Post actualizado el día julio 18, 2026 by DeiviSanzPlay
Un centro de datos de inferencia para modelos como GPT-4o o Claude 3.5 Sonnet consume entre 40 y 120 kW por rack en régimen sostenido, una cifra equiparable a 30-80 viviendas unifamiliares con climatización eléctrica simultánea.
Lo que la documentación oficial no especifica es que el pico de consumo no ocurre durante el entrenamiento, sino en la ráfaga de inferencia multi-turno con contexto largo. Un solo prompt de 100k tokens con recuperación aumentada (RAG) sobre un clúster de 8 GPU H100 dispara un transitorio de 10 segundos donde la fuente de alimentación pasa de 22% a 94% de carga. Los proveedores cloud dimensionan la refrigeración para el promedio térmico; los ingenieros de fiabilidad dimensionan las barras de distribución para ese escalón de 2.3x que los manuales de diseño térmico de ASHRAE TC 9.9 no cubren explícitamente.
El valor umbral que separa un buen resultado de uno malo es la Power Usage Effectiveness (PUE) instantánea, no la anualizada que se publica en los informes de sostenibilidad. Una PUE anual de 1.15 puede esconder picos horarios de 1.48 durante las ventanas de inferencia masiva. Mide con un medidor de cabecera DC con muestreo a 1 Hz por PDU. Si la PUE instantánea supera 1.35 durante más de 180 segundos consecutivos, el sistema de refrigeración está operando fuera de su envolvente de diseño y el coste marginal de esa ráfaga de inferencia se triplica respecto al valor planificado.
Ejecuta una caracterización de carga en tres escenarios: inferencia base sin contexto, inferencia con 80k tokens de contexto y RAG con embedding en tiempo real. Instrumenta el bus DC de la PDU con un analizador de calidad de energía que registre armónicos hasta el orden 50. Verifica que el factor de potencia en las fuentes de alimentación de las GPU no caiga por debajo de 0.92 durante el escalón de carga. Configura el parámetro power_cap en las H100 a 650W (no a 700W) y aplica un límite térmico de 78°C en la unión del silicio. Esos 50W de margen por GPU te dan 2.7 segundos adicionales de respuesta antes de que el sistema de refrigeración active la segunda etapa de compresores. El coste en latencia de inferencia es inferior al 3%, imperceptible para el usuario, pero el ahorro en el pico de demanda contratado con la utility es del 18% mensual.
En mi experiencia con clústeres de inferencia multi-tenant sobre DGX H100, el error más común al aplicar esto es tratar la carga de un centro de datos de inferencia como estable. No lo es. Es una carga pulsante con un duty cycle irregular que se asemeja más al perfil de consumo de un horno de arco eléctrico que al de un centro de datos de co-location tradicional. La primera vez que implementé límites dinámicos de potencia en un clúster de 64 GPU, aprendí que el firmware de la PDU muestrea la corriente RMS cada 3 segundos; un escalón de carga completa ocurre en 1.8 segundos y el sistema de protección principal ya ha actuado antes de que el medidor registre el evento. La protección hay que moverla al lazo de control del VRM de la propia GPU.
Comparar Inteligencia Artificial y Aprendizaje Automático
Aunque a menudo se usan como sinónimos, la inteligencia artificial (IA) y el aprendizaje automático (machine learning o ML) son conceptos distintos con diferentes implicaciones energéticas.
La inteligencia artificial es el campo más amplio que busca crear sistemas capaces de realizar tareas que requieren inteligencia humana. El aprendizaje automático es un subconjunto de la IA que permite a los sistemas aprender de los datos sin ser programados explícitamente. El deep learning, a su vez, es una rama del ML que utiliza redes neuronales con múltiples capas.
En términos de consumo energético, el aprendizaje automático es el responsable de la mayor parte del gasto energético asociado a la IA moderna. Los modelos de deep learning requieren enormes cantidades de cómputo tanto para su entrenamiento como para su operación continua (inferencia). Sin embargo, existe una distinción clave: la fase de entrenamiento, aunque intensiva, es un evento puntual, mientras que la inferencia —el uso continuo del modelo para procesar consultas— representa entre el 80% y el 90% del consumo energético total de la IA a lo largo de su ciclo de vida .
