Las ocho cifras que importan sobre el consumo de IA en electricidad y agua, fuente por fuente

Contenido

1. ›Resumen en 30 segundos: las ocho cifras que importan
2. ›Por qué las cuentas no cuadran: cinco parámetros que nadie fija
3. ›Cuánta electricidad consumen 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 global, 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. ›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 que importan

Si únicamente vas a ojear un fragmento de este artículo, asegúrate de que sea esta tabla. Cada una de las filas detalla la procedencia junto al año, puesto que, careciendo de dichos datos, la cifra carece de sentido por completo.

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 resultan comparables entre sí, además de los cinco parámetros que conviene definir antes de contrastar cualquier dato.

• Los datos consolidados de gasto energético, acompañados de sus respectivos contextos y márgenes de variación.

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

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

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

• Por qué el inconveniente no resulta global sino local, analizando las situaciones de Virginia del Norte, Irlanda, Oregón y São Paulo.

• Qué palancas reducen el impacto de verdad, 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 se produjo un acontecimiento revelador. Sam Altman, consejero delegado de OpenAI, dio a conocer que una petición promedio dirigida a ChatGPT requiere 0,34 Wh y cerca de 0,32 mililitros de agua. Poco después, Mistral AI dio a conocer el primer análisis de ciclo de vida integral sobre un modelo lingüístico comercial y cifró el agua de una respuesta de 400 tokens en 45 mililitros. Dos compañías del mismo ámbito, durante el mismo mes, con una disparidad superior a cien veces en idéntica métrica.

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	Únicamente el acelerador; acelerador más servidor; sumando capacidad inactiva; incorporando el sobrecoste del centro de datos (PUE); abarcando la fabricación del hardware	El resultado puede duplicarse o triplicarse
Agua: retirada o consumo	Volumen extraído de la cuenca en comparación con el agua evaporada de manera efectiva sin retorno	Se aprecian variaciones de un orden de magnitud
Alcance del agua	Directa mediante refrigeración, correspondiente al alcance 1; indirecta a través de la generación eléctrica, abarcando el alcance 2; incorporada en los semiconductores, catalogada en el alcance 3	Normalmente, el alcance 2 rebasa al primero
Tipo de tarea	Consultas breves; respuestas extensas; procesos de razonamiento profundo; generación de imágenes; producción de vídeo	Se alcanzan multiplicadores de hasta ×1.450 de acuerdo con la revisión sistemática
Modelo y despliegue	Modelos compactos cuantizados frente a arquitecturas frontera; gestión de lotes masivos o peticiones individuales; condiciones climáticas y emplazamiento del data center	Diferencias de hasta ×65 entre modelos; variaciones de hasta ×100 motivadas por la planificación de las solicitudes

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].

Cuánta electricidad consumen 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.

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]

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 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 resulta ser la más repetida y, al mismo tiempo, la menos certera. Durante mucho tiempo, los cálculos se elaboraron desde una perspectiva externa, basándose en conjeturas sobre el uso y el hardware. No fue hasta agosto de 2025 cuando vio la luz el primer registro en condiciones reales de funcionamiento: Google monitorizó el sistema encargado de dar soporte a Gemini y determinó que la petición textual media demanda 0,24 Wh de energía y 0,26 ml de agua, lo cual equivale a nueve segundos de emisión televisiva y al volumen de cinco gotas [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.

Medición	Energía	Agua	Metodología
Gemini Apps, consulta de texto mediana (Google, 2025)	0,24 Wh	0,26 ml	Evaluación en entorno real, infraestructura global abarcando capacidad ociosa junto con la eficiencia PUE [23]
ChatGPT, consulta media (declaración de OpenAI, 2025)	0,34 Wh	≈0,32 ml	Anuncio oficial sin detalles metodológicos disponibles ni auditoría externa
Le Chat, respuesta de 400 tokens (Mistral, 2025)	No desglosada	45 ml	Estudio de ciclo de vida bajo normas ISO 14040/44, verificado por Resilio junto a Hubblo; abarca 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 derivado mediante coeficientes empresariales	Cálculo estadístico de la arquitectura hardware partiendo de información abierta de API [11]
Los mismos 30 modelos, consulta larga	Más de 29 Wh el más intensivo (×65)	—	Idem al caso previo [11]
Correo de 120-200 palabras con Llama-3-70B (Shumba et al., 2024)	—	≈0,12 l	Cálculo basado en el rendimiento hídrico territorial dentro de 11 naciones africanas [16]
El mismo correo con un modelo de clase GPT-4	—	Hasta ≈2,6 l	Idem al caso previo; el rango varía notablemente según el territorio [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 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 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 el interior de las torres de refrigeración del centro de datos. Se trata del volumen que suele acaparar los titulares y el único sobre el cual el operador ejerce un control directo.

2. Agua indirecta (alcance 2). Aquella empleada en producir la electricidad que abastece las instalaciones informáticas: refrigeración en plantas térmicas y atómicas, además de la evaporación en pantanos hidroeléctricos. Habitualmente supera a la directa. Dentro del clúster de São Paulo, el cual cuenta con una capacidad de cálculo cercana a los 550 MW y un gasto hídrico anual calculado en 16,1 millones de m³, más del 46 % corresponde a «agua virtual» gastada durante la producción hidroeléctrica[7].

