Post actualizado el día octubre 26, 2026 by DeiviSanzPlay
Un centro de datos moderno non é unha instalación estable. É unha carga pulsante que se parece máis a un forno de arco ca a unha oficina. E cando metes inferencia de modelos de linguaxe con contexto longo, o perfil de consumo vólvese tolo. O impacto enerxético da IA xa non se pode medir só coa factura anual: hai que mirar o segundo a segundo.
O dato que importa de verdade é a Power Usage Effectiveness (PUE) instantánea, non a anualizada que aparece nos informes de sustentabilidade. Unha PUE anual de 1,15 pode esconder picos horarios de 1,48 durante as ventás de inferencia masiva. Se mides cun analizador de calidade na PDU, con mostraxe a 1 Hz, ves o que os informes ocultan.
O pico que ninguén documenta: RAG sobre clusters H100
Cando lanzas unha recuperación aumentada (RAG) sobre un cluster de 8 GPUs H100, o transitorio de potencia dispara unha media térmica que os enxeñeiros de fiabilidade non ven nos manuais. As barras de distribución diménsionanse para un degrao de 2,3x, pero a ASHRAE TC 9.9 non cobre explicitamente ese escenario. Resultado: o sistema de refrixeración sae do seu envelope de deseño e o custo marginal desa rajada de inferencia triplícase.
O limiar práctico: se a PUE instantánea supera 1,35 durante máis de 180 segundos consecutivos, algo vai mal. Non é unha opinión, é unha observación repetida en clusters multi-tenant con DGX H100. O erro máis común é tratar a carga de inferencia como estable. Non o é. Ten un duty cycle irregular que se parece máis a un forno de arco que a un servidor web.
Eficiencia por consulta vs. efecto rebote
A enerxía por consulta de IA caeu polo menos unha orde de magnitude por ano grazas a melloras en software e hardware. Unha consulta de texto simple consome hoxe menos electricidade ca unha televisión acendida o mesmo tempo. Iso é certo. Pero o paradoxo de Jevons xoga na contra: ao ser máis baratas, as aplicacións de IA úsanse moitísimo máis e os aforros esfúmanse.
Unha consulta de chatbot pode consumir 200 veces máis enerxía ca unha clasificación de texto. Xenerar unha imaxe consome 1.450 veces máis. E xenerar un vídeo curto pode equivaler a 200.000 clasificacións de spam. A eficiencia en inferencia mídese en tokens por watt (tok/W), e o rendemento pode variar ata 40 veces no mesmo hardware dependendo da lonxitude do contexto. Canto maior é a ventá de contexto, menos tokens por watt, cunha relación inversa aproximada.
Onde se vai a auga e a terra da IA
A pegada hídrica é o elefante na habitación. Para 2030, o consumo de auga da IA podería equivaler ás necesidades básicas de 1.300 millóns de persoas, a poboación total da África Subsahariana. Só a pegada hídrica de ChatGPT xa equivale ao consumo anual de auga de medio millón de persoas nesa rexión. E a pegada de solo da infraestrutura de IA superará os 14.500 km² en 2030, máis do dobre da área metropolitana de Iacarta.
En canto aos residuos electrónicos, a rápida obsolescencia do hardware de IA podería xerar ata 2,5 millóns de toneladas ao ano en 2030, a maioría procesada en países de baixa renda con escasas salvaguardas ambientais. Compensar as emisións anuais de ChatGPT requiriría 2,6 millóns de árbores durante dez anos, unha superficie equivalente a Manhattan.
Tecnoloxías que poden cambiar o xogo
Non todo é pessimismo. Hai catro frontes tecnolóxicas que poden transformar o consumo dos centros de datos:
- Supercondutores: empresas como VEIR e Snowcap Compute aplican supercondutividade para reducir perdas eléctricas e aumentar a densidade de potencia. Microsoft xa o avalía para a súa futura infraestrutura de IA.
