Qué es el AI Act y por qué incluye la sostenibilidad

El Reglamento de Inteligencia Artificial de la UE (AI Act), aprobado en marzo de 2024 y en vigor desde agosto del mismo año, es la primera legislación integral sobre inteligencia artificial del mundo. Su objetivo principal es garantizar que los sistemas de IA comercializados en Europa sean seguros, transparentes y respetuosos con los derechos fundamentales. — como explicamos en nuestra guía sobre directiva CSRD explicada para pymes. — como explicamos en nuestra guía sobre Programa Nacional de Algoritmos Verdes.

Lo que muchas empresas desconocen es que el AI Act también incorpora disposiciones específicas sobre el impacto medioambiental de la inteligencia artificial. El legislador europeo reconoció que la IA, especialmente los grandes modelos de lenguaje y los sistemas de deep learning, consume cantidades significativas de energía y agua para su entrenamiento y operación, y que esta huella ambiental debe ser transparente.

Estas disposiciones no son decorativas. Generan obligaciones concretas para los proveedores de sistemas de IA y modelos de propósito general, con sanciones que pueden alcanzar millones de euros. Para las empresas españolas que desarrollan, adaptan o despliegan IA, entender estos requisitos es esencial para evitar sanciones y para integrar la sostenibilidad en su estrategia de IA desde el diseño.

Los artículos clave del AI Act sobre medio ambiente

El AI Act menciona la sostenibilidad y el medio ambiente en varios puntos clave. El considerando 27 establece que los sistemas de IA deben desarrollarse y utilizarse de manera sostenible, contribuyendo a los Objetivos de Desarrollo Sostenible de Naciones Unidas.

El artículo 40 es particularmente relevante para proveedores de modelos de propósito general (como los grandes modelos de lenguaje). Este artículo exige que los proveedores de estos modelos documenten y pongan a disposición información sobre el consumo de energía conocido o estimado del modelo durante su entrenamiento, y cuando sea factible, del consumo durante su uso (inferencia).

El artículo 53 establece que los proveedores de modelos de IA de propósito general con riesgo sistémico deben evaluar y mitigar los riesgos sistémicos, incluyendo los riesgos medioambientales. Esto aplica a los modelos más grandes y potentes, como GPT-4, Claude o Gemini.

Los artículos 9 y 11, sobre sistemas de alto riesgo, exigen documentación técnica que incluya información sobre los recursos computacionales utilizados, lo que indirectamente implica documentar el consumo energético de estos sistemas.

Obligaciones de transparencia energética para proveedores de IA

Las obligaciones de transparencia energética aplican principalmente a dos categorías de actores. Los proveedores de modelos de propósito general deben documentar el consumo energético del entrenamiento del modelo, incluyendo la energía total consumida, las fuentes de energía utilizadas y la huella de carbono estimada. Esta información debe estar disponible en la documentación técnica del modelo.

Los proveedores de sistemas de IA de alto riesgo deben incluir en su documentación técnica una descripción de los recursos computacionales necesarios para el funcionamiento del sistema, lo que incluye hardware, infraestructura cloud y, por extensión, el consumo energético asociado.

Para las empresas que no son proveedores sino desplegadores (deployers) de IA, las obligaciones directas son más limitadas. Sin embargo, si una empresa modifica significativamente un modelo de IA o lo integra en un sistema de alto riesgo, puede asumir responsabilidades de proveedor y las obligaciones correspondientes.

El artículo cuarenta del AI Act establece que los proveedores de sistemas de IA de propósito general deberán documentar y, en ciertos casos, publicar información sobre el consumo energético de sus modelos. Esto incluye la energía consumida durante el entrenamiento, medida en kilovatios hora y expresada también en emisiones de CO2 equivalente, así como estimaciones del consumo energético durante la fase de inferencia por unidad de uso.

Esta obligación de transparencia tiene implicaciones profundas para el mercado. Por primera vez, las empresas que compren servicios de IA podrán comparar el impacto ambiental de diferentes proveedores con datos estandarizados. Un banco que necesite un modelo de análisis de riesgo crediticio podrá elegir entre un proveedor cuyo modelo consume diez veces más energía que otro, incorporando el impacto ambiental como criterio de compra junto al rendimiento y el precio.

