Seguimos con el capítulo 5 de “Inteligencia artificial generativa para gente real. Tu brújula para usarla bien”, una serie semanal para la Cadena Ser, en «A vivir Cantabria», junto a Conchi Castañeda. En este quinto capítulo analizamos el impacto ambiental de la IA generativa y compartimos dos páginas web donde podemos acceder a todos los chatbots de forma gratuita, incluso a los de pago. También se incluyen al final de esta página enlaces a artículos científicos diversos sobre el impacto ambiental de la IA, con un resumen de sus hallazgos. Se puede escuchar el programa aquí, a partir del minuto 15:08: https://cadenaser.com/audio/ser_cantabria_avivircantabria_20251130_130521_140000/
¿La nube es de algodón? La huella oculta de tus chats con la IA ☁️💧
Hoy nos ponemos las «gafas verdes» para abordar la pregunta del millón: cuando usamos Inteligencia Artificial Generativa, ¿tiene esto un coste para el planeta? .
La respuesta corta es: sí, rotundamente sí .
Tendemos a pensar en la «nube» como algo etéreo, casi mágico, como algodón de azúcar en el cielo. Pero la realidad física es muy distinta. La nube son edificios gigantescos, llenos de ordenadores trabajando 24/7, con cables y sistemas de refrigeración bufando sin parar . Y toda esa infraestructura come energía y materiales, bebe agua, ocupa suelo y afecta a la biodiversidad .
Hoy vamos a desgranar el impacto ambiental de la IA, sin alarmismos pero con datos, para entender qué está en nuestra mano.
1. La IA tiene sed: El impacto en el agua 🚰
Los «cerebros» de la IA viven en naves industriales que se calientan muchísimo. Para evitar fallos, necesitan sistemas de refrigeración que, a menudo, utilizan agua.
- El dato impactante: Un estudio de la Universidad de California Riverside (2023) estimaba que una conversación típica de entre 20 y 50 preguntas «bebe» aproximadamente medio litro de agua (una botella pequeña).
- La mejora técnica: Las compañías están optimizando sus procesos. Google reportó en agosto de 2025 que, gracias a modelos más ligeros, una sola consulta de texto consume ahora tan solo unas cinco gotas de agua (0,26 mililitros).
¿Problema resuelto? No tan rápido. Si cada consulta gasta menos agua, ¿el impacto total baja? No, y aquí está la trampa. Según la Paradoja de Jevons, cuando una tecnología se vuelve más eficiente y barata de usar, la demanda se dispara tanto que anula el ahorro inicial. Es como si tu coche nuevo consumiera la mitad de gasolina, pero condujeras diez veces más. Aunque el consumo por pregunta es minúsculo, el uso masivo diario de millones de usuarios hace que el consumo global de agua y energía siga creciendo año tras año.
⚡ 2. El hambre de electricidad
El consumo de agua es solo la punta del iceberg. El entrenamiento de grandes modelos (como GPT-5 o Gemini 3) requiere una cantidad de electricidad brutal, comparable a la de miles de hogares durante un año. Y ojo: el 80-90% del consumo energético total de una IA proviene de su uso diario, no de su entrenamiento.
La Agencia Internacional de la Energía advierte que el consumo eléctrico de los centros de datos y la IA podría duplicarse de 2022 a 2026, llegando a superar los 1.000 teravatios hora (similar al consumo anual de todo Japón) .
⚡ 3. El impacto físico: materiales, suelo y biodiversidad
Además, la infraestructura física tiene otros costes:
Materiales: los chips, que son los procesadores, el músculo de la IA, dependen del silicio, del cobre, del oro y de las tierras raras. Y para que no se apaguen nunca, necesitan baterías gigantescas de respaldo hechas de litio y cobalto. La extracción de estos materiales tiene un impacto ambiental brutal y genera residuos electrónicos difíciles de gestionar cuando esos equipos se quedan obsoletos, que es muy rápido.
Otro impacto importante: el suelo. Las infraestructuras necesarias no son edificios de oficinas normales, son macro-naves industriales, estructuras gigantescas de hormigón que ocupan extensiones enormes. A menudo se construyen en zonas que antes eran agrícolas o naturales, sellando el suelo para siempre.
Biodiversidad: Al consumir millones de litros de agua compiten con los recursos locales, dejando menos para la naturaleza y para las poblaciones locales. Además, estas naves generan una contaminación acústica constante y expulsan mucho calor residual, lo que puede acabar alterando los ecosistemas de la zona.
4. Contextualizando: La hamburguesa y los vaqueros
Antes de tirar el móvil por la ventana, debemos poner los datos en contexto. Toda actividad humana tiene impacto, y a veces lo «analógico» puede pesar más que lo digital.
