Huella de carbono de la IA:
datos, centros de datos
y el debate que nadie cierra
Una consulta a ChatGPT consume hasta diez veces más energía que una búsqueda en Google. Entrenar Grok 4 emitió 72.816 toneladas de CO₂. Y sin embargo, la misma IA podría ser la herramienta más potente que tenemos para optimizar la red eléctrica y acelerar la descarbonización. El análisis con datos reales.
Por qué una consulta a IA consume hasta 10 veces más energía que una búsqueda en Google
La diferencia no es de grado: es de arquitectura. Una búsqueda en Google recupera información de un índice precomputado. El motor de búsqueda ya ha procesado y clasificado miles de millones de páginas con anterioridad; cuando escribes una consulta, simplemente recupera los resultados más relevantes en milisegundos. El coste energético de ese proceso es mínimo: alrededor de 0,2 gramos de CO₂ por búsqueda.
Un modelo de lenguaje grande como GPT-4 o Gemini Ultra no busca: genera. Cada respuesta se construye de cero, token a token, mediante multiplicaciones matriciales sobre decenas de miles de millones de parámetros. Para producir una respuesta de 400 palabras, el modelo ejecuta secuencialmente miles de millones de operaciones en coma flotante, utilizando GPUs que consumen entre 300 y 700 vatios cada una. Y no una GPU: un clúster de ellas, operando en paralelo durante varios segundos por consulta.
La brecha se amplía aún más con las tareas más pesadas. Generar una imagen con Midjourney o DALL-E requiere que el modelo ejecute un proceso iterativo de difusión —normalmente entre 20 y 50 pasos de predicción y corrección—, lo que eleva las emisiones a entre 100 y 400 gramos de CO₂ por imagen generada: hasta 2.000 veces más que una búsqueda.
«El 80-90% del consumo energético de la IA no viene de entrenar los modelos, sino de usarlos. Con cientos de millones de usuarios haciendo consultas cada día, la inferencia se ha convertido en uno de los consumos eléctricos de mayor crecimiento del mundo.»
— IEA, Electricity 2025 — Special Focus on Data Centres and AIGoogle publica datos propios de Gemini: 0,24 Wh y 0,03 g de CO₂ por consulta de texto estándar —significativamente menos que las estimaciones independientes para ChatGPT. La discrepancia se explica por diferencias de arquitectura, pero también por la falta de transparencia del sector: ningún laboratorio está obligado a publicar sus cifras de huella de inferencia, y la mayoría no lo hace.
El coste invisible del entrenamiento de los grandes modelos de lenguaje
Si la inferencia es el consumo continuo y creciente, el entrenamiento es el coste puntual más difícil de justificar. Entrenar un gran modelo de lenguaje requiere semanas o meses de cálculo intensivo en clústeres de miles de GPUs de alta gama. El resultado es un único evento que emite cantidades de CO₂ comparables a países enteros durante días o semanas.
| Modelo | Año | CO₂eq entrenamiento | Equivalencia |
|---|---|---|---|
| GPT-2 (OpenAI) | 2019 | ~78 t | Huella anual de ~16 españoles |
| GPT-3 (OpenAI) | 2020 | ~300 t | 60 años de emisiones de un español medio |
| BLOOM (Hugging Face) | 2022 | ~25 t | Modelo abierto, datos publicados. Referencia de eficiencia. |
| GPT-4 (OpenAI) | 2023 | estimado 2.000–5.000 t no oficial | OpenAI no ha publicado datos |
| Grok 4 (xAI) récord | 2025 | 72.816 t CO₂eq | La mayor huella de entrenamiento conocida y publicada hasta la fecha |
72.816 toneladas de CO₂ para entrenar Grok 4 equivalen a lo que emite España entera en aproximadamente cuatro horas de actividad total —o a lo que un español medio emite en unos 14.500 años. Y ese coste se produce antes de que un solo usuario haga la primera pregunta.
