La inteligencia artificial ya interviene en redes eléctricas, edificios, agricultura, transporte y predicción meteorológica. Al mismo tiempo, necesita centros de datos, chips, electricidad, agua y una cadena de suministro material. Por eso la pregunta útil no es si la IA es buena o mala para el planeta, sino en qué condiciones produce un beneficio neto verificable.

Tras revisar la metodología de la Unión Internacional de Telecomunicaciones, los datos de la Agencia Internacional de la Energía, el Reglamento Europeo de IA y la literatura técnica, esta guía separa lo que sabemos, lo que solo puede estimarse y lo que todavía no puede afirmarse con rigor.

Última revisión documental: 28 de julio de 2026.

Qué significa realmente IA sostenible

La definición más útil combina dos perspectivas que la Recomendación ITU‑T L.1801 distingue expresamente:

• Sostenibilidad de la IA: reducir los impactos del propio sistema desde la fabricación del hardware hasta su retirada, pasando por el entrenamiento, el ajuste, el despliegue y el uso.
• IA para la sostenibilidad: utilizar un sistema de IA para alcanzar un objetivo ambiental o social, como integrar renovables, detectar fugas o proteger biodiversidad.

Una definición completa añade una tercera dimensión: la gobernanza. Un sistema no es sostenible si mejora un indicador energético trasladando el daño a otra región, agotando agua en una cuenca vulnerable, acelerando la extracción de minerales o excluyendo a las personas afectadas.

Definición editorial: una IA es sostenible cuando presta una función necesaria con el menor impacto viable, mide su ciclo de vida y acredita que sus beneficios ambientales, sociales y económicos superan sus costes y posibles efectos rebote.

IA sostenible, Green AI e IA responsable: no son exactamente lo mismo

Los términos se solapan y todavía no existe una definición jurídica universal. Cuando una empresa afirma que su IA es “sostenible”, conviene pedir qué significado utiliza, qué límites ha fijado para el análisis y qué indicadores publica.

Dónde se produce el impacto ambiental de la IA

Medir solo la electricidad del entrenamiento deja fuera una parte importante. La nota técnica del Programa de las Naciones Unidas para el Medio Ambiente, la OCDE y la ITU recomiendan observar el ciclo completo.

El Global E‑waste Monitor 2024 contabilizó 62 millones de toneladas de residuos electrónicos en 2022 y solo un 22,3 % recogido y reciclado formalmente. Ese dato corresponde a todo el equipamiento electrónico, no únicamente a la IA. Utilizarlo como si fuera una cifra de residuos “causados por la IA” sería incorrecto.

Qué dicen realmente los datos

Electricidad de los centros de datos

La Agencia Internacional de la Energía (IEA) estima que los centros de datos consumieron unos 415 TWh en 2024, equivalentes al 1,5 % de la electricidad mundial. En su escenario central alcanzarían aproximadamente 945 TWh en 2030. La IA es el principal motor del crecimiento proyectado, junto con otros servicios digitales.

Hay una precisión esencial: 415 TWh no es “el consumo de la IA”. Incluye cargas convencionales, almacenamiento, redes, refrigeración y otros servicios alojados en centros de datos. Confundir ambos conceptos infla la estimación.

El impacto de una consulta no tiene una cifra universal

Una petición corta de texto, una imagen de alta resolución, una conversación con mucho contexto y una tarea de razonamiento no consumen lo mismo. También cambian el modelo, el hardware, la ocupación del servidor, la ubicación y la hora.

Un estudio de Google sobre su propia infraestructura midió 0,24 Wh, 0,03 g de CO₂ equivalente y 0,26 ml de agua para la petición de texto mediana en Gemini Apps. Es un dato útil porque incluye infraestructura activa, capacidad ociosa y sobrecarga del centro de datos, pero describe un servicio y un momento concretos; no debe extrapolarse a todos los modelos.

La IA también puede ahorrar energía y emisiones, pero no por defecto

La IEA identifica aplicaciones ya disponibles para redes, edificios, industria y transporte. Por ejemplo, estima que las intervenciones actuales basadas en IA podrían ahorrar unos 300 TWh anuales de electricidad en edificios si se desplegaran a gran escala. También advierte de barreras, riesgos de rebote y diferencias entre escenarios.

