En resumen
Un prompt de texto corto típico a un chatbot como ChatGPT o Gemini consume aproximadamente entre 0,2 y 0,4 vatios hora de electricidad, según las cifras de los propios proveedores y estimaciones independientes: más o menos lo que consume un televisor en unos segundos. El consumo de energía de la IA aumenta mucho con las entradas largas, los modelos de razonamiento, las imágenes, el vídeo y los agentes de código, que pueden consumir de decenas a miles de veces más por tarea. En total, los centros de datos consumieron unos 485 TWh de electricidad en 2025, según la AIE, y la IA es el principal motivo de que esa cifra crezca.
Puntos clave
- Google informa de 0,24 Wh para la mediana de un prompt de texto a Gemini en mayo de 2025; el consejero delegado de OpenAI dio unos 0,34 Wh para una consulta media a ChatGPT. Ambas cifras son autodeclaradas.
- Epoch AI estima una consulta típica a GPT-4o en unos 0,3 Wh, que sube a unos 2,5 Wh con una entrada de 10.000 tokens y a casi 40 Wh con una entrada de 100.000 tokens.
- Las pruebas del AI Energy Score de Hugging Face concluyeron que los modelos de razonamiento consumían de media 30 veces más energía que los modelos estándar.
- En pruebas con modelos abiertos, generar una imagen consumió de media unos 2,9 Wh, y un vídeo corto de IA unos 90 Wh.
- Un análisis del uso intensivo de un agente de código de IA estimó unos 150 Wh por prompt escrito, aproximadamente 600 veces la mediana de un prompt de chat.
- La AIE estima que los centros de datos consumieron unos 485 TWh en 2025, un 17 % más en un año, y prevé unos 950 TWh en 2030.
¿Cuánta energía consume la IA? Para una sola pregunta corta a un chatbot, muy poca: una fracción de un vatio hora. Para documentos largos, modos de razonamiento, imágenes, vídeo y agentes de código, mucha más. Y sumando miles de millones de solicitudes diarias, el consumo de energía de la IA es ya lo bastante grande como para condicionar la planificación eléctrica. Esta página reúne las mejores cifras públicas, indica de dónde procede cada una y explica por qué difieren.
¿Cuánta energía consume un prompt de ChatGPT o Gemini?
Un prompt (instrucción) de texto corto a un gran chatbot consume aproximadamente entre 0,2 y 0,4 vatios hora (Wh), según las mejores cifras actuales. Un vatio hora es la energía que consume en una hora un aparato de 1 vatio.
Las cifras más citadas proceden de los propios proveedores:
- Google informó en 2025 de que la mediana de un prompt de texto en las aplicaciones de Gemini consumía 0,24 Wh. Su artículo lo compara con ver la televisión durante menos de nueve segundos.
- OpenAI: su consejero delegado escribió en 2025 que una consulta media a ChatGPT consume unos 0,34 Wh. No se publicó ningún método.
- Epoch AI, un grupo de investigación independiente, estimó unos 0,3 Wh para una consulta típica a GPT-4o, a partir de información pública sobre el hardware y el tamaño del modelo.
Son cifras cercanas, pero no comparables directamente: una mediana no es una media, y cada una traza en un lugar distinto el límite de lo que se contabiliza. Además, solo abarcan prompts de texto cortos.
Energía por tarea: comparación de las cifras
La energía por tarea de IA abarca más de un factor de mil, desde menos de un vatio hora para un prompt corto hasta cientos de vatios hora para una sesión con un agente. La tabla recoge las principales cifras publicadas. Las cifras autodeclaradas proceden de la empresa que presta el servicio; las estimaciones y mediciones proceden de investigadores independientes.
