No hay IA sin energía
Entrenar y usar modelos ocurre principalmente en centros de datos: edificios llenos de servidores, redes, almacenamiento, refrigeración y sistemas de respaldo. La nube no elimina la materia; la esconde detrás de una interfaz cómoda.
La Agencia Internacional de Energía estima que los centros de datos consumieron alrededor de 415 TWh de electricidad en 2024, cerca de 1,5% del consumo global. En su escenario base de 2025, el consumo de centros de datos podría pasar de 485 TWh a unos 950 TWh en 2030, cerca de 3% de la demanda eléctrica mundial. La proporción global puede parecer pequeña; el impacto local puede ser grande cuando un proyecto se concentra en una red, una región o una comunidad.
La eficiencia no cancela el rebote
Los chips y los modelos pueden hacer más con menos energía por tarea. Eso es una ganancia real. Pero si el costo baja, se usan más tareas y aparecen agentes que ejecutan cadenas largas de acciones. La eficiencia por consulta no dice por sí sola qué ocurre con el consumo total.
La IEA señala que los servidores acelerados, impulsados principalmente por IA, podrían explicar una parte importante del crecimiento de la demanda de centros de datos. También advierte que entrenamiento y uso de modelos producen variaciones rápidas de carga, lo que vuelve más exigentes las redes y el almacenamiento.
Una IA más barata por tarea puede terminar haciendo muchas más tareas. La cuenta se mira en el total, no solo en la unidad.
Quién gana y quién paga
Ganan las empresas que obtienen capacidad de cómputo, contratos de energía y acceso a infraestructura antes que sus competidores. También pueden ganar sistemas públicos si la IA ayuda a detectar fallas de red, optimizar consumo o mejorar servicios.
El costo se reparte de forma menos automática: conexiones de red, suelo industrial, agua para refrigeración, emisiones, ruido, subsidios y presión sobre tarifas. La ubicación de un centro de datos convierte una decisión global de capital en una experiencia local de territorio.
La cadena no termina en el enchufe
Hay una dependencia material en cada capa: minerales y fábricas de chips, equipos de red, transformadores, agua y profesionales capaces de operar la infraestructura. Los cuellos de botella pueden ralentizar la expansión o concentrarla en quienes tienen acceso a capital y permisos.
También existe un dilema climático. La IEA estima que las renovables cubrirían casi la mitad del crecimiento de electricidad de los centros de datos hasta 2030 en su escenario base, pero gas, carbón y nuclear siguen presentes según la región. La IA puede ayudar a optimizar sistemas energéticos; eso no convierte automáticamente su propio crecimiento en sostenible.
Qué debería exigir una organización
- Medir consumo, costo y emisiones del caso de uso completo, no solo del modelo.
- Preguntar dónde se procesan los datos y qué infraestructura sostiene el servicio.
- Preferir modelos y configuraciones proporcionales a la tarea; no usar una frontera para un problema sencillo.
- Incluir continuidad, portabilidad y proveedor alternativo en el diseño.
- Revisar si la solución mejora el servicio sin trasladar costos ambientales o sociales sin discusión.
Qué puedes hacer ahora
Como usuario, no necesitas calcular cada TWh. Sí puedes exigir que una organización explique qué problema resuelve, qué modelo usa, cuánto dura la interacción y qué datos circulan. Como equipo, crea una política de “modelo suficiente”: usar la opción menos intensiva que cumpla la tarea y medir antes de escalar.
La idea que te llevas
Digital no significa inmaterial. Entender la IA completa exige mirar la pantalla y también la red eléctrica que la mantiene encendida.
Fuentes y metodología
- IEA (2025), Energy and AI. Demanda, oferta, emisiones y seguridad energética.
- IEA (2025), Energy demand from AI. Centros de datos, servidores acelerados y proyecciones.
- IEA (2026), Key Questions on Energy and AI. Actualización sobre cuellos de botella y demanda a 2030.
- IEA (2026), Executive summary. Variaciones rápidas de carga, redes y almacenamiento.
- UNCTAD (2025), Technology and Innovation Report. Infraestructura, capacidad y desarrollo.
Método: usamos cifras de demanda como proyecciones con escenario explícito. No convertimos una proyección energética en una predicción climática cerrada ni atribuimos a la IA todos los impactos de un centro de datos.