Medir todo el ciclo de vida
La huella de la IA comienza antes de un prompt y continúa después de que un servidor se retira. La fabricación de semiconductores usa energía, agua ultrapura, químicos y minerales. Los centros de datos usan electricidad, refrigeración, generación de respaldo, redes, suelo y equipamiento. El hardware al final de su vida útil se convierte en un problema de chatarra electrónica y recuperación.
El debate público a menudo cita una cifra de agua o energía por consulta como si fuera universal. El uso real varía según el modelo, el hardware, la utilización del centro de datos, la refrigeración, el clima, la red eléctrica, la longitud del prompt, la modalidad de salida y el método de asignación. El entrenamiento y la inferencia son distintos; la inferencia puede dominar a lo largo de la vida de un producto si el uso es grande. Los proveedores divulgan muy poco para totales globales precisos exclusivos de IA.
Qué se mide hoy
La Agencia Internacional de Energía estimó que todos los centros de datos usaron alrededor de 415 teravatios-hora de electricidad en 2024, cerca del 1,5% del consumo global. La IA es un subconjunto de ese total. Casi la mitad de la capacidad de centros de datos de EE. UU. se concentraba en cinco clústeres regionales, así que los efectos locales sobre la red pueden ser mucho mayores que la participación global (AIE, abril de 2025).
La proyección central actualizada de la AIE sitúa el uso de centros de datos en aproximadamente 950 TWh en 2030, cerca del 3% de la demanda global. Eso es un pronóstico basado en supuestos de capacidad, eficiencia, adopción y mercado, no una lectura de medidor desde el futuro. Un razonamiento más intensivo en energía, el video y el uso agéntico podrían presionar la demanda al alza; la eficiencia, las restricciones de financiamiento o una adopción más lenta podrían reducirla (AIE, 2026).
En Estados Unidos, el Laboratorio Nacional Lawrence Berkeley estimó que el uso de electricidad de los centros de datos subió a 176 TWh en 2023 y podría alcanzar entre 325 y 580 TWh en 2028 (Departamento de Energía de EE. UU., diciembre de 2024). El rango ilustra la incertidumbre. Cubre los centros de datos en general, no solo la IA generativa.
Las emisiones dependen de dónde y cuándo se produce la energía
Un servidor eficiente en una red con alto contenido fósil puede crear más emisiones operativas que un servidor menos eficiente abastecido con energía baja en carbono. Los contratos anuales de energía renovable no siempre muestran la electricidad que abastece a una instalación en la hora de la demanda. La demanda marginal puede mantener en línea la generación fósil incluso cuando una empresa compra certificados renovables.
La AIE estimó las emisiones de dióxido de carbono relacionadas con la electricidad de los centros de datos en unas 180 millones de toneladas en 2024, alrededor del 0,5% de las emisiones globales por combustión de combustibles. Su escenario base sube hacia el 1% para 2030 (análisis climático de la AIE). Las participaciones globales pequeñas aún pueden entrar en conflicto con los planes climáticos locales o crear un crecimiento sectorial rápido.
Un reporte creíble debería incluir emisiones basadas en ubicación y basadas en mercado, coincidencia horaria cuando sea factible, generadores de respaldo, construcción y emisiones incorporadas del hardware. Las afirmaciones de emisiones evitadas por la optimización de IA deben reportarse por separado y validarse contra un contrafactual.
El agua es local
Los centros de datos pueden consumir agua directamente mediante refrigeración evaporativa, e indirectamente a través de la generación de electricidad. La fabricación de semiconductores también requiere agua de alta calidad. La extracción no es lo mismo que el consumo: el agua extraída puede devolverse, mientras que el agua consumida no está inmediatamente disponible para la cuenca local.
Un galón usado en una cuenca con estrés hídrico tiene un impacto distinto al de uno usado donde el suministro es abundante. Los totales globales anuales pueden ocultar la competencia estacional con los hogares, los ecosistemas, la agricultura y la industria. La refrigeración por aire puede reducir el uso directo de agua pero aumentar el uso de electricidad; el agua reciclada puede reducir la demanda de agua potable pero requiere infraestructura y salvaguardas.
La OCDE señala que la evaluación ambiental debería extenderse más allá de la energía y el carbono hacia el agua dulce y la extracción de minerales, y que el reporte de agua de los centros de datos sigue siendo incompleto (cómputo de IA de la OCDE). Las comunidades necesitan datos a nivel de instalación sobre extracción, consumo, fuente, estrés estacional, descarga y planes de emergencia antes de que se otorguen permisos.
