En resumen
La IA verde, en su sentido estricto, consiste en reducir la huella ambiental de la propia IA: su energía, su carbono, su agua y su hardware. La IA para lo verde consiste en usar la IA para apoyar la acción climática y ambiental, desde la previsión de la producción renovable y la detección de fugas de metano hasta las alertas de inundación y las predicciones meteorológicas. Van juntas, porque un proyecto de IA para el clima solo ayuda si ahorra más de lo que cuesta.
Puntos clave
- La IA verde reduce la huella de la propia IA; la IA para lo verde usa la IA para reducir emisiones en otros ámbitos o para ayudar a las personas a adaptarse al cambio climático.
- La IA para lo verde abarca la mitigación (reducir emisiones) y la adaptación y la resiliencia (hacer frente a los efectos de un clima cambiante).
- La Agencia Internacional de la Energía estima que el uso generalizado de las soluciones basadas en IA ya existentes podría reducir las emisiones en el equivalente a alrededor del 5 % de las emisiones relacionadas con la energía en 2035, pero advierte de que no está garantizado.
- Un proyecto de IA para lo verde debería contabilizar su propia huella y contrastarla con las emisiones o los daños que evita, con un intervalo de incertidumbre honesto.
- Los buenos proyectos de IA para lo verde practican la IA verde: el modelo más pequeño que funcione, un consumo de energía medido y atención a los efectos rebote.
Dos expresiones que suenan casi igual describen trabajos bastante distintos. La «IA verde» trata del coste de la IA para el planeta. La «IA para lo verde» trata de lo que la IA puede hacer por el planeta. Este artículo explica la diferencia, ofrece ejemplos reales de cada una y muestra por qué los mejores proyectos necesitan ambas.
¿Qué diferencia hay entre la IA verde y la IA para lo verde?
La IA verde reduce la huella ambiental de la propia IA; la IA para lo verde usa la IA para apoyar la acción climática y ambiental. Una mira hacia dentro, al sistema de IA; la otra hacia fuera, al problema al que se aplica.
- La IA verde, en el sentido estricto que le da la mayoría de la gente, trata de la energía, el carbono, el agua y el hardware que usa la IA. Incluye modelos y código más eficientes, la medición del consumo de energía, el uso de electricidad más limpia, mantener el hardware en servicio durante más tiempo y la suficiencia: usar la IA, o un modelo grande, solo donde merece la pena.
- La IA para lo verde aplica la IA a problemas ambientales. Abarca tanto la reducción de emisiones como la ayuda a las personas y a la naturaleza para hacer frente a un clima cambiante.
En este sitio, ¿qué es la IA verde? usa «IA verde» como término general para ambas ideas, y llama «IA más verde» al sentido estricto. La distinción es la misma: use las palabras que use, conviene aclarar a cuál se refiere.
¿Qué incluye la IA para lo verde?
Dos grandes tipos de trabajo climático: la mitigación, que reduce las emisiones, y la adaptación y la resiliencia, que reducen los daños que causa un clima cambiante. El artículo de 2019 de Rolnick y sus colegas, Tackling climate change with machine learning, cartografió ambos, desde las redes eléctricas inteligentes hasta la gestión de catástrofes. Lo publica Climate Change AI, una organización sin ánimo de lucro gestionada por voluntarios y fundada en 2019, que hoy organiza talleres, una escuela de verano y ayudas a la innovación en este ámbito.
Mitigación: reducir las emisiones
- Redes eléctricas: prever la producción eólica y solar y la demanda, para que las redes puedan equilibrar la oferta con menos respaldo fósil.
- Detección de metano y de emisiones: el Sistema de Alerta y Respuesta ante el Metano (MARS) del Programa de las Naciones Unidas para el Medio Ambiente, puesto en marcha en 2023, usa datos de satélite, junto con conocimiento científico experto e IA, para enviar alertas gratuitas sobre grandes emisiones de metano. La AIE informa de que solo alrededor del 12 % de las notificaciones recibió respuesta en 2025, lo que recuerda que la detección solo sirve si alguien actúa en consecuencia.