La carrera por el frontera y por qué no se puede parar
El problema estructural no es que un modelo sea caro de entrenar, sino que la competencia geopolítica y comercial entre laboratorios hace imposible detenerse. Las leyes de escalado —la observación empírica de que los modelos más grandes y entrenados con más datos son sistemáticamente mejores— crean un incentivo irresistible para seguir aumentando el tamaño.
El problema del agua: la refrigeración que nadie ve
Más allá del CO₂, los centros de datos tienen una huella hídrica que empieza a ser un conflicto real. Los servidores generan calor de forma intensiva, y ese calor hay que evacuarlo. Los sistemas de refrigeración más comunes —torres de enfriamiento evaporativo— consumen grandes cantidades de agua que se evapora directamente sin posibilidad de recuperación.
10–50 consultas a ChatGPT
(Univ. California, 2023)
en Gemini (Google)
(dato oficial Google)
para centros de datos en 2030
(IEA, 2025)
La localización de los centros de datos convierte esto en un problema geopolítico adicional. Las empresas buscan zonas con electricidad barata, refrigeración natural disponible y conexión de fibra. Irlanda y los Países Bajos —ambos con recursos hídricos relativamente abundantes— concentran gran parte de la infraestructura de IA europea. Pero con el estrés hídrico creciente en el sur de Europa, España recibe creciente interés para instalar centros de datos precisamente en las regiones más secas del continente.
La refrigeración líquida por inmersión —sumergir los servidores directamente en fluidos dieléctricos— promete eliminar casi por completo el consumo de agua. Varios centros de datos de nueva construcción ya la implementan. El problema es el coste: esta tecnología encarece la infraestructura entre un 30% y un 50% respecto al enfriamiento convencional por aire, lo que ralentiza su adopción en un sector que compite agresivamente por reducir costes operativos.
Algunos centros de datos pioneros han empezado a valorizar el calor residual: cederlo a redes de calefacción urbana, a invernaderos o a instalaciones industriales próximas. Es una solución parcial, pero interesante: el calor que antes se evaporaba como agua ahora puede sustituir gas natural en sistemas de calefacción district. Stockholm Data Parks, en Suecia, ya calienta parte de la ciudad con el calor residual de sus servidores.
¿Puede la propia IA ayudar a mitigar el cambio climático?
Aquí el debate se vuelve genuinamente complejo. La IA no es solo el problema: también es, potencialmente, una de las herramientas más potentes que tenemos para abordarlo. Hay aplicaciones documentadas con resultados cuantificables.
El debate que nadie puede cerrar todavía
- Una mejora del 1% en la eficiencia de la red eléctrica global ahorraría más CO₂ del que toda la IA emite hoy
- El descubrimiento acelerado de materiales puede desbloquear tecnologías de batería que llevan décadas atascadas
- La eficiencia por consulta mejora exponencialmente (Gemini redujo 44× su huella en 12 meses)
- La IA permite optimizar sistemas físicos —transporte, logística, industria— con reducciones de emisiones documentadas
- La paradoja de Jevons: mayor eficiencia genera mayor demanda y el consumo total crece igualmente
- No hay transparencia suficiente para auditar externamente si el balance neto es positivo
- La mayor parte del uso actual de IA no tiene aplicación climática: generación de imágenes, chatbots de entretenimiento, marketing
- La carrera armamentística entre laboratorios prioriza el rendimiento sobre la eficiencia energética
El Electric Power Research Institute (EPRI) estimó en 2024 que la IA podría contribuir a reducir entre un 5% y un 10% las emisiones globales para 2030 si se despliega específicamente en aplicaciones de decarbonización. Pero esa proyección asume que el crecimiento del uso se orienta mayoritariamente a esas aplicaciones, lo que hoy no ocurre. La mayor parte del consumo energético de la IA en 2025 sigue siendo para aplicaciones de productividad y entretenimiento, no para optimización climática.