Para igualar el impacto de ciertos productos cotidianos, tendrías que realizar miles de consultas a una IA:
- Una hamburguesa de ternera: Requiere unos 2.400 litros de agua para producir la carne.
- Unos pantalones vaqueros: Su fabricación consume unos 7.500 litros de agua y emite más de 30 kilos de CO2 .
Conclusión: No se trata de dejar de usar la IA (igual que no dejamos de comer o vestirnos), sino de hacer un uso consciente y responsable. Debemos exigirle eficiencia y sentido común.
Aquí hay dos niveles de actuación. El primero es el colectivo y político, y sin duda es el más necesario y transformador.
Como sociedad y consumidores, tenemos que demandar a las grandes tecnológicas (Google, Microsoft, OpenAI, Amazon) tres cosas:
- Energías Renovables: Sus centros de datos deben alimentarse 100% de energía solar, eólica o hidráulica. Muchas ya se han comprometido a ello para 2030, pero hay que vigilar que lo cumplan.
- Eficiencia en el agua: Deben usar circuitos cerrados de refrigeración que reciclen el agua, o ubicarse en climas fríos donde no haga falta tanta refrigeración líquida.
- Optimización de materiales: El hardware, los chips, requieren minería de tierras raras. Hay que exigir programas de reciclaje y economía circular para esos servidores cuando se quedan obsoletos.
Y a las administraciones, a nivel global, que se pongan de acuerdo y que regulen todo esto, que no sea un sálvese quien pueda, o tonto el último.
5. ¿Qué podemos hacer? Soluciones a dos niveles
El nivel de usuario implica intentar hacer un uso racional de la IA generativa. Imagina que vas a comprar el pan a la esquina. ¿Irías en un camión de 18 ruedas? No, irías andando o en bici. Con la IA se corre el riesgo de usar un «camión» para ir a por el pan. Existen diferentes tipos de modelos. Están los modelos con razonamiento más avanzado, que son enormemente inteligentes, pero consumen muchísima energía. Son el camión de 18 ruedas.
Y luego están los modelos «Pequeños» o «Ligeros», que no razonan tanto y consumen mucha menos energía. Son como ir en bicicleta o en patinete. Consumen una fracción de energía, a veces hasta 50 o 100 veces menos.
Si vas a pedirle a la IA algo complejo, como «Analiza este contrato legal y busca cláusulas abusivas» o «Ayúdame a diseñar una estrategia de marketing para mi negocio considerando un montón de documentos», se puede usar el modelo grande (el camión). Podría justificarse el gasto energético.
Pero si vas a pedirle «Resume este texto corto», «Traduce esta frase» o «¿Qué tiempo hace en Torrelavega?», no uses el modelo más potente. Usa los modelos «mini» o «flash» que muchas herramientas ya te dejan elegir.
Además, hay que evitar la «burocracia digital inútil». No le pidas a la IA que te reescriba un email tres veces solo porque no te gusta un adjetivo. Hay que pensar un poco antes de darle al botón.
Y aquí quiero detenerme un segundo, porque hay una línea roja. La línea roja del “vago emocional”. Me refiero a esa gente que usa la IA para escribir dedicatorias a la abuela, felicitaciones de cumpleaños a los hijos, o cartas de amor. Mira, no me seas cutre. Estarías calentando el planeta para generar un texto que ni siquiera sientes. Es un “copia-pega” realmente zafio. Tu madre prefiere una frase tuya, aunque sea torpe, que un soneto perfecto escrito por un robot de silicio. Si la IA te tiene que escribir el “te quiero”… tenemos un problema que no es tecnológico. Hay que currárselo un poco.
Lo primero hay que preguntarse: ¿realmente necesito IA para esto? Si la respuesta a la pregunta anterior es que sí necesitas la IA para eso, la siguiente pregunta es: ¿Necesito el modelo más potente o me vale con uno rápido y ligero? Y elegir el modelo más adecuado. En ChatGPT, por ejemplo, está GPT 5.1 instant, que es más ligero, y GPT 5.1 Thinking, que razona más y consume más. En Gemini, tenemos el rápido, que es más ligero, y el de razonamiento con 3 Pro, que consume más. Vamos a conocer la herramienta que manejemos y a utilizarla lo mejor posible.
