La inteligencia artificial puede aumentar las emisiones y, al mismo tiempo, ayudar a reducirlas. No hay una cifra universal que permita decidir si es «solución» o «problema»: el resultado depende del modelo, la infraestructura eléctrica, el uso concreto y, sobre todo, de si una predicción termina provocando una acción verificable.

La forma rigurosa de evaluarla es llevar dos cuentas separadas. La primera registra la huella climática del sistema de IA durante su ciclo de vida. La segunda estima las emisiones que una intervención concreta podría evitar frente a un escenario de referencia. Restarlas sin explicar el contrafactual, la atribución y el efecto rebote produce una cifra atractiva, pero no una conclusión fiable.

1. Las dos cuentas que no deben mezclarse

Cuenta A: la huella del sistema

Incluye las emisiones asociadas a la electricidad empleada en entrenamiento e inferencia, la fabricación de servidores y chips, la construcción y operación del centro de datos, las redes, el almacenamiento y el fin de vida de los equipos. El perímetro puede variar según el estudio; por eso una cifra por consulta no es comparable si un proveedor mide solo electricidad y otro añade emisiones incorporadas.

En una organización, esta huella se distribuye entre los alcances del inventario corporativo. Un centro de datos propio puede generar emisiones de alcance 1 y 2; un servicio de IA contratado suele aparecer en alcance 3 del cliente, aunque el proveedor lo contabilice de otra forma en su propio inventario.

Cuenta B: la reducción habilitada por el uso

Es la diferencia entre lo que habría ocurrido sin el proyecto y lo que ocurre con él. Por ejemplo, si un control predictivo reduce el consumo de climatización de un edificio respecto a una línea base razonable, esa diferencia puede traducirse a emisiones usando factores coherentes con el momento y lugar del consumo.

El GHG Protocol indica que las emisiones evitadas deben comunicarse separadas de los alcances 1, 2 y 3, no deducirse del inventario. Además exige explicar metodología, fuentes, límites del sistema, periodo, escenario de referencia, integridad y reparto de la reducción para prevenir el doble conteo.

Pregunta	Cuenta de huella	Cuenta de contribución
¿Qué mide?	Emisiones causadas por operar y fabricar el sistema	Cambio frente a un escenario sin la intervención
Método	Inventario de ciclo de vida y alcances	Contabilidad de proyecto o intervención
Referencia	Actividad real y factores de emisión	Contrafactual explícito
¿Se pueden restar en el inventario?	Se declara en el alcance correspondiente	No; se informa por separado
Riesgo principal	Omitir hardware, red o electricidad marginal	Elegir una línea base inflada o atribuirse todo el ahorro

2. Qué sabemos de la huella climática de la IA

Los datos agregados son de centros de datos, no solo de IA

La Agencia Internacional de la Energía (AIE) calculó en 2025 que los centros de datos generaban alrededor de 180 millones de toneladas de CO₂ indirecto por su electricidad. La cifra abarca todas las cargas de trabajo; la IA es solo un subconjunto. Equivalía aproximadamente al 0,5 % de las emisiones mundiales por combustión, estimadas en 35.000 millones de toneladas en 2024.

En su actualización de 2026, la AIE proyecta que la electricidad mundial de centros de datos pase de 485 TWh en 2025 a unos 950 TWh en 2030, cerca del 3 % de la demanda eléctrica global. Los centros orientados a IA crecerían más deprisa. Son proyecciones de infraestructura, no una licencia para asignar todo ese consumo a ChatGPT, Gemini, Claude o a una empresa concreta.

La eficiencia por tarea mejora, pero la demanda total puede crecer

La misma actualización señala que la energía por tarea de IA ha caído al menos un orden de magnitud anual en los últimos años. Sin embargo, vídeo, razonamiento intensivo y agentes pueden consumir cientos o miles de veces más por tarea que una consulta de texto sencilla. A esto se suman más usuarios y nuevos usos. Que una operación sea más eficiente no garantiza que el consumo agregado disminuya.

Para estudiar una consulta individual, consulta nuestra guía sobre cómo estimar la huella de los prompts. Para comparar lo que publican los principales proveedores, hemos separado la evidencia disponible en ChatGPT, Claude y Gemini.

El lugar y el momento importan

Un kWh no tiene siempre la misma intensidad de carbono. El resultado cambia con la mezcla eléctrica, los contratos, la hora, las pérdidas y el tipo de factor empleado. Para decisiones operativas suele ser útil observar factores temporales y marginales; para inventarios corporativos deben respetarse las reglas aplicables de localización y mercado. Mezclar ambos enfoques sin etiquetarlos altera la conclusión.

