La tentación habitual es multiplicar “número de preguntas” por una cifra encontrada en internet. Ese método falla cuando mezcla GPT‑3 con GPT‑4o, un prompt mediano con una investigación de veinte pasos o la electricidad española con un centro cuya ubicación no se conoce.

Esta guía propone un proceso reproducible para una persona, un equipo de producto o una empresa. Indica qué dato es medido, cuál es estimado y qué queda fuera. No convierte una estimación en una obligación CSRD ni sustituye un inventario de gases de efecto invernadero.

Última revisión documental: 28 de julio de 2026.

Qué puedes calcular y qué no

Tres niveles de resultado

Un usuario de un chat remoto no controla el servidor. El ordenador mide el consumo del navegador y la red local, no el de los aceleradores que generan la respuesta. Del mismo modo, el gasto de la API revela precio y tokens, pero el precio no es un contador eléctrico.

El perímetro que suele faltar

• acelerador activo y equipos anfitriones;
• capacidad provisionada que permanece inactiva;
• PUE y refrigeración del centro de datos;
• mezcla eléctrica física y contratos de energía;
• fabricación de chips, servidores y edificio;
• entrenamiento, experimentación y desarrollo del modelo;
• red y dispositivo final;
• herramientas adicionales ejecutadas por el agente.

No todos los análisis necesitan cubrirlo todo. Sí necesitan declarar qué incluyen. Si el cálculo solo contempla inferencia operativa, no debe llamarse huella completa de ciclo de vida.

Elige el método según cómo usas la IA

Paso 1: crea un inventario de actividad útil

La unidad “prompt” puede incentivar dividir una tarea en muchas llamadas. Para gestionar, registra tanto consumo como resultado. Una tabla mínima contiene:

Cómo obtener actividad de una API

Las respuestas de API suelen incluir contadores de tokens. En OpenAI, el campo usage muestra entrada, salida y total, y el panel de uso permite consultar consumo. Para una organización, exporte datos por modelo y función; no guarde el contenido del prompt si no es necesario.

En una interfaz web, el historial no garantiza que conozca el modelo enrutado ni los pasos internos. Utilice categorías de tarea y número de sesiones como actividad aproximada, con una calidad de dato menor.

Protección de datos

Para medir impacto no necesita almacenar texto sensible. Registre metadatos agregados: fecha, modelo, tokens, modalidad, equipo y estado del resultado. Defina retención y acceso, especialmente si los prompts contienen información de clientes o empleados.

Método 1: servicio web o factor publicado por el proveedor

Este es el mejor método para SaaS cuando la unidad coincide con su uso. Google midió para Gemini Apps un prompt de texto mediano en mayo de 2025: 0,24 Wh, 0,03 gCO₂e y 0,26 ml. El estudio incorpora acelerador, host, inactividad y sobrecarga de centro, además de componentes de emisiones descritos por su metodología.

No convierta ese valor en factor para ChatGPT o Claude. Tampoco lo aplique a Gemini con imagen, vídeo, razonamiento largo o agentes. Registre el porcentaje de actividad que realmente encaja con “prompt de texto mediano” y trate el resto por separado.

Plantilla de cálculo

1. Seleccione solo las tareas que coinciden con la unidad funcional.
2. Multiplique actividad por Wh o gCO₂e publicados.
3. Conserve fecha, versión y enlace al método.
4. No vuelva a aplicar un factor eléctrico si el dato ya está en gCO₂e.
5. Declare exclusiones: entrenamiento, dispositivo, red u otras según la fuente.

Para ChatGPT, OpenAI Academy cita una estimación externa de aproximadamente 0,3 Wh para una consulta típica de GPT‑4o. Puede utilizarse como escenario orientativo, no como factor medido ni como gCO₂e oficial. Para Claude no localizamos un factor de producción equivalente.

Método 2: llamadas API con EcoLogits

EcoLogits es una herramienta abierta de la organización CodeCarbon para estimar impactos de inferencia de modelos generativos. Integra clientes oficiales y añade un objeto de impactos a la respuesta a partir de características como modelo, tokens generados y latencia.

Qué aporta

• intervalos en lugar de un único valor excesivamente preciso;
• método y código accesibles;
• estimación de energía, carbono y otros impactos para modelos compatibles;
• integración por solicitud para agregar por producto o equipo.

Qué queda fuera

La metodología de EcoLogits se centra en inferencia y excluye entrenamiento, red y dispositivo del usuario; también reconoce falta de datos de proveedores y fabricantes. Para modelos propietarios utiliza un enfoque de abajo arriba y debe estimar características no publicadas. Es un modelo reproducible, no acceso secreto al contador del centro de datos.

