No existe una cifra única que describa el impacto ambiental de la IA generativa. Una petición de texto, una imagen, un vídeo y un agente de varios pasos no realizan el mismo trabajo. Tampoco basta con medir la electricidad del chip: intervienen entrenamiento, servidores, refrigeración, fabricación, red, volumen de uso y fuente eléctrica.
Esta guía organiza la evidencia en cuatro niveles —tarea, sistema, centro de datos y ciclo de vida— para responder preguntas sin mezclar unidades. Su objetivo no es producir un número llamativo, sino mostrar qué puede medirse, qué sigue sin publicarse y qué decisión permite tomar cada dato.
Conclusión de partida
Las cifras por petición disponibles para ChatGPT y Gemini son órdenes de magnitud limitados a ciertos usos; no describen todas las modalidades ni permiten clasificar Claude. Para conocer el impacto real hay que multiplicar por volumen, mantener constante la calidad y añadir electricidad, carbono, agua y hardware dentro de un perímetro declarado.
1. Cuatro niveles de impacto que no deben mezclarse
La recomendación ITU‑T L.1801, publicada en febrero de 2026, propone evaluar el sistema de IA a través de su ciclo de vida. Su enfoque ayuda a separar unidades funcionales, infraestructura y etapas.
| Nivel | Pregunta | Indicador posible | Error habitual |
|---|---|---|---|
| Tarea | ¿Qué trabajo recibió el usuario? | Wh por respuesta válida, imagen aprobada o tarea terminada | Contar mensajes distintos como equivalentes |
| Sistema | ¿Qué modelos, herramientas y datos intervinieron? | Tokens, llamadas, segundos de acelerador y reintentos | Medir solo el modelo principal |
| Instalación | ¿Qué electricidad y agua necesitó el servicio? | IT-kWh, PUE, WUE, carbono y agua por carga | Usar únicamente la potencia nominal de GPU |
| Ciclo de vida | ¿Qué recursos requirieron equipos y edificio? | kgCO₂e, agua, minerales y residuos asignados | Tratar la infraestructura como impacto cero |
La unidad funcional decide el resultado
Comparar Wh por token puede servir a un ingeniero, pero no a quien elige entre redactar un informe o resumirlo. La unidad debe describir el servicio manteniendo una calidad mínima. Si un modelo consume menos por intento pero necesita tres correcciones, su eficiencia por resultado puede ser peor.
2. Texto, imagen, audio, vídeo y agentes no son la misma carga
| Modalidad | Unidad funcional recomendable | Variables decisivas |
|---|---|---|
| Texto | Respuesta válida o 1.000 tokens útiles | Contexto, salida, razonamiento, caché y modelo |
| Imagen | Imagen aceptada a resolución definida | Resolución, pasos, número de variantes y regeneraciones |
| Audio | Minuto transcrito o generado con calidad objetivo | Duración, idioma, canales y modelo |
| Vídeo | Segundo aprobado a resolución y fotogramas fijados | Duración, resolución, consistencia y reintentos |
| Agente | Tarea terminada con criterio de éxito | Llamadas internas, herramientas, búsquedas y bucles |
No hay una conversión universal entre ellas. Una petición visible puede activar un modelo, varios o una cadena completa. Las cifras publicadas para texto no deben trasladarse a imágenes o vídeo.
El desperdicio forma parte de la huella
Variantes descartadas, respuestas incorrectas y agentes que entran en bucle consumen aunque no generen valor. Por eso conviene registrar salidas totales y aceptadas. El indicador «energía por resultado aprobado» revela costes que una cifra por consulta oculta.
3. Qué sabemos de la inferencia
La inferencia es el uso de un modelo ya entrenado. Es la fase que se repite con cada petición y puede terminar dominando el impacto cuando el servicio alcanza gran escala.