| Tarea | Energía | Fuente y año | Tipo |
|---|---|---|---|
| Mediana de un prompt de texto a Gemini | 0,24 Wh | Google, 2025 | Autodeclarada, método publicado |
| Consulta media a ChatGPT | unos 0,34 Wh | Consejero delegado de OpenAI, 2025 | Autodeclarada, sin método |
| Consulta típica a GPT-4o | unos 0,3 Wh | Epoch AI, 2025 | Estimación independiente |
| GPT-4o, prompt corto (100 tokens de entrada, 300 de salida) | 0,42 Wh | Jegham et al., 2025 | Estimación independiente |
| Consulta de tipo GPT-4o con una entrada de 10.000 tokens | unos 2,5 Wh | Epoch AI, 2025 | Estimación independiente |
| Consulta de tipo GPT-4o con una entrada de 100.000 tokens | casi 40 Wh | Epoch AI, 2025 | Estimación independiente |
| Prompt largo (10.000 de entrada, 1.500 de salida): Llama 3.1 8B frente a DeepSeek-R1 | unos 0,44 Wh frente a unos 29 Wh | Jegham et al., 2025 | Estimación independiente |
| Modelos de razonamiento frente a modelos estándar | 30 veces más de media | AI Energy Score de Hugging Face, 2025 | Medición, modelos abiertos |
| Una imagen generada | unos 2,9 Wh (2,9 kWh por cada 1.000) | Luccioni, Jernite y Strubell, 2024 | Medición, modelos abiertos |
| Un vídeo corto generado | unos 90 Wh con un modelo; de 0,14 Wh a más de 415 Wh según el modelo | Delavande, Pierrard y Luccioni, 2025 | Medición, modelos abiertos |
| Mediana de una sesión con un agente de código | unos 41 Wh | Couch, 2026 | Estimación independiente |
| Agente de código, por prompt escrito (uso intensivo) | unos 150 Wh (intervalo de 60-290 Wh) | Hausfather, 2026 | Estimación independiente |
Un token es un fragmento de texto, aproximadamente tres cuartas partes de una palabra en inglés. Las cifras de imágenes y vídeo proceden de modelos abiertos ejecutados en hardware de investigación; los servicios comerciales pueden ser más o menos eficientes, y la mayoría no publica cifras.
¿Por qué consumen más los modelos de razonamiento, las imágenes y los agentes?
Porque realizan mucho más cálculo por solicitud. La energía aumenta con el número de tokens que un modelo lee y escribe, y con el tamaño del modelo.
- Los modelos de razonamiento escriben largas cadenas ocultas de razonamiento antes de responder. El equipo del AI Energy Score de Hugging Face descubrió que, con el razonamiento activado, el mismo modelo consumía entre 150 y 700 veces más energía que con él desactivado, y escribía entre 300 y 800 veces más tokens.
- Las entradas largas deben procesarse completas. Las estimaciones de Epoch AI suben de unos 0,3 Wh a casi 40 Wh a medida que la entrada crece hasta 100.000 tokens, el tamaño de un documento pegado muy largo.
- Las imágenes y el vídeo se generan en muchos pasos sobre muchos píxeles. Delavande, Pierrard y Luccioni descubrieron que la energía del vídeo crecía de forma cuadrática con la resolución y la duración, y situaron un clip corto en aproximadamente 2.000 veces una respuesta de texto.
- Los agentes llaman al modelo una y otra vez, y releen cada vez su contexto creciente. Anthropic informó de que sus agentes solían usar unas cuatro veces los tokens de un chat, y los sistemas multiagente unas quince veces.
¿Cuánta energía consume un agente de código de IA?
Las estimaciones van de decenas de vatios hora para una sesión típica a más de un kilovatio hora para un día de uso intensivo. Ninguna empresa de IA publica cifras de energía de sus agentes de código, así que las mejores cifras disponibles son estimaciones independientes cuidadosas a partir del recuento de tokens.
Simon Couch estimó la mediana de una sesión de Claude Code, con 24 llamadas al modelo y unos 590.000 tokens, en unos 41 Wh. El climatólogo Zeke Hausfather registró ocho semanas de su propio uso intensivo: 1.138 prompts escritos desencadenaron más de 14.000 llamadas al modelo y 3.200 millones de tokens, el 96 % de ellos relecturas de contexto en caché. Estimó unos 170 kWh en total (intervalo de 70-330 kWh), unos 150 Wh por prompt y una mediana por sesión de unos 0,6 kWh, que compara con cargar un teléfono unas 50 veces. Consulte la IA agéntica y el desperdicio de tokens.
¿Qué cuesta más, el entrenamiento o la inferencia?
