En resumen
Estas estadísticas de consumo energético de la IA reúnen 40 de las cifras más útiles sobre la electricidad, el agua y el carbono de la IA, cada una verificada en su fuente primaria y fechada. En resumen, los centros de datos consumieron unos 415 TWh de electricidad en 2024 (alrededor del 1,5 % del total mundial), la AIE prevé unos 950 TWh en 2030 y un prompt de texto típico consume aproximadamente 0,24–0,34 Wh según las propias cifras de los proveedores, mientras que las imágenes, el vídeo, las entradas largas y el razonamiento consumen mucho más.
Puntos clave
- Los centros de datos consumieron unos 415 TWh de electricidad en 2024, alrededor del 1,5 % del total mundial, y 485 TWh en 2025, según la AIE.
- La AIE prevé unos 950 TWh en 2030, alrededor del 3 % de la demanda mundial de electricidad; el consumo eléctrico de los centros de datos centrados en la IA creció un 50 % en 2025.
- Los proveedores declaran unos 0,24 Wh (Google, prompt de texto mediano de Gemini) y 0,34 Wh (OpenAI, consulta media de ChatGPT) por prompt de texto.
- Los modelos de razonamiento consumieron de media 30 veces más energía que los estándar en las pruebas de Hugging Face de 2025.
- Se estima que el entrenamiento de GPT-3 consumió 1287 MWh y emitió unas 552 toneladas de CO₂e.
- Los centros de datos consumieron el 23 % de la electricidad medida de Irlanda en 2025.
Esta página reúne las estadísticas de consumo energético de la IA que más se buscan, cada una verificada en su fuente primaria y con el año al que se refiere. Utilícela para encontrar una cifra rápidamente y consulte la fuente antes de citarla en cualquier documento importante.
¿Cuáles son las principales estadísticas de consumo energético de la IA?
Los centros de datos consumen alrededor del 1,5 % de la electricidad mundial, una cifra que previsiblemente se duplicará aproximadamente de aquí a 2030, y la IA es su principal motor. Un prompt de texto típico consume una fracción de vatio-hora, mientras que las imágenes, el vídeo, las entradas muy largas y el razonamiento consumen mucho más. Las tablas siguientes recogen 40 cifras en diez grupos. Cuando las fuentes discrepan o una cifra es un intervalo, se da el intervalo.
Electricidad de los centros de datos
Los centros de datos consumieron unos 415 TWh en 2024 y 485 TWh en 2025, según la AIE. Un teravatio-hora (TWh) equivale a mil millones de kilovatios-hora.
| # | Dato | Fuente | Año |
|---|---|---|---|
| 1 | Los centros de datos consumieron unos 415 TWh de electricidad en 2024, alrededor del 1,5 % del consumo mundial. | Agencia Internacional de la Energía (AIE) | 2025 |
| 2 | El consumo eléctrico de los centros de datos creció un 17 % en 2025, hasta 485 TWh. | AIE | 2026 |
| 3 | La AIE prevé unos 950 TWh en 2030, alrededor del 3 % de la demanda mundial de electricidad. | AIE | 2026 |
| 4 | Las proyecciones para 2035 van de 700 a 1700 TWh según los escenarios de la AIE. | AIE | 2025 |
| 5 | El consumo eléctrico de los centros de datos ha crecido alrededor de un 12 % anual desde 2017. | AIE | 2025 |
| 6 | Los centros de datos supondrán alrededor de una décima parte del crecimiento de la demanda mundial de electricidad hasta 2030. | AIE | 2025 |
Dónde se concentra la demanda
Unos pocos países y regiones soportan la mayor parte de la carga. Consulte la IA y la demanda de electricidad de los centros de datos para saber qué significa esto para las redes eléctricas.