- Descubrimiento de materiales: el proyecto GNoME de Google DeepMind informó en Nature en 2023 de que unas redes de grafos habían identificado 2,2 millones de estructuras cristalinas, de las que 381 000 eran materiales estables recién descubiertos, un punto de partida para mejores baterías y células solares. Cada candidato todavía tiene que fabricarse y probarse.
- Edificios e industria: DeepMind informó en 2016 de que el aprendizaje automático podía reducir de forma sistemática un 40 % la energía usada para refrigerar los centros de datos de Google.
- Agricultura y usos del suelo: seguimiento de cultivos, suelos y deforestación a partir de imágenes de satélite.
Adaptación y resiliencia: hacer frente al cambio climático
- Predicción meteorológica y climática: GraphCast, un modelo meteorológico de aprendizaje automático, superó a los sistemas deterministas operativos más precisos en el 90 % de 1380 objetivos de verificación, y produce una predicción mundial a 10 días en menos de un minuto. El 25 de febrero de 2025, el Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF) puso en funcionamiento operativo su Artificial Intelligence Forecasting System (AIFS), basado en aprendizaje automático. El ECMWF afirma que supera a los modelos basados en la física en muchas métricas y que usa unas 1000 veces menos energía para elaborar una predicción.
- Alertas de inundación: Nearing y sus colegas mostraron en Nature en 2024 que la previsión de inundaciones con IA en cuencas fluviales sin estaciones de aforo era, con cinco días de antelación, tan fiable o más que las predicciones para el mismo día de un sistema mundial de referencia. Su modelo alimenta un sistema de alerta temprana con predicciones públicas y gratuitas en más de 80 países.
- Alerta temprana de incendios forestales y olas de calor, respuesta ante catástrofes, gestión del agua y seguimiento de la biodiversidad, como la identificación de especies a partir de cámaras trampa y grabaciones de sonido.
¿Cómo se comparan?
Difieren en su objetivo, en las personas que las practican y en cómo se mide el éxito, pero comparten un riesgo: beneficios que se proclaman y nunca se miden.
| IA verde | IA para lo verde | |
|---|---|---|
| Objetivo | Reducir la energía, el carbono, el agua y los materiales que usa la IA | Usar la IA para reducir emisiones en otros ámbitos o para reducir los daños climáticos |
| Quién la practica | Desarrolladores de IA, diseñadores de centros de datos y de chips, equipos de TI y de compras, usuarios de a pie | Científicos del clima y de la Tierra, empresas energéticas, servicios de predicción, grupos conservacionistas y gobiernos, junto con especialistas en IA |
| Qué es el éxito | Menos energía y carbono por resultado útil, y un uso total menor | Emisiones evitadas medidas, alertas más tempranas, vidas y dinero salvados |
| Métodos de ejemplo | Modelos más pequeños o destilados, cuantización, medición de la energía, planificación según el carbono, mayor vida útil del hardware | Predicción, análisis de imágenes de satélite, optimización de redes eléctricas y edificios, cribado de materiales |
| Riesgos principales | Que el ahorro se gaste en más uso (el efecto rebote); afirmaciones de eficiencia sin cifras totales | Una huella mayor que el beneficio; beneficios supuestos en lugar de medidos; detecciones con las que nadie hace nada |
¿Es la IA buena o mala para el clima?
Las dos cosas, y el balance depende de cómo se use. El informe Energy and AI de 2025 de la Agencia Internacional de la Energía prevé, en su escenario de referencia, que las emisiones derivadas del consumo eléctrico de los centros de datos pasen de 180 millones de toneladas en la actualidad a 300 millones de toneladas en 2035. También estima que el uso generalizado de las soluciones basadas en IA ya existentes podría reducir las emisiones en el equivalente a alrededor del 5 % de las emisiones relacionadas con la energía en 2035: mucho más que las emisiones de los centros de datos, pero mucho menos de lo necesario para hacer frente al cambio climático.