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

Esta distinción explica por qué una red eléctrica baja en carbono no es automáticamente baja en agua, un punto que el informe de Aczel et al. subraya expresamente [14]. Y explica también una paradoja geográfica: la hidroelectricidad, bandera de la descarbonización, genera un bucle de realimentación en el que la demanda del centro de datos presiona sistemas de agua y energía ya comprometidos por el cambio climático [7].

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 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].

• Aparece el efecto rebote. La paradoja de Jevons se documenta explícitamente en esta literatura: las mejoras de eficiencia abaratan el servicio y aumentan la demanda total [18]. Jegham et al. lo formulan como «una paradoja creciente: a medida que la IA se vuelve más barata y más rápida, la adopción global impulsa un consumo de recursos desproporcionado» [11].

Hay además un detalle de ingeniería eléctrica poco conocido y relevante para la planificación de red: el consumo durante el entrenamiento no es constante. Una medición detallada con series temporales encontró oscilaciones entre el 15 % y el 85 % del consumo máximo del hardware, con implicaciones negativas para la planificación a escala de red [22].

El inconveniente no es global, sino local

Si uno observa únicamente las cifras globales, las consecuencias de la IA aparentan ser controlables. El inconveniente radica en que los recursos no se distribuyen equitativamente: Norteamérica, Europa Occidental y Asia-Pacífico concentran más del 90 % de la capacidad de cómputo proyectada[10], al tiempo que, dentro de dichos territorios, la acumulación se repite en un número reducido de enclaves.

Territorio	Situación documentada	Fuente
Virginia del Norte (EE. UU.)	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]

Conviene prestar atención al último renglón debido a que desafía el sentido común. El rastro de una petición idéntica cambia notablemente dependiendo del territorio en que se realice, y no siempre en el sentido previsible. El emplazamiento del centro de datos y la arquitectura de su climatización condicionan la huella ecológica tanto como la eficiencia del hardware[25].

Qué mitiga realmente el impacto

Esta es la sección de la literatura menos mencionada en los medios, aunque resulta la más práctica. Las cifras ya han sido medidas:

Palanca	Reducción documentada	Límite práctico	Fuente
Estructuración temporal de la llegada de peticiones	Hasta ×100 en energía por petición	Requiere control del patrón de tráfico; penaliza latencia	[20]
Conjunto de optimizaciones de inferencia (cuantización, lotes, motor)	Hasta 73 % de la energía total	Muy sensible a la geometría de la carga y al hardware	[4]
Elegir modelo mediano en lugar de grande	Rendimiento igual o superior con mucha menos energía en varias tareas	Depende 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 hídrica	Limitado por la infraestructura energética actual	[6]
Refrigeración avanzada (líquida directa)	Hasta 50 % de la energía de refrigeración	Requiere rediseño de instalación	[25]
Ubicación en regiones de baja huella de carbono y seguras en agua	Cerca de la mitad de la huella combinada	Choca 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 neto	Requiere coubicación; mayor potencial en EE. UU., Japón, China, Países Bajos y Reino Unido	[9]
Enrutamiento según intensidad de carbono y refrigeración líquida	40 %-60 % de reducción de impacto	Disponibles 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 halla una fuerte coocurrencia espacial entre ambos tipos de instalación que permitiría emparejamientos optimizados a escala nacional [9]. Hablamos de una clase de solución que prescinde de cualquier avance tecnológico futuro, basándose exclusivamente en una correcta planificación.

El contrapunto resulta igual de relevante: según advierte un análisis publicado en Nature Sustainability, incluso adoptando las prácticas más óptimas, la industria de servidores de IA apenas podrá cumplir sus metas de cero emisiones netas para 2030 si no apela a esquemas de compensación de carbono y de recuperación hídrica cuya eficacia genera 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? ¿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? Evaluar la energía por consulta sin considerar la calidad de la respuesta obtenida impide realizar comparaciones justas. Por esta razón, se sugiere el uso de indicadores compuestos como el AI Energy Score, los cuales miden el nivel de razonamiento alcanzado por cada unidad de energía empleada [5].

Lo que todavía no sabemos

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

• No 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 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. 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 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], 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.

¿Cuál es la proporción de electricidad global que demanda 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 en parte. Los modelos de escenarios muestran que, aunque la eficiencia por operación mejora de forma sustancial, la demanda agregada crece aproximadamente un orden de magnitud por el aumento del uso [12]. Es el efecto rebote o paradoja de Jevons, documentado explícitamente en esta literatura [18]. Los escenarios que más reducen emisiones combinan consolidación en menos modelos y mayores con transición a electricidad baja en carbono, superando en más de 20 puntos porcentuales lo que logra la eficiencia por sí sola [12].

¿Es capaz la energía renovable de satisfacer la demanda de la inteligencia artificial?

En principio sí, aunque con matices. Tras examinar sistemáticamente 88 investigaciones, se determina que esto resulta factible únicamente si se dinamiza la implantación, se transita del balance anual de energía limpia al emparejamiento horario —conocido como 24/7 carbon-free energy— y se implementan normativas ajustadas a cada región. Los mecanismos de adquisición energética difieren notablemente: la llamada «brecha de adicionalidad» separa los certificados desagregados de la sincronización horaria efectiva [3].

¿De qué manera puede una compañía que emplea inteligencia artificial disminuir su impacto 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.

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 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 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 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.