El coste energético de la IA. La nube no es etérea

Escribo «nube» y la cabeza me devuelve vapor. Es la trampa de la palabra, y cae cualquiera. Detrás de cada consulta que parece pesar nada hay hectáreas de pasillos refrigerados, generadores de respaldo a diésel y torres que exhalan agua evaporada sobre un paisaje real. La Agencia Internacional de la Energía cifró el consumo eléctrico mundial de los centros de datos en torno a 415 TWh en 2024, cerca del 1,5 % del total del planeta, y proyecta unos 945 TWh para 2030. La huella de preguntarle algo a un chatbot existe, está medida y va a multiplicarse. Lo que me incomoda no es el dato. Es que ese dato no aparezca en ninguna factura que el usuario reconozca como suya.

Las cifras físicas

Conviene fijar las magnitudes antes de discutir nada, porque el debate energético sobre la IA se libra casi siempre sin números delante, y eso favorece a quien tiene algo que esconder.

El consumo eléctrico global de los centros de datos rondó los 415 TWh en 2024, alrededor del 1,5 % del consumo eléctrico mundial, según el informe Energy and AI de la Agencia Internacional de la Energía (abril de 2025). Ese mismo informe sitúa la demanda en torno a 945 TWh para 2030. La IEA no parte el total entre «IA» y «resto» con un porcentaje cerrado —y por eso desconfío de quien lo hace—, pero sí distingue ritmos: los servidores acelerados que sostienen la IA crecen alrededor de un 30 % anual, frente a un 9 % de los servidores convencionales. La parte de la tarta que se come la IA ensancha año tras año. Cualquier porcentaje exacto al final de la década, lo escriba quien lo escriba, es una proyección y no un número grabado en piedra.

La capacidad instalada dedicada específicamente a IA alcanzó unos 29,6 GW a finales de 2025, según el AI Index Report 2026 de Stanford HAI, lo que equivale al consumo eléctrico de un estado como Nueva York en su pico de demanda. Y según el mismo informe esa capacidad de cómputo se ha más que triplicado cada año desde 2022. Multiplicar por más de tres cada doce meses, sostenido durante años, es un régimen para el que el lenguaje cotidiano de las facturas no tiene palabra: ni «subió», ni «creció», ni «se disparó» dan la medida.

El coste de entrenar un modelo puntero se cuenta en decenas o cientos de millones de dólares de cómputo, según las estimaciones de Epoch AI para 2024-2025. La huella energética del entrenamiento de GPT-4 circula como una cifra del orden de 50 GWh, pero no he encontrado ninguna fuente que la firme con rigor, así que la dejo donde la encontré: como número que se repite de oído, no como dato que pueda defender. Lo que sí está documentado es la escala bruta de un entrenamiento real, porque la publicó la propia empresa que lo pagó. Meta entrenó Llama 3.1 405B en un clúster de unas 16.000 GPU H100.

La inferencia individual, en cambio, parece ridícula, y ahí empieza el malentendido. Una consulta a ChatGPT consume del orden de 0,34 Wh de electricidad, cifra que dio el propio Sam Altman en 2025 y que encaja con estimaciones derivadas de las búsquedas de Google. Generar una imagen sale más caro, alrededor de 2,9 Wh, según el trabajo de Sasha Luccioni y colegas en Power Hungry Processing (2023). Una sola consulta no asusta a nadie, y hace bien en no asustar. Multiplicada por los miles de millones que se lanzan cada día, deja de ser anécdota y pasa a ser infraestructura pesada.

Dos curvas que se persiguen sin alcanzarse

La proyección de la IEA describe dos curvas que avanzan a velocidades incompatibles, y el desajuste entre ambas es el verdadero problema, no ninguna de las dos por separado.

La de la demanda corre. No hace falta especular: basta sumar lo que las propias empresas pusieron por escrito en un solo trimestre. Microsoft anunció el 3 de enero de 2025, por boca de Brad Smith, una previsión de 80.000 millones de dólares en centros de datos de IA para su ejercicio fiscal 2025. Stargate —la sociedad de OpenAI con SoftBank, Oracle y MGX, presentada el 21 de enero de 2025— fijó como meta invertir medio billón de dólares en infraestructura a cuatro años. Meta, en su informe de resultados de finales de enero de 2025, situó su inversión de capital anual prevista entre 60.000 y 65.000 millones. Tres anuncios, un mismo mes, y la cuenta ya pasa del medio billón antes de añadir lo de Google o Amazon.