La conclusión más honesta es que ambas cosas son simultáneamente ciertas: la IA tiene un coste climático real y creciente, y también tiene un potencial climático real y documentado. Lo que determinará el balance neto es en qué se usa —y eso es, en gran medida, una decisión política y regulatoria, no solo tecnológica.
¿Qué podemos hacer? La acción honesta, nivel a nivel
La respuesta sincera es que el impacto individual de usar más o menos ChatGPT es marginal comparado con las palancas sistémicas. Pero eso no significa que no haya nada que hacer: significa que hay que elegir bien dónde poner la energía. Siguiendo el enfoque de Project Drawdown —que distingue entre acción personal, ciudadana y profesional—, estas son las tres palancas reales, ordenadas de menor a mayor impacto.
- Elige el modelo más eficiente para cada tarea. Para redactar un correo o resumir un texto, un modelo ligero (Mistral, Gemini Flash, GPT-4o mini) hace el mismo trabajo con una fracción de la energía de los modelos de frontera. El modelo más potente no siempre es el más adecuado.
- Evita la generación de imágenes prescindibles. Con 100-400 g de CO₂ por imagen, es la operación con mayor huella por unidad. Antes de generar, vale la pena preguntarse si esa imagen realmente aporta.
- Prefiere proveedores con compromisos energéticos verificables. Google y Microsoft publican datos de emisiones y tienen compromisos de energía renovable 24/7 auditables. Otros operadores son significativamente menos transparentes. La transparencia no garantiza el impacto, pero su ausencia es una señal.
- Valora los modelos que se pueden ejecutar localmente. Herramientas como Ollama con Llama o Mistral corren en tu ordenador sin conectarse a ningún servidor remoto —el consumo energético es el de tu CPU o GPU local, y la huella por consulta cae drásticamente.
- Apoya la regulación de transparencia. La AI Act de la UE exige desde 2025 que los modelos de alto impacto publiquen datos de consumo energético. Es la primera regulación así en el mundo y existe porque hubo presión ciudadana. Sin esa obligación de reporting, los laboratorios no publican nada. Cuanto más se exija, más datos habrá para exigir mejoras.
- Presiona para que los contratos públicos de IA incluyan criterios de eficiencia. Los gobiernos son grandes clientes de servicios de IA. Que los pliegos de contratación pública exijan compromisos de huella energética verificables es una palanca enorme que no requiere tecnología nueva, solo voluntad política.
- Cuestiona la instalación de centros de datos en zonas con estrés hídrico. En España y el sur de Europa, varios grandes centros de datos se están instalando en regiones con escasez de agua. La participación ciudadana en los procesos de aprobación ambiental de estas instalaciones es un derecho y una herramienta real.
- Vota con este criterio en mente. La descarbonización de la red eléctrica es, con diferencia, la variable más importante para reducir la huella de la IA. Un centro de datos alimentado con energía renovable al 100% tiene una huella cercana a cero, independientemente de cuántas consultas procese. La política energética importa más que ningún hábito de consumo individual.
- Aplica los principios de la Green Software Foundation. Código más eficiente, menos recursos ociosos, optimización de los ciclos de inferencia. El ahorro acumulado de pequeñas mejoras de eficiencia en sistemas con millones de usuarios es enorme. La fundación ofrece formación gratuita y una especificación técnica (SCI) para medir la huella de un sistema de software.
- Incorpora el coste de carbono en las decisiones de arquitectura. Elegir entre dos configuraciones de cloud con costes económicos similares a menudo implica diferencias significativas en emisiones. Herramientas como Cloud Carbon Footprint permiten hacer ese cálculo. Microsoft implementa internamente una tasa de carbono que hace a sus equipos responsables de sus emisiones, no solo de su presupuesto.
