greenai.guide

Inicio › Artículos › La eficiencia no es suficiencia: el efecto rebote en la IA

Artículo

La eficiencia no es suficiencia: el efecto rebote en la IA

Actualizado · 6 min de lectura

En resumen

Que cada tarea de IA sea más barata no significa que la IA en su conjunto use menos energía, porque las tareas más baratas tienden a multiplicarse. Es el efecto rebote o de Jevons. La IA verde necesita eficiencia (hacer cada tarea con menos) y suficiencia (hacer solo las tareas que merecen la pena), con el ahorro medido en el conjunto del sistema.

Puntos clave

  • La eficiencia reduce la energía por tarea; la energía total depende de cuántas tareas se ejecutan.
  • Cuando la eficiencia abarata algo, la demanda suele crecer, a veces lo suficiente como para anular el ahorro. Es el efecto rebote o de Jevons.
  • La computación lleva décadas volviéndose muchísimo más eficiente y, sin embargo, su consumo total de electricidad no ha dejado de crecer.
  • La suficiencia se pregunta si una tarea necesita IA, o un modelo tan grande, en primer lugar.
  • Las mejoras de eficiencia solo cuentan como ahorro cuando el uso total se limita, se mide o tiene un precio.

La IA verde se presenta a menudo como un problema de eficiencia: si los modelos son más pequeños, los chips mejores y los centros de datos más limpios, la huella disminuye. La eficiencia importa, pero por sí sola no garantiza que la IA use menos energía. Este artículo explica por qué y qué debe acompañarla.

¿Qué diferencia hay entre eficiencia y suficiencia?

La eficiencia es hacer una tarea con menos; la suficiencia es hacer solo las tareas que merecen la pena. Ambas reducen el impacto ambiental, pero responden a preguntas distintas.

Eficiencia Suficiencia
Pregunta ¿Cómo hacemos esto con menos energía? ¿Necesitamos hacer esto, a esta escala?
Ejemplos Poda, cuantización, mejores chips, refrigeración No usar IA donde basta una búsqueda o una fórmula; usar un modelo pequeño en lugar de uno de frontera
Se mide como Energía por tarea Energía total, y valor por unidad de energía
Quién actúa Ingenieros, fabricantes de hardware, operadores de centros de datos Usuarios, responsables de producto, compradores, responsables políticos

Ambas no compiten entre sí. Un sandpit británico de IA verde celebrado en 2026, con matemáticos, informáticos y representantes de la industria, hizo una votación sobre si la IA verde debía centrarse en la eficiencia o en usar la IA solo donde hace falta; la respuesta más votada fue «ambas por igual». Consulte ¿qué es la IA verde? para ver las definiciones más amplias.

¿Qué es el efecto rebote?

El efecto rebote es el uso adicional que se produce cuando algo se vuelve más barato o más fácil. Si ese uso adicional es lo bastante grande como para superar el ahorro, el consumo total aumenta. Ese caso extremo se llama paradoja de Jevons (conocida también como efecto rebote en sus formas más leves).

El economista William Stanley Jevons lo describió en The Coal Question en 1865. Sostuvo que unas máquinas de vapor más eficientes no reducirían el consumo de carbón de Gran Bretaña, porque la energía de vapor más barata se destinaría a muchos más usos. Tenía razón: el consumo de carbón siguió aumentando.

El rebote tiene grados:

  • Rebote directo: una tarea más barata se hace con más frecuencia. A un chatbot más rápido y barato se le hacen más preguntas.
  • Rebote indirecto: el dinero o el tiempo ahorrados se gastan en otra cosa que también usa energía.
  • Rebote en toda la economía: una capacidad más barata hace posibles productos e industrias completamente nuevos.

¿Ha ocurrido esto en la computación?

Sí. Koomey y sus colegas descubrieron en 2011 que el número de cálculos por unidad de energía se había duplicado aproximadamente cada 1,57 años desde los primeros ordenadores electrónicos de la década de 1940. En esas mismas décadas, el consumo total de electricidad de la computación creció, porque el cómputo más barato se destinó a muchísimos más usos.

La revisión de Freitag y sus colegas de 2021 sobre el impacto climático de las TIC situó al sector entre el 1,8 % y el 2,8 % de las emisiones mundiales de gases de efecto invernadero, o entre el 2,1 % y el 3,9 % si se contabilizan por completo las cadenas de suministro. Sostuvieron que la huella de las TIC ha crecido pese a las grandes mejoras de eficiencia, y que hay que tener en cuenta los efectos rebote antes de contar la eficiencia como un ahorro climático.

¿Sigue la IA el mismo patrón?

Los primeros indicios sugieren que sí. La energía por tarea de IA baja rápidamente, mientras que la demanda total aumenta.

  • Google informó en 2025 de que la energía de su prompt de texto mediano de Gemini se redujo 33 veces en doce meses, gracias a mejores modelos, software y hardware.
  • En un periodo similar, la Agencia Internacional de la Energía previó que el consumo de electricidad de los centros de datos se duplicaría con creces para 2030, de unos 415 TWh en 2024 a unos 945 TWh, con la IA como principal motor del crecimiento.

Ambas cosas pueden ser ciertas a la vez. Los prompts más baratos hacen rentable incluir la IA por defecto en los resultados de búsqueda, los documentos, los teléfonos y las herramientas de software, y ejecutar agentes que hacen muchas llamadas por tarea (consulte la IA agéntica y el desperdicio de tokens).

