El coste energético de una conversación. Hablar con una IA no es gratis aunque lo parezca

Escribo esto mientras una pestaña abierta espera mi siguiente pregunta, y la espera también consume. Cada respuesta que recibo sale de un edificio refrigerado donde miles de procesadores trabajan a plena carga, viaja por fibra y por radio, y deja una factura eléctrica que yo no veo. La conversación parece gratis porque no pago al pulsar enviar. La pago de otra manera, más tarde, y la pagan también una red eléctrica y un balance de carbono que no me han pedido permiso. Esa distancia entre lo que recibo ahora y lo que se paga después es el verdadero asunto.

Qué se mide cuando se mide una respuesta

La unidad sobre la que se cuenta todo esto es la inferencia: una pasada del modelo sobre lo que escribes para devolverte una salida. Cada pasada gasta electricidad, y esa electricidad se puede medir en vatios-hora. Hasta aquí, lo simple.

Lo que complica el asunto es que no existe un número único. El consumo de una inferencia se mueve según un puñado de variables que rara vez se hacen explícitas cuando alguien suelta una cifra redonda.

Pesa, para empezar, el tamaño del modelo. Un modelo de siete mil millones de parámetros gasta mucho menos por respuesta que uno de setenta mil millones, y este mucho menos que uno de cientos de miles de millones de parámetros activos. Pesa también la longitud de lo que entra y lo que sale: cada token —cada fragmento de palabra que el modelo procesa— tiene su coste, de modo que una pregunta breve con respuesta breve no se parece en nada, energéticamente, a una conversación de veinte turnos arrastrando todo el contexto anterior. Y pesa la arquitectura, que es donde se libra buena parte de la batalla por la eficiencia: un modelo denso no consume igual que uno de expertos seleccionados (Mixture of Experts, donde solo se activa una fracción de la red en cada pasada), y la cuantización o la optimización del hardware recortan el gasto de forma apreciable. Por último está el centro de datos en sí, su eficiencia energética, de dónde saca la electricidad, a qué temperatura opera.

De modo que cuando alguien dice «una consulta consume X», está promediando sobre todo eso. Y lo está haciendo, casi siempre, sin acceso a los datos buenos. Las cifras públicas son estimaciones construidas con información parcial, no medidas auditadas. El consumo exacto lo guardan las empresas como información reservada, lo cual ya dice algo.

Las cifras que hay, y de dónde salen

Con esa cautela por delante, las cifras que circulan para la generación de modelos de 2024 y 2025 convergen más de lo que cabría temer.

Sam Altman publicó en su blog personal, en el texto The Gentle Singularity de junio de 2025, que la consulta media a ChatGPT consume alrededor de 0,34 vatios-hora de electricidad y unos 0,000085 galones de agua. Conviene recordar de dónde viene esa cifra: es una declaración del propio operador, no un dato auditado por nadie externo. Lo notable es que una estimación independiente apunta al mismo orden de magnitud. Epoch AI, en How much energy does ChatGPT use? (2025), reconstruyó el consumo de una consulta a GPT-4o a partir del análisis técnico del modelo y de la infraestructura, y le salió en torno a 0,3 vatios-hora, diez veces menos que las estimaciones más alarmistas que habían circulado antes. Que la cifra corporativa y la independiente coincidan en orden de magnitud es, por una vez, una buena noticia para la credibilidad de ambas.

Detrás de estas cifras hay una genealogía. Strubell, Ganesh y McCallum firmaron en Energy and Policy Considerations for Deep Learning in NLP (ACL 2019) las estimaciones pioneras sobre el coste de entrenar modelos grandes, todavía anteriores a la ola de los grandes modelos de lenguaje; el paper sigue valiendo como referencia metodológica aunque sus números concretos se hayan quedado atrás. Patterson y sus colaboradores matizaron aquellas cifras en Carbon Emissions and Large Neural Network Training (2021), con datos de Google sobre sus propios modelos. Y Alex de Vries, en The growing energy footprint of artificial intelligence (Joule, 2023), subió un escalón de abstracción para mirar el crecimiento del consumo agregado, que es donde el problema deja de ser anecdótico.

El patrón que se repite es conocido: las cifras corporativas tienden a salir conservadoras, las académicas independientes tienden a salir mayores. Discutir sobre la consulta individual es entretenido y casi irrelevante. Lo que importa es lo que ocurre cuando se suman cientos de millones de consultas al día.