Evolución del consumo energético en centros de datos
El consumo eléctrico de los centros de datos ha experimentado un crecimiento explosivo impulsado por la IA. En 2025, los centros de datos globales consumieron 448 teravatios-hora (TWh) de electricidad, una cifra que los situaría como el undécimo mayor consumidor del mundo si fueran un país . La demanda eléctrica de los centros de datos creció un 17% en 2025, mientras que el consumo de los centros especializados en IA aumentó un 50% en el mismo período .
Las proyecciones indican que esta tendencia se acelerará. Se estima que el consumo eléctrico de los centros de datos alcance los 945 TWh en 2030, casi el triple del consumo anual combinado de países como Pakistán, Bangladés y Nigeria, que suman más de 650 millones de personas . Otras proyecciones apuntan a que el consumo se duplique desde los 485 TWh de 2025 hasta los 950 TWh en 2030, representando alrededor del 3% de la demanda eléctrica global .
La densidad de potencia también está aumentando drásticamente. Se espera que para 2027, un solo rack de servidor pueda tener una demanda de potencia pico equivalente al consumo de 65 hogares, un incremento de 11 veces respecto a 2020 . La inversión de las cinco grandes tecnológicas en centros de datos superó los 400.000 millones de dólares en 2025, con una previsión de crecimiento adicional del 75% en 2026 .
Avances en eficiencia de modelos de lenguaje
A pesar del aumento del consumo total, la eficiencia energética por tarea individual ha mejorado a un ritmo sin precedentes. La energía necesaria por consulta de IA ha disminuido al menos un orden de magnitud al año en los últimos años gracias a avances en software y hardware . Una consulta de texto simple consume ahora típicamente menos electricidad que un televisor encendido durante el mismo período .
Sin embargo, este avance en eficiencia se ve contrarrestado por un fenómeno conocido como la paradoja de Jevons o «efecto rebote»: al ser más eficientes y baratas, las aplicaciones de IA se utilizan muchísimo más, lo que anula las ganancias . Una simple consulta de chatbot puede consumir 200 veces más energía que una clasificación de texto; generar una imagen consume 1.450 veces más; y generar un vídeo corto puede consumir tanto como 200.000 clasificaciones de spam .
La eficiencia en inferencia se mide en tokens por vatio (tok/W) . Una mayor eficiencia en el procesamiento de tokens permite generar más ingresos con el mismo consumo energético . Curiosamente, el rendimiento en tok/W puede variar hasta 40 veces en un mismo hardware dependiendo de la longitud del contexto. Cuanto mayor es la ventana de contexto, menor es el número de tokens que se pueden procesar por vatio, siguiendo una relación inversa aproximada .
Tecnologías sostenibles emergentes
Ante el desafío energético que plantea la IA, están surgiendo tecnologías con el potencial de transformar el consumo de los centros de datos:
Superconductores: Empresas como VEIR y Snowcap Compute están aplicando la superconductividad para reducir pérdidas eléctricas y aumentar la densidad de potencia. Microsoft ya está evaluando esta tecnología para su futura infraestructura de IA .
Fotónica: Empresas como Lightmatter, Ayar Labs y Celestial AI están reemplazando los interconectores eléctricos por ópticos para reducir las pérdidas eléctricas y la generación de calor, uno de los mayores costes energéticos en el movimiento de datos entre procesadores .
IA en el borde (Edge AI): Desplazar cargas de trabajo desde centros de datos centralizados hasta dispositivos móviles, vehículos e infraestructura industrial reduce la demanda de cómputo centralizado. Empresas como Qualcomm, Nvidia y Apple están avanzando en esta dirección .
Centros de datos acoplados a valorización energética: Investigaciones recientes proponen integrar centros de datos con plantas de valorización energética de residuos (WtE), utilizando el calor residual de baja calidad para alimentar sistemas de refrigeración por absorción, desplazando así la electricidad necesaria para la refrigeración .
Impacto ambiental de la IA generativa
El impacto ambiental de la IA generativa va más allá del consumo eléctrico y abarca varias dimensiones críticas:
Huella de carbono: La IA generativa genera emisiones de CO₂ tanto directas (por el consumo eléctrico de los centros de datos) como indirectas (por la fabricación de hardware). Compensar las emisiones anuales de ChatGPT requeriría 2,6 millones de plántulas de árboles durante diez años, una superficie equivalente a Manhattan .
Huella hídrica: El consumo de agua para refrigeración de los centros de datos y para la generación de electricidad es masivo. Se proyecta que para 2030, el consumo de agua de la IA equivalga a las necesidades básicas de 1300 millones de personas, la población total de África subsahariana . La huella hídrica de ChatGPT equivale ya a las necesidades anuales de agua de medio millón de personas en esa región .