Clasificación de riesgo: cuándo la sostenibilidad es relevante

Nivel de riesgo	Ejemplos	Obligaciones ambientales	Entrada en vigor
Inaceptable	Scoring social, manipulación subliminal	Prohibido, no aplica	Febrero 2025
Alto riesgo	IA en empleo, crédito, infraestructura crítica	Documentación técnica con recursos computacionales	Agosto 2026
Propósito general	GPT-4, Claude, Gemini, modelos fundacionales	Transparencia energética del entrenamiento e inferencia	Agosto 2025
Propósito general + riesgo sistémico	Modelos con capacidad computacional superior a 10^25 FLOPS	Evaluación y mitigación de riesgos ambientales	Agosto 2025
Riesgo limitado o mínimo	Chatbots, filtros de spam, IA generativa básica	Obligaciones mínimas de transparencia	Agosto 2026

Impacto del AI Act en empresas que desarrollan o usan IA en España

Para las empresas españolas, el impacto varía según su relación con la IA. Las empresas que desarrollan modelos propios de IA tienen las obligaciones más directas: deben documentar el consumo energético del entrenamiento, mantener registros de la infraestructura utilizada y evaluar la huella de carbono de sus modelos.

Las empresas que adaptan o fine-tunean modelos existentes pueden asumir obligaciones de proveedor si la adaptación es significativa. Esto es cada vez más común con empresas que entrenan modelos específicos sobre datos sectoriales usando modelos base como Llama o Mistral.

Las empresas que solo utilizan APIs de terceros (como llamar a la API de OpenAI o Anthropic) tienen obligaciones más limitadas pero no nulas. Si despliegan estos modelos en contextos de alto riesgo, deben documentar los recursos computacionales del despliegue y pueden necesitar solicitar información energética al proveedor del modelo.

Cómo medir el consumo energético de tus sistemas de IA

Medir el consumo energético de un sistema de IA tiene dos componentes: el entrenamiento (un coste único o periódico) y la inferencia (un coste continuo por cada consulta o predicción).

Para el entrenamiento, las métricas clave son los vatios hora totales consumidos por las GPUs durante el proceso, el mix energético del centro de datos donde se entrenó (no es lo mismo entrenar en Noruega con hidroeléctrica que en Polonia con carbón), y las emisiones de CO2 equivalente resultantes.

Para la inferencia, las métricas incluyen los vatios hora por consulta o por lote de predicciones, el PUE (Power Usage Effectiveness) del centro de datos, y las emisiones acumuladas por volumen de uso mensual. Herramientas como ML CO2 Impact y CodeCarbon ayudan a medir esto de forma automatizada.

Las empresas españolas deben prepararse para el AI Act desde ya, aunque los plazos de implementación se extiendan hasta 2027 para algunas obligaciones. La preparación implica inventariar todos los sistemas de IA que la empresa utiliza o desarrolla, clasificarlos según el nivel de riesgo del AI Act, documentar el consumo energético de los sistemas de IA propios, y establecer procesos para solicitar datos de impacto ambiental a proveedores de IA.

Las herramientas de reporting ESG que analizamos en nuestra comparativa de IBM Envizi vs Salesforce Net Zero Cloud están incorporando módulos específicos para el cumplimiento del AI Act, permitiendo a las empresas centralizar el reporting de impacto ambiental de sus sistemas de IA junto con el resto de métricas ESG exigidas por la CSRD.

Herramientas para cumplir los requisitos ambientales del AI Act

Varias herramientas de código abierto y comerciales facilitan el cumplimiento de los requisitos ambientales del AI Act. CodeCarbon es una librería Python que mide automáticamente las emisiones de CO2 de tus entrenamientos de modelos. Se integra con PyTorch y TensorFlow y genera informes detallados de consumo por experimento.