El agregado, que es donde duele

La International Energy Agency publicó en abril de 2025 un informe especial, Energy and AI, dedicado precisamente a ese agregado. Según sus datos, los centros de datos del mundo consumieron en 2024 alrededor de 415 teravatios-hora de electricidad, en torno al 1,5 % del consumo eléctrico mundial. La proyección para 2030 lleva esa cifra a unos 945 teravatios-hora —algo menos del 3 % del total mundial previsto—, un consumo que se duplica en seis años. El motor de ese crecimiento es la fracción asignada a la IA: el entrenamiento de los modelos grandes y, cada vez más, la inferencia masiva al servicio del consumidor.

Una comparación ayuda a calibrar la escala sin necesidad de alarmismo. La minería de Bitcoin, ese otro consumidor digital que tanta tinta ha gastado, se situó en 2024 en torno a 170 teravatios-hora según la estimación central del Cambridge Bitcoin Electricity Consumption Index, aunque con márgenes de incertidumbre enormes —el índice maneja una horquilla que va de menos de cien a cerca de cuatrocientos teravatios-hora, lo que ya indica lo resbaladizo del terreno—. El consumo agregado de los centros de datos está, pues, en órdenes de magnitud comparables a sectores que ya identificamos como problemáticos, y los supera con holgura en velocidad de crecimiento.

La gratuidad como modelo de negocio

El producto al consumidor combina una capa gratuita —ChatGPT, Claude, Gemini en sus versiones libres— con una capa de suscripción de pago. La capa gratuita no es generosidad: es captación. El operador asume el coste energético de cada inferencia para que el usuario pruebe, se acostumbre y acabe convirtiendo a pago, o bien para monetizar por otras vías. Y ese coste asumido por el operador esconde tres desfases que conviene nombrar uno a uno, porque no son lo mismo.

El primero es de información. El usuario no ve el consumo energético en ninguna factura, porque para él no la hay. La factura existe, pero la firma el operador y, en última instancia, el balance de carbono global. El segundo es de internalización, y es más sutil: el usuario se queda con todo el beneficio —la respuesta útil, ahora— y no carga con ninguno de los costes, ni las emisiones, ni la electricidad, ni el agua de refrigeración. Esa externalización no es un accidente del diseño; es consustancial a cualquier modelo freemium o sostenido por publicidad. El tercero es temporal, y es el que más me interesa. El beneficio del usuario es inmediato y el coste ambiental es diferido y colectivo: emisiones que se acumulan durante décadas, agua que merma una disponibilidad regional concreta, electricidad que tensiona una red local. Quien obtiene la utilidad y quien paga la cuenta no son la misma persona, ni el mismo año.

La estructura reproduce con precisión incómoda lo que Garrett Hardin describió en The Tragedy of the Commons (Science, 1968). Cada usuario extrae utilidad de un recurso compartido —la atmósfera, el agua, la red— sin asumir el coste agregado de la extracción. La diferencia con el pastizal de Hardin es que aquí el recurso compartido es planetario y el número de pastores se cuenta por cientos de millones.

Democratizar, y a costa de qué

Lo que sigue es opinión, y la marco como tal, aunque descanse sobre lo que la literatura del coste ambiental de lo digital lleva años documentando. La consigna de democratizar la IA se ha vuelto liturgia del sector, y suele significar una sola cosa: acceso universal al producto. Pero si el acceso universal exige un consumo energético proporcional al uso, y el uso crece de forma exponencial, entonces la democratización así entendida empuja en dirección contraria a cualquier objetivo climático. No es que sea malvada; es que nadie ha hecho la cuenta en voz alta.

Y la cuenta es de balance, no de condena. La IA produce utilidad real y verificable: acelera investigación, asiste en educación, eleva productividad. La pregunta honesta no es si consume —todo consume—, sino si la utilidad que entrega justifica el coste agregado que impone, y si ese coste se reparte con algún criterio defendible. Mientras nadie publique el desglose, la pregunta no se puede contestar, solo sospechar.

Las palancas para corregirlo existen, y conviene no confundir las que ya operan con las que aún no. Hay iniciativas voluntarias de eficiencia: Microsoft con su compromiso de cero neto a 2030, Google con su objetivo de energía renovable las veinticuatro horas. Lo que no existe es regulación obligatoria que imponga reducir el consumo por inferencia. Hay reportes parciales de consumo por parte de algunas empresas; lo que no hay es transparencia obligatoria con el desglose completo por producto, que es justo lo que permitiría hacer la cuenta. Y se discute, en el terreno general de la política climática, la internalización de costes vía impuestos o precios que reflejen el daño ambiental real; lo que no hay es una sola implementación pensada específicamente para la inferencia de IA. El patrón es siempre el mismo: lo voluntario abunda, lo obligatorio no aparece.