Uso mínimo en Python

from ecologits import EcoLogits
EcoLogits.init()

# Después, realiza la llamada con el cliente oficial compatible.
# La respuesta incorpora un objeto de impactos estimados.

Compruebe la versión, lista de proveedores y método antes de automatizar un informe. Las API y los modelos cambian; guarde la versión de la librería junto al resultado.

Método 3: inferencia o entrenamiento local con CodeCarbon

CodeCarbon está diseñado para código ejecutado en hardware que controlas: equipo local, servidor o máquina virtual. Estima energía de CPU, GPU y RAM mediante las fuentes disponibles y la convierte en emisiones utilizando intensidad eléctrica.

from codecarbon import EmissionsTracker

tracker = EmissionsTracker()
tracker.start()

# Ejecuta aquí el modelo o experimento.

kg_co2e = tracker.stop()

Mejora la medición

• realiza una ejecución en vacío para estimar consumo base;
• repite varias veces y publica dispersión;
• registra hardware, controlador, cuantización y tamaño de lote;
• introduce PUE si el centro lo conoce;
• utiliza un factor eléctrico coherente con ubicación y periodo;
• contrasta con un medidor físico cuando sea posible.

La propia documentación advierte que cuantificar toda la huella es difícil y que no cubre automáticamente el ciclo de vida completo. En GPU compartida, la atribución a un proceso también puede ser limitada.

CodeCarbon no mide el servidor de ChatGPT

Ejecutarlo alrededor de una llamada remota mediría principalmente tu cliente local. La documentación recomienda EcoLogits para API generativa y CodeCarbon para cómputo controlado. Utilizar la herramienta equivocada puede producir un número preciso sobre el componente menos relevante.

Fórmula y ejemplo reproducible

Cuando solo tienes un factor energético:

Energía total (kWh) = actividad × Wh por unidad ÷ 1.000

Emisiones (gCO₂e) = energía total (kWh) × factor eléctrico (gCO₂e/kWh)

Ejemplo: 10.000 consultas en un escenario

Supongamos 10.000 consultas de texto y un factor energético estimado de 0,3 Wh por consulta:

• 10.000 × 0,3 Wh = 3.000 Wh = 3 kWh;
• con un factor hipotético de 200 gCO₂e/kWh: 3 × 200 = 600 gCO₂e.

El resultado se reporta así: “escenario de 0,6 kgCO₂e para inferencia operativa, basado en 0,3 Wh por consulta y 200 gCO₂e/kWh; no incluye entrenamiento, hardware, red ni dispositivo”. No escriba “nuestros 10.000 prompts emitieron exactamente 0,6 kg”.

Si el factor ya está en gCO₂e

Multiplique directamente actividad × gCO₂e/unidad. No vuelva a añadir intensidad de red. Verifique si el factor usa método basado en localización o mercado y si contiene emisiones incorporadas.

Si hay varias modalidades

Calcule cada grupo y sume solo resultados con el mismo perímetro:

Total = texto + razonamiento + búsqueda + imagen + vídeo + agentes.

Si una modalidad no tiene factor defendible, déjela como “no estimada” en lugar de asignarle el valor del texto.

Cómo informar la incertidumbre sin esconderla

Escala de calidad del dato

Publique además cobertura: si estima texto pero no 2.000 imágenes, el porcentaje de actividad cubierta es más informativo que afinar el factor de texto.

Prueba de sensibilidad

Calcule qué variable domina el resultado. Si duplicar Wh/unidad cambia poco pero el número de pasos de agentes varía diez veces, el control prioritario es el agente. Si el mismo cómputo puede ejecutarse en redes con intensidades muy diferentes, ubicación y horario merecen atención.

Cómo incorporarlo a la huella de una empresa

El servicio de IA adquirido suele formar parte de las emisiones indirectas de la cadena de valor, no del alcance 2 de la empresa usuaria, porque esta no compra directamente la electricidad del centro. La categoría exacta y el método deben alinearse con la política de inventario y con GHG Protocol.

GHG Protocol prioriza métodos más específicos del proveedor para bienes y servicios adquiridos. En la práctica, pida al proveedor:

• factor por servicio o actividad y año;
• perímetro de alcances y ciclo de vida;
• método de electricidad basado en ubicación y mercado;
• asignación entre clientes y productos;
• revisión o aseguramiento;
• compatibilidad con su periodo de reporte.

La CSRD no impone contar prompts por defecto

La versión anterior afirmaba que la CSRD obligaba a reportar “emisiones digitales materiales”. La normativa exige evaluar materialidad y reportar conforme a los estándares aplicables; no establece un contador universal de prompts. El uso de IA puede quedar dentro de servicios adquiridos si resulta material para la organización y su método, pero debe decidirse dentro del inventario completo.