ML CO2 Impact del Allen Institute for AI permite estimar las emisiones de entrenamiento basándose en el tipo de hardware, horas de entrenamiento y ubicación del centro de datos. Es útil para estimaciones retrospectivas cuando no se midió en tiempo real.

Green Algorithms de la Universidad de Cambridge proporciona una calculadora online que estima la huella de carbono de cualquier tarea computacional basándose en hardware, tiempo, memoria y ubicación. Es especialmente útil para investigadores y equipos pequeños.

Para empresas que usan servicios cloud, los proveedores principales ofrecen sus propios dashboards de sostenibilidad: Microsoft Azure muestra emisiones por servicio, AWS tiene su Carbon Footprint Tool, y Google Cloud ofrece estimaciones de carbono por proyecto.

La intersección entre el AI Act y la normativa ambiental europea crea un marco regulatorio complejo pero coherente. La CSRD exige reportar sobre el impacto ambiental de la empresa. El AI Act exige transparencia sobre el impacto ambiental de los sistemas de IA. La Taxonomía Verde clasifica las actividades económicas sostenibles. Y el futuro EU Green Claims Directive regulará las afirmaciones medioambientales.

Para empresas que usan IA en sus operaciones, esto significa que deben ser capaces de cuantificar tanto los beneficios ambientales de la IA (optimización energética, reducción de residuos) como sus costes ambientales (consumo energético del entrenamiento y la inferencia). El balance neto determinará si la IA contribuye positiva o negativamente a los objetivos de sostenibilidad de la empresa.

Un dato relevante: según estimaciones de la Agencia Internacional de la Energía, el consumo eléctrico de los centros de datos dedicados a IA podría alcanzar los mil teravatios hora anuales en 2026, equivalente al consumo eléctrico de Japón. El AI Act busca que este crecimiento sea transparente y gestionado de forma responsable.

AI Act vs CSRD: cómo se complementan ambas normativas

El AI Act y la CSRD son normativas complementarias que, juntas, crean un marco completo de transparencia ambiental para empresas que usan IA intensivamente.

La CSRD exige reportar el impacto ambiental global de la empresa, incluyendo el consumo energético de todas sus operaciones. Si una empresa usa IA de forma intensiva, el consumo de sus sistemas de IA es parte de ese reporting. El AI Act añade una capa específica de transparencia sobre los sistemas de IA individuales.

En la práctica, una empresa que cumple con ambas normativas necesita medir el consumo energético de sus sistemas de IA tanto para el informe CSRD (como parte de su huella de carbono total) como para la documentación técnica del AI Act (como información específica de cada sistema). Las herramientas de medición mencionadas anteriormente sirven para ambos propósitos.

Calendario de implementación y sanciones

El calendario de implementación del AI Act es progresivo. Las prohibiciones de prácticas inaceptables aplican desde febrero de 2025. Las obligaciones de modelos de propósito general desde agosto de 2025. Las obligaciones completas de sistemas de alto riesgo desde agosto de 2026. Las sanciones son significativas: hasta treinta y cinco millones de euros o el siete por ciento de la facturación global para infracciones graves.

En España, la Agencia Española de Supervisión de la Inteligencia Artificial (AESIA) es el organismo responsable de la supervisión y aplicación del AI Act. Aunque la AESIA está todavía en fase de desarrollo institucional, las empresas deben prepararse ya para las obligaciones que entran en vigor en 2026.

Pasos prácticos para preparar tu empresa

Ahora: Haz un inventario de todos los sistemas de IA que utiliza tu empresa, clasificándolos por nivel de riesgo según el AI Act. Identifica cuáles son de alto riesgo o de propósito general.

Próximos tres meses: Para cada sistema de IA relevante, documenta los recursos computacionales utilizados (hardware, cloud, horas de GPU). Implementa herramientas como CodeCarbon para medir consumo energético en desarrollo y producción.

Antes de agosto de 2026: Prepara la documentación técnica completa para sistemas de alto riesgo, incluyendo información de consumo energético. Integra los datos de consumo de IA en tu reporting CSRD si aplica. Consulta las guías que publique la AESIA a medida que estén disponibles.