ChatGPT
Sam Altman comunicó en junio de 2025 una media de 0,34 Wh y unos 0,32 ml de agua por consulta de ChatGPT. No acompañó la cifra de una metodología que permita conocer modelos, periodo, distribución o límites. Nuestra calculadora de consumo de ChatGPT permite utilizarla como escenario sin tratarla como telemetría.
Gemini Apps
Google publicó una medición más detallada de la petición de texto mediana de Gemini Apps en mayo de 2025: 0,24 Wh, 0,03 gCO₂e y 0,26 ml de agua. Incluyó aceleradores, servidores anfitriones, capacidad inactiva asignada y sobrecarga del centro. Google advierte que es una instantánea, no representa todas las peticiones y no fue verificada de forma independiente.
Claude
En las fuentes oficiales de Anthropic revisadas no localizamos una cifra equivalente por petición. La ausencia de datos reduce la comparabilidad; no demuestra un consumo mayor ni menor.
La comparativa ambiental de ChatGPT, Gemini y Claude explica por qué una media, una mediana y un dato ausente no forman un ranking.
No confunda divulgación con rendimiento: publicar una metodología mejora la transparencia, pero no garantiza ser el servicio más eficiente para toda tarea.
4. Por qué el entrenamiento es difícil de asignar
Entrenar un modelo puede requerir muchos aceleradores durante semanas o meses. También hay trabajo previo y posterior: recopilar y depurar datos, experimentar, ajustar, evaluar seguridad y descartar ejecuciones. Una cifra que solo cubre la ejecución final infravalora el desarrollo.
El problema para asignarlo por uso es el denominador. La fórmula básica sería:
Impacto de entrenamiento por tarea = impacto atribuible al modelo ÷ tareas válidas durante su vida
Pero el proveedor debe conocer cuántas tareas servirá, cuánto tiempo permanecerá activo y si sus componentes se reutilizan en otros modelos. Si el modelo se retira pronto, la asignación aumenta; si sirve miles de millones de tareas, disminuye.
Por qué retiramos cifras sobre GPT‑4
La versión anterior afirmaba consumos exactos de entrenamiento y equivalencias con viviendas sin una divulgación oficial reproducible. Estimaciones académicas pueden explorar órdenes de magnitud, pero no deben presentarse como «dato real» del proveedor si desconocen hardware, utilización, número de experimentos y electricidad.
Entrenamiento frente a inferencia
No existe una regla universal que asigne cuál domina. En un modelo de poco uso puede pesar el entrenamiento; en un servicio masivo, la suma de inferencias puede superarlo. El inventario debe informar ambos en vez de elegir el que favorezca una narrativa.
5. Centros de datos: escala global y efecto local
La Agencia Internacional de la Energía estimó que todos los centros de datos consumieron unos 415 TWh en 2024, alrededor del 1,5 % de la electricidad mundial. Su escenario base proyecta aproximadamente 945 TWh en 2030. Son centros de datos completos, no solo IA generativa.
La IA es el principal impulsor del crecimiento proyectado junto con otros servicios digitales, pero no es correcto adjudicarle los 415 o 945 TWh. La AIE también subraya que la concentración local importa: una participación mundial moderada puede tensionar nodos eléctricos concretos.
| Dato | Uso correcto | Uso incorrecto |
|---|---|---|
| 415 TWh en 2024 | Referencia observada para todos los centros | «La IA consumió 415 TWh» |
| 945 TWh en 2030 | Proyección base con incertidumbre | «Consumo garantizado» |
| 1,5 % mundial | Participación global de 2024 | Negar restricciones locales |
| Crecimiento impulsado por IA | Identificar el motor principal | Asignar todo crecimiento a chatbots |
Potencia y energía
Un centro de 100 MW describe potencia instantánea máxima o contratada; 100 MWh describe energía durante un periodo. Confundir MW con MWh produce errores enormes. Para pasar de potencia media a energía anual se multiplica por horas y utilización.
