En resumen
La mayoría de las cifras de energía de la IA las publican las propias empresas, con métodos que no se divulgan por completo, o se estiman a partir de supuestos en lugar de medirse en hardware real. Además, cada estudio traza el límite de "el sistema" en un lugar distinto. Mientras la medición no sea coherente, las afirmaciones sobre IA verde son difíciles de comprobar y las comparaciones entre modelos o proveedores pueden inducir a error.
Puntos clave
- Las cifras por prompt más conocidas proceden de los propios proveedores y usan métodos distintos, por lo que no se pueden comparar directamente.
- Cambiar el límite de medición puede más que duplicar un resultado; la cifra de Google para un prompt de Gemini baja de 0,24 Wh a 0,10 Wh si solo se cuentan los chips de IA.
- Muchas herramientas estiman la energía a partir de las especificaciones del hardware y de medias de la red eléctrica, en lugar de medirla.
- Según un análisis de 2025, la transparencia sobre los costes ambientales de la IA ha ido disminuyendo, no mejorando.
- Una buena cifra indica qué se midió, cómo, con qué límite, en qué hardware y para qué tarea.
No se puede gestionar lo que no se puede medir, y el consumo de energía de la IA todavía se mide mal. No es un detalle: de ello depende que las afirmaciones sobre IA verde puedan comprobarse, que los compradores puedan comparar productos y que las políticas públicas apunten a lo correcto. Sin cifras fiables, cada afirmación verde no es más que un comunicado de prensa.
¿Por qué cuesta fiarse de las cifras de energía de la IA?
Porque la mayoría proceden de las empresas que venden la IA, usan métodos que no se han publicado por completo y no pueden comprobarse de forma independiente. Eso no las hace erróneas, pero sí difíciles de comparar.
Las dos cifras más citadas para un prompt (instrucción) de texto son autodeclaradas:
| Cifra | Quién | Qué sabemos del método |
|---|---|---|
| 0,24 Wh para la mediana de un prompt de texto en Gemini Apps | Google, 2025 | Un artículo publicado describe el método, incluidos los costes generales del centro de datos y la capacidad ociosa. Datos de mayo de 2025, sin verificación independiente. |
| Unos 0,34 Wh para una consulta media de ChatGPT | Director ejecutivo de OpenAI, 2025 | Una entrada de blog; no se ha publicado la metodología. |
| Aproximadamente 0,3 Wh para una consulta típica de GPT-4o | Epoch AI, 2025 | Una estimación independiente a partir de información pública sobre el hardware y el tamaño del modelo. |
Las cifras parecen similares, pero no son equivalentes: una mediana no es una media, y los límites son distintos. Además, solo abarcan prompts de texto cortos, no la generación de imágenes o vídeo, el razonamiento largo ni los agentes.
¿Cuánto importa el límite?
Muchísimo. El propio artículo de Google lo demuestra. Si solo se cuentan los aceleradores de IA activos (TPU y GPU), la mediana es de 0,10 Wh por prompt. Si se añaden los servidores anfitriones, la capacidad ociosa que se mantiene lista para la demanda y los costes generales del centro de datos, como la refrigeración, se obtienen 0,24 Wh, más del doble.
Dónde se traza la línea decide la respuesta. Un límite completo para un servicio de IA podría incluir:
- Los chips de IA que realizan el trabajo.
- El resto del servidor: procesadores, memoria, almacenamiento.
- La capacidad ociosa y de reserva para los picos.
- La refrigeración y la conversión de energía del centro de datos.
- La red que transporta las solicitudes y las respuestas.
- El dispositivo del usuario.
- El entrenamiento del modelo, repartido entre sus usos.
- La fabricación del hardware (carbono incorporado).
Lo mismo vale para las comparaciones llamativas. Afirmar que la IA consume muchas veces más, o menos, energía que una persona que hace la misma tarea depende de lo que se cuente en cada lado: el ordenador y el tiempo de la persona, el entrenamiento del modelo, el trabajo necesario para comprobar y corregir lo que produce la IA. Un sandpit (taller de investigación) británico sobre IA verde celebrado en 2026, con matemáticos, informáticos y representantes de la industria, subrayó que hay que declarar los límites del sistema antes de que cualquier comparación de ese tipo tenga sentido.
¿Qué diferencia hay entre estimar y medir?
Medir consiste en leer la potencia real del hardware mientras se realiza el trabajo; estimar consiste en calcularla a partir de supuestos. Ambos tienen su lugar, pero a menudo se confunden.
- Medir utiliza contadores de hardware (como los integrados en los procesadores y GPU modernos), medidores de potencia en los servidores o medidores del centro de datos. Es preciso para lo que abarca, pero requiere acceso al hardware.
- Estimar multiplica la potencia nominal supuesta por el tiempo de ejecución y el grado de utilización, y luego por una intensidad de carbono media de la red eléctrica. Herramientas como CodeCarbon estiman la potencia de los procesadores, las GPU y la memoria y aplican la intensidad de la red de cada región. Son fáciles de usar, pero son estimadores, no medidores.