6. El reto de la semana: laboratorio de pruebas
Para aprender a elegir el modelo adecuado (el camión o la bici), esta semana os proponemos «cacharrear» en dos webs gratuitas que actúan como laboratorios de IA.
a. Lmarena.ai (La arena de combate)
Tiene una «Arena de combate» donde pones una pregunta y dos modelos anónimos te contestan a la vez para que votes cuál te da mejor respuesta. Así se hace un ranking elegido por los usuarios. Pero ojo, que en esta página también tienes una opción para comparar dos modelos que tú elijas, e incluso puedes conversar directamente con el modelo que tú quieras. Y aquí puedes elegir todos los modelos, incluso los de pago, para probarlos. Descubrirás que modelos muy eficientes y pequeños dan respuestas estupendas a la altura de los grandes.
b. Huggingface.co/chat (El bufé libre)
Es como un bufé libre pero de modelos de «código abierto», los que no son de pago, que te los puedes instalar en tu ordenador en local. Pero en esta web puedes acceder a ellos en la nube de forma gratuita. Aquí no hay combates, ni comparaciones, simplemente entras y seleccionas el modelo con el que quieres conversar. Hay más de 100. Vamos a romper la inercia y descubrir que quizás ese modelo «Flash» o «Mini», que gasta mucha menos agua y energía, te sirve perfectamente para el 99% de tus cosas.
6. Estudios científicos sobre el impacto de la IA
Te adjunto varios estudios científicos sobre el impacto ambiental de la IA, con un resumen de lo que trata cada uno:
Generative AI’s environmental costs are soaring — and mostly secret (Nature, 2024)
¿Por qué gran parte del coste ambiental de la IA generativa sigue siendo desconocido para el público?
Kate Crawford alerta de que la rápida expansión de la IA generativa conlleva un consumo energético y de recursos naturales cada vez mayor, pero en buena parte oculto. A medida que los modelos y el hardware escalan, crecen proporcionalmente las emisiones de CO₂ y la demanda de agua, mientras el público y los reguladores siguen sin tener acceso transparente a esta información.
¿Cómo se evalúa el impacto ambiental de la IA considerando todas las fases de su ciclo de vida?
Este informe del Programa de Naciones Unidas para el Medio Ambiente (PNUMA) subraya la necesidad de evaluar el impacto ambiental de la IA desde la extracción de materiales y fabricación del hardware hasta su desmantelamiento, llamando a un enfoque holístico que permita gestionar las externalidades negativas y guiar políticas sostenibles.
¿Qué retos y oportunidades existen para hacer sostenibles los modelos de lenguaje a gran escala?
Los autores ofrecen un panorama detallado de los retos y oportunidades en la sostenibilidad de los grandes modelos de lenguaje, examinando desde la inversión económica necesaria, las aplicaciones prácticas hasta las barreras técnicas y éticas, y señalando la urgencia de integrar criterios ambientales en su desarrollo.
Sustainable AI: Environmental Implications, Challenges and Opportunities (Wu et al., MLSys, 2022)
¿Cuáles son los principales retos y oportunidades para una IA más respetuosa con el medio ambiente?
Este estudio presenta una visión global sobre cómo la IA puede mitigar o agravar impactos medioambientales. Analiza los principales desafíos (como altas demandas de energía y falta de métricas estandarizadas) y destaca oportunidades como el diseño de modelos más eficientes y el uso de energías limpias.
Measuring the environmental impacts of AI compute and applications: The AI Footprint (OCDE, 2022)
¿Cómo se mide de forma estandarizada la huella ambiental de la IA?
La OCDE propone un marco estandarizado para medir la huella ambiental de la IA, incluyendo energía, emisiones y recursos usados. Esta guía busca orientar tanto a desarrolladores como policymakers en la evaluación comparativa y gestión del impacto de modelos y aplicaciones de IA.
Explainable AI (XAI) for Sustainable Development_ Trends and applications– Lakshmi D (editor), Ravi Shekhar Tiwari (editor), Rajesh — 1, 2024 –
¿Cómo puede la IA contribuir a los objetivos de desarrollo sostenible?
Este libro compila trabajos que muestran cómo la Inteligencia Artificial Explicable (XAI) puede fortalecer la transparencia y confianza en la IA aplicada al desarrollo sostenible, con casos en áreas como agricultura, energía, salud y gestión ambiental.
AI is an energy hog. This is what it means for climate change. Casey Crownhart. Tecnology Review (2024)
¿Cómo contribuye el alto consumo energético de la IA al cambio climático?
Casey Crownhart destaca que los sistemas de IA, especialmente los de gran escala, consumen enormes cantidades de energía, lo que impulsa las emisiones de gases de efecto invernadero y tensiona las redes eléctricas. Resalta la necesidad urgente de equilibrar innovación tecnológica con sostenibilidad.