La de la capacidad eléctrica arrastra los pies, y los arrastra por motivos físicos, no por desidia. Una central nueva —nuclear, eólica, solar con almacenamiento o de gas— tarda entre cinco y quince años desde que se decide hasta que entrega el primer megavatio. Las regiones que aspiran a alojar grandes centros de datos ya chocan con el techo: el norte de Virginia, Texas, Ohio, Irlanda, Aragón, Singapur. En Virginia, Dominion Energy llegó en 2024 a imponer esperas de hasta siete años para nuevas conexiones en las zonas más saturadas, aunque después reanudó parte de ellas en cuanto pudo. En Irlanda, el regulador CRU, junto al operador de red EirGrid, mantiene desde 2021 una moratoria de facto sobre nuevos centros de datos en la zona de Dublín.

El dinero se mueve a la velocidad de un comunicado de prensa. El cobre, el hormigón y los permisos, a la de una obra civil con vecinos que reclaman. Esa diferencia de ritmo no es un contratiempo de calendario que se resuelva esperando: es la razón estructural por la que las inversiones comprometidas para 2026-2030 superan con holgura la electricidad que las redes podrán suministrar con la infraestructura que está prevista construir.

Dónde se quema realmente la energía

El gasto no se concentra en un único punto del que pueda culparse, lo que vuelve cómodo no responsabilizar a nadie. Se reparte a lo largo de una cadena, y vale la pena recorrerla entera, porque el cómputo en sí es solo un tramo del balance.

El entrenamiento es intenso y puntual: semanas o meses con miles de GPU operando al límite, un pico de consumo enorme y concentrado que cada generación de modelo repite con un factor de escala mayor que la anterior. Es el titular fácil, el que ilustra los reportajes con fotos de salas frías. No es, sin embargo, lo que más pesa cuando se suma el tiempo.

Lo que de verdad acumula es la inferencia. Cada consulta de cada usuario tira de electricidad, y un modelo desplegado a escala de consumo masivo se consulta sin pausa durante meses. No tengo una contabilidad cerrada que firme la comparación empresa por empresa, pero la aritmética apunta en una sola dirección: un coste puntual, por enorme que sea, lo termina alcanzando y rebasando un coste pequeño que se repite sin descanso millones de veces al día. Si el entrenamiento es la factura de levantar el edificio, la inferencia es el alquiler que se paga todos los días, mucho después de que el reportaje sobre la obra haya dejado de interesar a nadie.

Y queda el enfriamiento, que no aparece en los discursos sobre eficiencia algorítmica porque no tiene nada de elegante presumir de aire acondicionado. Disipar el calor cuesta electricidad cuando se hace por aire, y agua cuando se hace por evaporación. El Informe Ambiental 2024 de Google declaró un consumo total de agua de unos 24.000 millones de litros, atribuible en su gran mayoría —en torno al 95 %— a sus centros de datos. Microsoft, en sus propios datos ambientales, registró un crecimiento del 34 % en su consumo de agua entre 2021 y 2022, achacado en buena parte a las cargas de IA. El agua no se evapora en una metáfora cómoda. Se evapora en una torre concreta, en un municipio concreto, sobre un acuífero del que beben personas concretas.

La asimetría que diseñó alguien a propósito

El chatbot parece etéreo, y no por accidente. La interfaz de ChatGPT, Claude o Gemini es texto sobre fondo blanco, sin el menor rastro de su sustrato físico. El centro de datos que la sostiene, en cambio, es industria pesada de la más sucia: kilómetros de cable, generadores de gasoil aguardando el próximo apagón, torres que sueltan penachos de vapor sobre el campo.

Conviven en la cabeza del usuario dos imaginarios que no encajan. El del producto sugiere ligereza; el de la infraestructura, peso muerto de hormigón. Quien diseñó la experiencia trabajó precisamente para que el segundo no asomara nunca mientras se usa el primero, y lo consiguió: nadie que escribe una pregunta piensa en el gas que arde ni en el agua que se bombea para que le contesten en dos segundos.

Esto tiene una consecuencia que es política antes que estética. Si el usuario no percibe el coste, no lo mete en la decisión de usar o no usar. La sensibilidad del consumo a su coste real se queda en cero, no porque el usuario sea insensible, sino porque ese coste le ha sido cuidadosamente ocultado a la vista.

La huella que no llega a tu factura

Aquí pongo mi propia lectura, aunque se apoye en contabilidades nacionales que apenas empiezan a registrar el fenómeno. La factura energética de preguntarle al chatbot no se evapora con la respuesta. Cambia de domicilio.

Una parte la asume la empresa que aloja el modelo, que la paga y la repercute donde puede: en el precio del servicio, en la publicidad que te sirve, en una suscripción que sube unos euros. Hasta ahí el mercado hace lo que se espera de él. El problema empieza después. El país anfitrión absorbe las tensiones de red, los costes de ampliar la infraestructura, el agua que sale de su acuífero y las emisiones que no se imputan a ningún cliente en concreto; esa porción no la firma nadie. Y queda lo que se empuja hacia el futuro: el CO₂ de los combustibles que arden hoy para alimentar una red que seguirá encendida cuando el usuario de esta consulta ya no esté para discutir si valió la pena.

