En resumen
Una IA energéticamente eficiente es la que obtiene el mismo resultado útil con menos electricidad. Los mayores ahorros suelen venir de elegir un modelo más pequeño o específico para la tarea, desactivar el razonamiento largo cuando no hace falta y ejecutar el trabajo en un centro de datos eficiente con una red eléctrica limpia; técnicas como la cuantización, la destilación, el enrutamiento, la caché y el procesamiento por lotes reducen después aún más la energía de la IA. Los estudios publicados informan de ahorros que van de decenas por ciento hasta el 90 % o más para palancas individuales, y mucho mayores cuando se combinan.
Puntos clave
- La UNESCO y el UCL concluyeron que los modelos pequeños y específicos para cada tarea pueden reducir el consumo de energía hasta un 90 %, y que los prompts y respuestas más cortos pueden reducirlo en más de un 50 %.
- En las pruebas del AI Energy Score de Hugging Face, los modelos de razonamiento consumieron de media 30 veces más energía que los modelos estándar; activar el razonamiento multiplicó entre 150 y 700 veces la energía de un modelo.
- En un estudio de 2024, generar 1.000 imágenes consumió unos 2,9 kWh, frente a 0,002 kWh para 1.000 clasificaciones de texto.
- Investigadores de Google estimaron que la elección conjunta del modelo, el centro de datos y el procesador puede reducir la huella de carbono del entrenamiento hasta unas 100 a 1.000 veces.
- Un servicio eficiente importa: la gestión de memoria de vLLM dio entre 2 y 4 veces más rendimiento con la misma latencia, y la decodificación especulativa hizo un modelo entre 2 y 3 veces más rápido con salidas idénticas.
- Iniciar trabajos de entrenamiento cortos en momentos de bajas emisiones de carbono redujo las emisiones hasta un 80 % en un estudio, pero menos de un 1,5 % en un trabajo largo.
Una IA energéticamente eficiente es la que le ofrece el resultado que necesita con menos electricidad. Esta página expone las principales formas de reducir la energía de la IA, aproximadamente en el orden de lo que suelen ahorrar, con las cifras publicadas que respaldan cada una.
¿Cuál es la forma más rápida de que la IA consuma menos energía?
Use el modelo adecuado más pequeño y no active modos pesados que no necesite. La elección del modelo suele pesar más que cualquier otra palanca, porque la energía aumenta con el cálculo que requiere cada respuesta. Un informe de 2025 de la UNESCO y el University College London (UCL) concluyó que los modelos pequeños y específicos para cada tarea pueden reducir el consumo de energía hasta un 90 %, y que los prompts (instrucciones) y respuestas más cortos pueden reducirlo en más de un 50 %. Combinadas, según el informe, estas medidas pueden reducir el consumo de energía hasta un 90 %.
La segunda gran palanca es la ubicación. Investigadores de Google estimaron en 2021 que la elección conjunta del modelo, el centro de datos y el procesador puede reducir la huella de carbono del entrenamiento hasta unas 100 a 1.000 veces. La mayor parte de la ganancia está en modelos de IA eficientes ejecutados en lugares eficientes.
¿Qué palancas ahorran más? Una lista ordenada
El orden siguiente refleja el tamaño habitual del ahorro en los estudios publicados, de mayor a menor. Sus propios resultados dependerán de la tarea, de la calidad que necesite y de dónde se ejecute el trabajo, así que mida antes y después (consulte cómo medir la energía y el carbono de la IA).
1. No use IA generativa para trabajos que no la necesitan
La generación es mucho más cara que las tareas más sencillas. En un estudio de 2024, Sasha Luccioni, Yacine Jernite y Emma Strubell midieron la generación de imágenes en una media de unos 2,9 kWh por cada 1.000 imágenes, frente a 0,002 kWh por cada 1.000 clasificaciones de texto: mucho más de mil veces más por solicitud. También descubrieron que los modelos generativos de uso general son órdenes de magnitud más caros que los sistemas específicos para la misma tarea.
El vídeo es aún más pesado. Un estudio de 2025 sobre modelos abiertos de texto a vídeo midió casi 90 Wh para un clip corto de un modelo y más de 415 Wh de uno más grande, con una energía que crecía de forma cuadrática con el tamaño y la duración del vídeo. Consulte cómo decidir si necesita IA para una tarea y cómo elegir aprendizaje automático clásico en lugar de un LLM.