Para un registro español de alcances 1 y 2, MITECO indica que deben utilizarse los factores del año calculado. Esos factores no sustituyen el dato del proveedor para una nube ubicada fuera o para un servicio comprado.

Cómo reducir el impacto sin degradar el resultado

1. Eliminar ejecuciones sin usuario. Revise extensiones, pruebas y agentes que llaman modelos en segundo plano.
2. Medir tarea aceptada. Una respuesta barata pero inútil añade una segunda llamada.
3. Enrutar por dificultad. Use modelos pequeños en clasificación, extracción o borradores cuando cumplan calidad.
4. Limitar contexto. Recupere solo documentos relevantes y evite enviar historiales completos por defecto.
5. Controlar salida. Especifique formato y longitud necesarios; no recorte información útil solo para ahorrar tokens.
6. Cachear resultados. Reutilice respuestas deterministas y datos ya validados.
7. Acotar agentes. Máximo de pasos, herramientas, tiempo y presupuesto.
8. Comparar modelos con calidad. Mida energía o coste por tarea correcta, no solo por token.

Reducir cortesías o escribir frases telegráficas tiene un efecto menos demostrable que evitar diez reintentos, elegir un modelo proporcional o detener un agente que no progresa. La optimización debe centrarse en trabajo útil.

Preguntas frecuentes

¿Puedo saber el CO₂ exacto de mi historial de ChatGPT?

No. El historial no incluye energía, infraestructura ni factor eléctrico. Puedes clasificar tareas y construir escenarios, declarando cobertura e incertidumbre.

¿Cada prompt consume 0,3 Wh?

No. Es una estimación para una consulta típica de GPT‑4o citada por OpenAI Academy. Longitud, modelo, herramientas y operación cambian el consumo.

¿Puedo usar 0,24 Wh de Gemini para cualquier IA?

No. Es una medición de un prompt de texto mediano de Gemini Apps en mayo de 2025. Transferirla a otro producto elimina el valor de su metodología.

¿EcoLogits mide el centro de datos?

No accede a la telemetría privada del proveedor. Estima intervalos con una metodología abierta, datos técnicos y supuestos, especialmente necesarios en modelos propietarios.

¿CodeCarbon sirve para una API remota?

Sirve para cómputo que controlas. Al envolver una llamada remota mediría el cliente local, no el servidor. Su documentación recomienda EcoLogits para API generativa.

¿Debo incluir entrenamiento?

Depende del objetivo y la disponibilidad. Para una huella de uso adquirida, el proveedor debería asignar desarrollo y hardware de forma coherente. Si solo estimas inferencia, declara esa exclusión.

¿Qué factor eléctrico uso?

El del lugar y periodo de consumo si se conocen. Para un proveedor remoto sin región, crea escenarios o utiliza el factor que publique con su método; no asumas que el servicio se ejecuta en España.

¿Las imágenes se calculan como prompts de texto?

No. Separarlas es obligatorio. Resolución, pasos, modelo y hardware producen otra unidad funcional. Si no hay factor compatible, informa actividad sin convertirla.

¿Un modelo pequeño siempre emite menos?

Para la misma implementación suele requerir menos cómputo, pero puede necesitar más intentos o herramientas. Compare por tarea correcta en el entorno real.

¿Cuál es el mejor indicador?

Para operación: Wh y gCO₂e por tarea aceptada. Para gestión: total mensual, distribución por modalidad, cobertura del cálculo y proporción de ejecuciones descartadas.

Metodología y fuentes

Esta revisión sustituyó una entrada de 396 palabras con rangos no comparables, factores eléctricos genéricos y equivalencias de coche no documentadas. También retiró la afirmación incorrecta sobre CSRD y la recomendación de usar regiones “nórdicas” sin conocer ubicación del servicio.

• Google — medición ambiental de Gemini Apps en producción.
• OpenAI Academy — impacto ambiental y estimación de energía.
• EcoLogits — herramientas para inferencia generativa.
• EcoLogits — metodología, alcance y limitaciones.
• CodeCarbon — medición de cómputo controlado.
• CodeCarbon — precisión y elección entre CodeCarbon y EcoLogits.
• Carbontracker — entrenamiento de modelos.
• GHG Protocol — guía de cálculo de alcance 3.
• MITECO — Registro y factores de emisión.

Si antes necesitas saber qué cifras existen para cada asistente, consulta la comparación de ChatGPT, Claude y Gemini. Para probar supuestos sin confundirlos con mediciones, utiliza nuestra calculadora de huella del uso de IA.