Si cada respuesta llegara con su etiqueta de gasto pegada al lado, sospecho que algo en la conducta cambiaría. La invisibilidad, sin embargo, no es un descuido del diseño. Es el diseño. El agregado sube consulta a consulta justamente porque nadie nota el peso de la suya.

La termodinámica no se sienta a negociar

El debate sobre la sostenibilidad de la IA tiende a partirse en dos relatos enfrentados, y ninguno de los dos es del todo honesto cuando se lo deja solo.

Está el relato de que la IA acelera la descarbonización: optimiza redes, anticipa la demanda, diseña materiales, ayuda a buscar fármacos. Tiene base parcial, y conviene reconocerla para no caer en la caricatura contraria. DeepMind reportó en 2016 una reducción cercana al 40 % en la energía de refrigeración de centros de Google al aplicar sus modelos, lo que equivalía a una mejora de en torno al 15 % en el indicador global de eficiencia, y en 2018 cedió el control autónomo del sistema a esos algoritmos. Hay redes que ya operan con optimizadores apoyados en IA. Los beneficios indirectos existen y no me interesa negarlos.

Y está el relato contrario, el de que la IA es un desastre energético porque su consumo crece más rápido que cualquier beneficio indirecto que pueda compensarlo. Este tiene base más firme, y lo incómodo es que la aportan las propias empresas en sus informes. Microsoft reconoció un incremento del 29,1 % en sus emisiones totales respecto a su año base de 2020. Google reportó un aumento del 48 % desde 2019. Las dos mantienen compromisos públicos de neutralidad mientras sus emisiones absolutas siguen subiendo. No es una contradicción que escondan en una nota a pie de página: la publican ellas mismas, con su logotipo encima.

Mirada de frente, la discusión es menos moral que física, y las leyes de la termodinámica no comparecen ante el departamento de marketing. Las dos curvas se cruzan o no según números medibles, y según los de la IEA, los de Stanford HAI y los de los reguladores eléctricos regionales, se cruzan. Lo que queda abierto no es el cruce, sino qué hace una sociedad cuando llega: limitar el uso, ampliar la capacidad a marchas forzadas, encajar las consecuencias o trasladar el coste hacia quien menos lo nota. Ninguna de esas salidas es indolora, y la que se acabe eligiendo no la dictará la física, sino quien tenga la sartén por el mango cuando toque decidir.

La aritmética del clima, mientras tanto, no afloja por su cuenta. La doctrina de cero emisiones netas que defiende la IEA pide recortes drásticos del sector eléctrico en esta década para no salirse de la senda de 1,5 °C —no tengo a mano una cifra única y bien cerrada para ese recorte, así que la dejo como exigencia general y no como porcentaje exacto—. El crecimiento del consumo eléctrico que arrastran la IA y los centros de datos empuja, justo en estos años, en el sentido opuesto al que esa senda reclama.

Definiciones

TWh: teravatio-hora, unidad de energía equivalente a un billón (10¹²) de vatios-hora. Sirve para medir el consumo de países o sectores enteros.

Inferencia: ejecución de un modelo ya entrenado sobre datos nuevos para producir una respuesta. A diferencia del entrenamiento, escala con el número de usuarios y es continua.

PUE (Power Usage Effectiveness): cociente entre la energía total que consume un centro de datos y la que consume solo el cómputo. Un PUE de 1,0 sería el ideal inalcanzable; los centros modernos se mueven entre 1,2 y 1,5.

WUE (Water Usage Effectiveness): litros de agua consumidos por kWh de cómputo. La métrica análoga al PUE para la huella hídrica.

GPU H100: procesador gráfico de Nvidia diseñado para entrenamiento e inferencia de modelos grandes, unidad de cuenta habitual del cómputo de IA.

Referencias

IEA — Energy and AI (abril de 2025). Fuente de las cifras de consumo de centros de datos (≈415 TWh en 2024), la proyección a 945 TWh para 2030 y los ritmos de crecimiento de servidores acelerados (≈30 % anual) frente a convencionales (≈9 %). Resumen ejecutivo en https://www.iea.org/reports/energy-and-ai/executive-summary

Stanford HAI — AI Index Report 2026 (abril de 2026). Fuente del dato de capacidad instalada para IA (≈29,6 GW a finales de 2025, equivalente al pico de demanda de Nueva York) y de su más que triplicación anual desde 2022. https://hai.stanford.edu/ai-index/2026-ai-index-report

Epoch AI — Compute Trends Across Three Eras of Machine Learning y actualizaciones 2024-2025. Fuente de las estimaciones de coste de cómputo de los modelos frontera.

