IA y clima: los centros de datos consumen 415 TWh al año, y los beneficios siguen en el terreno de las previsiones

La pregunta suena casi a eslogan político: ¿la IA quemará el planeta o ayudará a salvarlo? Las cifras dan una respuesta menos vistosa, pero más útil. Según la Agencia Internacional de la Energía (AIE), en 2024 los centros de datos consumieron unos 415 TWh, cerca del 1,5% de la electricidad mundial. Para 2030, según el escenario base de la AIE, la cifra puede llegar a 945 TWh. Es comparable al consumo anual de Japón. Aun así, los centros de datos generan menos del 1% de las emisiones energéticas de CO2, es decir, hoy el problema es local, no global. Lo que preocupa es la velocidad de crecimiento.

Cuánto consume realmente la IA

Las cifras más llamativas se relacionan con el entrenamiento de modelos y, sobre todo, con la inferencia: cuando las consultas se cuentan por miles de millones, los pequeños consumos se suman en megavatios. Las estimaciones por consulta varían mucho y dependen de la metodología. En 2025, Google informó de que la consulta mediana a Gemini consume 0,24 Wh, y OpenAI citó para ChatGPT unos 0,34 Wh. Para un usuario individual, esto es insignificante. Pero los escenarios pesados, como la generación de vídeo, los razonamientos largos y los agentes que hacen decenas de llamadas al modelo por tarea, empujan el promedio al alza.

Las referencias en las que se apoya la discusión:

• Centros de datos del mundo, 2024: unos 415 TWh, cerca del 1,5% de la electricidad global (AIE).
• Previsión para 2030: unos 945 TWh en el escenario base.
• EE. UU., 2023: 4,4% del consumo eléctrico nacional; para 2028, entre el 6,7% y el 12% según el Lawrence Berkeley National Laboratory.
• Las emisiones de Google en 2024 superan en un 48% el nivel de 2019; en Microsoft, el aumento desde 2020 es de alrededor del 29%.
• Consulta mediana a Gemini: 0,24 Wh, según datos de la propia Google.

Cada consulta a un modelo se ha vuelto notablemente más eficiente. El problema es que ahora hay muchísimas más, y la carga se concentra en unas pocas regiones: Virginia, Texas, Irlanda y los alrededores de Singapur. Allí las redes llegan a su límite antes de que entre en funcionamiento nueva generación eléctrica.

Qué puede aportar la IA al clima

La segunda mitad de la pregunta también tiene fundamento. Los modelos de predicción meteorológica basados en redes neuronales, como GraphCast y similares, calculan un pronóstico global en minutos con un solo acelerador, mientras que los métodos numéricos clásicos necesitan supercomputadores. Los algoritmos ayudan a equilibrar la carga en redes con una alta proporción de energía solar y eólica, a detectar fugas de metano en imágenes de satélite, a optimizar la calefacción y la refrigeración de edificios y a seleccionar materiales para baterías.

La AIE señala que, con una adopción amplia, estas aplicaciones podrían potencialmente reducir las emisiones en más de lo que añaden los propios centros de datos. La palabra clave es «potencialmente»: no hay un efecto automático, y la adopción avanza despacio y de forma desigual.

Hay también una cara opuesta. Las petroleras y gasistas usan esos mismos modelos para buscar y desarrollar yacimientos, y esa contribución a las emisiones suele quedar fuera de los cálculos comparativos. El ahorro por eficiencia a menudo lleva a un aumento de la demanda: cuando computar se abarata, se computa más. Los economistas conocen este efecto desde el siglo XIX como la paradoja de Jevons.

Qué vigilar a partir de ahora

Para no perderse entre titulares, conviene seguir varios factores. El primero: de dónde sale la electricidad para los nuevos campus. Los contratos de generación nuclear y geotérmica tienen un efecto duradero, mientras que la prórroga de la vida útil de centrales de carbón y gas lo anula.

El segundo: si las compañías divulgan el consumo por horas y por emplazamiento, y no solo promedios anuales con certificados verdes. El tercero: si los informes contabilizan el agua y las emisiones del equipamiento, y no solo la electricidad. Para las empresas, la conclusión es práctica: elegir la región y el momento de ejecución de las tareas pesadas, tener en cuenta la intensidad de carbono de la red y medir la energía por unidad de resultado, no por consulta.

Para los reguladores, lo más importante son los datos transparentes. Sin ellos, cualquier conversación sobre una IA «buena» o «mala» sigue siendo una disputa de fe.