Luccioni, Strubell y Crawford lo analizaron en un artículo de 2025 sobre el debate ambiental polarizado en torno a la IA. Sostuvieron que hacer la IA más eficiente no garantizará por sí solo un menor daño ambiental, porque las mejoras de eficiencia pueden aumentar el uso total, y que el debate descuida estos efectos indirectos. Piden combinar el análisis del ciclo de vida con el análisis de los incentivos empresariales, los mercados, la gobernanza y las normas sociales.

¿Por qué la eficiencia no se convierte automáticamente en ahorro?

Porque quien se beneficia de la eficiencia suele gastar la ganancia. En la IA son habituales tres mecanismos:

  • Precio. Los proveedores trasladan la reducción de costes, así que el uso crece.
  • Capacidad. El ahorro con un tamaño se gasta en un modelo más grande o en un contexto más largo, porque la calidad vende.
  • Opciones por defecto. Cuando la IA es lo bastante barata como para activarla para todos, se activa para todos, incluidas las personas que no la pidieron.

Nada de esto es motivo para dejar de mejorar la eficiencia. Sin ella, la demanda total sería aún mayor. Sí es motivo para no contar las mejoras de eficiencia como ahorro climático hasta haber medido el uso total.

¿Cómo es la suficiencia en la práctica?

Significa ajustar la herramienta a la tarea y, a veces, elegir no usar IA. Algunas formas prácticas:

  • Use un método determinista cuando exista. Una calculadora, una consulta a una base de datos o un método numérico clásico suelen ser más baratos y fiables que un modelo de lenguaje.
  • Ajuste el tamaño del modelo. Dirija las solicitudes sencillas a modelos pequeños. Consulte cómo elegir el modelo adecuado.
  • Haga que la IA intensiva sea opcional, no la opción por defecto. Las funciones que generan contenido en cada visita a una página multiplican el uso de energía.
  • Itere menos. Regenerar una y otra vez una imagen o un vídeo hasta que quede bien multiplica el coste de cada intento. Unas mejores herramientas de redacción de prompts y de edición reducen el número de intentos.
  • Reutilice en lugar de regenerar. Consulte orquestar en lugar de generar.

En el sandpit, uno de los temas fue que el sistema, y no cada usuario, debería tomar estas decisiones siempre que pueda, por ejemplo encaminando automáticamente cada solicitud al modelo adecuado más pequeño, porque pedir a cada usuario que valore el coste energético de cada solicitud no es escalable.

¿Cómo se puede contener el rebote?

Midiendo, limitando o poniendo precio al uso total, no solo al uso por tarea. Entre las opciones están:

  • Presupuestos. Fije un presupuesto de energía, tokens o carbono para un proyecto o producto, de modo que las mejoras de eficiencia liberen margen en lugar de ampliar automáticamente el uso.
  • Medición de todo el sistema. Informe de la energía total a lo largo del tiempo, junto con la energía por tarea. Consulte la medición es el cuello de botella.
  • Afirmaciones honestas. Decir que un producto es «X veces más eficiente» no dice nada sobre su impacto total. Consulte cómo hacer afirmaciones ecológicas honestas.
  • Políticas públicas. La fijación de precios del carbono y las limitaciones de la red eléctrica actúan sobre la demanda total de una forma que las normas de eficiencia por sí solas no consiguen. Consulte políticas de IA verde.

Qué hacer a continuación

  • Haga un seguimiento de la energía o el gasto total en IA a lo largo del tiempo, no solo de las cifras por solicitud.
  • Antes de añadir una función de IA, pregúntese si bastaría un método sin IA y si debería estar activada por defecto.
  • Dirija las solicitudes al modelo más pequeño que haga el trabajo: consulte use la IA de forma eficiente.
  • Cuando logre una mejora de eficiencia, decida de antemano si reducirá el uso total o financiará nuevos usos.
  • Lea la guía para empresas para saber cómo incorporar estas decisiones a las compras y al diseño de productos.

Preguntas frecuentes

¿Qué es la paradoja de Jevons?

La observación, formulada por primera vez por William Stanley Jevons en 1865 a propósito del carbón, de que usar un recurso de forma más eficiente puede aumentar su consumo total, porque la eficiencia lo abarata y hace que se use más.

¿Significa el efecto rebote que la eficiencia no sirve de nada?

No. La eficiencia sigue siendo necesaria y, sin ella, el uso total sería mayor. La cuestión es que la eficiencia por sí sola no garantiza un uso total menor, así que debe acompañarse de suficiencia y de medición.

¿Qué es la suficiencia en la IA verde?

Usar la IA solo donde aporta suficiente valor, y usar el modelo más pequeño y el menor cómputo que hagan bien el trabajo. Se pregunta «¿deberíamos hacer esto?» además de «¿cómo hacemos esto de forma más barata?».

Fuentes

  1. The Coal Question, W. Stanley Jevons, Macmillan (1865)
  2. From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate, Luccioni, Strubell and Crawford, ACM FAccT (2025)
  3. The real climate and transformative impact of ICT: a critique of estimates, trends, and regulations, Freitag, Berners-Lee, Widdicks, Knowles, Blair and Friday, Patterns (2021)
  4. Implications of historical trends in the electrical efficiency of computing, Koomey, Berard, Sanchez and Wong, IEEE Annals of the History of Computing (2011)
  5. Energy and AI, International Energy Agency (2025)
  6. Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)

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