Meta AI — Introducing Llama 3.1 (2024). Fuente de la escala del entrenamiento de Llama 3.1 405B (clúster de unas 16.000 GPU H100). https://ai.meta.com/blog/meta-llama-3-1/

Sam Altman — The Gentle Singularity (2025), recogido por DataCenterDynamics. Fuente de la cifra de ≈0,34 Wh por consulta de ChatGPT. https://www.datacenterdynamics.com/en/news/sam-altman-chatgpt-queries-consume-034-watt-hours-of-electricity-and-0000085-gallons-of-water/

Luccioni, S., Jernite, Y. & Strubell, E. — Power Hungry Processing (2023). Fuente del consumo estimado por generación de imagen (≈2,9 Wh). https://huggingface.co/papers/2311.16863

Google — Environmental Report 2024. Fuente del consumo total de agua (≈24.000 millones de litros, en torno al 95 % atribuible a centros de datos) y del incremento del 48 % en emisiones desde 2019. https://blog.google/company-news/outreach-and-initiatives/sustainability/2024-environmental-report/

Microsoft — Environmental Sustainability Report 2024, con cobertura de ITPro. Fuente del incremento del 29,1 % en emisiones totales respecto al año base 2020. https://www.itpro.com/infrastructure/data-centres/microsofts-ai-fueled-data-center-rush-caused-carbon-emissions-to-surge-by-29-in-2023

Microsoft — datos de huella hídrica 2021-2022, recogidos por The Register (septiembre de 2023). Fuente del incremento del 34 % en el consumo de agua de la compañía entre 2021 y 2022, atribuido en gran parte a las cargas de IA. https://www.theregister.com/2023/09/11/microsofts_ai_investments_skyrocketed_in/

OpenAI — Announcing The Stargate Project (21 de enero de 2025). Fuente del objetivo de inversión de medio billón de dólares a cuatro años de la sociedad de OpenAI con SoftBank, Oracle y MGX. https://openai.com/index/announcing-the-stargate-project/

Microsoft — The Golden Opportunity for American AI (Brad Smith, 3 de enero de 2025) y cobertura de DataCenterKnowledge. Fuente de la previsión de 80.000 millones de dólares en centros de datos de IA para el ejercicio fiscal 2025. https://www.datacenterknowledge.com/data-center-construction/microsoft-to-spend-80-on-ai-data-centers-this-years

Meta — Resultados del cuarto trimestre y ejercicio 2024 (finales de enero de 2025), con cobertura de Bloomberg. Fuente de la previsión de inversión de capital de entre 60.000 y 65.000 millones de dólares para 2025. https://www.bloomberg.com/news/articles/2025-01-24/zuckerberg-warns-of-higher-than-expected-capex-at-meta-in-2025

DeepMind — DeepMind AI Reduces Google Data Centre Cooling Bill by 40% (2016). Fuente de la reducción de ≈40 % en energía de refrigeración (≈15 % en PUE global) y de la cesión del control autónomo del sistema en 2018. https://deepmind.google/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-by-40/

Dominion Energy — Declaraciones públicas y cobertura sobre límites de conexión de centros de datos en Virginia (2024); esperas de hasta siete años en las zonas más saturadas, parcialmente reanudadas después. CRU / EirGrid — Moratoria de facto sobre nuevos centros de datos en la zona de Dublín desde 2021. https://www.datacenterfrontier.com/energy/article/11436951/dominion-resumes-new-connections-but-loudoun-faces-lengthy-power-constraints

IEA — Net Zero Emissions by 2050 Scenario. Marco general de la senda de 1,5 °C que exige recortes drásticos del sector eléctrico en esta década. https://www.iea.org/reports/global-energy-and-climate-model/net-zero-emissions-by-2050-scenario-nze

Para profundizar

Crawford, K. — Atlas of AI (Yale UP, 2021). Mapa material de la IA: minas, agua, trabajo.

Hogan, M. — Big Data Ecologies: Thinking Critically about Data Infrastructures (Routledge, 2023).

Strubell, E., Ganesh, A. & McCallum, A. — Energy and Policy Considerations for Deep Learning in NLP (ACL, 2019).

Greenpeace — Clicking Clean (informes 2017 y 2019). Cronología del activismo sobre centros de datos limpios.

También te interesa

• Nuevos monopolios
• La eficiencia como trampa
• IA como capa sobre la realidad
• El control de la información

En otros sitios

• IEA — Data Centres and Data Transmission Networks
• Hugging Face — AI Energy Score