El costo ambiental de la Inteligencia Artificial

AI17 de julio de 20269 minutos de lectura

T.L.D.R. Voy a referirme a Chat GPT como: chat.

En este post quiero ilustrar que es lo que pasa behind the scenes cuando le pedimos a nuestra AI de confianza (ChatGPT, Claude, Gemini y muchos etceteras) desde que nos responda una simple pregunta hasta que nos haga ver mas guapos en una foto; y como estos procesos, llevados a gran escala tienen un gran impacto ambiental en diferentes areas.

Antes que nada quiero hacer varias distinciones que creo son necesarias.

La inteligencia artificial es un concepto muy amplio y tiene varias definiciones. En este post vamos a definirlo como un sistema enfocado en realizar tareas que típicamente necesitarían de la inteligencia humana como aprender, razonar, escribir y toma de decisiones.

En esencia, lo que hay detrás de nuestras IA es una Red Neuronal Profunda. Esta red es la estructura matemática fundamental. Cuando esta arquitectura se entrena con cantidades masivas de datos y logra un nivel de complejidad enorme, el modelo resultante recibe el nombre de Large Language Model (LLM). Este LLM no es solo un algoritmo; es todo el sistema que utiliza patrones estadísticos para predecir cuál debe ser la siguiente palabra en una secuencia.

Palabras mas palabras menos, es un autocomplete en esteroides.

Cuando le preguntamos algo a chat esto es lo que pasa behind the scenes:

Escribes tu prompt. Tu pregunta sale de tu teléfono o computadora rumbo a un data center, que puede estar a cientos o miles de kilómetros de distancia. (O en Querétaro lol. Querétaro tiene como 10 data centers y 12 en construcción. Que loco.)
Tu texto se convierte en tokens. El modelo no lee “palabras” como nosotros; corta tu prompt en pedacitos (tokens), que son más o menos sílabas o fragmentos de palabras.
Esos tokens se convierten en números y pasan por la red neuronal. Viajan a través de millones (o miles de millones) de “perillas” (weights en idioma nerd), que son los parámetros que el modelo ajustó durante su entrenamiento y en cada capa se van transformando en representaciones matemáticas.
El modelo predice la respuesta, palabra por palabra. En cada paso, calcula qué token (palabra) es más probable que siga, lo agrega, y repite el proceso. Por eso ChatGPT “escribe” como si estuviera pensando en vivo: literalmente está decidiendo un token a la vez.
Miles de GPUs (computadoras) trabajan al mismo tiempo. Mientras esto pasa para tu pregunta, el mismo data center está procesando millones de otras preguntas de otras personas, simultáneamente, 24/7.
Todo ese trabajo consume electricidad y genera calor, así que se necesita agua o sistemas de enfriamiento para que el hardware no se sobrecaliente.
La respuesta viaja de regreso a tu pantalla, y todo esto desde que mandaste tu pregunta hasta que ves las primeras palabras toma apenas un par de segundos.

Si bien todo este proceso por si solo no es tan dañino para el medio ambiente, imagina ese mismo proceso multiplicado por 2,500,000,000. 2.5 mil millones de requests es lo que recibe diariamente Chat GPT (sin contar a Gemini o Claude, entonces este número definitivamente es más grande).

Data Centers

Los data centers es donde todo el poder computacional que utilizan estas herramientas (y algunas otras) existe. También se le conoce como: la nube. Que como ya sabrás, definitivamente no es la nube sino la computadora de alguien más.

Estos data centers son naves industriales enormes en donde albergan racks llenos de servidores (computadoras) que no deben apagarse nunca bajo ninguna circunstancia sino muchos de los servicios y/o apps que utilizamos como Chat GPT, Instagram o Google Drive dejarían de funcionar.

Los data centers llevan años existiendo, incluso mas de una década, pero, con el boom de la inteligencia artificial se ha incrementado el costo computacional y por lo tanto la demanda de la construcción de los data centers se ha crecido considerablemente. En la siguiente grafica puedes notar el incremento en el gasto en data centers en Estados Unidos desde Octubre del 2022 hasta Enero del 2026

Huella de carbono de los data centers

Electricidad

Los data centers necesitan, como toda construcción, electricidad (un ~~chingo~~), ya que siempre deben de estar disponibles para los diferentes servicios que estos alojan. Un data center en promedio al año consume alrededor de 14 gigawatt-hora (GWh) en Norteamérica, la región con el consumo promedio por instalación más alto del mundo. Para ponerlo en perspectiva, eso equivale al consumo eléctrico anual de miles de hogares, por un solo data center.

A nivel global, se estima que en 2025 los data centers consumieron entre 450 y 536 teravatios-hora (TWh) de electricidad, cerca del 2% del consumo eléctrico mundial (~~alv~~ es un chingo). En Estados Unidos, el país con más data centers del mundo (más de 4,500), el sector consumió 176 TWh en 2023 —el 4.4% de toda la electricidad del país— y las proyecciones apuntan a que esa cifra podría llegar a entre 325 y 580 TWh para 2028. La tendencia global también va al alza: Gartner estima que la demanda eléctrica de los data centers crecerá 16% en 2025 y se duplicará para 2030, hasta cerca de 980 TWh, empujada principalmente por los servidores optimizados para IA.