3. Qué significa —y qué no— el potencial de 1.400 Mt de CO₂

La cifra más citada procede del escenario de adopción generalizada del informe Energy and AI de la AIE. Si las aplicaciones de IA ya existentes se extendieran ampliamente a sectores de uso final, podrían habilitar alrededor de 1.400 millones de toneladas de reducción de CO₂ en 2035. No es una previsión para 2030 ni una reducción ya lograda.

La propia AIE advierte de que no existe actualmente un impulso que garantice esa adopción. Faltan datos, infraestructura digital, habilidades, incentivos y marcos regulatorios; también hay límites de seguridad, privacidad y aceptación social. El potencial agregado podría ser marginal si no se crean esas condiciones.

Un potencial técnico no es un crédito climático

Antes de reconocer una reducción deben existir un usuario, una decisión y un cambio físico: reparar una fuga, modificar una consigna, desplazar combustible, evitar kilómetros o sustituir material. Una predicción acertada que nadie utiliza no reduce emisiones. Tampoco lo hace una recomendación que habría ocurrido de todas formas.

4. Dónde puede ayudar realmente la IA

Las aplicaciones con mejor lógica climática conectan datos con una acción controlable. Esta tabla no asigna un ahorro universal: muestra qué debe probar cada proyecto.

Aplicación	Acción que crea el beneficio	Qué medir	Riesgo
Detección de metano	Localizar, notificar y reparar la fuente	Caudal, duración y verificación tras la reparación	Alertas sin respuesta o atribución incorrecta
Redes eléctricas	Despachar, mantener o integrar mejor recursos	Energía desplazada, vertidos, pérdidas y fiabilidad	Optimizar coste sin reducir carbono
Industria	Cambiar consignas, mezcla de combustible o secuencia	Consumo y producción normalizados	Más volumen de producción borra el ahorro
Edificios	Ajustar climatización y horarios	kWh por superficie, clima y ocupación	Pérdida de confort o rebote
Transporte	Reducir distancia, ralentí o viajes	Combustible, kilómetros y carga transportada	Tráfico inducido y cambio desde transporte público
Materiales y diseño	Sustituir una solución de mayor huella	Ciclo de vida del producto validado	Contar descubrimientos que nunca llegan al mercado

Metano: la detección solo vale si termina en mitigación

El sistema MARS del Programa de Naciones Unidas para el Medio Ambiente combina observaciones de más de 30 instrumentos satelitales, conocimiento científico y modelos avanzados de IA para avisar a gobiernos y empresas sobre grandes emisiones. La cadena de valor no acaba en el modelo: UNEP identifica, cuantifica, notifica, sigue la respuesta y publica datos.

Este ejemplo revela el criterio correcto. La reducción se produce cuando el operador actúa sobre la fuente y se comprueba la mitigación; no en el instante en que un algoritmo detecta una pluma. Una tasa baja de respuesta puede convertir un excelente sistema de observación en un beneficio climático limitado.

Edificios, industria y transporte: medir la unidad funcional

La AIE recoge ejemplos donde el control optimizado de climatización puede ahorrar alrededor del 10 % de energía, la mejora del combustible en cemento superar el 2 % de eficiencia y la optimización de rutas o conducción aportar entre el 5 % y el 10 %. Son referencias de aplicaciones, no garantías comerciales.

La evaluación debe normalizar el resultado: kWh por metro cuadrado y grado-día en edificios, energía por tonelada útil en industria o combustible por tonelada-kilómetro en logística. Comparar facturas brutas antes y después puede confundir ahorro con clima más suave, menor producción o menos ocupación.

Red eléctrica: optimizar la variable equivocada

Un algoritmo puede minimizar precio, congestión, emisiones o una combinación. Esas metas no siempre coinciden. Si el objetivo climático no figura en la función de decisión y no se valida con datos eléctricos adecuados, una mejora económica no puede rebautizarse como reducción de CO₂.

5. Mitigación y adaptación no son lo mismo

Mitigación significa reducir fuentes de gases de efecto invernadero o aumentar sumideros. Adaptación significa reducir vulnerabilidad y daños frente a impactos climáticos. Una alerta de inundación, una previsión de sequía o un modelo de incendios puede salvar vidas y orientar inversiones sin reducir por sí mismo una tonelada de CO₂.

La iniciativa Destination Earth de la Comisión Europea desarrolla gemelos digitales para extremos naturales y adaptación climática, apoyados en supercomputación, observaciones y capacidades de IA. Permiten explorar impactos, escenarios y medidas. Su valor puede expresarse en decisiones mejor informadas, población protegida, daños evitados o tiempo de anticipación; no debe forzarse siempre a una métrica de carbono.

Separar ambos objetivos mejora la evaluación. Un proyecto puede ser excelente para resiliencia aunque su huella operativa sea positiva. La pregunta será entonces si esa huella es proporcional al servicio público prestado y si puede reducirse sin perder capacidad.