- Fotónica: Lightmatter, Ayar Labs e Celestial AI substitúen interconectores eléctricos por ópticos, reducindo perdas e xeración de calor no movemento de datos entre procesadores.
- IA na borde (Edge AI): desprazar cargas a móbiles, vehículos e infraestrutura industrial reduce a demanda de computación centralizada. Qualcomm, Nvidia e Apple avanzan nesa dirección.
- Centros de datos acoplados á valorización enerxética: integrar centros de datos con plantas de valorización enerxética de residuos (WtE) para usar calor residual de baixa calidade en refrixeración por absorción, desprazando electricidade.
Baterías e xestión de picos: o novo activo da rede
As baterías de almacenamento están emerxendo como solución crítica para xestionar os picos de inferencia. Estímase que para 2030 os centros de datos poderían instalar entre 20 e 25 GW de almacenamento en baterías, o que potencialmente os convertería nun activo para a rede eléctrica en lugar dun lastre.
Pero hai unha trampa: se non caracterizas a carga en tres escenarios (inferencia base sen contexto, inferencia con 80k tokens de contexto e RAG con embedding en tempo real), non podes dimensionar ben. A ferramenta clave é instrumentar o bus DC da PDU cun analizador de calidade contratado coa utility. O aforro mensual pode chegar ao 18%, pero só se mides o que realmente pasa.
IA e clima: o paradoxo que ninguén quere mirar
A relación entre IA e cambio climático é paradoxal. Por un lado, a IA contribúe ao quecemento global con emisións directas de centros de datos alimentados por combustibles fósiles, uso intensivo de auga en rexións con estrés hídrico como Querétaro (México) ou Uruguai, e dependencia de minerais críticos extraídos con pouca supervisión ambiental.
Por outro, ofrece oportunidades de mitigación: optimización de redes eléctricas para integrar renovables, mantemento preditivo de infraestruturas enerxéticas para evitar apagóns, e aforros enerxéticos de 3 a 10 puntos porcentuais en industrias intensivas en enerxía mediante optimización con IA. O crecemento do PIB impulsado pola IA non se traduce un a un en maior demanda enerxética porque se concentra en servizos intensivos en coñecemento, onde a elasticidade enerxía-PIB é menor.
Futuro da computación eficiente: o que funciona de verdade
O futuro pasa por estratexias complementarias, non por unha bala de prata. A optimización algorítmica con modelos máis pequenos e especializados pode reducir drasticamente o consumo. O roteamento de contexto (tipo FleetOpt) pode mellorar a eficiencia en tok/W ata 2,5 veces respecto a unha frota homoxénea.
As políticas de power capping tamén dan resultados. Estudos con GPUs H100, H200 e MI300X mostran que non existe un límite de potencia óptimo universal: depende da carga de traballo e da arquitectura. Configurar o H100 a 650W (fronte aos 700W de TDP) pode ofrecer un aforro do 18% mensual no pico de demanda contratada, cunha penalización de latencia inferior ao 3%.
E a medición padronizada avanza. A nova Especificación UNE 0086:2025, publicada recentemente, busca estandarizar como se mide a eficiencia enerxética en centros de datos de IA, algo que ata agora era un far west. Sen medición homoxénea, comparar PUEs é un exercicio de fe.
O que eu faría se xestionase un cluster de inferencia
Primeiro, deixaría de publicar PUE anualizada como métrica principal. É unha media que esconde os picos que realmente custan diñeiro. Segundo, instalaría analizadores de calidade en cada PDU con mostraxe a 1 Hz e alarmas cando a PUE instantánea supere 1,35 durante máis de 180 segundos. Terceiro, caracterizaría a carga en tres escenarios reais antes de contratar potencia. E cuarto, avaliaría power capping por arquitectura, non por TDP de folla de datos.
A realidade é incómoda: a IA é unha carga pulsante que se parece máis a un forno de arco ca a un servidor. Quen non o entenda, pagará a factura. Quen o entenda, pode converter o seu centro de datos nun activo para a rede. A elección non é técnica, é de xestión.
