IA Sostenible¿Es sostenible la inteligencia artificial? Un balance honesto
Enfoque de esta web: Esta guía responde con el foco ambiental y con cifras de fuentes oficiales. Un resumen práctico de lo que se sabe y lo que no, orientado a quien decide qué herramienta usar, está en otra web. IA y sostenibilidad: qué sabemos y qué no
Lo que sí sabemos: el consumo eléctrico
Según la Agencia Internacional de la Energía, la demanda de los centros de datos fue en 2024 de unos 415 TWh, un 1,5 % aproximado de la electricidad consumida en el planeta. Es una estimación, y esos centros no solo ejecutan IA. Aun así, fija un orden de magnitud: la IA no es hoy la mayor parte de la electricidad mundial, pero sí uno de los componentes que más crece.
En su caso base, la agencia proyecta unos 945 TWh al terminar esta década, algo menos del 3 % de la electricidad mundial. Es un escenario, no una predicción, y la propia agencia plantea una horquilla muy amplia hacia 2035 según la adopción y la eficiencia.
Conviene tener presente que 415 TWh no son solo IA, y que la tendencia de crecimiento se concentra en servidores especializados, según el caso base de la agencia: crecen un 30 % anual, frente al 9 % de los convencionales.
Lo que sabemos menos: agua, hardware y fabricación
La huella de la IA no se limita a la electricidad. Hay agua para refrigerar y para generar energía, y hay materiales y energía para fabricar chips y servidores, además de residuos electrónicos al final de su vida útil. Sobre estos aspectos hay menos datos públicos y comparables que sobre la electricidad.
Esa falta de datos es un problema en sí misma: no podemos afirmar que sea pequeña ni que sea enorme. Lo honesto es decir que se estima de forma desigual y pedir más transparencia a quienes operan los sistemas.
Las asimetrías de información son un obstáculo. Los operadores conocen su consumo, su refrigeración y su ubicación; el público, los investigadores y las administraciones solo ven agregados. La futura regulación europea de transparencia energética pretende, precisamente, reducir esa brecha.
Entrenar y usar: dónde se concentra el impacto
El entrenamiento de un modelo concentra mucho cómputo en un periodo corto. El uso diario consume poco por consulta, pero se repite millones de veces. Cuál pesa más depende del modelo y de cuánto se utilice.
Por eso hay que desconfiar de comparaciones simplistas del tipo «una consulta equivale a…». Son útiles para dar una idea, pero cambian según el hardware, la ubicación y el supuesto de reparto entre entrenamiento y uso.
En este apartado conviene preguntarse siempre qué se está comparando y con qué base. Una cifra de energía por consulta sin indicar el tamaño de la respuesta, el hardware y el reparto del entrenamiento es difícil de interpretar. Esa es la razón de que esta guía no ofrezca ninguna cifra por consulta.
El otro lado: la IA como herramienta para ahorrar
La IA puede ayudar a reducir impactos en otros sectores: previsión de demanda y de producción renovable en las redes eléctricas, gestión de edificios, riego de precisión, optimización de rutas o clasificación de residuos. La IEA estudia el potencial de reducción de emisiones de estas aplicaciones, pero es un potencial, no un resultado garantizado.
Que exista potencial no compensa automáticamente el consumo. Para que haya un balance positivo, la aplicación debe implantarse, funcionar y producir ahorros medidos superiores a su coste ambiental. Esa comprobación rara vez se publica.
Un ejemplo razonable de uso con potencial es la previsión de demanda eléctrica, que ayuda a integrar más renovables. Un ejemplo discutible es automatizar tareas triviales a escala masiva, donde el beneficio social es dudoso y el coste ambiental se multiplica.
Eficiencia y efecto rebote
Los modelos y el hardware se vuelven más eficientes, y eso reduce el coste por tarea. Pero abaratar una tarea suele aumentar su uso, de modo que el consumo total puede subir aunque cada consulta gaste menos. Es el efecto rebote.
La eficiencia es necesaria, pero no suficiente. Hace falta además decidir en qué usos compensa la IA y en cuáles es un gasto superfluo, algo que ninguna mejora técnica decide por nosotros.
Las mejoras de eficiencia son reales y conviene celebrarlas, pero no deben usarse como argumento para evitar medir. Lo que importa para el clima es el consumo total y la procedencia de la electricidad, no la eficiencia por unidad.
Entonces, ¿es sostenible?
La IA no es sostenible ni insostenible por definición: lo es o no según cómo se diseña, dónde se ejecuta, con qué electricidad y para qué se emplea. Un uso útil, con un modelo de tamaño razonable y energía de bajas emisiones tiene un balance muy distinto de un uso trivial a gran escala.
Como usuario, puedes elegir modelos proporcionados, evitar el uso innecesario y preguntar a tus proveedores por sus indicadores. Como organización, medir, fijar objetivos y evitar el greenwashing. Y como ciudadano, exigir datos públicos y comparables.
Como regla general, pregúntate si la tarea necesita IA, si vale un modelo más pequeño y si el proveedor informa de su energía. Tres preguntas simples que, aplicadas en masa, cambian el balance.
Fuentes consultadas
Fuente oficial abierta al preparar esta guía:
Las cifras de esta guía proceden de la fuente indicada; el resto del texto expresa criterios y no hechos medidos, y así debe leerse. Se evitaron deliberadamente cifras de agua, emisiones por consulta o ahorros potenciales por no haberse verificado en fuentes primarias.
- Agencia Internacional de la Energía (IEA), Energy and AI, Energy demand from AI: https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai
Consultada el 2026-10-12. Las cifras de 2024 y 2030 son estimaciones y escenarios de la propia agencia.
Última revisión: 2026-10-13. Si vas a solicitar o contratar algo, confirma plazos e importes vigentes en el organismo convocante. No es asesoramiento legal ni fiscal: contrasta con quien corresponda antes de actuar.
Preguntas frecuentes
¿La IA consume mucha electricidad?
Los centros de datos consumieron en 2024 alrededor del 1,5 % de la electricidad mundial según la IEA, y no todo es IA. Se espera que crezca, con mucha incertidumbre.
¿Puede la IA ayudar al medio ambiente?
Tiene potencial en energía, edificios, agricultura y movilidad, pero es un potencial que debe demostrarse con ahorros medidos.
¿Qué puedo hacer yo?
Usar modelos proporcionados a la tarea, evitar usos innecesarios y pedir transparencia a los proveedores.
Guías relacionadas
- Cuánta energía consume la IA: qué se sabe y qué no: Qué dicen las estimaciones sobre el consumo eléctrico de la IA y los centros de datos, dónde hay datos sólidos y dónde solo hay incertidumbre.
- Eficiencia frente a efecto rebote en la IA: Por qué hacer la IA más eficiente no garantiza gastar menos energía: qué es el efecto rebote, cómo detectarlo y qué lo limita en la práctica.
- Greenwashing con IA: cómo detectarlo y evitarlo: Señales de afirmaciones ambientales engañosas sobre IA, preguntas para comprobarlas y buenas prácticas para no caer en el greenwashing en tu organización.