La AIE es prudente con la segunda cifra. Afirma que habrá que superar barreras a la adopción, que los efectos rebote, como el paso del transporte público a los coches autónomos, podrían mermar los beneficios, y que la IA «no es una solución mágica». Kaack y sus colegas, en un artículo de 2022 en Nature Climate Change, ofrecen una forma útil de pensar en ello. Clasifican los efectos de la IA sobre las emisiones en tres grupos:
- Impactos relacionados con la computación: la energía y el hardware que usa la IA.
- Impactos inmediatos de la aplicación: el efecto directo del uso, por ejemplo, menos combustible quemado.
- Impactos a escala del sistema: cambios más amplios en el comportamiento y la demanda, incluido el rebote.
La IA verde actúa sobre el primer grupo; la IA para lo verde, sobre el segundo. El tercero puede favorecer o perjudicar a cualquiera de las dos.
¿Por qué van juntas la IA verde y la IA para lo verde?
Porque un proyecto de IA para lo verde solo ayuda si ahorra más de lo que cuesta, y la IA verde es la forma de mantener bajo ese coste. Un propósito climático no hace desaparecer la huella.
Muchas tareas de IA para lo verde se prestan bien a la IA verde. Las predicciones meteorológicas, de inundaciones y de la red eléctrica son sistemas especializados construidos para un solo trabajo, y el ECMWF informa de que su AIFS usa unas 1000 veces menos energía para elaborar una predicción. Esa cifra se refiere a elaborar una predicción; una contabilidad completa también incluiría el entrenamiento del modelo. El riesgo aparece cuando un proyecto recurre a un gran modelo generalista, vuelve a entrenar más a menudo de lo necesario o funciona a una escala que su beneficio no justifica. Luccioni, Strubell y Crawford sostienen que las mejoras de eficiencia pueden impulsar un mayor uso, por lo que un proyecto debería fijarse en su huella total, no solo en su eficiencia por tarea (consulte la eficiencia no es suficiencia).
Por eso, los buenos proyectos de IA para lo verde practican la IA verde:
- eligen el método más sencillo que funcione, que a veces es la estadística clásica o un modelo físico;
- miden la energía del entrenamiento y del funcionamiento del sistema;
- se ejecutan donde y cuando la electricidad es más limpia;
- reutilizan modelos y datos existentes en lugar de entrenar desde cero.
¿Cómo se evalúa el beneficio neto de un proyecto de IA para lo verde?
Contraste la huella propia de la IA con las emisiones o los daños que evita, en comparación con lo que habría ocurrido sin ella, y dé un intervalo de incertidumbre. Kaack y sus colegas reclaman este tipo de evaluación de impacto como una prioridad.
- Contabilice la huella de la IA. Incluya el entrenamiento, los reentrenamientos, el uso diario, el almacenamiento de datos y, cuando sea posible, el carbono incorporado del hardware. Mida en lugar de suponer siempre que pueda.
- Defina el escenario contrafactual. ¿Qué ocurriría sin la IA: la predicción existente, la inspección manual, nada en absoluto? El beneficio es solo la diferencia.
- Estime las emisiones o los daños evitados. Use resultados medidos cuando existan, como fugas realmente reparadas o energía realmente ahorrada, no solo detecciones o predicciones.
- Incluya el rebote y los efectos sobre el sistema. Pregúntese si una actividad más barata o más fácil lleva a realizarla más.
- Muestre la incertidumbre. Dé un intervalo, explique sus supuestos y revise la estimación una vez que el sistema esté en uso.
Si el beneficio multiplica varias veces la huella incluso en el extremo pesimista del intervalo, el caso es sólido. Si ambas cifras están próximas, o el beneficio no se ha medido, trate la afirmación con cautela. Consulte la medición es el cuello de botella y afirmaciones ambientales honestas.
