Impacto ambiental de la IA

El impacto ambiental del diseño, la capacitación, el despliegue y el uso de la inteligencia artificial incluye las emisiones de gases de efecto invernadero derivadas de la generación de electricidad para centros de datos y hardware informático, el uso de agua operativa y aguas arriba, y los impactos materiales derivados de la fabricación de hardware, la minería y los residuos electrónicos . ^{[ 1 ] [ 2 ] [ 3 ] [ 4 ]}

Estimar los efectos ambientales de la IA puede ser difícil porque los resultados dependen de cómo se midan los impactos, incluyendo si la contabilidad incluye solo el cálculo del modelo o también los gastos generales del centro de datos , la capacidad ociosa, la fabricación de hardware y el suministro eléctrico local. ^{[ 5 ]}

A medida que estos temas han recibido mayor atención, los gobiernos y los reguladores han considerado cada vez más los requisitos de presentación de informes de los centros de datos, los estándares de eficiencia energética y medidas de transparencia más amplias para el uso de recursos relacionados con la IA. ^{[ 6 ] [ 7 ]}

El consumo de energía relacionado con la IA surge en múltiples etapas, incluyendo el entrenamiento del modelo , el ajuste fino , la inferencia , el almacenamiento, la conexión en red y la infraestructura de soporte como la refrigeración y la conversión de energía. ^{[ 2 ]}

Nivel individual

Published estimates of energy use per AI request vary widely across models, tasks and measurement methods.^[5] A benchmark study presented at the 2024 ACM Conference on Fairness, Accountability, and Transparency found substantial differences between task types, with lower energy use for some text tasks and much higher energy use for image generation in the study's test conditions.^[9] In that benchmark, simple classification tasks consumed about 0.002–0.007 Wh per prompt on average (about 9% of a smartphone charge for 1,000 prompts), while text generation and text summarisation each used about 0.05 Wh per prompt; image generation averaged 2.91 Wh per prompt, and the least efficient image model in the study used 11.49 Wh per image (roughly equivalent to half a smartphone charge).^[9]

First-party measurements in production environments have also been published. A 2025 Google study on Gemini assistant serving reported median per-prompt energy, emissions, and water-use estimates under the authors' accounting framework, while noting that different system boundaries can produce substantially different results.^[5] The study reported a median text-prompt estimate of about 0.24 Wh, which is roughly as much energy as watching nine seconds of television. The study also stated that software and infrastructure improvements reduced energy use by a factor of 33 and carbon emissions by a factor of 44 for a typical prompt over one year within the authors' framework.^[5]

Researchers at the University of Michigan measured the energy consumption of various MetaLlama 3.1 models released in 2024 and found that smaller language models (8 billion parameters) use about 114 joules (0.03167 Wh) per response, while larger models (405 billion parameters) require up to 6,700 joules (1.861 Wh) per response. This corresponds to the energy needed to run a microwave oven for roughly one-tenth of a second and eight seconds, respectively.^[10]

Las comparaciones entre sistemas de IA y trabajo humano para tareas específicas han arrojado resultados mixtos y siguen siendo sensibles a las suposiciones sobre la calidad de la producción, la carga de trabajo y los límites del sistema. Un estudio de 2024 publicado en Scientific Reports informó de emisiones de carbono estimadas entre 130 y 2900 veces menores para determinados sistemas de IA que para escritores e ilustradores humanos, según sus supuestos. ^{[ 11 ]} Un artículo posterior de Scientific Reports presentó un contraejemplo para tareas de programación bajo sus supuestos, encontrando emisiones estimadas entre 5 y 19 veces mayores para el sistema de IA evaluado que para los programadores humanos en el conjunto de datos de referencia utilizado en ese estudio. ^{[ 12 ]}

Nivel del sistema

Uso y eficiencia energética

Impulsada por el crecimiento de la inteligencia artificial, la demanda de energía de los centros de datos aumentó en la década de 2020. ^{[ 13 ]}

Según la Agencia Internacional de Energía, se espera que los centros de datos representen una proporción relativamente pequeña del crecimiento de la demanda mundial de electricidad para 2030. ^{[ 14 ]}

La intensidad de consumo eléctrico de la IA depende no solo de la arquitectura del modelo, sino también de la eficiencia del hardware y las instalaciones. Los operadores de centros de datos suelen informar sobre la eficacia del uso de energía (PUE, por sus siglas en inglés), que mide la relación entre la energía total de las instalaciones y la energía de los equipos de TI ; una PUE más baja indica un menor consumo de energía para refrigeración y otras infraestructuras de soporte. ^{[ 5 ]}

Los operadores también pueden publicar métricas y estudios de caso sobre la eficiencia del hardware, los sistemas de refrigeración y el suministro de energía. En su informe ambiental de 2024, Google declaró que sus emisiones totales de gases de efecto invernadero de 2023 aumentaron un 13 % interanual, principalmente debido al mayor consumo de energía de los centros de datos y las emisiones de la cadena de suministro , al tiempo que reportó un PUE inferior a los promedios de la industria para sus propias instalaciones. ^{[ 16 ]}