2. Ajuste el tamaño del modelo
Elija el modelo más pequeño que cumpla su nivel de calidad. Además de la conclusión de la UNESCO y el UCL, la investigación sobre cascadas muestra el margen que existe: FrugalGPT, que prueba primero modelos más baratos y solo escala cuando hace falta, igualó el rendimiento de GPT-4 con un coste hasta un 98 % menor. El coste no es energía, pero en los modelos alojados es una guía aproximada razonable del cálculo. Consulte elegir el modelo adecuado para el trabajo, cómo elegir un modelo de IA más pequeño y cómo encontrar un modelo específico para una tarea.
3. Use los modos de razonamiento solo cuando haga falta
Los modos de "pensamiento" multiplican la energía. Las pruebas del AI Energy Score de Hugging Face a finales de 2025 concluyeron que los modelos de razonamiento consumían de media 30 veces más energía que los estándar, y que el mismo modelo consumía entre 150 y 700 veces más energía con el razonamiento activado que desactivado. Los agentes, que hacen muchas llamadas en bucle, pueden sumar de la misma manera. Consulte cómo usar los modos de razonamiento solo cuando haga falta y la IA agéntica y el desperdicio de tokens.
4. Elija hardware y centros de datos eficientes y ubicaciones con bajas emisiones de carbono
Dónde y en qué se ejecuta el trabajo puede multiplicar o dividir varias veces su carbono. Jesse Dodge y sus colegas descubrieron que entrenar el mismo modelo BERT emitía unos 7 kg de CO₂ en la región de nube más eficiente y unos 26 kg en la menos eficiente, casi cuatro veces más. El hardware también sigue mejorando: Epoch AI estima que los principales chips de aprendizaje automático se vuelven aproximadamente un 40 % más eficientes energéticamente cada año. Consulte alojamiento y centros de datos para una IA verde, cómo elegir una región de nube con bajas emisiones de carbono y cómo elegir hardware energéticamente eficiente para la IA.
5. Acorte los prompts, el contexto y las salidas
La energía aumenta con lo que el modelo lee y escribe. Epoch AI estima una consulta típica a ChatGPT 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. Reenviar conversaciones largas y pedir respuestas largas son las causas cotidianas. Consulte cómo escribir prompts que consuman menos energía, cómo limitar cuánto escribe un LLM y cómo dejar de reenviar toda la conversación.
6. Dirija las solicitudes al modelo adecuado
Envíe las solicitudes fáciles a un modelo pequeño y las difíciles a uno grande. La investigación sobre enrutamiento informa de grandes ahorros: Hybrid LLM hizo hasta un 40 % menos de llamadas al modelo grande sin pérdida de calidad en las respuestas, y RouteLLM redujo los costes más de dos veces en algunos casos sin comprometer la calidad. Consulte cómo configurar el enrutamiento de modelos y la orquestación por encima de la generación.
7. Cuantice el modelo
Almacene y calcule con menos bits por número. La cuantización reduce la memoria y el movimiento de datos, que dominan la energía en los grandes modelos. LLM.int8() redujo a la mitad la memoria necesaria para la inferencia manteniendo el rendimiento de precisión completa, y el informe de la UNESCO y el UCL concluyó que la compresión, como la cuantización, ahorraba hasta un 44 % de energía. Consulte cómo cuantizar un modelo.
8. Destile un modelo grande en uno pequeño
Entrene un pequeño modelo "alumno" para que imite a un gran modelo "maestro". La destilación es la forma en que se crean muchos modelos de IA eficientes. DistilBERT era un 40 % más pequeño y un 60 % más rápido que BERT, y conservaba el 97 % de su capacidad de comprensión del lenguaje. Consulte cómo destilar un modelo grande en uno pequeño.
9. Pode y aproveche la dispersión
Elimine los pesos que el modelo no necesita. SparseGPT demostró que los modelos de lenguaje muy grandes pueden podarse hasta al menos un 50 % de dispersión de una sola vez, sin reentrenamiento, con una pérdida mínima de precisión. El ahorro de energía depende de que el software y el hardware puedan saltarse los ceros, por lo que la poda ahorra en la práctica menos de lo que sugiere la cifra de dispersión. Consulte cómo podar una red neuronal.