Qué hacer a continuación
- Lea ¿qué es la IA verde? para conocer las definiciones básicas.
- Antes de iniciar un proyecto de IA para lo verde, deje por escrito su escenario contrafactual y cómo va a medir su consumo de energía.
- Busque financiación para proyectos de IA verde y de IA para lo verde, incluidos los fondos para el clima y la naturaleza.
- Encuentre grupos que trabajan en este ámbito en el directorio de investigación.
- Lea la eficiencia no es suficiencia para ver por qué importa el uso total.
- Consulte los términos que no conozca en el glosario.
Preguntas frecuentes
¿Qué es la IA para lo verde?
La IA para lo verde es el uso de la inteligencia artificial para apoyar la acción climática y ambiental: reducir emisiones, por ejemplo prediciendo la producción renovable o localizando fugas de metano, y ayudar a las personas a adaptarse, por ejemplo mediante alertas de inundación y mejores predicciones meteorológicas.
¿Qué diferencia hay entre la IA verde y la IA para lo verde?
La IA verde trata de la huella de la propia IA: conseguir que los modelos, el hardware y los centros de datos usen menos energía, carbono, agua y materiales. La IA para lo verde trata de para qué se usa la IA: aplicarla a problemas ambientales. Un proyecto puede ser una cosa, las dos o ninguna.
¿Es la IA buena o mala para el clima?
Las dos cosas, según cómo se use. La Agencia Internacional de la Energía constata que un uso más amplio de las aplicaciones de IA ya existentes podría reducir las emisiones mucho más de lo que añaden los centros de datos, pero advierte de que no está garantizado y de que los efectos rebote podrían mermar los beneficios.
¿Qué diferencia hay entre la IA verde y la IA sostenible?
Los términos se solapan y a menudo se usan como sinónimos. La IA verde suele centrarse en la huella ambiental de la IA; la IA sostenible suele usarse en un sentido más amplio, que incluye también los efectos sociales y económicos.
¿Cómo se sabe si un proyecto de IA para el clima compensa su huella?
Estime la energía y el carbono de construir y ejecutar la IA, estime las emisiones o los daños que evita en comparación con lo que ocurriría sin ella y compare ambas cifras con un intervalo de incertidumbre. Si el beneficio no se ha medido, la afirmación no está demostrada.
¿Hay ejemplos de IA que ayude frente al cambio climático?
Sí. Los modelos meteorológicos de aprendizaje automático, como AIFS del ECMWF, ya funcionan de forma operativa; la previsión de inundaciones basada en IA ofrece alertas públicas gratuitas en más de 80 países, y el sistema de alerta de metano del Programa de las Naciones Unidas para el Medio Ambiente usa datos de satélite e IA para señalar grandes emisiones de metano.
Fuentes
- Tackling climate change with machine learning, Rolnick et al., Climate Change AI (arXiv:1906.05433) (2019)
- About Climate Change AI, Climate Change AI (2026)
- Aligning artificial intelligence with climate change mitigation, Kaack et al., Nature Climate Change (2022)
- Energy and AI: executive summary, International Energy Agency (2025)
- ECMWF's AI forecasts become operational, European Centre for Medium-Range Weather Forecasts (2025)
- Learning skillful medium-range global weather forecasting (GraphCast), Lam et al., Science (arXiv:2212.12794) (2023)
- Global prediction of extreme floods in ungauged watersheds, Nearing et al., Nature (2024)
- Responding to satellite notifications from the Methane Alert and Response System, International Energy Agency (2026)
- Scaling deep learning for materials discovery, Merchant et al., Nature (2023)
- DeepMind AI reduces Google data centre cooling bill by 40%, Google DeepMind (2016)
- From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate, Luccioni, Strubell and Crawford, ACM FAccT (2025)
Relacionado
¿Qué es la IA verde?
Una definición sencilla de la IA verde: IA para lo verde e IA más verde, eficiencia y suficiencia, y su huella en energía, carbono, agua y materiales.
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.
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.
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.