6. Cómo calcular una reducción habilitada

La ecuación básica

Reducción bruta habilitada = emisiones del escenario de referencia − emisiones del escenario con intervención.

Después deben declararse aparte la huella del sistema de IA y otros efectos indirectos. Para una decisión interna puede calcularse un cociente exploratorio:

Ratio de contribución = reducción habilitada atribuible ÷ huella adicional del sistema.

Este ratio no es una compensación ni sustituye el inventario. Solo sirve para comparar proyectos si todos usan límites, periodos y factores coherentes, y si se acompaña de intervalos de incertidumbre.

Ejemplo simplificado en un edificio

Un edificio consumía 1.000 MWh anuales en climatización una vez ajustado por ocupación y grados-día. Tras desplegar control predictivo consume 910 MWh en condiciones equivalentes. La diferencia observada es de 90 MWh. Con un factor de 0,20 tCO₂e/MWh, la reducción bruta sería de 18 tCO₂e.

Si la infraestructura adicional —cómputo, sensores y red— genera 2 tCO₂e en el mismo periodo, ambas cifras se publican por separado. Si otros cambios operativos explican el 30 % del ahorro, el proyecto no debería atribuirse las 18 toneladas completas. Además conviene probar escenarios con factores eléctricos y líneas base alternativos.

Datos mínimos que deben acompañar la cifra

• Periodo y ubicación.
• Unidad funcional: por edificio, tonelada, vehículo, hectárea o servicio.
• Línea base y motivo de su elección.
• Límites físicos y actividades incluidas.
• Factores de emisión, fecha y fuente.
• Huella adicional del hardware, software y comunicaciones.
• Reparto de la reducción entre actores.
• Incertidumbre y análisis de sensibilidad.

7. La prueba de causalidad: ocho preguntas

1. Contrafactual: ¿qué habría ocurrido sin el sistema?
2. Adicionalidad: ¿la acción ya era obligatoria, rentable o estaba planificada?
3. Causalidad: ¿la salida del modelo cambió una decisión real?
4. Atribución: ¿qué parte corresponde a la IA y qué parte a personas, sensores o inversiones?
5. Fugas: ¿la reducción desplaza emisiones a otra instalación, proveedor o etapa?
6. Rebote: ¿la eficiencia provoca más uso y recupera parte del ahorro?
7. Persistencia: ¿el efecto se mantiene o desaparece cuando cambia el contexto?
8. Verificación: ¿un tercero podría reproducir el cálculo con los datos disponibles?

Si una respuesta es desconocida, no significa que el proyecto carezca de valor. Significa que la afirmación debe rebajarse: de «redujo» a «se asocia con», «estimamos» o «tiene potencial para», según la evidencia.

Cómo evitar el doble conteo

En una cadena de valor pueden reclamar el mismo resultado el proveedor del modelo, el integrador, el fabricante del sensor, el operador y el cliente. El informe debe identificar quién posee el inventario y cómo se reparte la contribución. Publicar una reducción habilitada no permite restarla simultáneamente de las huellas de todos.

8. Cuándo el beneficio desaparece

Más eficiencia, más actividad

Una ruta más eficiente abarata cada entrega y puede estimular más entregas. Un diseño computacional acelera la exploración de materiales, pero también multiplica las simulaciones. Un modelo pequeño abarata la inferencia y termina ejecutándose millones de veces. El efecto rebote puede ser parcial, total o incluso superar el ahorro inicial.

Automatizar una actividad intensiva en carbono

La IA también puede optimizar extracción de combustibles, segmentación publicitaria de productos de alta huella o logística orientada a aumentar volumen. La eficiencia técnica no es sinónimo de beneficio climático: importa la finalidad del sistema y el cambio agregado que induce.

Trasladar la carga fuera del perímetro

Un servicio en la nube puede hacer desaparecer consumo del contador de una empresa, no de la atmósfera. Del mismo modo, sustituir trabajo local por una API desplaza emisiones al proveedor. Un estudio serio conserva dentro del análisis las actividades desplazadas.

Confiar demasiado en una predicción

Los errores también tienen huella. Una falsa alarma puede movilizar recursos innecesarios; una predicción fallida puede retrasar mantenimiento o aumentar desperdicio. Deben medirse precisión, cobertura, falsos positivos y coste de la decisión, no solo el consumo computacional.

9. Protocolo para evaluar un proyecto antes de escalarlo

Fase 1: decidir qué problema merece IA

Define la decisión, la persona responsable y la frecuencia. Compara con reglas simples, sensores sin aprendizaje automático y mejora de procesos. Si una alternativa más sencilla ofrece el mismo resultado, suele ser preferible por coste, auditabilidad y huella.

Fase 2: registrar la línea base

Recoge datos durante un periodo representativo y documenta producción, clima, ocupación y otros factores. Fija de antemano la unidad funcional, el método de normalización y los criterios de éxito. Evita elegir el periodo más favorable después del piloto.