10. Use caché, procesamiento por lotes y un servicio eficiente
Evite repetir trabajo y mantenga ocupado el hardware. El software de servicio importa: la gestión paginada de la caché KV de vLLM multiplicó el rendimiento entre 2 y 4 veces con la misma latencia, y la decodificación especulativa hizo T5-XXL entre 2 y 3 veces más rápido con salidas idénticas. Los proveedores fijan el precio de la reutilización en consecuencia: la Batch API de OpenAI cuesta un 50 % menos que las solicitudes estándar, y Anthropic cobra el 10 % del precio normal de entrada por las lecturas de prompts en caché. Consulte cómo almacenar en caché las llamadas a un LLM, cómo agrupar solicitudes de IA en lotes, cómo usar la decodificación especulativa y cómo reducir la energía de servir un modelo.
11. Programe el trabajo flexible para los momentos más limpios
La programación consciente del carbono reduce las emisiones, no la energía, y funciona mejor con trabajos cortos y flexibles. En el estudio de Dodge y sus colegas, retrasar el inicio de un trabajo de entrenamiento corto a un momento de bajas emisiones de carbono redujo las emisiones hasta un 80 % en una región de Estados Unidos, pero menos de un 1,5 % en un trabajo largo; pausar y reanudar un trabajo largo ahorró hasta un 25 % aproximadamente. Consulte cómo programar el entrenamiento cuando la red es más verde y computación consciente del carbono.
Palancas de una IA energéticamente eficiente de un vistazo
Esta tabla resume las palancas, quién puede usarlas y los ahorros que recogen las fuentes. Las cifras proceden de estudios distintos con puntos de referencia distintos, así que léalas como indicaciones de escala, no como totales que se puedan sumar.
| Palanca | Quién puede usarla | Ahorro típico registrado | Fuente |
|---|---|---|---|
| Usar un modelo específico para la tarea en lugar de uno generativo | Desarrolladores, organizaciones | Órdenes de magnitud en tareas como la clasificación | Luccioni, Jernite y Strubell, 2024 |
| Modelo más pequeño y específico para la tarea | Usuarios, desarrolladores | Hasta un 90 % de energía | UNESCO y UCL, 2025 |
| Razonamiento desactivado salvo que haga falta | Usuarios, desarrolladores | Entre 150 y 700 veces menos en un modelo; 30 veces de media entre modelos | AI Energy Score de Hugging Face, 2025 |
| Modelo, centro de datos y procesador en conjunto | Desarrolladores, organizaciones | Hasta unas 100-1.000 veces menos carbono (entrenamiento) | Patterson et al., Google, 2021 |
| Región de nube con bajas emisiones de carbono | Desarrolladores, organizaciones | Unas 3,7 veces entre la mejor y la peor región | Dodge et al., 2022 |
| Prompts y respuestas más cortos | Usuarios, desarrolladores | Más de un 50 % de energía | UNESCO y UCL, 2025 |
| Enrutamiento | Desarrolladores | Hasta un 40 % menos de llamadas al modelo grande | Ding et al., 2024 |
| Cuantización | Desarrolladores | Hasta un 44 % de energía; la mitad de memoria | UNESCO y UCL, 2025; Dettmers et al., 2022 |
| Destilación | Desarrolladores | Un 40 % más pequeño, un 60 % más rápido, conserva el 97 % de la capacidad | Sanh et al., 2019 |
| Poda | Desarrolladores | Al menos un 50 % de los pesos eliminados | Frantar y Alistarh, 2023 |
| Servicio eficiente y procesamiento por lotes | Desarrolladores | Entre 2 y 4 veces más rendimiento | Kwon et al., 2023 |
| Decodificación especulativa | Desarrolladores | Entre 2 y 3 veces más rápido, mismas salidas | Leviathan et al., 2022 |
| Hora de inicio consciente del carbono | Desarrolladores, investigadores | Hasta un 80 % (trabajos cortos); menos de un 1,5 % (trabajos largos) | Dodge et al., 2022 |
| Ajuste fino eficiente en parámetros (LoRA) | Desarrolladores, investigadores | 10.000 veces menos parámetros entrenables, 3 veces menos memoria de GPU | Hu et al., 2021 |
¿Cómo pueden los usuarios reducir la energía de la IA?
Elija opciones más ligeras y pida menos. La mayoría de las personas no puede cambiar el centro de datos, pero sí lo que pide:
- Use un modelo rápido o "mini" para las tareas cotidianas, y reserve los modelos más grandes y los modos de razonamiento para los problemas difíciles.
- Haga solicitudes claras y pida respuestas cortas; abra un chat nuevo en lugar de continuar uno muy largo.
- Evite regenerar una y otra vez: mejore la solicitud. Consulte cómo dejar de regenerar respuestas de IA.
