La inteligencia artificial puede ayudar a una empresa a consumir menos energía, reducir el desperdicio y automatizar en mayor medida la elaboración de informes ESG. Pero quienes desarrollan productos de IA también conocen la otra cara de la moneda: cada modelo se ejecuta en infraestructuras que consumen mucha energía, cada llamada a la API tiene un coste computacional y la demanda de recursos informáticos no da señales de disminuir.
Por eso, la sostenibilidad de la inteligencia artificial no debe tratarse ni como un eslogan ni como una culpa que hay que expiar. Debe gestionarse como un problema operativo. En Italia, el debate se ha estructurado ya en torno a dos ideas concretas: la sostenibilidad de la IA y la IA para la sostenibilidad. La primera se refiere a la huella de la propia IA. La segunda se refiere al uso de la IA para mejorar los procesos, el consumo y la gobernanza medioambiental. En este mismo contexto, el componente de información ESG respaldado por la IA se ha «casi triplicado en el último año», según este análisis sobre la sostenibilidad de la inteligencia artificial y la gobernanza ESG.
Como fundador de una empresa de IA, considero infructuosos tanto el alarmismo automático como el tecnooptimismo pasivo. La cuestión no es decidir si la IA es «buena» o «mala» para el medio ambiente. La cuestión es comprender dónde consume, cuándo genera valor real y qué decisiones concretas reducen el impacto sin mermar su utilidad.
El debate sobre la sostenibilidad de la inteligencia artificial ha madurado. Por fin. No porque el problema se haya resuelto, sino porque ya es imposible reducirlo a una frase hecha.
Por un lado, la IA ayuda a las empresas y a las instalaciones a hacer un mejor uso de la energía, a reducir el desperdicio y a mejorar la presentación de informes ESG. Por otro lado, esos mismos sistemas requieren potencia de cálculo, centros de datos, sistemas de refrigeración, redes y componentes de hardware que tienen un coste medioambiental real. Si solo se tiene en cuenta uno de los dos aspectos, se toma una decisión errónea.
Las dos categorías que utilizo con más frecuencia son las que ya se han generalizado también en el contexto italiano:
La diferencia no es teórica. Te obliga a plantearte dos preguntas distintas. La primera es: ¿cuánto pesa mi pila de IA? La segunda es: ¿ese peso genera un beneficio medioambiental u operativo lo suficientemente concreto como para justificarlo?
La pregunta correcta no es «¿utilizar o no utilizar la IA?». La pregunta correcta es «¿realmente se necesita esta capacidad de cálculo para esta tarea?».
El error que veo con más frecuencia no es tecnológico, sino que tiene que ver con la toma de decisiones. Muchas empresas adoptan la IA como si toda la potencia disponible tuviera que utilizarse en todo momento. En la práctica, eligen el modelo más grande, el flujo de trabajo más complejo y la automatización más amplia, incluso cuando el problema era mucho más sencillo.
En realidad, una estrategia sostenible parte de un principio menos llamativo: la proporcionalidad. Si una tarea se puede llevar a cabo correctamente con menos cálculos, menos transferencia de datos y menos complejidad, eso no supone una renuncia. Es una opción mejor.
La parte más útil del debate comienza cuando se deja de hablar en abstracto. El impacto medioambiental de la IA no es una opinión. Se trata de una cuestión de infraestructura con cifras lo suficientemente claras como para exigir prudencia.
Una fuente italiana que recoge datos internacionales señala que un estudio de 2019 de la Universidad de Massachusetts estimó que el entrenamiento de un solo modelo de IA puede generar más de 284 toneladas de CO₂, lo que equivale a las emisiones de cinco coches a lo largo de todo su ciclo de vida. La misma fuente indica que el desarrollo de ChatGPT-3 habría requerido unos 1 287 MWh de electricidad, lo que equivale al consumo anual de entre 120 y 130 hogares estadounidenses medios, y también cita una proyección de Goldman Sachs Research según la cual la demanda eléctrica de los centros de datos podría aumentar un 160 %, con un incremento de unos 200 TWh al año entre 2023 y 2030, mientras que, para 2028, el consumo relacionado con la IA podría alcanzar el 19 % de las necesidades energéticas totales de los centros de datos. Todos estos datos se recogen en este análisis italiano sobre el coste medioambiental de la IA.