Su estimación de que aplicaciones existentes podrían evitar emisiones equivalentes a alrededor del 5 % de las emisiones energéticas en 2035 es un potencial condicionado, no una compensación automática de la huella digital ni una predicción garantizada.

Cómo medir una IA sin caer en cifras engañosas

La medición empieza por definir una unidad funcional: el resultado útil que se quiere obtener. Comparar “una consulta” es poco informativo si un sistema responde mal y necesita cinco intentos. Es preferible medir, por ejemplo, “un documento correctamente clasificado” o “un MWh de desperdicio evitado”.

Las cinco preguntas mínimas de una medición creíble

1. ¿Cuál es el límite? Entrenamiento, inferencia, hardware, refrigeración, red y final de vida.
2. ¿Cuál es la unidad funcional? Una tarea útil y verificable, no una operación técnica aislada.
3. ¿Cuál es el escenario de referencia? La misma tarea sin IA o con un modelo más sencillo.
4. ¿Dónde y cuándo se ejecuta? El carbono y la presión hídrica dependen del lugar y del momento.
5. ¿Qué incertidumbre existe? Fuentes, supuestos, rangos y datos que el proveedor no publica.

La ITU‑T L.1801, en vigor desde febrero de 2026, ofrece una metodología de análisis de ciclo de vida específica para sistemas de IA y exige explicar límites, asignaciones y categorías de impacto. Es una recomendación técnica, no una obligación legal universal.

Cuándo la IA aporta un beneficio neto

Durante esta investigación encontramos un criterio que evita gran parte del “greenwashing algorítmico”: comparar el resultado con un contrafactual. No basta con demostrar que el sistema mejora algo; hay que saber qué habría ocurrido sin él.

El método NAMB para decidir

1. Necesidad: ¿el problema tiene un impacto material y necesita una solución computacional?
2. Alternativa: ¿una regla, una hoja de cálculo, software convencional o un modelo más pequeño lograría el mismo resultado?
3. Medición: ¿pueden medirse tanto la huella del sistema como el beneficio obtenido?
4. Balance: ¿el beneficio neto sigue siendo positivo al incluir hardware, energía, agua, errores y efecto rebote?

Si una empresa usa un modelo generativo para redactar automáticamente informes que nadie necesita, la eficiencia técnica no crea sostenibilidad. Si una red eléctrica usa predicción para integrar más renovables y demuestra reducción de vertidos, costes y emisiones frente a su sistema anterior, existe un caso verificable.

Señales de un caso sólido

• Problema y beneficiarios claramente definidos.
• Línea base anterior al despliegue.
• Indicadores de resultado, no solo de actividad.
• Modelo proporcional a la complejidad de la tarea.
• Seguimiento posterior y criterio para detener el sistema si no funciona.
• Revisión de impactos locales, especialmente electricidad y agua.

Guía práctica: qué puede hacer cada usuario

Si utilizas IA como ciudadano

• Usa la herramienta cuando aporte algo que una búsqueda, calculadora o aplicación local no resuelva mejor.
• Da contexto suficiente y revisa el objetivo antes de pedir múltiples regeneraciones.
• Prefiere texto cuando una imagen o un vídeo no sean necesarios.
• Reutiliza respuestas y plantillas útiles en lugar de repetir la misma petición.
• Valora proveedores que publiquen metodología, energía, emisiones y agua; evita etiquetas “carbon neutral” sin límites claros.

El usuario puede reducir desperdicio, pero la mayor capacidad de cambio está en quienes diseñan modelos, eligen centros de datos y deciden la mezcla eléctrica. La responsabilidad no debe trasladarse por completo al consumidor.

Si desarrollas sistemas de IA

• Compara primero con una solución sin IA y con el modelo más pequeño que cumpla el nivel de calidad.
• Mide el ciclo completo de desarrollo, incluidas pruebas fallidas, ajuste e inferencia prevista.
• Prueba cuantización, destilación, caché, procesamiento por lotes y reducción del contexto.
• Registra región, hardware, utilización, PUE, factor eléctrico y versión del modelo.
• Publica energía y CO₂e por resultado útil junto con la calidad obtenida.
• Evita que una mejora de eficiencia se convierta automáticamente en más volumen de uso.