- Genere imágenes y vídeo solo cuando los necesite. Consulte cómo reducir el impacto de la generación de imágenes y vídeo con IA.
- Desactive las funciones de IA que no use. Consulte usar la IA de forma eficiente: hábitos cotidianos.
Para hacerse una idea de la escala, Google informó en 2025 de que la mediana de un prompt de texto a Gemini consumía 0,24 Wh. Los prompts de texto individuales son pequeños; los totales proceden de volúmenes muy elevados y de las tareas más pesadas descritas arriba. Consulte la guía para el público.
¿Cómo pueden los desarrolladores crear modelos y sistemas de IA eficientes?
Primero ajuste el tamaño, después optimice el servicio y, por último, mida. Un orden práctico:
- Fije un nivel de calidad con sus propios datos y pruebe frente a él los modelos candidatos más pequeños.
- Añada enrutamiento o una cascada para que el modelo grande se ocupe solo de lo que el pequeño no puede hacer.
- Cuantice y, si los volúmenes son altos, considere la destilación.
- Sirva el modelo con un entorno de ejecución eficiente: procesamiento por lotes, caché KV paginada, caché de prompts y decodificación especulativa.
- Limite la longitud de las salidas y los bucles de los agentes; consulte cómo evitar que los agentes de IA desperdicien tokens.
- Haga un ajuste fino con LoRA en lugar de entrenar desde cero; consulte cómo evitar entrenar un modelo desde cero.
- Mida la energía por tarea antes y después; consulte cómo hacer un seguimiento de la energía de la IA por tarea.
Encontrará más detalles en entrenamiento e inferencia de IA eficientes y las matemáticas de una IA eficiente.
¿Cómo pueden las organizaciones reducir la energía de la IA a gran escala?
Fije opciones por defecto, compre bien y mida. Las mayores palancas para una organización son qué modelo se usa por defecto, qué funciones están activadas por defecto y dónde se ejecutan las cargas de trabajo:
- Haga que un modelo pequeño y rápido sea el predeterminado en las herramientas internas, con modelos más grandes disponibles cuando se soliciten.
- Pida a los proveedores cifras de energía por tarea y de sus centros de datos; consulte compra sostenible de IA.
- Elija proveedores y regiones con electricidad limpia; consulte alojamiento y centros de datos.
- Fije una política y forme al personal; consulte cómo redactar una política de IA verde y cómo formar al personal para usar la IA de forma eficiente.
- Establezca una línea de base y unos objetivos; consulte cómo establecer una línea de base para el ahorro de energía de la IA.
¿Reduce la IA energéticamente eficiente el consumo total de energía?
Solo si el uso total no crece más deprisa de lo que mejora la eficiencia. Google informó de que la energía de su mediana de prompt a Gemini se dividió por 33 en un año, y sin embargo el consumo de electricidad de los centros de datos sigue aumentando en todo el mundo porque el uso crece más deprisa. Es el efecto rebote. La eficiencia reduce el coste de cada tarea; la suficiencia se pregunta si la tarea hay que hacerla. Hacen falta ambas, como explica la eficiencia no es suficiencia, y cómo evitar que se anulen las mejoras de eficiencia ofrece pasos prácticos. Para una visión más amplia, consulte la IA y la demanda de electricidad de los centros de datos y estadísticas de energía de la IA.
Qué hacer a continuación
- Compruebe si un modelo más pequeño alcanza su nivel de calidad y, si es así, cámbiese a él.
- Desactive por defecto los modos de razonamiento, imagen y vídeo donde no hagan falta.
- Añada caché, procesamiento por lotes y enrutamiento a cualquier función de IA con un volumen real.
- Elija una región con bajas emisiones de carbono y un proveedor eficiente para las nuevas cargas de trabajo.
- Mida la energía por tarea antes y después de cada cambio, e informe del resultado.
- Encuentre ayuda en el directorio de consultores o aprenda más con los cursos.
Preguntas frecuentes
¿Qué es la IA energéticamente eficiente?
Es la IA que ofrece el resultado que usted necesita con menos electricidad, mediante modelos más pequeños o más adecuados, software más ligero, hardware y centros de datos eficientes, y usando la IA solo donde aporta valor. Forma parte de la IA verde, que además se pregunta si el uso total es sensato.
¿Cómo puedo reducir el consumo de energía de la IA?
Como usuario, elija un modelo más pequeño o más rápido, mantenga cortos los prompts y las respuestas que pide, evite regenerar y use los modos de razonamiento, imagen y vídeo solo cuando haga falta. Como desarrollador, ajuste el tamaño del modelo y después añada cuantización, enrutamiento, caché y procesamiento por lotes, y ejecútelo en una región con bajas emisiones de carbono.