La cuestión no es utilizar estas cifras para generar alarmismo mediático. La cuestión es comprender la magnitud del problema. Si desarrollas o adoptas la IA, estás contribuyendo a un aumento de la demanda energética que afecta a infraestructuras enteras, no solo a tu presupuesto para la nube.
Regla práctica: cuando evalúes un proyecto de IA, no te fijes solo en el coste por token o por llamada a la API. El verdadero problema suele estar más allá, en la infraestructura que hace posible esa llamada.
Muchos piensan que el coste medioambiental de la IA se limita casi exclusivamente al entrenamiento. Es una simplificación cómoda, pero errónea. El consumo se distribuye en varios niveles:
| Componente | Por qué es importante |
|---|---|
| Formación | Requiere un gran volumen de cálculo intensivo |
| Inferencia | Cada solicitud de un usuario genera trabajo repetitivo a lo largo del tiempo |
| Centro de datos | Suministro eléctrico, redundancia y gestión continua de la infraestructura |
| Refrigeración | El calor generado por los sistemas debe disiparse de forma eficiente |
| Redes y transferencia de datos | La transferencia de datos entre sistemas, regiones y servicios conlleva un coste energético |
Esto cambia la forma en que hay que abordar la sostenibilidad de la inteligencia artificial. No basta con preguntarse «cuánto consume el modelo». También hay que preguntarse dónde se ejecuta, cuánto tráfico genera, cuántas veces se consulta y si la arquitectura se ha diseñado para limitar el desperdicio.
Por eso tiene sentido analizar también los casos en los que se utiliza la IA para mejorar la propia infraestructura. Un ejemplo útil es elde la optimización energética de los centros de datos mediante IA, que ilustra bien una idea sencilla: el problema no es solo el modelo, sino todo el entorno técnico que lo sustenta.
Si nos fijamos únicamente en los costes, nos estamos perdiendo la mitad del panorama. La IA también puede ser una herramienta importante para mejorar la sostenibilidad empresarial. No en un sentido retórico, sino en procesos muy concretos.
En el contexto italiano, aplicada a los sistemas de gestión energética, la IA puede reducir el consumo operativo en instalaciones industriales y pymes al prever los picos de demanda y regular en tiempo real cargas como los sistemas de climatización y la iluminación. Esto tiene un impacto directo en las emisiones de Alcance 2 y ayuda a optimizar el uso de fuentes renovables intermitentes, tal y como se describe en este artículo de fondo sobre los sistemas de gestión energética con IA.
Este es el tipo de aplicación que considero defendible también desde el punto de vista medioambiental. No porque sea gratuita, sino porque utiliza el cálculo para eliminar el desperdicio físico continuo. En una instalación con una demanda variable, regular en tiempo real la ventilación, la climatización o la iluminación puede valer más que mil diapositivas sobre la transición ecológica.
Estas son las tres áreas en las que la IA suele resultar realmente útil:
Para una pyme, el beneficio no suele derivarse de un modelo espectacular. Se deriva de un sistema que evita la duplicación de trabajo: exportaciones manuales, múltiples hojas de Excel, archivos adjuntos enviados varias veces, conciliaciones realizadas por diferentes personas sobre los mismos datos. Todo esto consume tiempo, recursos informáticos, ancho de banda y atención.
Un proceso que se repite cinco veces por parte de personas diferentes resulta ineficiente también desde el punto de vista medioambiental, no solo desde el organizativo.
Cuando la IA centraliza los datos, automatiza los pasos repetitivos y permite reutilizar los análisis, el valor añadido no reside en una inferencia concreta, sino en la eliminación de la redundancia.
Para quienes se dedican a la elaboración de informes, un ejemplo relacionado con este problema es ELECTE para la elaboración de informes ESG, que resulta útil para comprender cómo la automatización puede reducir los pasos manuales y la dispersión de la información sin convertir cada actividad en un proyecto informático complejo.