En un modelo muy usado, ejecutarlo (la inferencia) suele pesar más que entrenarlo. El entrenamiento es un gran coste único; la inferencia es pequeña por solicitud, pero se repite miles de millones de veces.
Las cifras de entrenamiento publicadas muestran la escala:
- GPT-3 (2020): Patterson y sus colegas de Google estimaron que el entrenamiento consumió 1.287 MWh de electricidad.
- Llama 3.1 (2024): la ficha del modelo de Meta indica 39,3 millones de horas de GPU en chips H100 para sus tres tamaños de modelo, de las cuales 30,84 millones correspondieron al mayor, el modelo de 405.000 millones de parámetros.
Por otro lado, Patterson y sus colegas citan estimaciones de NVIDIA según las cuales el 80-90 % de la carga de trabajo de aprendizaje automático es inferencia, y la afirmación de Amazon Web Services de que el 90 % de la demanda de aprendizaje automático en su nube es inferencia. Ese equilibrio explica por qué importa tanto que baje la energía por prompt, y también por qué no basta por sí solo: el uso crece más deprisa. Consulte la eficiencia no es suficiencia.
¿Cuánta electricidad consumen en total los centros de datos y la IA?
La Agencia Internacional de la Energía (AIE) estima que los centros de datos consumieron unos 485 TWh en 2025, y prevé unos 950 TWh en 2030, alrededor del 3 % de la electricidad mundial. Un teravatio hora (TWh) son mil millones de kilovatios hora.
- La AIE situó el consumo de los centros de datos en unos 415 TWh en 2024, alrededor del 1,5 % de la electricidad mundial. Su actualización de abril de 2026 informó de 485 TWh en 2025, un 17 % más en un año, con un aumento del 50 % de la electricidad consumida por los centros de datos centrados en IA.
- Prevé que Estados Unidos y China representen casi el 80 % del crecimiento hasta 2030, y que los servidores acelerados, sobre todo para IA, impulsen casi la mitad del aumento.
- En Estados Unidos, el Lawrence Berkeley National Laboratory estimó que los centros de datos consumieron unos 178 TWh en 2023, el 4,4 % de la electricidad del país, y que podrían llegar al 6,7-12 % en 2028.
No hay una cifra mundial fiable solo para la IA, porque los centros de datos no miden por separado el trabajo de IA. Los informes de las empresas muestran la tendencia: el consumo de electricidad de Microsoft pasó de unos 10,8 TWh en su ejercicio fiscal 2020 a unos 37,0 TWh en 2025, y Google informó de un aumento del 37 % de su demanda de electricidad en 2025, el mayor de su historia. Consulte por qué la IA verde importa ahora.
¿Por qué varían tanto las cifras de energía de la IA?
Porque los estudios cuentan cosas distintas, en hardware distinto, para modelos y tareas distintos. Cuatro factores explican la mayor parte de la dispersión.
- Límite del sistema. El propio artículo de Google muestra que contar solo los chips de IA activos da 0,10 Wh por mediana de prompt; añadir los procesadores anfitriones y la memoria, la capacidad inactiva que se mantiene lista para la demanda y la refrigeración del centro de datos da 0,24 Wh, más del doble. Consulte la medición es el cuello de botella.
- Hardware y utilización. Los chips más nuevos hacen más trabajo por vatio, y un servidor muy ocupado reparte sus costes fijos entre más solicitudes que uno poco usado.
- Tamaño del modelo. En las estimaciones de Jegham y sus colegas, un prompt largo costó unos 0,44 Wh en el pequeño modelo Llama 3.1 8B y unos 29 Wh en DeepSeek-R1, un gran modelo de razonamiento.
- Tokens. Las entradas más largas, las respuestas más largas, el razonamiento oculto y los pasos repetidos de los agentes añaden tokens, y la energía aumenta con ellos.
Dos advertencias más. Las cifras se quedan anticuadas pronto: Google informó de que la energía por mediana de prompt se había dividido por 33 en un año. Y las cifras autodeclaradas no pueden comprobarse de forma independiente. Cuando vea una cifra, pregúntese qué se midió, con qué límite y cuándo. Consulte cómo comprobar una afirmación sobre el consumo de energía de la IA.
¿Cómo se compara la energía de la IA con las cosas cotidianas?