Los chips tienen una huella aguas arriba
Los aceleradores avanzados dependen de una fabricación, empaquetado, memoria y materiales geográficamente concentrados. Las plantas de manufactura tienen grandes requisitos de construcción y de servicios públicos. Los ciclos cortos de actualización de modelos pueden retirar equipos todavía funcionales, aunque los aceleradores más antiguos pueden reutilizarse para inferencia menos exigente.
La minería y el procesamiento pueden producir daño al hábitat, contaminación, riesgos laborales y dependencia geopolítica. La atribución exacta a “la IA” es difícil porque la misma cadena de suministro abastece a teléfonos, vehículos, redes y otra computación. El análisis del ciclo de vida debería asignar el impacto de forma transparente en lugar de atribuir todo el crecimiento de semiconductores a la IA.
El PNUMA identifica la energía, las emisiones de gases de efecto invernadero, el agua, la extracción de minerales y la chatarra electrónica como preocupaciones directas del ciclo de vida, y pide métodos de medición comunes (PNUMA, septiembre de 2024). El PNUMA tiene un mandato ambiental, lo cual moldea su enfoque; su recomendación de medición sigue siendo ampliamente útil.
La IA puede producir beneficios ambientales
El aprendizaje automático puede mejorar el modelado meteorológico y climático, detectar metano, optimizar redes y edificios, pronosticar la generación renovable, diseñar materiales y apoyar la conservación. Los beneficios deben medirse en el despliegue, no inferirse a partir de la precisión en pruebas de referencia.
Los efectos rebote importan. Si la eficiencia reduce el costo, el uso total puede aumentar lo suficiente como para borrar los ahorros. La optimización también puede desplazar el daño: reducir el costo de electricidad mientras aumenta el uso de agua, o ubicar infraestructura en una comunidad vulnerable. La evaluación neta debería incluir la demanda inducida y la distribución.
La AIE proyecta que las renovables cubrirán aproximadamente la mitad del crecimiento de la demanda de electricidad de los centros de datos hasta 2035 en su escenario base, pero el gas natural y el carbón también aportan un crecimiento sustancial a corto plazo. “Impulsado por renovables” no es, por tanto, una descripción del sector global.
Mejores decisiones de infraestructura
Los operadores pueden mejorar la utilización, usar modelos y hardware eficientes, programar cargas de trabajo flexibles cuando haya energía más limpia disponible, extender la vida útil del equipo, recuperar calor cuando sea útil, reducir la capacidad ociosa y elegir una refrigeración adecuada a la cuenca local. Los modelos pequeños específicos para una tarea pueden superar el uso derrochador de un modelo de frontera.
Las empresas de servicios públicos y los reguladores pueden exigir estudios de interconexión realistas, asignación de costos, flexibilidad de demanda, suministro limpio, revisión pública del agua y planes de desmantelamiento. Los clientes de centros de datos no deberían trasladar silenciosamente a los hogares los costos de actualización de la red o de escasez.
La divulgación debería usar unidades funcionales comunes: energía y agua por corrida de entrenamiento, por carga de trabajo estandarizada, y por volumen de servicio, junto con totales absolutos por empresa e instalación. Las razones de eficiencia sin crecimiento absoluto pueden inducir a error.
Lo que la AGI podría cambiar
La demanda de energía de la AGI es un escenario. Los sistemas que automatizan la investigación y la actividad económica podrían aumentar drásticamente el uso de cómputo. También podrían mejorar el diseño de chips, los materiales, las redes eléctricas y el despliegue de energía limpia. El efecto rebote al estilo de Jevons podría convertir las ganancias de eficiencia en un mayor consumo total.
Persisten las limitaciones físicas: las fábricas de chips, los transformadores, la generación, las redes, los sistemas de agua y los permisos toman tiempo. Las afirmaciones de una abundancia inmediata de inteligencia deberían tener en cuenta estos cuellos de botella. La gobernanza ambiental puede convertirse en un límite práctico para el despliegue en lugar de un asunto externo.
Un estándar equilibrado
Haga cuatro preguntas: ¿Cuál es la huella absoluta del ciclo de vida? ¿Dónde y cuándo ocurre? ¿Quién recibe el beneficio y quién soporta el costo? ¿Qué alternativa entrega la misma función?
La evidencia no respalda ni “la IA es ambientalmente insignificante” ni una catástrofe universal por prompt. Los centros de datos son una minoría del uso eléctrico global, pero una carga de rápido crecimiento y geográficamente concentrada, con impactos materiales de agua y cadena de suministro. La IA puede habilitar mejoras ambientales, pero solo cuentan los resultados netos medidos. La divulgación obligatoria a nivel de instalación, los estándares de ciclo de vida, la participación local, la inversión en redes limpias y la elección de modelos eficientes son los fundamentos de una política ambiental honesta.