Lo alentador es que el sector no se ha quedado estancado. La IA está generando el problema, pero también está impulsando innovaciones que pretenden reducir su consumo energético. Sin embargo, hay que ser sinceros: no existe una solución única.
Una vía prometedora es aquella que se centra en las interconexiones y en la eficiencia de la infraestructura. Cuando los sistemas informáticos están a la espera de datos, la potencia instalada no se aprovecha adecuadamente. Esta es una de las razones por las que el hardware de nueva generación no debe valorarse únicamente en términos de rendimiento, sino también de eficiencia.
En el debate tecnológico circulan propuestas que se centran en las conexiones fotónicas, una mejor transmisión de datos y una menor disipación. La cuestión práctica, para quienes contratan servicios en la nube y no chips, es otra: elegir pilas tecnológicas que realicen más trabajo útil con menos tiempos de espera, menos tráfico y menos sobrecarga.
Esta lógica también se aplica más allá de la IA en sentido estricto. Quien desee reflexionar de manera más general sobre modelos de producción menos derrochadores puede encontrar ideas útiles en estas prácticas de economía sostenible, sobre todo para vincular la eficiencia digital con la reducción del desperdicio de materiales en los procesos.
En cuanto al software, las herramientas más interesantes suelen ser menos llamativas y más directas:
En mi experiencia, esta ha sido la decisión que más impacto ha tenido. El cambio más eficaz no ha sido introducir una tecnología futurista, sino dejar de utilizar el modelo más potente para todo. La clasificación, el formateo, la extracción de patrones conocidos y muchas operaciones de apoyo no siempre requieren un modelo de vanguardia. Requieren disciplina arquitectónica.
Si el resultado para el usuario sigue siendo el mismo, utilizar menos recursos de cálculo no supone un sacrificio. Es un diseño mejor.
Por eso suelo hablar a menudo del «modelo adecuado para cada tarea». En la práctica, esto significa crear una capa de enrutamiento que asigne cada operación al nivel de potencia necesario. Es una decisión que tiene que ver con el coste, pero también con la sostenibilidad.
Quien desee profundizar en la relación entre las soluciones técnicas y el impacto medioambiental puede leer también el artículo de ELECTE sobre la IA y el medio ambiente, que recoge diversos casos y líneas de desarrollo sin presentarlos como soluciones milagrosas.
La objeción más importante es también la más incómoda: aumentar la eficiencia de la IA no garantiza automáticamente una reducción del consumo total. Es más, a veces ocurre lo contrario.
Cuando la informática se vuelve más económica, más accesible y más rápida, las empresas tienden a utilizarla más. Más automatizaciones, más solicitudes, más integraciones, más procesos generados «porque, al fin y al cabo, cuesta poco». Esa es la esencia de la paradoja de la eficiencia.
Por eso, la sostenibilidad de la inteligencia artificial no puede limitarse únicamente a la mejora de los chips o a la creación de modelos más compactos. Debe convertirse en un criterio prioritario. Antes de cualquier implementación, habría que plantearse algunas preguntas:
Una de las carencias más evidentes en el debate italiano es precisamente esta: la falta de indicadores estandarizados y de un enfoque holístico para medir la huella de la IA a lo largo de su ciclo de vida, un tema que se destaca en esta perspectiva sistémica sobre la sostenibilidad de la inteligencia artificial.
El problema, por lo tanto, no es frenar la innovación. Es dejar de considerar la capacidad de cálculo como un recurso gratuito e inagotable. Toda organización debería tratarla como trata el presupuesto o el tiempo de sus empleados: algo que hay que asignar allí donde realmente genere valor.
Para una pyme, hablar de sostenibilidad sin un plan operativo no sirve de mucho. Conviene partir de cuatro decisiones que se pueden tomar de inmediato, incluso sin una medición perfecta de la huella medioambiental.
Una fuente italiana señala que muchos debates sobre la sostenibilidad de la IA pasan por alto la relación coste-beneficio, mientras que los centros de datos ya consumen alrededor del 3 % de la energía mundial. La pregunta que se suele pasar por alto es: ¿cuándo conviene utilizar un modelo más pequeño o un proceso tradicional para evitar un aumento insostenible del consumo y los costes? Este tema se resume muy bien en este artículo sobre la relación coste-beneficio medioambiental de la IA.