| # | Dato | Fuente | Año |
|---|---|---|---|
| 7 | Estados Unidos y China representan casi el 80 % del crecimiento mundial de la electricidad de los centros de datos hasta 2030. | AIE | 2025 |
| 8 | Los centros de datos de Estados Unidos consumieron 176 TWh en 2023, alrededor del 4,4 % de la electricidad del país. | Lawrence Berkeley National Laboratory (LBNL) | 2024 |
| 9 | Se prevé que los centros de datos de Estados Unidos consuman entre 325 y 580 TWh en 2028, entre el 6,7 % y el 12 % de la electricidad del país. | LBNL | 2024 |
| 10 | Los centros de datos representan casi la mitad del crecimiento de la demanda eléctrica de Estados Unidos hasta 2030. | AIE | 2025 |
| 11 | Los centros de datos consumieron el 23 % de la electricidad medida de Irlanda en 2025, frente al 5 % en 2015. | Central Statistics Office, Irlanda | 2026 |
| 12 | Los centros de datos consumieron casi una cuarta parte de la electricidad de Virginia en 2023. | Electric Power Research Institute | 2024 |
La parte de la IA
No existe una cifra pública exacta de la parte de la electricidad de los centros de datos que corresponde a la IA, pero la IA es la parte que más crece.
| # | Dato | Fuente | Año |
|---|---|---|---|
| 13 | El consumo eléctrico de los centros de datos centrados en la IA creció un 50 % en 2025. | AIE | 2026 |
| 14 | Se prevé que el consumo eléctrico de los servidores acelerados, utilizados sobre todo para la IA, crezca un 30 % anual en el escenario de referencia de la AIE. | AIE | 2025 |
| 15 | Un centro de datos típico centrado en la IA consume tanta electricidad como 100 000 hogares. | AIE | 2025 |
Energía por prompt
Las propias cifras de los proveedores sitúan un prompt de texto típico en torno a 0,24–0,34 Wh. Son cifras autodeclaradas, que usan métodos distintos y solo abarcan texto. Consulte la medición es el cuello de botella.
| # | Dato | Fuente | Año |
|---|---|---|---|
| 16 | Un prompt de texto mediano de las aplicaciones de Gemini consumió 0,24 Wh, emitió 0,03 g de CO₂e y consumió 0,26 mL de agua. | Google (Elsworth et al.) | 2025 |
| 17 | Si solo se cuentan los chips de IA activos en los centros de datos más eficientes, el mismo prompt consume 0,10 Wh. | Google (Elsworth et al.) | 2025 |
| 18 | Una consulta media a ChatGPT consume unos 0,34 Wh y unos 0,000085 galones de agua. | Sam Altman, OpenAI | 2025 |
| 19 | Una consulta típica a GPT-4o consume aproximadamente 0,3 Wh, que suben a unos 2,5 Wh con una entrada de 10 000 tokens y a casi 40 Wh con una entrada de 100 000 tokens. | Epoch AI | 2025 |
| 20 | Una respuesta de 400 tokens de Mistral Large 2 emite 1,14 g de CO₂e y consume 45 mL de agua. | Mistral AI | 2025 |
| 21 | Los modelos de razonamiento consumieron de media 30 veces más energía que los modelos estándar; un modelo consumió entre 150 y 700 veces más con el razonamiento activado. | Hugging Face AI Energy Score | 2025 |
Imágenes y vídeo
Generar imágenes y vídeo consume mucha más energía que las tareas de texto.
| # | Dato | Fuente | Año |
|---|---|---|---|
| 22 | La generación de imágenes consumió una media de unos 2,9 kWh por cada 1000 imágenes, frente a 0,002 kWh por cada 1000 clasificaciones de texto. | Luccioni, Jernite y Strubell | 2024 |
| 23 | El modelo de imágenes menos eficiente de los probados consumió alrededor de media carga de un teléfono inteligente por imagen. | Luccioni, Jernite y Strubell | 2024 |
| 24 | Los modelos abiertos de texto a vídeo consumieron desde 0,14 Wh hasta más de 415 Wh por clip corto, y la energía crecía de forma cuadrática con la resolución y la duración. | Delavande, Pierrard y Luccioni | 2025 |
Entrenamientos
Entrenar un modelo grande puede consumir gigavatios-hora, pero la mayoría de los desarrolladores de los modelos más nuevos no lo divulgan.
| # | Dato | Fuente | Año |
|---|---|---|---|
| 25 | Se estima que el entrenamiento de GPT-3 consumió 1287 MWh y emitió unas 552 toneladas de CO₂e. | Patterson et al., Google | 2021 |
| 26 | El entrenamiento de BLOOM emitió unas 24,7 toneladas de CO₂e por la electricidad, o 50,5 toneladas si se incluyen la fabricación y el hardware inactivo. | Luccioni, Viguier y Ligozat | 2022 |
| 27 | El entrenamiento de los modelos Llama 3.1 requirió 39,3 millones de horas de GPU y 11 390 toneladas de CO₂e (según la ubicación). | Meta | 2024 |
| 28 | El entrenamiento de Mistral Large 2 y 18 meses de uso produjeron 20,4 kilotoneladas de CO₂e y consumieron 281 000 m³ de agua. | Mistral AI | 2025 |
Agua
La IA consume agua sobre todo para refrigerar los centros de datos e, indirectamente, para generar electricidad. Consulte cómo estimar la huella hídrica de la IA.