Residuos electrónicos: La rápida obsolescencia del hardware de IA podría generar hasta 2,5 millones de toneladas de residuos electrónicos al año en 2030, la mayoría procesados en países de bajos ingresos con escasas salvaguardas ambientales .
Consumo de suelo: La huella de suelo de la infraestructura de IA superará los 14.500 kilómetros cuadrados en 2030, más del doble del área metropolitana de Yakarta .
Uso de energía en la nube
El modelo de computación en la nube, aunque más eficiente en términos agregados que los centros de datos locales, concentra el consumo energético. La eficiencia energética de los centros de datos se mide tradicionalmente mediante la Power Usage Effectiveness (PUE), la relación entre la energía total consumida por la instalación y la consumida por los equipos informáticos. Una PUE de 1,0 indicaría eficiencia perfecta; los centros de datos hiperescala modernos alcanzan PUE de hasta 1,05 .
Sin embargo, la carga pulsante de la inferencia de LLM hace que la PUE instantánea pueda ser mucho mayor que la media anualizada . Se ha observado que una PUE instantánea superior a 1,35 durante más de 180 segundos consecutivos indica que el sistema de refrigeración opera fuera de su diseño, triplicando el coste marginal de la ráfaga de inferencia.
Las baterías de almacenamiento están emergiendo como una solución crítica para gestionar estos picos. Se estima que para 2030, los centros de datos podrían instalar entre 20-25 GW de almacenamiento en baterías, lo que potencialmente los convertiría en un activo para la red eléctrica .
IA y cambio climático
La relación entre IA y cambio climático es paradójica: por un lado, la IA es un importante contribuyente al problema a través de su consumo energético; por otro, se presenta como una herramienta clave para la mitigación.
El sector de la IA está contribuyendo al calentamiento global mediante:
- Emisiones de carbono directas del consumo eléctrico de centros de datos (a menudo alimentados por combustibles fósiles).
- Uso intensivo de agua en regiones con estrés hídrico, como Querétaro (México) o Uruguay, exacerbando las sequías .
- Dependencia de minerales críticos extraídos en países con poca supervisión ambiental .
Sin embargo, la IA también ofrece oportunidades de mitigación:
- Optimización de redes eléctricas para integrar energías renovables y reducir pérdidas .
- Monitorización y mantenimiento predictivo de infraestructuras energéticas para evitar fallos y apagones .
- El «efecto rebote» de la IA en la economía: el crecimiento impulsado por la IA podría incrementar el PIB, pero este crecimiento no se traduce uno a uno en mayor demanda energética, ya que se concentra en servicios intensivos en conocimiento donde la elasticidad energía-PIB es menor .
- Potencial de ahorro energético en industrias intensivas en energía de 3-10 puntos porcentuales en costes energéticos mediante optimización con IA .
Futuro de la computación eficiente
El futuro de la computación eficiente pasa por múltiples estrategias complementarias:
1. Optimización algorítmica: La investigación en modelos más pequeños y especializados puede reducir drásticamente el consumo. El enrutamiento de contexto (FleetOpt) puede mejorar la eficiencia energética (tok/W) hasta 2,5 veces respecto a una flota homogénea .
2. Políticas de límite de potencia (Power Capping): Estudios con GPUs H100, H200 y MI300X muestran que no existe un límite de potencia óptimo universal: depende de la carga de trabajo y la arquitectura . La configuración a 650W en H100 (frente a los 700W de TDP) puede ofrecer un ahorro en el pico de demanda contratado del 18% mensual, con una penalización de latencia inferior al 3%.
3. Medición estandarizada: La nueva Especificación UNE 0086:2025, publicada en España, establece un marco pionero para medir el consumo energético, la huella de carbono, el consumo de agua y el rendimiento de los sistemas de IA, alineándose con estándares internacionales como la ISO/IEC TR 20226 .
4. Transparencia y gobernanza: El informe de la Universidad de la ONU sobre el «Coste ambiental del uso energético de la IA» propone un ecosistema basado en transparencia, eficiencia por diseño, equidad ambiental, responsabilidad sobre todo el ciclo de vida, cooperación global y uso sostenible .
La eficiencia en el futuro de la IA dependerá no solo de avances tecnológicos, sino también de la gobernanza global y la responsabilidad compartida entre gobiernos, industria, inversores y usuarios para asegurar que la revolución de la IA se desarrolle dentro de los límites del planeta .
