Preguntas frecuentes sobre IA y sostenibilidad

Una web informativa e independiente sobre la relación entre inteligencia artificial y sostenibilidad: el impacto ambiental de la IA y cómo reducirlo, sus usos al servicio de la sostenibilidad y su uso responsable y normativa.

Depende del modelo, del hardware, de cómo se use y de dónde se ejecute. Las cifras concretas, con su fuente y sus cautelas, están en la sección Datos; aquí no damos cifras sin respaldo.

Son dos fases distintas: el entrenamiento concentra mucho cálculo en un periodo y el uso se reparte entre muchas consultas. Cuál pesa más depende del modelo y de cuántas veces se utilice.

Usándola cuando aporta valor, agrupando consultas, reutilizando resultados, eligiendo herramientas proporcionadas a la tarea y pidiendo información a los proveedores. Las Acciones de esta web lo detallan paso a paso.

En algunos casos sí, por ejemplo apoyando decisiones en energía, agricultura, movilidad o residuos. El beneficio debe medirse en cada caso y compararse con el consumo que añade la propia IA.

Con la calculadora de esta web, introduciendo tus consultas, la energía por consulta y el factor de emisión. No incluye cifras por defecto: debes obtenerlas de una fuente que puedas citar, y el resultado es una estimación.

Hay normativa europea y española que puede afectar a la IA y a la información ambiental. Lo que hemos podido verificar está en Impacto y ley, con su fuente; no es asesoramiento jurídico.

No. Es una web informativa e independiente, sin afiliados y sin venta de herramientas.

Según la Agencia Internacional de la Energía, en 2024 los centros de datos consumieron unos 415 TWh, alrededor del 1,5 % de la electricidad mundial. Es una estimación, y esos centros no ejecutan solo IA: también alojan correo, almacenamiento, vídeo y otros servicios de internet.

En el caso base de la Agencia Internacional de la Energía, la demanda de los centros de datos se más que duplicaría hasta unos 945 TWh en 2030. Es un escenario, no una predicción: depende de cuánto crezca la adopción de la IA y de las mejoras de eficiencia que se logren.

No hay respuesta única. El entrenamiento concentra un gran gasto puntual, pero el uso diario se repite millones de veces. Para un modelo muy utilizado, la inferencia acumulada puede igualar o superar al entrenamiento. Por eso conviene analizar el ciclo de vida completo y no solo una fase.

Normalmente no con exactitud, porque los proveedores publican pocos datos por consulta. Sí puedes medir tu actividad: número de peticiones, modelos empleados, tareas automatizadas y horas de computación contratadas. Con esos datos y la información que ofrezca el proveedor, obtienes una aproximación útil, siempre indicando su margen de error.

El más pequeño que resuelva bien tu tarea. Haz una prueba con ejemplos reales: compara calidad, errores y tiempo de respuesta entre un modelo pequeño y uno grande. Reserva los modelos grandes para tareas complejas, razonamiento largo o contenido delicado, y revisa la elección cada cierto tiempo.

Sí, porque la ubicación determina el mix eléctrico, el clima, la disponibilidad de agua y la normativa aplicable. En España, por ejemplo, en 2024 el 56,8 % de la electricidad generada fue renovable según Red Eléctrica. Pregunta al proveedor por regiones disponibles y por sus datos de energía y agua.

Depende del sistema de refrigeración, el clima local y la electricidad usada. Algunos centros usan mucha agua y otros muy poca con diseños distintos. Como los datos públicos son escasos y no siempre comparables, desconfía de cifras únicas y pide al proveedor información concreta sobre consumo de agua y zonas de estrés hídrico.

Es cuando una mejora de eficiencia reduce el coste de usar algo y, como consecuencia, se usa mucho más, de modo que el ahorro se diluye o desaparece. Ocurre si una automatización barata genera miles de contenidos que nadie necesitaba. Para evitarlo, fija límites y mide el consumo total, no solo el unitario.

Ayuda un poco, pero no es lo principal. Lo que más importa es que el prompt sea claro para evitar reintentos y que la respuesta tenga la longitud necesaria. Una petición breve y ambigua que obliga a repetir varias veces gasta más que una bien planteada. Prioriza la claridad y limita la extensión de la salida.

Puede serlo si el modelo pequeño basta para la tarea y aprovechas un equipo que ya tienes, sin comprar hardware nuevo. Pero un equipo personal infrautilizado puede ser menos eficiente que un servidor compartido. Compara según tu caso, y recuerda que fabricar un equipo nuevo también tiene una huella considerable.

El anexo XI obliga a los proveedores de modelos de uso general a dejar constancia del consumo de energía del modelo, ya sea medido o estimado. Además, el artículo 40 prevé trabajos de normalización sobre eficiencia de recursos y el artículo 95 anima a códigos de conducta voluntarios. Es documentación técnica, no necesariamente información pública.

La Directiva de eficiencia energética, en su artículo 12, exige que los propietarios y operadores de centros de datos con al menos 500 kW de potencia TI instalada hagan pública la información prevista en su anexo VII, con excepciones por secreto comercial y ciertos usos de defensa.

Son aparatos eléctricos y electrónicos desechados. En 2022 se generaron 62 millones de toneladas en el mundo y apenas el 22,3 % constaba como reciclado por vías formales. Importan para la IA porque servidores y dispositivos se renuevan, y alargar su vida útil reduce materiales, energía de fabricación y residuo.