| # | Dato | Fuente | Año |
|---|---|---|---|
| 29 | Entrenar GPT-3 en los centros de datos de Microsoft en Estados Unidos podría evaporar directamente 700 000 litros de agua dulce. | Li, Yang, Islam y Ren | 2023 (revisado en 2025) |
| 30 | La demanda mundial de IA podría suponer entre 4200 y 6600 millones de m³ de extracción de agua en 2027. | Li, Yang, Islam y Ren | 2023 (revisado en 2025) |
| 31 | Google consumió 41 000 millones de litros (10 900 millones de galones) de agua en sus centros de datos y oficinas en 2025, y repuso alrededor del 78 % de su consumo de agua dulce. | 2026 |
Carbono y emisiones de las empresas
Las emisiones de los mayores proveedores de IA están aumentando, a pesar de sus grandes compras de energía limpia.
| # | Dato | Fuente | Año |
|---|---|---|---|
| 32 | Las emisiones de Google computadas para sus objetivos fueron de unos 14,5 millones de toneladas de CO₂e en 2025, un 18 % más que en 2024 y un 81 % más que en 2019. | 2026 | |
| 33 | Las emisiones totales de Microsoft fueron de unos 20,3 millones de toneladas de CO₂e en su ejercicio fiscal 2025, frente a unos 12,9 millones en 2020. | Microsoft | 2026 |
| 34 | Las emisiones absolutas de Amazon aumentaron un 16 % de 2024 a 2025, hasta 80,85 millones de toneladas de CO₂e. | Amazon | 2026 |
| 35 | La IA generativa podría añadir en total entre 1,2 y 5,0 millones de toneladas de residuos electrónicos en el periodo 2020–2030. | Wang et al., Nature Computational Science | 2024 |
Tendencias de hardware y eficiencia
El hardware y el software son cada vez mucho más eficientes, pero la demanda crece más deprisa.
| # | Dato | Fuente | Año |
|---|---|---|---|
| 36 | El hardware de aprendizaje automático más avanzado es cada año alrededor de un 40 % más eficiente energéticamente. | Epoch AI | 2024 |
| 37 | El superordenador más eficiente energéticamente de la lista Green500 de noviembre de 2026, KAIROS, en Francia, ofrece 73,28 gigaflops por vatio. | TOP500 | 2026 |
| 38 | Los cálculos por kilovatio-hora se duplicaron aproximadamente cada 1,57 años entre 1946 y 2009 («ley de Koomey»). | Koomey et al. | 2011 |
Mejoras de eficiencia declaradas por proveedores e investigadores
Las mejoras declaradas son grandes, pero la mayoría son autodeclaradas o se miden frente a una referencia elegida por quien las declara.
| # | Dato | Fuente | Año |
|---|---|---|---|
| 39 | Google declara una reducción de 33 veces en la energía y de 44 veces en el carbono por prompt de texto mediano de Gemini en 12 meses. | Google (Elsworth et al.) | 2025 |
| 40 | Los modelos pequeños específicos para una tarea pueden reducir el consumo de energía hasta un 90 %, y los prompts y respuestas más cortos, en más de un 50 %. | UNESCO y University College London | 2025 |
Hay otras dos cifras que se citan a menudo. NVIDIA afirmó en 2024 que su plataforma Blackwell reduce el coste y el consumo de energía hasta 25 veces frente a su generación anterior en la inferencia de grandes modelos de lenguaje; se trata de una afirmación del fabricante para una carga de trabajo concreta. Y, en 2021, investigadores de Google estimaron que la elección del modelo, el centro de datos y el procesador puede reducir la huella de carbono del entrenamiento hasta entre unas 100 y 1000 veces. Para saber cómo lograr esas mejoras en la práctica, consulte IA energéticamente eficiente.
