La huella oculta de la inteligencia artificial: cómo los centros de datos están transformando el mapa energético mundial

La expansión de la inteligencia artificial (IA) no solo cambia la forma en que trabajamos y nos comunicamos: está reconfigurando la demanda energética y el uso de recursos a escala planetaria. Un informe reciente de la Universidad de las Naciones Unidas

(United Nations University) pone cifras inquietantes sobre la mesa: en 2025 los centros de datos consumieron 448 billones de vatios-hora (448 trillion watt-hours) de electricidad —un volumen que supera al consumo energético de la mayoría de los países— y generaron alrededor de 208 millones de toneladas de dióxido de carbono, similar a la huella de naciones como Argentina.

Dimensiones y proyecciones: una industria que crece rápido

Los datos del informe indican que la infraestructura digital ya representa una porción relevante del consumo global. En términos prácticos, la actividad de los centros de datos consumió el equivalente a unos 1.2 billones de galones de agua (aprox. 4.5 billones de litros) en procesos de enfriamiento y operación. Si la tendencia continúa, para 2030 los centros de datos podrían consumir cerca de 935 billones de vatios-hora, situándose en torno al 3% del consumo eléctrico mundial proyectado y situándose —si fueran un país— entre los seis mayores consumidores de energía del planeta.

Buena parte de este incremento se debe a la masiva adopción de aplicaciones de IA. Actualmente, según el mismo estudio, la IA representa aproximadamente el 20% del consumo energético de los centros de datos; para 2030 esa proporción podría subir hasta el 40%.

Por qué la IA consume tanta energía

Existen dos etapas clave en la vida de un sistema de IA que demandan energía: el entrenamiento (cuando los modelos aprenden a partir de grandes volúmenes de datos) y la operación (las solicitudes o «prompts» que los usuarios envían para obtener respuestas). Aunque el entrenamiento de modelos muy grandes puede ser intensivo —por ejemplo, el informe señala que entrenar modelos como GPT-3 requirió alrededor de 1.3 mil millones de vatios-hora, mientras que iteraciones posteriores han llegado a demandar entre 50 y 70 mil millones de vatios-hora—, lo que realmente domina el consumo es la operación cotidiana: aproximadamente el 90% del uso energético relacionado con la IA proviene de responder a las peticiones de los usuarios.

Según Miriam Aczel, investigadora del informe, «la mayor parte del consumo energético de la IA no está en el entrenamiento, sino en las solicitudes operativas», una observación que obliga a mirar con atención la escala de uso público de estas tecnologías.

El impacto hídrico: un problema menos visible

Además de la electricidad, el estudio denuncia un enorme uso de agua para enfriar centros de datos: 1.2 billones de galones en 2025. El consumo hídrico preocupa especialmente en regiones con estrés hídrico, donde la proliferación de instalaciones puede competir con necesidades agrícolas y domésticas. Kaveh Madani, coautor del informe y científico del agua, advierte que «la demanda es enorme» y que la IA «tiene física: hay infraestructura detrás y alguien, en otro lugar, puede estar sufriendo» (United Nations University, 2026).

La paradoja de la eficiencia

Las compañías tecnológicas suelen resaltar mejoras de eficiencia energética en sus equipos y centros de datos. Sin embargo, existe una paradoja conocida en economía energética: cuando algo se vuelve más eficiente, tiende a utilizarse más, lo que puede llevar a un aumento neto del consumo total. Madani lo resume así: las eficiencias unitarias terminan por impulsar un uso mayor y, por tanto, un mayor consumo agregado.

Adicionalmente, aunque muchas empresas anuncian que usan energías renovables, el despliegue masivo de centros de datos puede agotar la disponibilidad de electricidad limpia en una región y obligar a que otras actividades pasen a fuentes más contaminantes, desplazando el impacto en vez de eliminarlo.

¿Qué pueden hacer los usuarios y las empresas?

El informe y sus autores plantean medidas tanto a escala individual como colectiva:

• Optimizar el uso de la IA: ser más concisos y precisos en las consultas reduce energía. El estudio muestra que acortar en un 30% el número de palabras en las solicitudes puede recortar la energía consumida por IA en torno a un 25%, lo que equivale, según los autores, al consumo anual de electricidad de unas 700.000 personas en África. Kaveh Madani enfatiza que «si eres demasiado cortés, esa palabra extra puede marcar la diferencia» (United Nations University, 2026).
• Transparencia y datos abiertos: muchas empresas no publican información suficiente sobre el consumo y localización de sus centros de datos. Para gestionar el problema, gobiernos y reguladores deberían exigir métricas claras y auditorables.
• Incentivos regulatorios: tarifas, permisos y políticas que favorezcan el despliegue en zonas con baja huella hídrica y energética, y que promuevan el uso de electricidad 100% renovable libre de desplazamientos contaminantes.
• Diseño eficiente de modelos: priorizar arquitecturas y técnicas que mantengan precisión con menor gasto computacional (por ejemplo, distilación de modelos, poda o quantización).

Debates y posturas opuestas

No faltan voces que defienden la transición hacia la IA como una oportunidad con beneficios sociales y económicos. Caleb Max, presidente de la National Artificial Intelligence Association, señaló que la IA mejora la seguridad, la eficiencia y la productividad, y sostiene que la inversión en IA puede redundar en retornos energéticos y sociales importantes.

En paralelo, representantes de la industria de centros de datos, como Josh Levi, presidente de la Data Center Coalition, aseguran que el sector se toma en serio su impacto ambiental y trabaja con comunidades y reguladores para mejorar prácticas y transparencia.

Estas posiciones muestran un campo en tensión: por un lado, la promesa de utilidades sociales y económicas; por otro, el peso real en recursos y externalidades ambientales que, si no se gestionan, pueden agravar problemas climáticos, hídricos y de justicia ambiental.

Contexto histórico y lecciones

El patrón de nuevas tecnologías que generan demandas energéticas imprevistas no es nuevo. En la segunda mitad del siglo XX, la electrificación masiva y la difusión de electrodomésticos dispararon consumos que no habían sido previstos en los primeros modelos de eficiencia. De forma similar, la revolución digital y el auge del streaming en los años 2010 incrementaron drásticamente el tráfico de datos y la demanda sobre centros de datos.

Hoy, la IA representa la frontera más reciente de esa dinámica: se combina una adopción rápida con modelos de negocio que incentivan el uso intensivo, generando externalidades que requieren políticas proactivas en lugar de reactivas.

¿Hacia dónde vamos?

Si no se adoptan medidas coordinadas y ambiciosas, las proyecciones energéticas sugieren que los centros de datos y la IA jugarán un papel cada vez más central en la demanda eléctrica global, con impactos climáticos y sociales significativos. Pero hay margen para mitigar ese trayecto: regulación más estricta, transparencia, inversiones en renovables adicionales (no solo reetiquetado de consumo), mejoras en la eficiencia de modelos y concienciación de usuarios sobre su comportamiento digital pueden moderar el aumento.

Como comunidad tecnológica y ciudadana enfrentamos una pregunta de diseño social: ¿permitiremos que la rápida adopción de la IA reproduzca patrones previos de externalidades ambientales, o aprovecharemos la oportunidad para construir un ecosistema digital sostenible que reparta beneficios sin hipotecar recursos comunes?

Las respuestas deberán combinar ciencia, política pública y responsabilidad empresarial. La alternativa —dejar la tendencia a la inercia— podría traducirse en un crecimiento tecnológico que, paradójicamente, aumente las tensiones ambientales y sociales que la propia tecnología promete ayudar a resolver.