Un prompt de texto corto es poca cosa al lado de la mayoría de los usos domésticos de la electricidad; el uso intensivo de agentes o de vídeo no lo es. Estas comparaciones son las de las propias fuentes:
- Google compara su mediana de 0,24 Wh por prompt a Gemini con ver la televisión durante menos de nueve segundos.
- Hausfather compara la mediana de una sesión con un agente de código en su uso intensivo (unos 0,6 kWh) con cargar un teléfono unas 50 veces, y un día medio de ese uso (unos 3 kWh) con tener en marcha más de dos frigoríficos.
- Couch compara la mediana de un día de su uso de agentes de código (unos 1.300 Wh) con poner el lavavajillas una vez más cada día.
- Google dijo en 2009 que una búsqueda web media consumía unos 0,3 Wh, un orden de magnitud similar al de los prompts de texto cortos actuales. Las cifras están muy alejadas en el tiempo y en el método.
La cuestión no es que una solicitud concreta sea grande. Es que los hábitos importan: elegir un modelo de razonamiento, pegar documentos largos, generar lotes de imágenes o dejar un agente en marcha pueden multiplicar, cada uno, la energía de una tarea muchas veces. Consulte poner en perspectiva mi consumo de energía de IA.
¿Qué puede hacer para reducir el consumo de energía de la IA?
Use la herramienta más pequeña que haga el trabajo, y pídale menos. Los mayores ahorros proceden de evitar trabajo innecesario, no de cambiar de proveedor.
- Decida si necesita IA para la tarea: consulte decidir si necesito IA para una tarea.
- Elija un modelo más pequeño o más rápido para las preguntas cotidianas: consulte elegir un modelo de IA más pequeño y elegir el modelo adecuado.
- Desactive el razonamiento cuando no lo necesite: consulte usar los modos de razonamiento solo cuando haga falta.
- Mantenga las conversaciones cortas y abra un chat nuevo para cada tema nuevo: consulte mantener eficientes los chats largos con IA.
- Genere menos imágenes y vídeos: consulte reducir el impacto de la generación de imágenes y vídeo con IA.
- Ponga límites a los agentes: consulte evitar que los agentes de IA desperdicien tokens y usar un asistente de programación con IA con una huella menor.
Para las organizaciones, el punto de partida es la medición: consulte medir la energía de la IA, estimar la energía de las llamadas a API de IA y usar la IA de forma eficiente.
Qué hacer a continuación
- Lea ¿cuál es la huella de carbono de la IA? para convertir la energía en emisiones.
- Lea ¿cuánta agua consume la IA? para conocer la parte del agua.
- Pruebe reducir la energía de mi uso de ChatGPT para los hábitos cotidianos.
- Pida a su proveedor de IA cifras de energía por tarea: consulte pedir cifras de energía a una empresa de IA.
- Compare modelos abiertos por su energía medida con el AI Energy Score.
Preguntas frecuentes
¿Cuánta energía consume un prompt de ChatGPT?
El consejero delegado de OpenAI dijo en 2025 que una consulta media a ChatGPT consume unos 0,34 vatios hora, y Epoch AI estimó de forma independiente unos 0,3 Wh para una consulta típica a GPT-4o. Las entradas largas, los modos de razonamiento y la generación de imágenes consumen mucho más.
¿Cuánta energía consume la IA por prompt?
Para un prompt de texto corto, las cifras publicadas se agrupan en torno a 0,2 a 0,4 Wh: Google informa de 0,24 Wh para la mediana de un prompt a Gemini. Las estimaciones independientes para modelos grandes con prompts largos llegan a unos 29 Wh, y las sesiones de programación con agentes pueden consumir cientos de vatios hora.
¿Consume la IA más energía que una búsqueda en Google?
No para un prompt de texto corto, según las cifras publicadas. Google dijo en 2009 que una búsqueda media consumía unos 0,3 Wh; ahora informa de 0,24 Wh para la mediana de un prompt de texto a Gemini. Las cifras están separadas por 16 años y se midieron de forma distinta, así que tómelas como una guía aproximada. Las tareas largas, de razonamiento, de imágenes y con agentes consumen mucho más.
¿Cuánta electricidad consume la IA en total?