Vuelvo al dato y lo dejo crudo. Los centros de datos del mundo consumieron en 2024 unos 415 teravatios-hora, ese 1,5 % del total mundial. Para situarlo en algo que se pueda imaginar: la demanda eléctrica total de España en 2024 fue de unos 247 teravatios-hora según Red Eléctrica de España —en su cómputo nacional; la demanda peninsular ronda los 232—. Los centros de datos del planeta consumieron, agregados, cerca del doble de toda la electricidad que España gastó ese año, hogares, fábricas y todo. Y la proyección de la IEA para 2030 los lleva a 945 teravatios-hora, casi cuatro veces el consumo español de hoy. La pestaña sigue abierta, esperando mi siguiente pregunta, y la espera también consume.

Definiciones

Inferencia. Ejecución de un modelo ya entrenado para producir una salida a partir de una entrada. Se distingue del entrenamiento, que es el proceso previo de ajustar los pesos del modelo y se hace una sola vez.

Token. Unidad básica de procesamiento en los modelos de lenguaje, equivalente aproximadamente a un fragmento de palabra o a una palabra corta. El coste energético de una respuesta se contabiliza por token procesado, tanto de entrada como de salida.

Mixture of Experts (MoE). Arquitectura en la que solo se activa una fracción de la red en cada pasada, en lugar de toda ella, lo que reduce el cómputo por inferencia frente a un modelo denso de tamaño equivalente.

Teravatio-hora (TWh). Unidad de energía equivalente a mil millones de kilovatios-hora. Es la unidad estándar para reportar consumo eléctrico nacional o sectorial.

PUE (Power Usage Effectiveness). Métrica de eficiencia de un centro de datos. Un PUE de 1,0 sería el ideal —toda la electricidad va al cómputo—; los valores reales típicos se mueven entre 1,2 y 2,0, es decir, entre un 20 % y un 100 % adicional gastado en refrigeración, iluminación y pérdidas.

Referencias

Altman, S. — The Gentle Singularity (blog personal, junio de 2025). Origen de la cifra de 0,34 Wh y 0,000085 galones de agua por consulta media a ChatGPT. https://blog.samaltman.com/the-gentle-singularity

Epoch AI — How much energy does ChatGPT use? (2025). Estimación independiente de ~0,3 Wh por consulta a GPT-4o, coincidente en orden de magnitud con la cifra corporativa. https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use

Strubell, E., Ganesh, A. & McCallum, A. — Energy and Policy Considerations for Deep Learning in NLP. ACL 2019. Referencia metodológica pionera sobre el coste energético del entrenamiento.

Patterson, D. et al. — Carbon Emissions and Large Neural Network Training. arXiv:2104.10350 (2021). Matización de las cifras anteriores con datos de Google.

de Vries, A. — The growing energy footprint of artificial intelligence. Joule 7(10) (2023). Análisis del crecimiento del consumo agregado de la IA.

IEA — Energy and AI (Special Report, abril de 2025). Fuente de las cifras de 415 TWh en 2024 (1,5 % mundial) y la proyección de 945 TWh para 2030. https://www.iea.org/reports/energy-and-ai

Cambridge Bitcoin Electricity Consumption Index (CBECI) — Estimación central de ~170 TWh para el consumo de Bitcoin en 2024, con amplios márgenes de incertidumbre. https://ccaf.io/cbnsi/cbeci

Red Eléctrica de España — Informe del Sistema Eléctrico 2024 (2025). Demanda eléctrica nacional de España en 2024, ~247 TWh. https://www.sistemaelectrico-ree.es

Hardin, G. — The Tragedy of the Commons. Science 162 (1968). Marco del recurso compartido sobreexplotado por incentivos individuales.

Para profundizar

Crawford, K. — Atlas of AI (Yale University Press, 2021). Sobre los costes materiales y ambientales ocultos de la IA.

Bender, E. et al. — On the Dangers of Stochastic Parrots. FAccT 2021.

Jevons, W. S. — The Coal Question (Macmillan, 1865). La paradoja del rebote: la eficiencia que abarata un recurso tiende a aumentar su consumo total.

Bratton, B. — The Stack. On Software and Sovereignty (MIT Press, 2015).

También te interesa

• El gasto invisible del lenguaje
• Cuánto cuesta una emoción computada
• La huella energética del pensamiento externalizado
• La sostenibilidad de la inteligencia artificial

En otros sitios

• Carbon Brief — Five charts on data-centre energy use and emissions
• IEA — Energy demand from AI