IA SostenibleGreenwashing con IA: cómo detectarlo y evitarlo
Qué es y por qué la IA es terreno fértil
Greenwashing es presentar una actividad como más sostenible de lo que es, ya sea mediante afirmaciones falsas, exageradas o imposibles de verificar. La IA es un terreno propicio por tres razones: el consumo real es difícil de medir, los proveedores publican poca información detallada y el discurso de que la IA ayudará al clima genera mucho entusiasmo.
No toda afirmación optimista es engañosa. El problema aparece cuando la expectativa se vende como hecho, o cuando se destaca un beneficio y se omite el coste. Conviene recordar también que existe el error contrario, el catastrofismo: exagerar el impacto también distorsiona la conversación.
Esta primera distinción ayuda a decidir qué comprobar antes de compartir o publicar una afirmación.
Señal 1: confundir potencial con resultado
La Agencia Internacional de la Energía estima que la adopción generalizada de aplicaciones de IA ya existentes en los sectores de uso final podría evitar 1.400 Mt de CO2 en 2035, unas tres veces las emisiones de los centros de datos en el escenario más alto. Pero la propia agencia advierte de que hoy no hay impulso que asegure esa adopción y de que no se consideran efectos rebote.
Una empresa que cita ese potencial para afirmar que sus productos ya reducen emisiones está cometiendo un salto lógico. Pregunta siempre: ¿es un resultado medido en un caso real o un escenario? ¿Con qué punto de partida? ¿Se ha descontado el consumo del propio sistema de IA?
Dicho de otro modo, un potencial describe lo que podría ocurrir en condiciones favorables, no lo que ya ha ocurrido ni lo que ocurrirá con seguridad.
Señal 2: usar cifras globales como si fueran propias
Una cifra global describe el conjunto del sistema, no a un proveedor concreto. Por ejemplo, la estimación de que los centros de datos consumieron en 2024 alrededor del 1,5 % de la electricidad mundial no dice nada sobre la eficiencia de un servicio en particular.
Desconfía de comparaciones del tipo «nuestro servicio consume X veces menos» sin indicar con qué, en qué condiciones, con qué carga y quién lo midió. Del mismo modo, atribuir a una herramienta concreta un consumo por consulta sin una fuente verificable es una práctica poco rigurosa. Si no hay método publicado, el dato debe tratarse como una afirmación comercial, no como una medida.
Pide siempre la fuente, el método y el periodo, y, si la respuesta es evasiva, interprétalo como una señal más.
Señal 3: renovables, compensaciones y emisiones evitadas
Tres conceptos se confunden a menudo. Usar electricidad renovable cambia el origen de la energía; compensar es financiar una reducción en otro lugar; evitar emisiones es una comparación con un escenario hipotético. No son equivalentes, y mezclarlos infla el resultado.
Además, el efecto de la electricidad depende del lugar y del momento. En España, en 2024, la cuota renovable de la generación fue del 56,8 % según Red Eléctrica, pero no se ha verificado en la fuente un factor de emisión por kWh, por lo que no debe usarse uno sin fuente. Pide que cualquier afirmación indique si se refiere a consumo real, a compras contractuales o a promedios anuales.
La mejor defensa es exigir que cada afirmación diga qué incluye, qué excluye y cómo se calculó.
Señal 4: lenguaje vago, sellos propios y silencios
Expresiones como «IA verde», «neutral en carbono» o «eco» sin definición ni método son una alerta. También lo son los sellos creados por la propia empresa, las imágenes de naturaleza como sustituto de datos y la ausencia de cualquier información sobre agua, hardware o fabricación.
Los silencios importan tanto como lo dicho. Un informe que habla solo de la fase de uso y omite el entrenamiento, o que ignora la fabricación de equipos, ofrece una foto parcial. Los residuos electrónicos son un ejemplo: en 2022 se generaron 62 millones de toneladas en el mundo y apenas el 22,3 % constaba como reciclado por vías formales, una cifra que cubre todos los aparatos, no solo los de IA.
Cuando falte alguno de esos elementos, la afirmación no es necesariamente falsa, pero tampoco puede darse por demostrada.
Preguntas para comprobar una afirmación
Antes de creerte o repetir una afirmación ambiental sobre IA, aplica esta lista breve:
- ¿Qué se mide exactamente: entrenamiento, uso, fabricación, todo?
- ¿Qué periodo, qué ubicación y qué perímetro cubre?
- ¿Quién lo midió y existe método accesible?
- ¿Es un dato real o una proyección?
- ¿Se han contado los efectos rebote, como usar más porque es más barato?
- ¿Qué información falta?
Si no puedes responder a la mayoría, trata la afirmación como no verificada. Pedir el método no es hostilidad: es lo que haría cualquier auditor.
Aplica la lista tanto a lo que lees como a lo que escribes: el criterio debe ser el mismo en ambos sentidos, y conviene aplicarlo también a tus propios proveedores.
Cómo evitarlo en tu organización
El Programa de las Naciones Unidas para el Medio Ambiente recomienda procedimientos estandarizados de medición y que las empresas divulguen sus consecuencias ambientales directas. Aplícalo como regla interna: no publiques lo que no puedas respaldar.
- Designa a una persona que revise toda afirmación ambiental antes de publicarla.
- Conserva las fuentes y el método de cada cifra.
- Comunica límites e incertidumbre junto al dato.
- No presentes potenciales como logros.
- Corrige públicamente los errores detectados.
Esta guía es informativa; si tienes dudas sobre la normativa de publicidad o consumo aplicable, consulta a un profesional jurídico.
Documentar estas reglas por escrito facilita que se cumplan cuando cambian las personas o aumenta la presión comercial.
Preguntas frecuentes
¿Es greenwashing decir que la IA ayudará a combatir el cambio climático?
No necesariamente. Es una afirmación legítima si se presenta como potencial y se acompaña de límites. Pasa a ser engañosa cuando se vende como resultado ya logrado sin medición, o cuando se omite el consumo del propio sistema.
¿Basta con usar energía renovable para decir que una IA es sostenible?
No. Las renovables reducen las emisiones asociadas a la electricidad, pero no cubren la fabricación de equipos, el agua ni los residuos, y el efecto depende de si es consumo real o compra contractual. Hay que precisar el alcance.
¿Cómo sé si un dato de consumo de un servicio de IA es fiable?
Comprueba si indica el método, el periodo, el hardware y quién lo midió, y si es verificable por un tercero. Sin esos elementos, es una afirmación comercial y conviene tratarla con cautela.
Guías relacionadas
- Informes de sostenibilidad (CSRD) y el uso de IA en la empresa: Cómo encaja el uso de IA en los informes de sostenibilidad de la CSRD: estado del marco, qué datos reunir y cómo evitar afirmaciones sin respaldo.
- Cómo evaluar el impacto ambiental de un proyecto de IA antes de empezar: Método paso a paso para estimar y reducir el impacto ambiental de un proyecto de IA antes de construirlo: alcance, alternativas, datos y decisiones.
- El Reglamento europeo de IA y la eficiencia energética: qué dice y qué no: Qué exige realmente el Reglamento (UE) 2024/1689 sobre energía: documentación, normalización y códigos voluntarios, y qué obligaciones no contiene.