La Agencia Internacional de Energía también ha informado que los centros de datos siguen representando una proporción relativamente pequeña del consumo mundial de electricidad en general, pero que sus efectos locales pueden ser mucho más pronunciados debido a que la demanda está geográficamente concentrada. ^{[ 1 ]}

Huella de carbono

A nivel de sistema, la IA contribuye al aumento de la demanda de electricidad en los centros de datos y la infraestructura relacionada. La Agencia Internacional de Energía estimó que los centros de datos consumieron alrededor de 415  TWh de electricidad en 2024, lo que representa aproximadamente el 1,5 % del consumo mundial de electricidad, y proyectó que el consumo eléctrico de los centros de datos podría aumentar a unos 945  TWh para 2030, siendo la IA el principal motor de ese crecimiento, junto con otros servicios digitales. ^{[ 1 ]}

La huella de carbono de los sistemas de IA depende en gran medida de las fuentes de electricidad, la eficiencia del hardware, las tasas de utilización y las etapas incluidas en el cálculo. El entrenamiento de modelos grandes puede requerir una cantidad considerable de electricidad, mientras que el impacto total del ciclo de vida también depende de la escala de implementación y la cantidad de inferencia realizada después del entrenamiento. ^{[ 2 ] [ 17 ] [ 5 ]}

Los primeros análisis del desarrollo de modelos de vanguardia informaron un rápido crecimiento histórico en la capacidad de entrenamiento computacional para sistemas seleccionados, aunque las tendencias posteriores han dependido de cambios en el diseño del modelo, el hardware y las mejoras en la eficiencia. ^{[ 18 ]}

Los métodos contables que incluyen impactos ascendentes o incorporados, como la fabricación de hardware y la construcción de instalaciones, pueden afectar materialmente las estimaciones de emisiones relacionadas con la IA. ^{[ 17 ] [ 4 ]}

Los centros de datos pueden usar agua directamente para refrigeración e indirectamente a través del agua utilizada en la generación de electricidad , dependiendo de la matriz energética local . ^{[ 3 ]} Los informes públicos sobre el uso de agua en los centros de datos a menudo han sido inconsistentes, lo que dificulta las comparaciones entre operadores y regiones. ^{[ 3 ]}

Para estandarizar los informes operativos, The Green Grid propuso la métrica de efectividad del uso del agua (WUE), definida como el uso anual de agua del sitio dividido por el uso de energía de los equipos de TI. ^{[ 19 ]} La WUE por sí sola no mide el estrés hídrico local , la sostenibilidad de la fuente ni todos los impactos hídricos aguas arriba. ^{[ 19 ] [ 3 ]} Los estudios sobre el uso del agua en IA también distinguen entre extracción de agua y consumo de agua ^{[ a ]} . ^{[ 21 ]}

Las investigaciones sobre el uso del agua en sistemas de IA han argumentado que la huella hídrica de estos sistemas puede ser difícil de observar y variar sustancialmente según la ubicación, el diseño de refrigeración y la fuente de electricidad. Un artículo de Communications of the ACM de 2025 resumió los métodos para estimar la huella hídrica de la IA y enfatizó la distinción entre extracción y consumo de agua. ^{[ 21 ]}

Li y sus colegas estimaron que la extracción global de agua por IA podría alcanzar entre 4.2 y 6.6 mil millones de metros cúbicos en 2027 según los escenarios examinados en su artículo. ^{[ 21 ]} Utilizando GPT-3 , lanzado por OpenAI en 2020, como ejemplo, estimaron que entrenar el modelo en los centros de datos de Microsoft en EE. UU. podría consumir alrededor de 700 000 litros de agua en el sitio y alrededor de 5.4 millones de litros en total cuando se incluyó el uso de agua relacionado con la electricidad fuera del sitio; también estimaron que entre 10 y 50 respuestas de longitud media de GPT-3 podrían consumir alrededor de 500  mL de agua, dependiendo de cuándo y dónde se implementó el modelo. ^{[ 21 ]} Las estimaciones publicadas a nivel de aviso también han variado según el sistema y el marco de contabilidad: el estudio de Google de 2025 sobre el servicio de asistente Gemini informó una estimación mediana de aviso de texto de alrededor de 0.26  mL bajo su marco. ^{[ 5 ]}

La ubicación puede afectar significativamente el consumo de agua de los centros de datos. Un estudio sobre centros de datos en EE. UU. reveló que una quinta parte de la huella hídrica directa de los servidores provenía de cuencas hidrográficas con estrés hídrico moderado a alto, mientras que casi la mitad de los servidores se alimentaban total o parcialmente de plantas ubicadas en regiones con estrés hídrico. ^{[ 22 ]} Un informe de Reuters de 2025, que cita datos de Verisk Maplecroft y NatureFinance, indicó que un centro de datos mediano promedio utiliza alrededor de 1,4 millones de litros de agua por día para refrigeración y que Phoenix experimentaría un aumento del 32 % en el estrés hídrico anual si los centros de datos actualmente planificados entraran en funcionamiento. ^{[ 23 ]}