Para una introducción operativa, consulta nuestra guía sobre cómo calcular la huella de carbono de los prompts. Herramientas como CodeCarbon sirven para estimar consumo operacional, pero no sustituyen un análisis de ciclo de vida completo.

Si decides por una empresa o administración

• Define el objetivo y la línea base antes de comprar la herramienta.
• Pide al proveedor arquitectura, región, consumo estimado, agua, vida útil y método de cálculo.
• Incluye requisitos ambientales en contratación y acuerdos de servicio.
• Haz un piloto con métricas de utilidad y huella; no escales por una demostración llamativa.
• Revisa impactos sobre empleo, derechos, seguridad, territorios y colectivos vulnerables.
• Establece una fecha de reevaluación y una condición de retirada.

Qué exige la regulación en la Unión Europea y España

Reglamento Europeo de IA

El Reglamento (UE) 2024/1689 no impone hoy un límite general de consumo a cualquier sistema de IA. Sí establece obligaciones relevantes para los proveedores de modelos de IA de uso general:

• La documentación técnica prevista en el artículo 53 y el anexo XI incluye el consumo energético conocido o estimado del modelo.
• Los proveedores de modelos de uso general con riesgo sistémico deben evaluar y mitigar riesgos, incluida la eficiencia energética dentro de la información técnica aplicable.
• La Comisión puede desarrollar metodologías comparables y verificables y debe revisar el progreso de la normalización sobre eficiencia.

Estas obligaciones para proveedores de modelos de uso general comenzaron a aplicarse el 2 de agosto de 2025. En 2026 la Comisión abrió una consulta específica sobre medición de energía y emisiones. Por tanto, presentar el AI Act como una certificación ecológica para toda herramienta de IA sería engañoso.

Centros de datos

La Directiva de Eficiencia Energética y el Reglamento Delegado (UE) 2024/1364 exigen a centros de datos con una demanda de potencia informática instalada de al menos 500 kW comunicar indicadores como energía, agua, renovables, refrigeración y reutilización de calor. Es regulación de infraestructura digital, no una etiqueta del impacto de cada respuesta generada.

Programa Nacional de Algoritmos Verdes

España aprobó el Programa Nacional de Algoritmos Verdes (PNAV) para impulsar una IA verde por diseño. Su planificación publicada cubría 2023‑2025 y asignaba 257,7 millones de euros a investigación, infraestructuras eficientes, integración empresarial y retos ambientales.

En 2026 no debe interpretarse esa cifra como una ayuda abierta o disponible automáticamente. Empresas y particulares tienen que verificar convocatorias, plazos y beneficiarios en la fuente oficial vigente.

Cinco errores que distorsionan el debate

1. “Cada pregunta a una IA consume X”

No existe una cifra universal. Cambian la modalidad, el modelo, el contexto, la salida, el hardware y el centro de datos. Una estimación sin método debe presentarse como rango y con incertidumbre.

2. “El entrenamiento es siempre lo que más contamina”

El entrenamiento concentra un impacto grande en poco tiempo, pero la inferencia puede superarlo cuando el sistema recibe millones de peticiones durante años. Hay que medir la vida útil completa.

3. “Si funciona con renovables, su impacto es cero”

Siguen existiendo fabricación de hardware, agua, suelo, redes, generadores de respaldo y final de vida. Además, comprar certificados renovables no demuestra por sí solo que exista electricidad limpia adicional en el lugar y la hora de consumo.

4. “Una IA aplicada al clima compensa su propia huella”

Solo puede afirmarse después de comparar el resultado con una línea base y descontar impactos directos, indirectos y rebote. El propósito ambiental no es una medición.

5. “El modelo más pequeño siempre es el más sostenible”

Debe compararse por resultado útil. Un modelo muy pequeño que falla y obliga a repetir la tarea puede consumir más que uno algo mayor que la resuelve a la primera.

Preguntas frecuentes

¿Qué es la IA sostenible en una frase?

Es el desarrollo y uso de inteligencia artificial que minimiza su impacto durante todo el ciclo de vida y demuestra beneficios netos frente a alternativas viables.

¿IA sostenible e IA verde son sinónimos?

A veces se usan como sinónimos. En esta guía, “IA verde” se centra en la huella ambiental de la tecnología; “IA sostenible” incluye además utilidad, efectos sociales, resiliencia y gobernanza.