Fase 3: piloto controlado

Usa un grupo comparable, alternancia temporal o diseño escalonado cuando sea posible. Mide a la vez desempeño operativo, emisiones, costes, errores y huella digital. Registra también las recomendaciones ignoradas: ayudan a distinguir capacidad del modelo de adopción real.

Fase 4: sensibilidad y revisión

Recalcula con una línea base conservadora, distintos factores de emisión y rangos de atribución. Incluye un escenario de rebote. Pide a una persona ajena al proyecto que reproduzca los resultados y localice supuestos ocultos.

Fase 5: condición de despliegue

Escala solo si el beneficio sigue siendo material en los escenarios conservadores, hay un plan de monitorización y alguien puede detener o ajustar el sistema. Publica tanto resultados positivos como limitaciones.

10. Qué exige la regulación y qué no demuestra

La regulación europea avanza hacia más documentación ambiental. El Reglamento de IA contempla información sobre consumo energético para modelos de propósito general y procesos comunes de medición y documentación. Sin embargo, cumplir una obligación de transparencia no demuestra que una aplicación reduzca emisiones.

Del mismo modo, un inventario conforme con GHG Protocol o un informe de sostenibilidad no autoriza a restar una reducción social hipotética del alcance 3. Son ejercicios distintos: el inventario describe emisiones de la organización; la contabilidad de intervención estima un cambio frente a un contrafactual.

Para contratación, conviene pedir al proveedor:

• Perímetro de sus métricas de energía y carbono.
• Región y periodo de operación.
• Factores de emisión y tratamiento de electricidad renovable.
• Emisiones incorporadas del hardware, si están disponibles.
• Método para repartir entrenamiento e inferencia entre clientes.
• Datos exportables para auditoría y política de retención.
• Limitaciones, incertidumbre y cambios de metodología.

11. Preguntas frecuentes

¿La IA emite más CO₂ del que evita?

No existe una medición global comparable que permita afirmarlo. Las emisiones de centros de datos son observables y proyectables; muchas reducciones habilitadas son contrafactuales y dependen de adopción. El balance solo puede evaluarse proyecto a proyecto y, a escala global, mediante escenarios claramente etiquetados.

¿Los 1.400 Mt de la AIE son un pronóstico?

No. Son el resultado de un escenario exploratorio de adopción generalizada en 2035. La AIE advierte que hoy no hay impulso suficiente para garantizarlo y que barreras y efectos rebote pueden reducir el resultado.

¿Puedo compensar la huella de mi empresa con emisiones evitadas por mi producto?

No dentro del inventario de alcances. GHG Protocol pide informar las emisiones evitadas por separado y revelar metodología, límites, periodo, línea base, integridad y atribución.

¿Una mejor predicción meteorológica reduce emisiones?

No automáticamente. Puede mejorar adaptación, seguridad y planificación. Solo genera una reducción de emisiones si cambia una decisión con efecto climático medible, por ejemplo el despacho de energía o el uso de combustible, frente a una línea base defendible.

¿Qué sector ofrece mayor oportunidad?

No basta con elegir el sector con más emisiones. Las mejores oportunidades combinan una fuente material, datos fiables, una acción controlable, responsables con capacidad de ejecutarla y medición posterior. Una pequeña aplicación bien conectada con la operación puede aportar más que un modelo ambicioso sin adopción.

¿Cuándo no debería usarse IA?

Cuando el problema se resuelve con una regla simple; no existe una acción asociada a la predicción; faltan datos representativos; el error puede causar daños no controlables; o no hay forma de medir el resultado. También cuando el coste ambiental y económico supera razonablemente el beneficio.

Conclusión: de la promesa a la evidencia

La pregunta útil no es si «la IA» salvará o dañará el clima. Es qué sistema, para qué decisión, bajo qué condiciones y con qué resultado verificable. La tecnología puede detectar fugas, optimizar equipos y mejorar la adaptación, pero ninguna de esas capacidades equivale por sí sola a una tonelada evitada.

Un análisis creíble mantiene dos libros: reconoce toda la huella del sistema y calcula por separado la contribución frente a una línea base. Añade atribución, incertidumbre, persistencia y rebote. Si después de esas pruebas el beneficio continúa siendo material, la IA puede ser una herramienta climática valiosa. Si no, debe describirse como experimento, no como solución.

Metodología y fuentes

Esta revisión se elaboró contrastando documentación técnica y regulatoria de fuentes primarias. Se consultaron el informe Energy and AI de la AIE, su actualización Key Questions on Energy and AI 2026, las preguntas frecuentes de alcance 3 de GHG Protocol, la documentación oficial de UNEP MARS y la información de la Comisión Europea sobre Destination Earth. Las cifras de escenarios se presentan como potenciales, no como resultados observados.