Elige el modelo adecuado para el problema
Esta es la herramienta que ofrece la mejor relación entre sencillez e impacto. No utilices el modelo más potente por defecto. Úsalo solo cuando marque una diferencia real. Para muchas actividades cotidianas bastan modelos más ligeros o sistemas no generativos.
Evalúa también al proveedor de servicios en la nube en función de su perfil energético
No te fijes solo en el precio, la latencia y el cumplimiento normativo. Ten en cuenta también la transparencia sobre los centros de datos, la combinación energética regional y el enfoque en materia de eficiencia operativa. La ubicación geográfica es importante. Una carga de trabajo no tiene la misma huella en todas las regiones.
Elimina la redundancia en los flujos de trabajo
Si los mismos datos se exportan, se copian, se reformatean y se reenvían varias veces, estás desperdiciando recursos incluso antes de hablar de IA. Una plataforma como ELECTE, una plataforma de análisis de datos basada en IA para pymes, puede utilizarse para centralizar datos, automatizar informes y reducir los análisis duplicados. La ventaja, en este contexto, no es «aplicar más IA», sino reducir el trabajo innecesario.
Mide, aunque sea de forma imperfecta
No todas las empresas disponen de herramientas para medir los kWh o las emisiones de CO₂ por cada proceso. No pasa nada. Empieza por las métricas operativas que ya tienes a tu alcance.
A falta de un estándar del sector realmente consolidado, yo empezaría con una tabla sencilla:
| Métrica operativa | ¿Qué te dice? |
|---|---|
| Llamadas a la API al completar una tarea | Si estás dedicando demasiado esfuerzo a obtener un resultado |
| Tamaño medio del modelo por operación | Si estás sobreestimando las tareas |
| Volumen de datos transferidos por sesión | Si tu flujo de trabajo genera tráfico que se podría evitar |
| Análisis generados pero no utilizados | Si estás automatizando contenidos que nadie lee |
Es mejor medir mal, pero de forma coherente, que no medir en absoluto.
Si al cabo de tres meses observas que el número de llamadas por tarea disminuye, que los modelos grandes se activan con menos frecuencia y que la transferencia de datos es menor, aún no has logrado una contabilidad de carbono perfecta. Sin embargo, dispones de algo muy útil: una disciplina de eficiencia que reduce el desperdicio computacional, los costes y, probablemente, también el impacto medioambiental.
La sostenibilidad de la inteligencia artificial no se resuelve con un eslogan. Ni siquiera con un rechazo ideológico a la IA. Se construye con mejores decisiones técnicas y de gestión.
Quien utilice la IA hoy en día debe tener en cuenta dos realidades. La primera: el coste medioambiental existe, va en aumento y no debe minimizarse. La segunda: la IA puede aportar beneficios concretos cuando reduce el desperdicio, mejora el uso de la energía y sustituye los procesos repetitivos y desorganizados por sistemas más inteligentes. La calidad de la elección radica en la relación entre estos dos aspectos.
Para las empresas europeas existe también un segundo nivel de responsabilidad. No basta con cumplir con la normativa. Es necesario comprender cómo se entrelazan la tecnología, la infraestructura, la gobernanza y la propiedad intelectual. En relación con este último punto, para quienes deseen profundizar en el marco jurídico que acompaña a la adopción de la IA, recomiendo esta guía sobre patentes de inteligencia artificial, útil para interpretar la sostenibilidad tecnológica también como una elección estratégica a largo plazo.
La estrategia correcta no consiste en utilizar menos IA en general. Consiste en utilizar la IA adecuada, en el lugar adecuado y con el nivel de potencia adecuado.
Si quieres implementar la IA de forma más eficiente y consciente, puedes ver cómo funciona ELECTE. La plataforma ayuda a las pymes a centralizar los datos, automatizar los informes y reducir el trabajo analítico redundante, con un enfoque pragmático a la hora de elegir el modelo y de garantizar la eficiencia operativa.
.svg)
.svg)
.svg)