No hay una cifra fiable solo para la IA. La Agencia Internacional de la Energía estima que el conjunto de los centros de datos consumió unos 485 TWh en 2025, un 17 % más en un año, que el consumo de los centros de datos centrados en IA creció un 50 % y que el total alcanzará unos 950 TWh, alrededor del 3 % de la electricidad mundial, en 2030.
¿Consume más energía entrenar la IA o usarla?
Entrenar un gran modelo es un gran coste único, como los 1.287 MWh estimados para GPT-3. Pero un modelo popular se usa miles de millones de veces, y las estimaciones del sector citadas por investigadores de Google sitúan la inferencia en el 80-90 % de las cargas de trabajo de aprendizaje automático.
¿Por qué varían tanto las estimaciones de energía de la IA?
Porque cuentan cosas distintas. Incluir la refrigeración del centro de datos, los servidores inactivos y los ordenadores anfitriones multiplicó por más de dos la propia cifra de Google, de 0,10 Wh a 0,24 Wh. El tamaño del modelo, el hardware, la longitud del prompt y el número de tokens generados también cambian la respuesta.
¿Cuánta energía consume la generación de imágenes con IA?
En pruebas con modelos abiertos de Luccioni, Jernite y Strubell, generar imágenes consumió de media unos 2,9 kWh por cada 1.000 imágenes, o unos 2,9 Wh cada una, más de mil veces lo que cuesta clasificar un fragmento de texto.
¿Cómo puedo reducir la energía que consume mi uso de la IA?
Use un modelo más pequeño o más rápido para las tareas sencillas, mantenga los prompts y las conversaciones cortos, desactive los modos de razonamiento cuando no los necesite y genere menos imágenes y vídeos. Lo que más ahorra es preguntarse si la tarea necesita IA en primer lugar.
Fuentes
- Measuring the environmental impact of delivering AI at Google scale, Elsworth et al., Google (2025)
- The gentle singularity, Sam Altman (OpenAI) (2025)
- How much energy does ChatGPT use?, Epoch AI (2025)
- How hungry is AI? Benchmarking energy, water and carbon footprint of LLM inference, Jegham et al. (arXiv 2505.09598, v6) (2025)
- AI Energy Score v2: refreshed leaderboard, now with reasoning, Luccioni and Gamazaychikov, Hugging Face (2025)
- Power hungry processing: watts driving the cost of AI deployment?, Luccioni, Jernite and Strubell, ACM FAccT 2024 (2024)
- Video killed the energy budget: characterizing the latency and power regimes of open text-to-video models, Delavande, Pierrard and Luccioni (arXiv 2509.19222) (2025)
- The real energy use of agentic AI, Zeke Hausfather, The Climate Brink (2026)
- Electricity use of AI coding agents, Simon P. Couch (2026)
- How we built our multi-agent research system, Anthropic (2025)
- Carbon emissions and large neural network training, Patterson et al. (arXiv 2104.10350) (2021)
- Powering a Google search (Italian edition: Dare energia alle ricerche su Google), Google (2009)
- Llama 3.1 8B model card, Meta (2024)
- Energy and AI, International Energy Agency (2025)
- Key questions on energy and AI, International Energy Agency (2026)
- 2024 United States Data Center Energy Usage Report, Lawrence Berkeley National Laboratory (2024)
- 2026 environmental data fact sheet, Microsoft (2026)
- Read our 11th annual Environmental Report, Google (2026)
Relacionado
¿Cuál es la huella de carbono de la IA?
La huella de carbono de la IA: emisiones por prompt, emisiones de entrenamiento según fichas de modelo, carbono incorporado, red eléctrica y grandes tecnológicas.
¿Cuánta agua consume la IA?
¿Cuánta agua consume la IA? Agua por prompt y por modelo, centros de datos, WUE, cifras de empresas, estrés hídrico local y lo que aún se desconoce.
La medición es el cuello de botella de la IA verde
Por qué cuesta fiarse de las cifras de energía de la IA o compararlas: datos autodeclarados, estimaciones sin medidores, límites distintos y buenas prácticas.
Cómo medir la energía y el carbono de la IA
Guía práctica para medir o estimar la energía y el carbono del trabajo con IA: herramientas, límites del sistema, métricas por tarea e incertidumbre honesta.