Actitudes del público
La preocupación por el impacto ambiental de la IA está aumentando, al menos en Estados Unidos. En otros lugares hay menos datos de encuestas.
- En 2026, al 53 % de los estadounidenses les preocupaba extremadamente o mucho el impacto ambiental de la IA, frente al 41 % en 2025 (AP-NORC y el Energy Policy Institute de la Universidad de Chicago).
- En 2025, al 72 % de los estadounidenses les preocupaba al menos algo (mismos encuestadores).
- En el Reino Unido, el barómetro de actitudes del público de 2024 del Gobierno constató que el 54 % esperaba que la IA ayudara a vigilar el cambio climático, y señaló que ese optimismo no iba acompañado de conciencia de los impactos ambientales negativos de la IA.
Cómo elegimos las cifras
Usamos fuentes primarias, indicamos el año y preferimos los intervalos cuando las cifras son discutidas.
- Solo fuentes primarias. Cada cifra se verifica en el propio informe, artículo o página de quien la publica, no en la cobertura periodística. Cuando no hemos encontrado una fuente primaria, la cifra se ha omitido.
- Tal como se publicaron. No redondeamos las cifras hasta convertirlas en algo que la fuente no dice. Cuando calculamos algo nosotros mismos, lo indicamos.
- Los límites importan. Las cifras por prompt cambian según lo que se cuente: la propia cifra de Google baja de 0,24 Wh a 0,10 Wh si solo se cuentan los chips activos. Las cifras de las empresas son autodeclaradas y no están auditadas de forma independiente.
- Intervalos cuando hay discusión. Las proyecciones difieren según el escenario, y mostramos el intervalo en lugar de elegir una sola cifra.
- Cifras antiguas señaladas. Investigadores de Google sostuvieron más tarde que una estimación de 2019 muy citada para un entrenamiento con búsqueda de arquitectura neuronal (unas 626 000 libras de CO₂e) exageraba el coste real; no la hemos incluido en las tablas.
Para verificar una cifra que haya visto en otro lugar, consulte cómo comprobar una afirmación sobre el consumo energético de la IA.
Última verificación
Todas las cifras de esta página se verificaron por última vez en sus fuentes el 20 de noviembre de 2026. Actualizamos la página cuando la AIE, los institutos nacionales de estadística o los principales proveedores publican datos nuevos. Si detecta una cifra más reciente o un error, póngase en contacto con nosotros.
Qué hacer a continuación
- Enlace a esta página o a una tabla concreta cuando cite cifras de consumo energético de la IA, y mencione la fuente original.
- Ponga en contexto su uso personal con cómo poner en perspectiva mi consumo energético de IA.
- Mida la energía de su propia IA con cómo medir la energía y el carbono de la IA.
- Pida sus cifras a los proveedores: consulte cómo pedir cifras de energía a una empresa de IA.
- Reduzca su propia huella con IA energéticamente eficiente.
Preguntas frecuentes
¿Cuánta energía consume la IA?
No existe una cifra única para la IA. La AIE estima que el conjunto de los centros de datos consumió unos 415 TWh en 2024, alrededor del 1,5 % de la electricidad mundial, y que los centros de datos centrados en la IA son la parte que más crece: su consumo eléctrico aumentó un 50 % en 2025.
¿Cuánta energía consume una consulta a ChatGPT?
El consejero delegado de OpenAI dio una cifra de unos 0,34 Wh por consulta media en 2025, y Epoch AI estimó de forma independiente unos 0,3 Wh para una consulta típica a GPT-4o. Las entradas muy largas elevan mucho esa cifra: Epoch AI estima casi 40 Wh con una entrada de 100 000 tokens.
¿Cuánta energía hace falta para generar una imagen con IA?
En un estudio de 2024 de Luccioni, Jernite y Strubell, la generación de imágenes consumió de media unos 2,9 kWh por cada 1000 imágenes, unos 2,9 Wh por imagen. El modelo menos eficiente consumió aproximadamente media carga de un teléfono inteligente por imagen.
¿Cuánta agua consume la IA?
Google declara 0,26 mL de agua por prompt de texto mediano de Gemini, y Mistral 45 mL por una respuesta de 400 tokens de Mistral Large 2. Los investigadores estiman que la demanda mundial de IA podría suponer entre 4200 y 6600 millones de metros cúbicos de extracción de agua en 2027.
¿Cuánta energía se necesitó para entrenar GPT-3?
