más cálculos por unidad de energía consumida, pero también funciona a unos 1200 W ²⁹. Los chips más recientes, como Rubin, serán aún más eficientes, pero es probable que esto conduzca a una mayor adopción y difusión y, por lo tanto, a un mayor consumo de energía. Puede que los chips de IA ganen en eficiencia, pero también se vuelven más voraces en cuanto al consumo de energía por unidad ³⁰. Esto es lo que también ocurrió con las máquinas de vapor durante la Revolución Industrial. Las primeras máquinas de vapor podían generar mucha menos energía mecánica que las versiones posteriores; así, no solo se volvieron más eficientes, sino que también se hicieron más grandes, más complejas y más devoradoras de energía.

Los sistemas complejos pueden aumentar de tamaño porque ganan en eficiencia, pero también ocurre que los choques exógenos que afectan a su escala energética obligan o impulsan a los componentes del sistema a ser más eficientes. Estas son algunas de las dinámicas que subyacen al desarrollo de las infraestructuras de IA a escala mundial: la búsqueda de la mejora va de la mano de una tendencia al aumento de tamaño, lo que se traduce, por ejemplo, en chips más grandes, robots más imponentes, centros de datos a hiperescala, etc. Este frenesí infraestructural también se ve impulsado en parte por las denominadas «leyes de escalabilidad de la IA», que han convencido a gran parte del mundo tecnológico de que inyectar más datos y recursos computacionales en las redes neuronales mejorará considerablemente su rendimiento con el paso del tiempo ³¹. Una de las grandes incógnitas sobre el futuro del desarrollo de las infraestructuras de IA radica en la dirección que tomará el sector tecnológico si estas leyes de evolución comienzan a toparse con obstáculos y límites insuperables. El agua es uno de los recursos biofísicos más limitados para el sector de la IA, pero también es uno de los temas menos comprendidos en el contexto más amplio de la cuestión energética relacionada con la IA; por lo tanto, debemos adquirir una comprensión clara de cómo se integra en el resto del sistema.

-Artículo publicado en el sitio de Erald Kolasi, 27-7-2026. A l’encontre publicará pronto la segunda parte.

*Erald Kolasi es físico y economista. Autor de numerosos artículos sobre «dinámicas ecológicas». Jesse Damiani

Notas