Las estimaciones pueden alejarse mucho de la realidad, sobre todo en hardware compartido en la nube, donde no se ve qué más se está ejecutando. Las reglas generales simples también son arriesgadas: Mytton, Lundén y Malmodin demostraron en 2024 que la energía de la red es sobre todo un consumo base fijo, por lo que los factores de "kilovatios hora por gigabyte" representan mal el efecto de enviar más o menos datos.
El informe de 2025 de la Unión Internacional de Telecomunicaciones sobre cómo medir el impacto ambiental de la IA señaló como un problema urgente la fuerte dependencia de estimaciones indirectas, sin medición empírica.
¿Está mejorando la transparencia?
Según la mayoría de los indicadores, no. Luccioni, Gamazaychikov, Alves da Costa y Strubell analizaron en 2025 la información ambiental divulgada sobre modelos de IA y concluyeron que la transparencia sobre los costes e impactos de estos modelos ha disminuido, aunque su uso haya crecido.
La regulación empieza a empujar en sentido contrario. Según el Reglamento de IA de la UE, los proveedores de modelos de IA de uso general deben documentar el consumo de energía conocido o estimado de sus modelos (anexo XI). Esa documentación se entrega a los reguladores y a los proveedores posteriores, no al público, y se admiten estimaciones cuando no se dispone de mediciones.
¿Cómo sería una buena medición?
Una cifra que se pueda reproducir: qué se midió, cómo, con qué límite, en qué hardware y para qué tarea. Ya existen elementos útiles:
- Bancos de pruebas abiertos, como la ML.ENERGY Leaderboard, que mide la energía de inferencia de modelos abiertos en hardware conocido, y las etiquetas energéticas y bancos de pruebas que están surgiendo.
- Normas como ISO/IEC 21031:2024, la especificación Software Carbon Intensity, que define una tasa de carbono por unidad funcional a partir de la energía, la intensidad de la red y las emisiones incorporadas.
- Precisión junto con energía. Una respuesta barata pero errónea no es eficiente. Las cifras de energía deberían publicarse junto con la calidad del resultado y con cuánto trabajo de corrección hizo falta.
La medición también debe llegar a niveles más finos que "el centro de datos": una solicitud, un modelo o una línea de código. Ese tipo de atribución es lo que permite a los ingenieros encontrar y corregir las partes más costosas.
Qué hacer a continuación
- Cuando vea una cifra de energía de la IA, pregunte: ¿quién la midió, con qué límite, y se midió o se estimó?
- Mida sus propias cargas de trabajo en el hardware que utiliza; consulte cómo medir la energía de la IA.
- Indique el límite y el método junto con cualquier cifra que publique; consulte cómo hacer afirmaciones verdes honestas.
- Pida a sus proveedores la energía medida por tarea, no ratios publicitarios; consulte compra sostenible de IA.
- Busque herramientas útiles en el directorio de productos y ayuda experta en el directorio de consultores.
Preguntas frecuentes
¿Por qué no puedo comparar la energía de ChatGPT y la de Gemini?
Porque las cifras publicadas son autodeclaradas, abarcan cosas distintas y usan métodos que no se han publicado por completo. Una puede incluir los costes generales del centro de datos y la capacidad ociosa, y otra no. Mientras ambas no se midan de la misma manera, una comparación directa no es fiable.
¿Qué diferencia hay entre estimar y medir la energía de la IA?
Medir consiste en leer la potencia de sensores o medidores del hardware mientras se realiza el trabajo. Estimar consiste en calcular la energía a partir de supuestos como la potencia nominal de los chips, su grado de utilización y el tiempo de ejecución. Las estimaciones son útiles cuando no es posible medir, pero pueden alejarse mucho de la realidad.
¿Qué es un límite del sistema?
La línea que decide qué se cuenta. Un límite estrecho cuenta solo el chip de IA; uno más amplio añade el servidor, la refrigeración, la capacidad ociosa, la red, el dispositivo del usuario y la fabricación del hardware.
Fuentes
- 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)
- Misinformation by omission: the need for more environmental transparency in AI, Luccioni, Gamazaychikov, Alves da Costa and Strubell (2025)
- Measuring what matters: how to assess AI's environmental impact, International Telecommunication Union (2025)
- CodeCarbon, CodeCarbon project (2020)
- The ML.ENERGY benchmark: toward automated inference energy measurement and optimization, Chung et al., NeurIPS Datasets and Benchmarks (2025)
- ISO/IEC 21031:2024 Software Carbon Intensity (SCI) specification, ISO/IEC and Green Software Foundation (2024)
- Network energy use not directly proportional to data volume, Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
- Regulation (EU) 2024/1689 (AI Act), Annex XI, European Union (2024)
Relacionado
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.
Etiquetas energéticas y pruebas de referencia para la IA
La situación de las calificaciones energéticas de la IA en 2026: AI Energy Score, MLPerf Power, la Ley de IA de la UE y la calificación de centros de datos.
Afirmaciones ambientales honestas sobre la IA
Cómo evitar el ecoblanqueo con la IA: qué se puede afirmar y qué no, efectos rebote, informes honestos y las normas del Reino Unido, la UE y EE. UU.
Por qué la IA verde importa ahora
La IA impulsa un rápido aumento de la demanda eléctrica de los centros de datos, tensiona las redes y eleva los costes. Datos de escala, energía y política en 2026.