Cómo medir tu uso de IA y estimar su huella con tus propios datos

Paso a paso

1. Define el perímetro de lo que vas a medir
   Decide qué entra: asistentes usados por empleados, integraciones automáticas, servicios que contratan terceros, o solo uso directo. Pon por escrito el periodo, las personas o áreas incluidas y las exclusiones. Un perímetro difuso hace que los datos no sean comparables de un mes a otro. Distingue también entre inferencia, el uso diario, y entrenamiento o ajuste de modelos propios, si lo hubiera, porque se miden de forma distinta y no deben mezclarse en un mismo número.
2. Recopila los datos que ya existen
   Antes de diseñar nada, revisa qué información ya tienes: paneles de uso de los proveedores, facturas, registros de acceso, informes de consumo de la API, listados de licencias. Anota el formato, la frecuencia y las lagunas. Si el proveedor ofrece desglose por usuario o por proyecto, aprovéchalo. Si no, puedes pedir al equipo que registre manualmente durante unas semanas una muestra representativa. Una muestra pequeña y bien hecha es más útil que un registro exhaustivo que nadie rellena.
3. Elige indicadores de uso, no solo de huella
   Define indicadores que puedas calcular con datos propios: consultas por persona y semana, porcentaje de consultas repetidas, proporción de resultados utilizados, tamaño medio de los textos enviados, tareas automatizadas activas. Son medibles, auditables y accionables. Un indicador de huella sin dato fiable de partida es una apariencia de precisión. Conviene construir primero la serie de uso, porque cualquier estimación posterior de energía o emisiones se apoyará en ella y heredará su calidad.
4. Pide información al proveedor y anota sus límites
   Pregunta al proveedor qué datos de consumo energético, de agua o de emisiones ofrece, con qué metodología y para qué periodo, y guarda la respuesta por escrito. Si no hay datos, déjalo constatado en lugar de rellenarlo con valores de internet. Ten presente que el Reglamento europeo de IA exige documentar el consumo energético del modelo a los proveedores de modelos de uso general, pero esa documentación es técnica y no implica que se publique. Pedirla no es excesivo, es razonable.
5. Estima la huella con rangos y supuestos visibles
   Si dispones de un dato fiable del proveedor, multiplícalo por tu volumen de uso. Si solo hay datos de terceros, trabaja con un rango amplio y escribe cada supuesto: qué consumo por consulta usas, de qué fuente, qué red eléctrica se asume. Para España hay datos de generación y emisiones anuales del sector eléctrico, pero no un factor por kilovatio hora verificado aquí, así que no lo inventes. Presenta el resultado como orden de magnitud con margen de error, nunca como cifra exacta.
6. Documenta, compara y decide acciones
   Redacta una ficha de una página con el perímetro, los datos, los supuestos, los límites y las decisiones que se derivan. Repite la medición cada trimestre con el mismo método para poder comparar. Fija objetivos sobre lo que controlas, como reducir un porcentaje de consultas repetidas, y no sobre lo que no controlas. Si cambias la metodología, indícalo y no compares con periodos anteriores sin ajustar. La transparencia sobre las limitaciones protege la credibilidad del informe más que cualquier cifra llamativa.

Prompt de ejemplo

Adáptalo sustituyendo lo que va entre corchetes:

Actúa como analista de sostenibilidad con criterio prudente. Te paso un resumen de uso de herramientas de IA en [ORGANIZACIÓN] durante [PERIODO]: [PEGAR DATOS: consultas, usuarios, proyectos]. Tareas: 1) calcula indicadores de uso (consultas por persona, repetición, proporción por área); 2) lista las lagunas de datos que impiden estimar energía o emisiones; 3) propón un esquema de estimación con rangos donde cada supuesto aparezca etiquetado como dato del proveedor, dato público o hipótesis; 4) redacta tres frases que pueda usar en un informe sin afirmar más de lo que los datos permiten. No inventes factores de conversión ni cifras por consulta; si te faltan, indícalo expresamente.

Copiar prompt

Qué esperar

Tendrás una línea base de uso fiable y una estimación de huella con rangos, supuestos explícitos y lagunas señaladas. Probablemente la conclusión más valiosa sea qué datos pedir a los proveedores. La estimación no será una cifra cerrada y no debe presentarse como tal.

Cómo verificar el resultado

• Recalcula a mano uno de los indicadores de uso con los datos brutos y confirma que coincide con el resultado del análisis.
• Comprueba que cada supuesto de la estimación tiene fuente o está marcado como hipótesis.
• Revisa que el informe no usa factores de emisión o consumos por consulta sin una fuente identificable.
• Verifica que el perímetro del informe coincide con el del registro, sin personas ni herramientas fuera de cuenta.

Errores comunes

• Tomar una cifra de consumo por consulta de internet y multiplicarla como si fuera un dato medido.
• Mezclar entrenamiento e inferencia en un único número sin distinguirlos.
• Presentar una estimación con decimales que sugieren una precisión inexistente.
• Cambiar la metodología entre periodos y comparar los resultados como si fueran equivalentes.

Riesgos y límites

Las estimaciones de huella de IA tienen una incertidumbre grande: dependen del modelo, del hardware, del centro de datos y de la red eléctrica, y la fabricación de equipos suele quedar fuera de los cálculos. La Agencia Internacional de la Energía advierte de que sus escenarios para centros de datos tienen una horquilla muy amplia, y esa incertidumbre se traslada a cualquier cálculo individual. Si el informe forma parte de una obligación de información corporativa, consulta a un especialista, porque este contenido no constituye asesoramiento. Evita declarar neutralidad, compensaciones o reducciones que no puedas demostrar con datos verificables.

Preguntas frecuentes

Acciones relacionadas

Fuentes oficiales para profundizar

• Agencia Internacional de la Energía
• Agencia Europea de Medio Ambiente
• Ministerio para la Transición Ecológica y el Reto Demográfico
• Datos verificados de esta web, con su fuente y su cautela

Sigue aprendiendo

• Más prompts
• El agua y la IA: refrigeración y límites de los datos
• Hardware, minerales y residuos electrónicos de la IA
• Calculadoras de energía y CO2
• Impacto y ley: hechos verificados