- Usa computación consciente del carbono. La intensidad de carbono de la red eléctrica varía con la hora y la región. Programar trabajos pesados de IA (entrenamiento, inferencia en batch) para momentos en que la red tiene más renovables —y en regiones donde la energía es más limpia— puede reducir las emisiones del mismo trabajo entre un 50% y un 80%, sin cambiar nada del código.
- Exige transparencia a tus proveedores de cloud. Si tu empresa es un cliente significativo, tiene palanca para pedir a AWS, Google Cloud o Azure datos de emisiones por workload, compromisos de energía renovable verificables y hojas de ruta de descarbonización. Usa ese poder de negociación.
El principio de Drawdown aplicado a la IA: la acción personal más honesta no es usar menos ChatGPT, sino entender cuál es la palanca real en cada contexto. Para la mayoría de la gente, esa palanca es ciudadana: exigir transparencia, apoyar regulación y votar por políticas energéticas que descarbonizen la red eléctrica. Para quien trabaja en tecnología, la palanca profesional es más directa y de mayor impacto que cualquier hábito de consumo personal.
Preguntas frecuentes
¿Por qué consume más energía una consulta a ChatGPT que una búsqueda en Google?
Google Search recupera resultados de un índice precomputado: es una búsqueda en milisegundos. ChatGPT genera cada respuesta desde cero, token a token, mediante multiplicaciones matriciales sobre miles de millones de parámetros en GPUs de alta potencia. Ese proceso de inferencia requiere entre 3 y 10 veces más energía para texto, y hasta 2.000 veces más para generación de imágenes.
¿Cuánto CO₂ genera entrenar un modelo de lenguaje grande?
Entrenar GPT-3 generó unas 300 toneladas de CO₂ (equivalente a 60 años de emisiones de un español). El modelo Grok 4 de xAI registró 72.816 toneladas CO₂eq, la mayor cifra publicada hasta hoy. Los modelos de frontera actuales se estiman en miles de toneladas, pero los laboratorios raramente publican datos oficiales de entrenamiento.
¿Cuánta agua consumen los centros de datos de IA?
Entre 10 y 50 consultas a ChatGPT consumen alrededor de 2 litros de agua (estimación UC 2023). Para 2030, el consumo hídrico total de los centros de datos podría alcanzar los 9,3 billones de litros anuales. El agua se usa principalmente en sistemas de refrigeración evaporativa: se evapora sin posibilidad de recuperación.
¿Puede la IA ayudar a combatir el cambio climático?
Sí, con aplicaciones documentadas: DeepMind mejoró el valor de mercado de la energía eólica un 20-30% con predicción ML; GNoME descubrió 2,2 millones de nuevos materiales potencialmente útiles para baterías y células solares; los emuladores climáticos corren hasta 10.000 veces más rápido que los modelos tradicionales. El debate abierto es si ese beneficio compensa el coste energético total de toda la infraestructura de IA.
¿Cuál es el modelo de IA con menor huella de carbono por consulta?
Mistral Medium 3 es el modelo de alto rendimiento con menor huella por consulta de texto según estudios independientes: ~1,5 g CO₂eq. Gemini publica datos propios de 0,03 g por consulta estándar. Los modelos de generación de imágenes (Midjourney, DALL-E) están en el extremo opuesto: 100-400 g por imagen. La falta de transparencia del sector dificulta la comparación rigurosa.
¿La IA consumirá más o menos energía en el futuro?
Ambas cosas simultáneamente: los modelos se vuelven más eficientes por consulta (Gemini redujo su huella 44 veces en 12 meses), pero el número de consultas crece a mayor velocidad. La paradoja de Jevons: la mayor eficiencia genera mayor demanda. La IEA proyecta que la IA pasará del 20% al 40% del consumo eléctrico de centros de datos entre 2025 y 2030 pese a las mejoras de eficiencia.
Alimentación, hogar, transporte y desperdicio: dónde está tu huella y qué cambiar primero.