¿Son más eficientes energéticamente los modelos de IA más pequeños?
Normalmente sí, en las tareas que hacen bien. La UNESCO y el UCL informan de que los modelos pequeños y específicos para cada tarea pueden reducir el consumo de energía hasta un 90 % en las tareas adecuadas. Compruebe la calidad con su propio trabajo: un modelo pequeño que haya que volver a ejecutar varias veces puede no ahorrar nada.
¿Ahorra energía la cuantización?
Normalmente sí, porque el modelo mueve menos datos y necesita menos memoria. La UNESCO y el UCL informan de ahorros de hasta el 44 % gracias a la compresión de modelos, como la cuantización, y LLM.int8() redujo a la mitad la memoria necesaria para la inferencia. El ahorro depende de que el hardware admita la menor precisión.
¿Qué IA consume más energía?
La generación de vídeo, seguida de la generación de imágenes y de las tareas largas de razonamiento o con agentes. En un estudio de 2025, un modelo abierto consumió casi 90 Wh para un clip de vídeo corto y uno más grande más de 415 Wh, y los modelos de razonamiento consumieron de media unas 30 veces más energía que los estándar.
¿Reduce realmente la eficiencia el consumo total de energía de la IA?
No de forma automática. La IA más barata y más rápida tiende a usarse más: es el efecto rebote. La eficiencia reduce la energía por tarea; mantener bajos los totales exige también suficiencia, es decir, usar la IA donde merece la pena.
¿Ahorran energía los proveedores de IA con la caché de prompts y el procesamiento por lotes?
Evitan trabajo repetido, y por eso cobran menos por ello: OpenAI aplica un descuento del 50 % a los trabajos por lotes, y la entrada en caché cuesta en varios proveedores alrededor de una décima parte de la tarifa normal. Los precios son una guía aproximada del cálculo ahorrado, no una medición de la energía.
Fuentes
- AI large language models: new report shows small changes can reduce energy use by 90%, UNESCO and University College London (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)
- How much energy does ChatGPT use?, Epoch AI (2025)
- Carbon emissions and large neural network training, Patterson et al., Google (2021)
- Good news about the carbon footprint of machine learning training, Google Research (2022)
- Measuring the carbon intensity of AI in cloud instances, Dodge et al. (FAccT 2022) (2022)
- Measuring the environmental impact of delivering AI at Google scale, Elsworth et al., Google (2025)
- DistilBERT, a distilled version of BERT, Sanh et al., Hugging Face (2019)
- LLM.int8(): 8-bit matrix multiplication for transformers at scale, Dettmers et al. (2022)
- SparseGPT: massive language models can be accurately pruned in one-shot, Frantar and Alistarh (2023)
- FrugalGPT: how to use large language models while reducing cost and improving performance, Chen, Zaharia and Zou (2023)
- Hybrid LLM: cost-efficient and quality-aware query routing, Ding et al. (2024)
- RouteLLM: learning to route LLMs with preference data, Ong et al. (2024)
- Efficient memory management for large language model serving with PagedAttention, Kwon et al. (2023)
- Fast inference from transformers via speculative decoding, Leviathan, Kalman and Matias (2022)
- LoRA: low-rank adaptation of large language models, Hu et al. (2021)
- Batch API, OpenAI (2026)
- Prompt caching, Anthropic (2026)
- Leading ML hardware becomes 40% more energy-efficient each year, Epoch AI (2024)
Relacionado
Elija el modelo adecuado para cada tarea
Cómo dimensionar bien la IA: cuándo usar modelos pequeños o especializados, cuándo compensa un modelo de frontera, cómo funciona el enrutamiento y cuándo no usar IA.
Entrenamiento e inferencia eficientes de la IA
Técnicas para reducir la energía de la IA: poda, dispersión, cuantización, destilación, caché KV, procesamiento por lotes, precisión mixta y planificación.
Use la IA de forma eficiente: hábitos cotidianos
Hábitos cotidianos que reducen la energía al usar IA: prompts claros, menos regeneraciones, prudencia con imágenes y vídeo, caché y desactivar funciones.
La eficiencia no es suficiencia: el efecto rebote en la IA
Por qué hacer la IA más eficiente no garantiza que use menos energía en total, qué es el efecto rebote o de Jevons y qué ayuda a que el ahorro sea real.