Busca señales de alarma: eslóganes sin datos, ausencia de método, comparaciones sin base, términos como «neutral» sin explicar el alcance y falta de información sobre el ciclo de vida. Pide el dato medido, el periodo, el perímetro y quién lo ha verificado. Si no hay respuesta, trata la afirmación como no demostrada.

Puede, en ámbitos como la gestión de redes eléctricas, la eficiencia de edificios, la previsión de demanda o el mantenimiento predictivo. La Agencia Internacional de la Energía estima un potencial notable, pero lo describe como potencial, no como resultado garantizado, y advierte de efectos rebote. Cada proyecto debe demostrar su ahorro neto.

Es la fase en la que un modelo ya entrenado recibe una petición y genera una respuesta. A diferencia del entrenamiento, que se hace de forma intensiva y puntual, la inferencia ocurre cada vez que alguien usa el sistema. Su coste unitario es menor, pero se multiplica por el número total de usos.

Es un método que cuantifica los impactos de un sistema desde la extracción de materiales y la fabricación del hardware hasta el uso y el desecho. En IA permite incluir energía, agua, materiales y residuos. Su calidad depende de los datos disponibles, que hoy son limitados, por lo que sus resultados deben acompañarse de incertidumbres.

Empieza por un inventario: qué herramientas usa, quién las usa, para qué tareas y con qué frecuencia. Después pide a los proveedores sus datos de energía y región de la nube. Con eso estima un orden de magnitud y repite cada trimestre. Lo importante es la coherencia del método, no una precisión que no existe.

No necesariamente. Una política razonable define qué tareas justifican IA, qué modelos son adecuados, cuándo se puede automatizar y quién revisa el consumo. Prohibirla del todo puede dejar fuera usos con beneficio claro, mientras que permitirla sin criterio multiplica gasto innecesario. Lo equilibrado es regular el uso y medirlo.

Es determinante: la misma computación emite más o menos según cómo se genere la electricidad donde se ejecuta y en qué momento. Por eso dos regiones de nube pueden tener huellas muy distintas. El mix cambia cada año y cada hora, así que cualquier factor de emisión debe citar su fuente y su periodo.

Es una versión más pequeña de un modelo grande, obtenida enseñándole a imitar al original o recortando parámetros. Suele ser más barata de ejecutar y más rápida, con alguna pérdida de calidad según la tarea. Es una vía habitual para reducir consumo sin renunciar del todo al rendimiento.

Sí. Guardar respuestas validadas, plantillas y resúmenes evita repetir cálculos idénticos y reduce la cantidad de peticiones. Aplica especialmente a preguntas frecuentes y tareas repetitivas. Eso sí, controla la vigencia: una respuesta guardada puede quedarse obsoleta y hay que revisarla de vez en cuando.

Que realiza una tarea con menos energía para un nivel de calidad dado. Puede lograrse con mejor hardware, modelos más pequeños, software optimizado o menos computación innecesaria. La eficiencia no implica menor consumo total si el uso crece, así que conviene vigilar ambos indicadores a la vez.

Puede ayudar a ajustar climatización, iluminación y ocupación a la demanda real. La Agencia Internacional de la Energía estima un potencial de ahorro en edificios, pero bajo supuestos de adopción amplia. En una instalación concreta, los sensores, el sistema y su mantenimiento también consumen, y el ahorro debe medirse.

Es la Directiva europea de información corporativa sobre sostenibilidad. Obliga a ciertas empresas a informar con las normas ESRS, y su alcance se ha reducido con el paquete Omnibus. Aunque no te alcance directamente, tus clientes sujetos pueden pedirte datos, incluidos los de tus herramientas digitales.

La Agencia Española de Supervisión de Inteligencia Artificial, AESIA, con sede en A Coruña y Estatuto aprobado por el Real Decreto 729/2023. Entre sus funciones están supervisar el cumplimiento de la normativa, crear entornos de prueba y ofrecer formación. Sus competencias exactas dependen del Estatuto y de la normativa de desarrollo.

Limita su alcance a consultas que realmente necesiten IA, usa un modelo del tamaño adecuado, almacena respuestas a preguntas frecuentes y fija una longitud máxima de respuesta. Mide el número de conversaciones y deriva a una persona cuando la IA no aporte. Compara el consumo con el del canal anterior.

La compensación puede ser un complemento, pero no sustituye a reducir. Su calidad varía mucho y las afirmaciones de neutralidad deben explicar alcance, método y verificación. Primero mide y reduce lo que puedas; solo después valora compensar el resto, comunicándolo con claridad y sin prometer más de lo que se puede demostrar.

Pregunta por la región y el tipo de centro de datos, el origen de la energía, la política de agua, los datos de consumo por servicio, la vida útil del hardware, la gestión de residuos electrónicos y cualquier verificación externa. Pide respuestas por escrito y compáralas entre proveedores. La falta de respuesta también es información.

Usa IA cuando aporte valor real, elige el modelo más sencillo que resuelva la tarea, evita regenerar respuestas sin necesidad y reutiliza lo que ya te sirvió. Alarga la vida de tus dispositivos y pide transparencia a los servicios que contratas. El efecto individual es modesto, pero suma cuando se generaliza.