Electricidad contractual y física
Un contrato renovable puede financiar nueva generación o asignar atributos, pero la instalación sigue conectada a una red y opera cada hora. Un informe sólido distingue electricidad física, contabilidad contractual e intensidad marginal.
6. Agua, refrigeración y territorio
El agua puede utilizarse directamente en refrigeración, indirectamente en generación eléctrica y durante fabricación. Dos conceptos no son equivalentes:
- retirada: agua extraída de una fuente, aunque una parte vuelva;
- consumo: parte que no regresa de forma inmediata a la misma cuenca, por ejemplo por evaporación.
El WUE de un centro suele expresar litros de agua por kWh de TI, pero necesita perímetro, periodo y tipo de agua. Un promedio anual puede ocultar uso en verano o en una cuenca estresada.
Por qué «botellas por conversación» puede engañar
Las equivalencias visuales suelen mezclar agua directa e indirecta, promedios regionales y conversaciones de distinta longitud. Sin método no permiten comparar servicios ni lugares. Conviene informar litros, cuenca, estacionalidad y fuente antes de convertir a botellas.
El conflicto energía-agua
Reducir agua mediante refrigeración seca puede aumentar electricidad en ciertas condiciones; maximizar eficiencia energética puede aumentar evaporación. La decisión debe optimizar ambos recursos según clima, red y cuenca, no perseguir una sola métrica.
7. Fabricación, materiales y fin de vida
La infraestructura incorpora impactos antes de encenderse: extracción y refinado de minerales, fabricación de semiconductores, placas, memoria, servidores, baterías, edificios y líneas eléctricas. Al final aparecen reutilización, reciclaje y residuos.
La UIT recomienda considerar consumo de energía, emisiones, agua y materias primas en las etapas relevantes. Para asignar hardware a una tarea se necesitan:
- inventario y especificación del equipo;
- huella de fabricación con límites declarados;
- vida útil prevista y real;
- utilización durante esa vida;
- reutilización entre modelos o cargas;
- tratamiento al final de uso.
Un chip nuevo puede ejecutar cada tarea con menos energía y, aun así, aumentar el impacto incorporado si sustituye prematuramente a otro o impulsa mucho más uso.
8. Método de medición para una organización
Paso 1. Definir la decisión
No recopile métricas sin propósito. Decida si quiere elegir proveedor, reducir una aplicación, elaborar un inventario o cumplir un requisito de cliente.
Paso 2. Fijar la unidad funcional
Ejemplos: ticket resuelto, documento validado, imagen aprobada o minuto transcrito con umbral de calidad. Incluya reintentos y revisión.
Paso 3. Dibujar el sistema
Enumere aplicación, API, modelo, búsqueda, almacenamiento, red, dispositivo y centro de datos. Marque qué controla, qué estima y qué queda excluido.
Paso 4. Recoger actividad
Registre modelos, tokens, duración, herramientas, modalidad, errores y volumen. Mantenga fecha porque los servicios cambian.
Paso 5. Obtener factores
Solicite Wh por unidad, PUE, electricidad, carbono, agua consumida y retirada, región, periodo, fabricación y verificación. Evite rellenar huecos con cifras de otro proveedor.
Paso 6. Calcular rangos
Use escenario bajo, central y alto. La incertidumbre debe propagarse: un número con muchos decimales no corrige una base débil.
Paso 7. Validar y actualizar
Confronte el resultado con facturas, telemetría o datos del proveedor. Documente versión y revise cuando cambien modelo, tráfico o infraestructura.
| Campo mínimo | Ejemplo de registro |
|---|---|
| Función | Resumen aprobado de 1.000 palabras |
| Servicio y fecha | Proveedor, modelo y mes |
| Actividad | Tokens, llamadas, herramientas y reintentos |
| Energía | Wh con fuente y perímetro |
| Carbono | Factor, ubicación y método contractual/físico |
| Agua | Consumo, retirada, fuente y cuenca |
| Hardware | Incluido, estimado o excluido |
| Calidad | Criterio y tasa de aceptación |
La guía para cuantificar emisiones de IA desarrolla factores y trazabilidad; la matriz de sostenibilidad añade necesidad, derechos y gobernanza.