¿Cuánta energía consume ChatGPT?

No hay un valor público y estable que sirva para todas las versiones y tareas. Las estimaciones dependen del modelo, la longitud, el hardware y la infraestructura. Consulta nuestra comparativa de consumo de ChatGPT, Gemini y Claude, donde se explican los supuestos.

¿Usar IA localmente es más sostenible que usarla en la nube?

Depende. Un modelo local pequeño y muy utilizado puede evitar transferencias y aprovechar un equipo existente. Un dispositivo comprado solo para pocas consultas puede tener una huella incorporada elevada. Hay que comparar la misma función, calidad y vida útil.

¿Por qué la IA usa agua?

Principalmente por la refrigeración de centros de datos y, de forma indirecta, por la generación de electricidad y la fabricación de semiconductores. El efecto ambiental depende de la fuente y de la disponibilidad local, no solo del número de litros.

¿Puede la IA reducir emisiones?

Sí, por ejemplo mediante predicción de renovables, control de edificios, optimización industrial y detección de fallos. El ahorro debe medirse frente a una alternativa y no elimina la necesidad de políticas climáticas. Puedes ampliar en cómo la IA puede reducir la huella de carbono.

¿El AI Act obliga a que toda IA sea energéticamente eficiente?

No establece un límite universal para toda aplicación. Regula documentación de energía para modelos de uso general, contempla la eficiencia en modelos con riesgo sistémico y encarga avanzar en normas y metodologías de medición.

¿Cómo reconozco una afirmación de greenwashing sobre IA?

Desconfía si no identifica el sistema analizado, el periodo, la unidad funcional, la línea base, los límites, la metodología y la incertidumbre; también si suma beneficios potenciales y los presenta como reducciones reales.

¿Tengo que dejar de usar IA para ser sostenible?

No existe una respuesta única. El criterio razonable es usarla con propósito, evitar generación innecesaria y elegir la alternativa que resuelva la tarea con menos recursos y resultados suficientes.

Cómo se elaboró y verificó esta guía

Después de revisar la versión anterior, retiramos cifras y casos que no permitían reconstruir su fuente o método. Priorizamos normativa, organismos internacionales y estudios que explican sus límites. Cuando un dato corresponde a todos los centros de datos o a todos los residuos electrónicos, lo indicamos expresamente para no atribuirlo por completo a la IA.

Fuentes primarias y técnicas principales

• IEA, Energy and AI (2025): electricidad de centros de datos, escenarios y aplicaciones energéticas.
• ITU‑T L.1801 (2026): evaluación ambiental del ciclo de vida de sistemas de IA.
• PNUMA, impacto ambiental de extremo a extremo: energía, agua, materiales y residuos.
• OCDE, The AI Footprint: marco de impactos directos e indirectos.
• Reglamento (UE) 2024/1689: obligaciones aplicables a modelos de IA de uso general.
• Reglamento Delegado (UE) 2024/1364: indicadores de sostenibilidad de centros de datos.
• Global E‑waste Monitor 2024: residuos electrónicos globales y reciclaje documentado.
• Elsworth et al. (Google, 2025): medición de inferencia de Gemini en producción.
• Programa Nacional de Algoritmos Verdes: objetivos, ejes y presupuesto oficial.

Limitación: los proveedores todavía publican información incompleta y aplican límites distintos. Las cifras de servicios concretos no permiten calcular por sí solas la huella total del sector. Actualizaremos esta guía cuando existan metodologías comparables de la Comisión Europea.

Conclusión: la pregunta correcta es “¿sostenible frente a qué?”

La IA sostenible no es una etiqueta, un modelo concreto ni una promesa de marketing. Es un proceso de decisión y medición. Exige justificar la necesidad, comparar alternativas, medir el ciclo de vida, verificar el beneficio y corregir el efecto rebote.

La mejor solución puede ser un modelo avanzado, uno pequeño, software convencional o no digitalizar la tarea. Elegir entre esas opciones con evidencia —y publicar los límites del análisis— es lo que convierte la sostenibilidad en una práctica y no en un eslogan.

Responsable editorial: Daniel Bellido Pérez. Artículo divulgativo basado en documentación oficial y técnica. No sustituye una auditoría ambiental, jurídica o de ciclo de vida del sistema concreto.