El uso de agua también se produce en etapas anteriores de la fabricación de semiconductores , que depende de grandes cantidades de agua ultrapura . ^{[ 24 ]}

Los sistemas de IA dependen de hardware informático especializado, y la rápida renovación de servidores y aceleradores puede contribuir al aumento de los residuos electrónicos. ^{[ 4 ]} Según el Monitor Global de Residuos Electrónicos 2024 , el mundo generó aproximadamente 62 millones de toneladas de residuos electrónicos en 2022, y se proyectó que el total aumentaría a 82  millones de toneladas para 2030 según sus escenarios. ^{[ 25 ]} La Organización Mundial de la Salud también ha identificado los residuos electrónicos como un problema creciente de salud pública y ambiental. ^{[ 26 ]}

Un estudio de 2024 publicado en Nature Computational Science estimó que la IA generativa podría añadir entre 1,2 y 5 millones de toneladas de residuos electrónicos para 2030, según los escenarios analizados por los autores. ^{[ 4 ]} En los escenarios más pesimistas del estudio, esto representaría hasta el 12 % de los residuos electrónicos globales proyectados para 2030. ^{[ 4 ]} Los autores también estimaron que las estrategias de economía circular a lo largo de la cadena de valor de la IA generativa podrían reducir la generación de residuos electrónicos relacionados con la IA entre un 16 % y un 86 %. ^{[ 4 ]}

El hardware de IA depende de cadenas de suministro complejas para metales, minerales y componentes manufacturados. La UNCTAD ha informado que la expansión de la infraestructura digital aumenta la demanda de materias primas y plantea preocupaciones ambientales y de distribución vinculadas a la extracción, el procesamiento y la fabricación. ^{[ 27 ]}

Los chips especializados utilizados en sistemas de IA pueden depender de cadenas de suministro que involucran minerales críticos y otros materiales cuya extracción y procesamiento pueden tener importantes efectos ambientales y sociales. Estos impactos no son exclusivos de la IA, pero pueden aumentar a medida que crece la demanda de hardware relacionado con la IA. ^{[ 27 ]}

Los efectos ambientales de la infraestructura relacionada con la IA no se distribuyen de manera uniforme. Investigaciones sobre centros de datos en EE. UU. han revelado que su huella ambiental varía según la región y puede interactuar con los sistemas eléctricos locales, la disponibilidad de agua y las cargas ambientales existentes. ^{[ 22 ]} En ese estudio, una quinta parte de la huella hídrica directa de los servidores provenía de cuencas hidrográficas con estrés hídrico de moderado a alto, mientras que casi la mitad de los servidores se alimentaban total o parcialmente de plantas ubicadas en regiones con estrés hídrico. ^{[ 22 ]}

También se han planteado inquietudes sobre la contaminación atmosférica local, los permisos y la sobrecarga de la red eléctrica en las comunidades que albergan instalaciones relacionadas con la IA y la infraestructura eléctrica asociada. En 2025, grupos de derechos civiles y medioambientales impugnaron los permisos relacionados con una instalación de IA en el área de Memphis, argumentando que la carga de la contaminación atmosférica podría recaer desproporcionadamente sobre barrios históricamente sobrecargados. La disputa ha sido objeto de procedimientos regulatorios y legales. ^{[ 28 ] [ 29 ] [ 30 ]}

A pesar de la preocupación por su impacto ambiental, la IA se ha utilizado en aplicaciones relacionadas con el medio ambiente y el clima, incluyendo la predicción meteorológica , la observación de la Tierra y la optimización de los sistemas de transporte y energía.

En la predicción meteorológica, estudios revisados ​​por pares han reportado resultados sólidos para algunos sistemas de predicción basados ​​en IA bajo marcos de evaluación específicos. Un artículo de Nature de 2023 sobre Pangu-Weather reportó un sólido desempeño en la predicción a medio plazo en relación con un sistema líder de predicción numérica del tiempo en la evaluación del estudio. ^{[ 31 ]} La IA también se ha utilizado en la investigación sobre el clima extremo y la modelización de eventos climáticos. ^{[ 32 ]}

También se ha propuesto la IA para la optimización orientada a la mitigación. El proyecto Green Light de Google, por ejemplo, utiliza datos de tráfico y aprendizaje automático para recomendar ajustes en la sincronización de los semáforos con el fin de reducir el tráfico intermitente y las emisiones asociadas en las intersecciones. ^{[ 33 ]}

Si la IA produce beneficios ambientales netos a gran escala sigue siendo una cuestión abierta, porque los resultados dependen de las opciones de implementación, los efectos rebote , la demanda adicional de infraestructura y el grado de descarbonización de los sistemas de electricidad y refrigeración . ^{[ 1 ]}

• Impacto de la inteligencia artificial en el lugar de trabajo
• Impacto ambiental del bitcoin
• Impacto ambiental de las computadoras