9. Cómo reducir el impacto sin perder utilidad
Evitar antes de optimizar
Pregunte si una regla, búsqueda, plantilla o modelo convencional resuelve la tarea. El ahorro más fiable es eliminar trabajo sin valor.
Elegir el modelo proporcional
Reserve modelos grandes, razonamiento prolongado y contexto extenso para tareas que lo necesiten. Evalúe calidad: reducir energía a costa de más errores puede trasladar el coste a personas y reintentos.
Reducir volumen técnico
- limitar contexto y salida;
- usar caché y recuperar respuestas aprobadas;
- agrupar peticiones cuando sea seguro;
- detener agentes con límites de pasos y coste;
- evitar variantes de imagen o vídeo que nadie revisará;
- retirar automatizaciones de poco uso.
Exigir transparencia
Una organización no puede gestionar lo que el proveedor no define. Incluya en compra métricas por unidad, metodología, región, agua, ciclo de vida y cambios de versión. La promesa «100 % renovable» no reemplaza consumo total ni impacto local.
10. Preguntas frecuentes
¿Cuánta energía consume una consulta de IA generativa?
Depende de modelo, longitud, modalidad y herramientas. Las referencias públicas de texto citadas no son universales y no cubren vídeo, imagen o agentes.
¿Una consulta de ChatGPT consume cientos de veces una búsqueda?
No puede afirmarse como regla. Las estimaciones dependen de años, sistemas y unidades diferentes; además, una tarea puede requerir varias búsquedas o varias consultas.
¿Los centros de datos consumen 945 TWh hoy?
No. La AIE estimó 415 TWh en 2024 y proyectó unos 945 TWh para 2030 en su escenario base. Incluye todos los centros de datos.
¿Entrenar siempre consume más que usar el modelo?
No. Depende de la intensidad del desarrollo y del volumen de inferencias durante la vida del modelo. Deben informarse ambas fases.
¿La energía renovable elimina la huella?
No. Puede reducir emisiones atribuidas, pero permanecen infraestructura, fabricación, agua, ubicación, red y materiales.
¿El agua utilizada se pierde toda?
No necesariamente. Hay que distinguir retirada y consumo, además de agua directa e indirecta. El impacto depende de cuenca y estación.
¿Qué modalidad consume más?
No existe un ranking universal. Vídeo suele implicar mucho más procesamiento que texto, pero la comparación necesita duración, resolución, calidad y hardware definidos.
¿Cómo puede una persona reducir su impacto?
Use la herramienta adecuada, formule bien la tarea, evite regeneraciones y no active modalidades o razonamiento intensivo sin beneficio. La responsabilidad principal de transparencia sigue en proveedores y grandes usuarios.
¿Qué debe pedir una empresa a su proveedor?
Unidad funcional, Wh, PUE, carbono, agua, región, periodo, distribución, hardware incluido, verificación y aviso de cambios metodológicos.
Conclusión
El impacto de la IA generativa no cabe en una cifra por consulta. La tarea visible se apoya en modelos, herramientas, centros, electricidad, agua y hardware; el volumen puede anular mejoras unitarias.
Una evaluación útil declara función, calidad, perímetro, fecha y evidencia. Con esos elementos es posible comparar alternativas y reducir trabajo. Sin ellos, una cifra precisa solo crea una falsa sensación de conocimiento.
Fuentes y actualización: AIE, informe Energy and AI de 2025; recomendación ITU‑T L.1801 y trabajo de la UIT sobre medición ambiental de IA; divulgaciones oficiales de Google, OpenAI y Anthropic. Revisadas el 28 de julio de 2026. Las cifras por petición se mantienen con su estadístico, fecha y limitaciones originales.
Deja una respuesta