¿Cuál es la huella de carbono global de la IA generativa y cómo se puede cuantificar?
Este estudio cuantifica la huella de carbono de la IA generativa a nivel global, entregando estimaciones concretas y proponiendo metodologías para su seguimiento, lo que permite comparaciones más precisas y orientar políticas hacia modelos más limpios.
¿Cuánta energía, agua y emisiones implica el uso de modelos de lenguaje en la fase de inferencia?
Análisis comparativo del consumo de energía, agua y emisiones asociado a la inferencia en modelos de lenguaje. Ofrece benchmarks útiles para estimar recursos requeridos por consulta, ayudando a diseñar estrategias que reduzcan impactos durante su uso activo.
Energy costs of communicating with AI (Dauner & Socher, Frontiers in Communication, 2025)
¿Qué coste energético tiene la simple interacción con sistemas de IA?
Examina cuánto cuesta energéticamente mantener interacciones cotidianas con sistemas de IA (por ejemplo, chats o asistentes virtuales), evidenciando que incluso usos ligeros pueden acumular consumos significativos de energía a escala masiva.
Energy and AI (IEA – International Energy Agency, World Energy Outlook Special Report, 2023)
¿Qué previsiones existen sobre el papel de la IA en el consumo energético global?
La IEA proyecta un notable aumento en la demanda eléctrica debido al crecimiento de la IA, advirtiendo sobre la necesidad de ampliar la infraestructura energética, transitar hacia energías renovables y asegurar la estabilidad de suministro ante la escalada tecnológica.
¿Cómo cambia la huella ambiental del hardware de IA a lo largo de su ciclo de vida y entre generaciones?
Estudia las emisiones del hardware de IA desde su fabricación hasta su retirada, comparando generaciones de dispositivos. Muestra cómo mejoras generacionales pueden mitigar impactos y enfatiza la importancia del reciclaje y diseño responsable.
¿Cómo puede la IA alinearse con los objetivos de mitigación del cambio climático?
Explora cómo las políticas de mitigación climática pueden integrarse con el desarrollo de IA, proponiendo marcos regulatorios y colaboraciones público-privadas que alineen la innovación digital con los objetivos de reducción de emisiones.
¿Cuánta agua consume realmente la IA y qué podemos hacer para reducir su huella hídrica oculta?
Revela que entrenar modelos como GPT-3 puede evaporar cientos de miles de litros de agua y proyecta que para 2027 la IA podría consumir más agua que países pequeños. Instala la urgencia de integrar la gestión del agua junto a la huella de carbono para abordar la sostenibilidad de manera integral
¿Qué impactos ambientales genera el despliegue y mantenimiento de modelos de lenguaje a gran escala?
Este estudio analiza de forma detallada el impacto ambiental asociado a la fase de servicio de los modelos de lenguaje a gran escala (LLM), es decir, cuando están desplegados y respondiendo a peticiones de usuarios. Utilizando un enfoque de “unidad funcional”, cuantifica el consumo energético y las emisiones por interacción, identificando los factores que más influyen en la huella ambiental. Además, propone medidas de optimización en la infraestructura y el aprovisionamiento de recursos que podrían reducir significativamente estos impactos sin comprometer el rendimiento del modelo.
Efficient self-attention with smart pruning for sustainable large language models. (Belhaouari & Kraidia, Scientific Reports, 2025)
¿Cómo se puede optimizar la atención en modelos para reducir su huella ambiental?
Presenta una técnica avanzada de poda en la capa de atención que reduce de manera efectiva el consumo computacional de los modelos sin sacrificar su capacidad predictiva, aportando un método concreto para hacer más sostenibles los LLM.
¿Qué avances y estrategias existen para una “IA verde” más eficiente?
Esta revisión examina el concepto de “IA verde” como marco para reducir el impacto ambiental de los sistemas de inteligencia artificial. Analiza enfoques técnicos como la poda de redes neuronales, la compresión de modelos, la reducción de precisión y la optimización de arquitecturas, junto con prácticas de eficiencia energética en hardware y centros de datos. También aborda el papel de la evaluación de ciclo de vida y la necesidad de métricas comparables para medir avances, concluyendo que la sostenibilidad debe integrarse desde la concepción hasta el despliegue de los modelos.
Recordad que tenéis todos los capítulos y enlaces en la web enplanplaneta.es. Y para quien quiera profundizar, impartiré un curso gratuito online de 12 horas en el CEDREAC en diciembre. Solo hay que registrarse en provoca.cantabria.es en este enlace: https://provoca.cantabria.es/home/-/provoca/actuacion/11513 .
¡Hasta la semana que viene!