Investigadores de Google estimaron 1287 MWh de electricidad y unas 552 toneladas de CO₂e para el entrenamiento de GPT-3, en un trabajo publicado en 2021. La energía de entrenamiento de los modelos más nuevos y más grandes no se divulga en su mayor parte.
¿Qué porcentaje de la electricidad consumen los centros de datos?
Alrededor del 1,5 % a escala mundial en 2024 (AIE), el 4,4 % en Estados Unidos en 2023 (Lawrence Berkeley National Laboratory) y el 23 % de la electricidad medida en Irlanda en 2025 (Central Statistics Office).
¿Está la IA volviéndose más eficiente energéticamente?
Sí, por tarea. Google declara que la energía de su prompt mediano de Gemini se redujo 33 veces en un año, y Epoch AI constata que los principales chips de IA son cada año alrededor de un 40 % más eficientes energéticamente. El consumo total sigue aumentando porque la demanda crece más deprisa.
¿Preocupa a la gente el impacto ambiental de la IA?
Cada vez más, al menos en Estados Unidos: una encuesta de AP-NORC y la Universidad de Chicago constató que al 53 % de los estadounidenses les preocupaba extremadamente o mucho el impacto ambiental de la IA en 2026, frente al 41 % en 2025.
Fuentes
- Energy and AI: executive summary, International Energy Agency (2025)
- Key questions on energy and AI, International Energy Agency (2026)
- DOE releases new report evaluating increase in electricity demand from data centers (2024 United States Data Center Energy Usage Report, LBNL), US Department of Energy and Lawrence Berkeley National Laboratory (2024)
- Data centres metered electricity consumption 2025: key findings, Central Statistics Office, Ireland (2026)
- Powering data centers: U.S. energy system and emissions impacts of growing loads, Electric Power Research Institute (2024)
- 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)
- Our contribution to a global environmental standard for AI, Mistral AI (2025)
- AI Energy Score v2: refreshed leaderboard, now with reasoning, Hugging Face (Luccioni and Gamazaychikov) (2025)
- Power hungry processing: watts driving the cost of AI deployment?, Luccioni, Jernite and Strubell (FAccT 2024) (2024)
- Video killed the energy budget: characterizing the latency and power regimes of open text-to-video models, Delavande, Pierrard and Luccioni (2025)
- Carbon emissions and large neural network training, Patterson et al., Google (2021)
- Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum (2019)
- Estimating the carbon footprint of BLOOM, a 176B parameter language model, Luccioni, Viguier and Ligozat (2022)
- Llama 3.1 model card, Meta (2024)
- Making AI less 'thirsty': uncovering and addressing the secret water footprint of AI models, Li, Yang, Islam and Ren (2025)
- Google 2026 environmental report, Google (2026)
- 2026 environmental data fact sheet, Microsoft (2026)
- 2025 Amazon sustainability report, Amazon (2026)
- E-waste challenges of generative artificial intelligence, Wang, Zhang, Tzachor and Chen, Nature Computational Science (2024)
- Leading ML hardware becomes 40% more energy-efficient each year, Epoch AI (2024)
- Implications of historical trends in the electrical efficiency of computing, Koomey, Berard, Sanchez and Wong, IEEE Annals of the History of Computing (2011)
- Green500, November 2026, TOP500 (2026)
- NVIDIA Blackwell platform arrives to power a new era of computing, NVIDIA (2024)
- AI large language models: new report shows small changes can reduce energy use by 90%, UNESCO and University College London (2025)
- 2026 poll: Americans' views on the impact of AI and data centers, Energy Policy Institute at the University of Chicago and AP-NORC (2026)
- 2025 poll: Americans' views on the environmental impact of AI, Energy Policy Institute at the University of Chicago and AP-NORC (2025)
- Public attitudes to data and AI: tracker survey (wave 4), Department for Science, Innovation and Technology (2024)
Relacionado
Consumo eléctrico de los centros de datos y la IA
Consumo energético de los centros de datos y demanda eléctrica de la IA: proyecciones de la AIE, Irlanda y Virginia, redes eléctricas y políticas.
IA energéticamente eficiente: cómo hacer que la IA consuma menos
IA eficiente en la práctica: las palancas que más reducen la energía de la IA, ordenadas, de modelos pequeños y cuantización a enrutamiento, caché y ubicación.
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.