La IA podría consumir más energía que países completos antes de 2030
La inteligencia artificial es una de las tecnologías más transformadoras de nuestro tiempo. Desde la automatización de procesos empresariales hasta la aceleración de la investigación científica, sus beneficios son innegables. Sin embargo, detrás de cada consulta, imagen generada o modelo entrenado existe una infraestructura física que demanda cantidades crecientes de energía, agua y recursos naturales. A medida que la adopción de estas herramientas se acelera, también lo hace la necesidad de comprender sus impactos ambientales de forma integral.
En este contexto, un reciente informe del Instituto de Agua, Medio Ambiente y Salud de la Universidad de las Naciones Unidas (UNU-INWEH) pone en perspectiva cómo la expansión de la IA podría llevar a sus centros de datos a consumir 945 teravatios-hora de electricidad al año para 2030, una cifra equivale a casi tres veces el consumo eléctrico combinado de Pakistán, Bangladesh y Nigeria. El hallazgo abre una pregunta urgente de resolver: ¿cómo garantizar que la revolución digital avance sin rebasar los límites planetarios?
El consumo de energía de la IA va mucho más allá de las emisiones de carbono
Durante años, la conversación sobre sostenibilidad tecnológica se ha concentrado principalmente en las emisiones de gases de efecto invernadero. Sin embargo, el nuevo estudio advierte que esta visión resulta insuficiente para evaluar el verdadero impacto ambiental de la inteligencia artificial.
Cada kilovatio-hora utilizado por los sistemas de IA genera simultáneamente una huella de carbono, una huella hídrica y una huella territorial. El problema es que estas variables no siempre evolucionan en la misma dirección. Por ejemplo, algunas fuentes energéticas consideradas más limpias desde la perspectiva climática pueden incrementar significativamente el uso de agua o la ocupación de suelo.
Esta realidad obliga a replantear los indicadores utilizados para medir la sostenibilidad tecnológica. Para los especialistas en responsabilidad social corporativa, el desafío consiste en adoptar enfoques multidimensionales que permitan identificar impactos indirectos y evitar que una solución ambiental genere nuevas presiones sobre otros recursos naturales.
La principal conclusión es clara: una infraestructura energética baja en carbono no necesariamente implica una infraestructura de bajo impacto. El verdadero reto es desarrollar modelos de gobernanza que consideren simultáneamente clima, agua, biodiversidad y uso del territorio.
El consumo de energía de la IA se concentra cada vez más en la inferencia
Uno de los hallazgos más relevantes del informe es que el debate público continúa enfocado en el entrenamiento de los modelos, cuando la mayor parte del impacto ambiental proviene de otra etapa: la inferencia.
Entrenar modelos avanzados como ChatGPT requiere enormes cantidades de energía, pero una vez desplegados, son las interacciones diarias de millones de usuarios las que representan entre el 80% y el 90% del consumo total. Cada pregunta realizada a un chatbot, cada imagen generada y cada video producido mediante IA alimentan una demanda energética constante y creciente.
Las diferencias entre tareas son particularmente significativas. Una consulta conversacional puede consumir hasta 200 veces más energía que una clasificación básica de texto, mientras que la generación de imágenes puede consumir aproximadamente 1,450 veces la energía de referencia, y un solo vídeo corto generado por IA puede gastar tanta electricidad como 200, 000 clasificaciones de spam. Lo más preocupante es que estos costos permanecen prácticamente invisibles para los usuarios, quienes rara vez conocen la huella ambiental asociada a sus interacciones digitales.
Para las empresas desarrolladoras de tecnología, este panorama abre una oportunidad para incorporar principios de transparencia y ecoeficiencia en el diseño de productos. Hacer visible el impacto de determinadas funciones podría convertirse en un elemento clave para fomentar decisiones de uso más responsables.
La paradoja de la eficiencia y los desafíos de gobernanza
Una creencia extendida sostiene que los avances tecnológicos harán que la inteligencia artificial sea cada vez más eficiente y, por tanto, menos demandante en términos ambientales. Sin embargo, el informe advierte que esta lógica podría no cumplirse.
El fenómeno responde a la llamada paradoja de Jevons, según la cual las mejoras en eficiencia suelen traducirse en un aumento del consumo total. Cuando una tecnología se vuelve más barata y accesible, las personas y organizaciones tienden a utilizarla con mayor frecuencia y para más aplicaciones.
En el caso de la IA, esto significa que los ahorros obtenidos por consulta podrían verse rápidamente anulados por el crecimiento exponencial de la demanda. A medida que más sectores incorporan herramientas generativas, automatización inteligente y análisis predictivo, el consumo agregado de recursos podría continuar aumentando.
Por ello, los autores del estudio sostienen que el problema ya no es exclusivamente tecnológico, sino de gobernanza. Las decisiones sobre dónde construir centros de datos, qué métricas exigir a las empresas y cómo gestionar los recursos naturales asociados a la infraestructura digital serán determinantes para definir si la inteligencia artificial contribuye o no a un desarrollo sostenible.
Cuando los costos ambientales y los beneficios digitales no coinciden
Otro aspecto crítico señalado por la investigación es la creciente desigualdad en la distribución de costos y beneficios asociados a la IA. Mientras las ventajas económicas y tecnológicas se concentran principalmente en un reducido número de países, los impactos ambientales suelen recaer sobre comunidades que reciben pocos beneficios directos.
Casos como Irlanda, Querétaro y Uruguay muestran cómo la expansión de los centros de datos puede generar tensiones sobre sistemas eléctricos y recursos hídricos locales. En contextos de sequía o estrés ambiental, estas infraestructuras compiten por recursos esenciales con las necesidades de la población.
La situación se vuelve aún más compleja al considerar la cadena global de suministro. Muchos países que no cuentan con infraestructura propia de IA participan en la extracción de minerales críticos o reciben residuos electrónicos derivados de esta industria. Para 2030, la infraestructura asociada a la inteligencia artificial podría generar hasta 2.5 millones de toneladas de residuos electrónicos anuales.
Desde una perspectiva ESG, esta asimetría plantea interrogantes fundamentales sobre justicia ambiental, distribución de riesgos y responsabilidad compartida a lo largo de toda la cadena de valor tecnológica.
Una revolución tecnológica que necesita nuevas reglas
La inteligencia artificial tiene el potencial de impulsar avances extraordinarios en productividad, innovación y bienestar social. Sin embargo, el informe de la Universidad de las Naciones Unidas deja claro que su sostenibilidad no puede evaluarse únicamente a partir de las emisiones de carbono. El consumo de energía de la IA, su demanda de agua, el uso de suelo y la generación de residuos forman parte de una ecuación mucho más compleja que requiere nuevas herramientas de medición y transparencia.
Para las organizaciones comprometidas con la sostenibilidad, el desafío consiste en incorporar esta visión integral dentro de sus estrategias de gobernanza. El futuro de la IA no dependerá únicamente de su capacidad tecnológica, sino de la capacidad colectiva para desarrollar marcos regulatorios, empresariales y financieros que garanticen que sus beneficios se distribuyan de manera equitativa y dentro de los límites ambientales del planeta.