Agua

Naturalmente, los data centers al tener cientos de computadoras apiladas una sobre otra sobre racks de metal encendidas 24/7 haciendo operaciones computacionales o guardando información, es necesario que los equipos se mantengan frescos. Para esto existen varias alternativas:

Enfriamiento por aire: el método tradicional, donde unidades de aire acondicionado (conocidas como CRAC) distribuyen aire frío por los pasillos entre racks. Es el más común, pero también el menos eficiente conforme los servidores de IA generan más calor.

Enfriamiento líquido directo al chip: en vez de enfriar todo el cuarto, placas frías circulan líquido directamente sobre los procesadores, que son los componentes que más calor generan.

Enfriamiento por inmersión: los servidores completos se sumergen en un líquido dieléctrico (que no conduce electricidad). Es de los métodos más eficientes: puede reducir el consumo de agua entre 90% y 95% comparado con el enfriamiento tradicional.

Enfriamiento evaporativo: usa la evaporación de agua para bajar la temperatura, similar a como sudamos nosotros. Es eficiente en electricidad, pero consume muchísima agua: los data centers que lo usan evaporan cerca del 80% del agua que utilizan.

Y hablando de agua: un data center grande puede llegar a consumir hasta 5 millones de galones al día, lo equivalente al consumo de agua de un pueblo de entre 10,000 y 50,000 personas. Solo en Estados Unidos, los data centers consumieron directamente 17.4 mil millones de galones de agua en 2023 (el equivalente al consumo de 160,000 hogares), y se proyecta que esa cifra crezca hasta 38-73 mil millones de galones para 2028. A nivel global, se estima un consumo de 560 mil millones de litros al año, con proyección a más del doble (1.2 billones de litros) para 2030.

Y esto sin contar el agua “indirecta”: la que se usa para generar la electricidad que alimenta a estos data centers, que en Estados Unidos representó casi 800 mil millones de litros adicionales en 2023.

Minerales críticos y fabricación de chips

Antes de que un data center encienda un solo servidor, ya generó una huella ambiental importante: la fabricación de los chips (GPUs y CPUs) que hacen posible todo esto.

Fabricar estos procesadores requiere minerales críticos y tierras raras que muchas veces se extraen de forma poco sostenible. Además, el proceso de fabricación en sí mismo es intensivo en agua: TSMC, el fabricante de semiconductores más grande del mundo (y quien produce los chips detrás de gran parte de la IA que usamos), consume alrededor de 157,000 toneladas de agua al día en sus fábricas, un 70% más que hace una década, reflejo directo del boom en la demanda de GPUs.

Se estima que, si sumamos todo el ciclo de vida (fabricación de hardware + operación), el sector de tecnologías de la información podría representar hasta el 20% de la demanda energética mundial para 2030, y que el hardware por sí solo genera más huella que la operación diaria del sistema.

Impacto en las comunidades locales

Este es un punto que rara vez se menciona, pero que ya está generando conflictos reales: los data centers no solo tienen un costo ambiental global, también uno muy local, para quien vive cerca.

Ruido: el zumbido constante de los sistemas de enfriamiento y generadores puede alcanzar niveles cercanos a los que la EPA considera dañinos para dormir, concentrarse o hacer ejercicio. Hay vecinos que ya reportan no poder usar sus patios por el ruido.

Uso de suelo: muchos data centers se construyen en terrenos rurales o cerca de áreas verdes, donde la tierra es más barata y ya existe acceso a la red eléctrica. Esto reduce espacios naturales y agrícolas.

Precio de la electricidad: como los data centers consumen tanta energía, presionan al alza el precio de la luz para todos los que comparten la misma red eléctrica. En Virginia (EE.UU.), un reporte legislativo de 2024 proyectó que la factura eléctrica residencial promedio podría subir entre 14 y 37 dólares al mes para 2040, justamente por la presión que ejercen los data centers sobre la red.

Now what?

No se trata de satanizar a la IA ni de dejar de usarla. Se trata de entender que cada pregunta que le hacemos a chat, cada imagen que generamos, cada video que “mejoramos” tiene un costo que normalmente no vemos porque ocurre en una nave industrial a cientos o miles de kilómetros de nosotros.

Como usuarios, podemos empezar por lo básico: usar la IA con intención (no todo necesita un prompt), preferir modelos más pequeños o eficientes cuando la tarea lo permite, y exigirles a las empresas que construyen estos data centers más transparencia sobre su consumo de agua y electricidad, y más inversión en energías renovables y sistemas de enfriamiento eficientes.

La IA no es gratis, ni para nuestro bolsillo ni para el planeta. Y entre más entendamos qué hay detrás de cada respuesta de chat, mejores decisiones podemos tomar sobre cómo y cuánto la usamos.

Nota: Sí, un modelo de IA me ayudó a escribir este post. Peeeeeeeeeero dicho modelo corre (se ejecuta) de manera local (en mi computadora). More of this en otro post :)

Fuentes: