greenai.guide

Inicio › Artículos › IA en el borde: ¿más verde o simplemente menos visible?

Artículo

IA en el borde: ¿más verde o simplemente menos visible?

Actualizado · 6 min de lectura

En resumen

Ejecutar la IA en teléfonos, sensores y servidores locales en lugar de en centros de datos lejanos puede reducir la energía necesaria para mover datos y proteger la privacidad. Pero reparte el cómputo entre miles de millones de dispositivos cuya energía y huella de fabricación rara vez se miden. Que la IA en el borde sea más verde depende del modelo, del dispositivo, de la frecuencia con que se ejecuta y de lo que sustituye, y los datos todavía son escasos.

Puntos clave

  • La IA en el borde ejecuta los modelos en el dispositivo que recoge los datos, o cerca de él, en lugar de en un centro de datos central.
  • Evita enviar datos por las redes, que consumen energía, y mantiene la privacidad de los datos, pero renuncia a la eficiencia de los servidores compartidos y plenamente utilizados.
  • Los estudios que comparan la inferencia en el borde y en la nube no coinciden; los resultados dependen mucho del modelo, el hardware y la referencia de comparación.
  • Fabricar dispositivos tiene un coste de carbono elevado, así que las funciones de IA que acortan la vida de los dispositivos o exigen hardware nuevo pueden anular el ahorro de energía.
  • La IA en el borde es difícil de medir y regular porque no hay contador de centro de datos, ni PUE, ni obligación de informar.

La mayor parte del debate sobre el uso de energía de la IA gira en torno a los centros de datos, porque ahí están los grandes contadores. Pero una parte creciente de la IA se ejecuta en otros lugares: en teléfonos, portátiles, coches, cámaras, timbres y sensores industriales. Es la «IA en el borde» (edge AI). Puede ser parte de la solución a la huella de la IA, o una forma de trasladar esa huella a un lugar donde nadie la cuenta.

¿Qué es la IA en el borde?

La IA en el borde ejecuta un modelo en el dispositivo que recoge los datos, o cerca de él, en lugar de enviar los datos a un centro de datos lejano. La IA «en el dispositivo» es el caso extremo, en el que el modelo se ejecuta en el propio teléfono o sensor.

La IA en el borde ya es habitual:

  • El informe técnico de Apple de 2025 describe un modelo de lenguaje en el dispositivo de unos tres mil millones de parámetros, comprimido mediante entrenamiento con cuantización consciente a 2 bits para que quepa y funcione en teléfonos y portátiles.
  • El servicio Android AICore de Google permite a las aplicaciones usar Gemini Nano, un modelo que se ejecuta en el dispositivo, en los teléfonos Pixel y Samsung compatibles.
  • Las cámaras industriales, los drones, los coches y los dispositivos médicos ejecutan modelos de visión y control de forma local porque no pueden esperar a una conexión de red ni depender de ella.

El número de dispositivos es grande y crece. IoT Analytics contabilizó unos 18.500 millones de dispositivos conectados del Internet de las cosas a finales de 2024, sin contar teléfonos, PC ni tabletas, y prevé unos 39.000 millones para 2030.

¿Por qué la IA en el borde podría ahorrar energía?

Porque mover datos cuesta energía, y el procesamiento local puede evitarlo. Además, mantiene los datos sensibles donde están.

La Agencia Internacional de la Energía ha estimado que las redes de transmisión de datos usan aproximadamente entre el 1 % y el 1,5 % de la electricidad mundial, una proporción similar a la de los centros de datos. Procesar los datos donde se recogen, y enviar solo los resultados, puede reducir esa carga.

Hay una salvedad. Mytton, Lundén y Malmodin demostraron en 2024 que la energía de la red no es directamente proporcional al volumen de datos: gran parte de la potencia de una red se consume tanto si circulan datos como si no. Enviar menos datos no ahorra energía en la misma proporción, así que las estimaciones simples de «kWh por gigabyte» exageran el ahorro.

Otros posibles beneficios:

  • Privacidad y soberanía. Los datos que nunca salen de un dispositivo, de un hospital o de un operador de red no pueden filtrarse en tránsito ni ser utilizados por terceros.
  • Resiliencia. Un modelo local sigue funcionando cuando la red o la nube no están disponibles.
  • Latencia. Las respuestas llegan sin un viaje de ida y vuelta, lo que importa en vehículos y maquinaria.

¿Por qué la IA en el borde podría costar más?

Porque los dispositivos pequeños suelen ser menos eficientes que los servidores grandes, compartidos y plenamente utilizados, y porque fabricar dispositivos tiene un coste de carbono elevado.

  • Utilización. Un acelerador de un centro de datos puede agrupar las solicitudes de muchos usuarios y mantenerse ocupado. Un teléfono o un sensor atiende la solicitud de un usuario y luego permanece inactivo.
  • Fabricación. Wu y sus colegas de Meta informaron en 2022 de que el carbono incorporado, el de fabricar el hardware, se estaba convirtiendo en la principal fuente de la huella total de la IA, y señalaron que el cómputo que se desplaza al borde puede ejecutarse donde el acceso a energía renovable es limitado. Las funciones de IA que exigen teléfonos nuevos, o que hacen que los antiguos parezcan lentos, añaden emisiones de fabricación que pueden superar cualquier ahorro de energía.
  • Multiplicación. Un coste pequeño por dispositivo, multiplicado por miles de millones de dispositivos, es un coste grande. Un timbre o una cámara que ejecuta un modelo de forma continua puede usar en total más energía de la que habrían consumido llamadas ocasionales a la nube.

¿Qué dicen los datos?

Son dispares y dependen mucho de la comparación. Li, Islam y Ren (2025) compararon la inferencia de IA generativa en la nube y en dispositivos del borde y hallaron una huella ambiental menor en el despliegue en el borde de varios modelos, con ahorros de energía de más del 90 % en sus pruebas con un teléfono reciente. Su referencia en la nube no era un servicio de producción plenamente optimizado, y eso importa: los servidores bien agrupados en un centro de datos eficiente son una referencia más difícil de superar.

Los estudios de extremo a extremo que siguen un servicio de IA completo, desde el dispositivo pasando por la red hasta el centro de datos, todavía son escasos, sobre todo en el caso de los grandes modelos de lenguaje. Un sandpit británico de IA verde celebrado en 2026, con matemáticos, informáticos y representantes de la industria, señaló como cuestión abierta la modelización del efecto energético neto de la IA en el borde en millones de dispositivos.

¿Por qué es difícil medir y regular la IA en el borde?

Porque no hay un único contador. Los centros de datos informan de su uso de energía y de su eficacia en el uso de la energía (PUE), y en la UE los de mayor tamaño deben informar a un sistema común. Los teléfonos, los sensores y las estaciones de trabajo de IA de escritorio no tienen esa obligación.

La energía aparece, si es que aparece, como consumo de batería o como una factura de electricidad algo más alta, repartida entre millones de hogares y empresas. Eso facilita afirmar que se ahorra trasladando trabajo al borde sin que nadie pueda comprobarlo. Consulte la medición es el cuello de botella.

¿Qué hace más verde la IA en el borde?

Modelos pequeños y eficientes, ejecutados solo cuando hace falta, en el hardware que la gente ya tiene. Los mismos métodos que reducen la energía de los centros de datos importan aún más cuando se funciona con batería:

  • Modelos comprimidos: poda, cuantización y destilación. Consulte las matemáticas que hacen la IA más eficiente.
  • Procesamiento por eventos: activar el modelo cuando ocurre algo, en lugar de ejecutarlo de forma continua.
  • Enviar resúmenes, no datos sin procesar, cuando se necesita la nube.
  • Dar soporte a los dispositivos antiguos, para que las funciones de IA no obliguen a sustituirlos.

GreenCode, un proyecto europeo de investigación sobre software eficiente en energía, hace la misma observación: los modelos pequeños y ajustados, la recuperación de información en lugar de contextos enormes, el encaminamiento hacia el componente capaz más barato y la planificación son lo que hace viable la IA con batería y en hardware limitado, donde no existe la opción de gastar más energía.

Qué hacer a continuación

  • Decida entre el borde y la nube caso por caso, con las preguntas de ¿borde o nube?.
  • Contabilice la energía de fabricación además de la de funcionamiento, y evite funciones que exijan hardware nuevo.
  • Mida la energía del dispositivo durante las pruebas, no solo la precisión y la velocidad.
  • Ejecute los modelos por eventos, no de forma continua, y envíe resultados en lugar de datos sin procesar.
  • Si compra productos de IA en el borde, pida a los proveedores la energía por inferencia y la vida útil con soporte de los dispositivos. Consulte la compra sostenible de IA.

Preguntas frecuentes

¿Qué es la IA en el borde?

IA que se ejecuta en el dispositivo donde se recogen los datos, o cerca de él, como un teléfono, una cámara, un coche o un sensor industrial, en lugar de en un centro de datos remoto.

¿Es mejor para el medio ambiente la IA en el dispositivo?

A veces. Puede ahorrar la energía de enviar datos a la nube, pero los dispositivos pequeños son menos eficientes que los servidores compartidos, y las nuevas funciones de IA pueden empujar a la gente a comprar hardware nuevo. El efecto neto depende de cada caso.

¿La IA en el dispositivo agota la batería de mi teléfono?

Ejecutar un modelo en un teléfono consume batería como cualquier otra aplicación exigente. Los fabricantes usan modelos pequeños y comprimidos y chips específicos para reducirlo, pero la energía se sigue usando y no aparece en ninguna estadística de centros de datos.

Fuentes

  1. Data centres and data transmission networks, International Energy Agency (2023)
  2. Network energy use not directly proportional to data volume: the power model approach for more reliable network energy consumption calculations, Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
  3. Number of connected IoT devices (State of IoT 2025), IoT Analytics (2025)
  4. Apple Intelligence Foundation Language Models: Tech Report 2025, Apple (2025)
  5. Gemini Nano with Android AICore, Google, Android Developers (2024)
  6. A case study of environmental footprints for generative AI inference: cloud versus edge, Li, Islam and Ren, ACM SIGMETRICS Performance Evaluation Review (2025)
  7. Sustainable AI: environmental implications, challenges and opportunities, Wu et al., MLSys (2022)
  8. Green AI and energy-aware computing, GreenCode (2026)

Únase a nosotros

Ayude a reducir el impacto de la IA en el planeta

Reciba por correo electrónico nuevas guías, convocatorias de financiación y fichas de los directorios, aproximadamente una vez al mes. O añada su producto, curso, doctorado o investigación a los directorios.

Sin seguimiento. Cancele la suscripción con un clic. Otras formas de unirse · Privacidad