# Paradoja de Jevons e IA: por qué la eficiencia no basta

> La paradoja de Jevons y el efecto rebote: por qué una IA más barata por consulta puede aumentar su consumo total de energía y por qué la eficiencia necesita un tope.

Source: https://greenai.guide/es/articulos/paradoja-de-jevons-e-ia-por-que-la-eficiencia-no-basta/  
Updated: 2026-11-20

## En resumen

La paradoja de Jevons es la constatación, formulada por primera vez por William Stanley Jevons en 1865, de que usar el carbón de forma más eficiente llevó a Gran Bretaña a quemar más carbón, no menos. En la IA, cada consulta es cada vez mucho más barata y eficiente y, sin embargo, el consumo total de electricidad de los centros de datos crece deprisa. Los investigadores que estudian el impacto climático de la tecnología digital sostienen que la eficiencia solo produce reducciones reales de emisiones cuando las emisiones totales tienen un tope.

## Puntos clave

- La paradoja de Jevons: abaratar el uso de un recurso puede aumentar su consumo total. Jevons lo demostró con el carbón en 1865.
- El rebote puede ser directo (más de la misma tarea), indirecto (el ahorro se gasta en otras cosas) o de toda la economía; cuando supera al ahorro se denomina efecto contraproducente (backfire).
- Google informó de que la energía de su prompt de texto mediano de Gemini se redujo 33 veces en un año, mientras que la AIE prevé que el consumo eléctrico de los centros de datos se duplique con creces de aquí a 2030.
- Freitag, Berners-Lee y sus colegas constataron que la huella climática de las TIC está subestimada y sostienen que las afirmaciones sobre los ahorros que permiten las TIC se basan en pruebas débiles.
- Widdicks y sus colegas concluyen que la eficiencia bajo restricciones de emisiones es la única forma de convertir la eficiencia en verdaderas reducciones de emisiones.
- En la práctica: mida los totales, fije presupuestos o topes, retire la capacidad liberada y use la IA solo donde aporte valor.

La IA se está volviendo más eficiente muy deprisa, y su consumo total de energía está creciendo muy deprisa. Esos dos
hechos no se contradicen. Son un patrón con 160 años de antigüedad conocido como la paradoja de Jevons. Este artículo
explica la paradoja, las pruebas de que se aplica a la IA, las preocupaciones que han planteado los investigadores
sobre tratar la tecnología digital como una solución climática y qué es lo que realmente convierte la eficiencia en
menos emisiones. Para lo básico sobre eficiencia y suficiencia, empiece por
[la eficiencia no es suficiencia](/es/articulos/la-eficiencia-no-es-suficiencia-el-efecto-rebote-en-la-ia/).

## ¿Qué es la paradoja de Jevons? {#what-is-the-jevons-paradox}

**La paradoja de Jevons se produce cuando usar un recurso de forma más eficiente lleva a usar más de ese recurso, no
menos.** El economista William Stanley Jevons la formuló en *The Coal Question* en 1865, un libro sobre si las minas de
carbón de Gran Bretaña llegarían a agotarse.

Jevons discrepaba. Escribió que «es una completa confusión de ideas suponer que el uso económico del combustible equivale a
un consumo menor. La verdad es justo lo contrario». Su razonamiento era que una energía de vapor más barata hacía que
mereciera la pena usar carbón para muchas más tareas, de modo que la demanda total crecía más deprisa de lo que bajaba
el consumo de cada máquina.

La idea no es que la eficiencia sea mala. Es que la eficiencia cambia el precio de hacer algo, y las personas, las
empresas y economías enteras reaccionan a los precios.

## ¿Qué es el efecto rebote? {#what-is-the-rebound-effect}

**El efecto rebote es el uso adicional que desencadena una mejora de eficiencia, y que se come parte del ahorro.** La
paradoja de Jevons es su forma más extrema. Widdicks y sus colegas, en un artículo de 2023 en la revista *Patterns*,
describen los tipos principales:

| Tipo | Qué ocurre | Ejemplo en la IA |
|---|---|---|
| Rebote directo | El mismo servicio se abarata, así que se usa más | Unos prompts más baratos llevan a más prompts, respuestas más largas y más llamadas de agentes |
| Rebote indirecto | El dinero o el tiempo ahorrados se gastan en otras cosas que también consumen energía (el «efecto renta» y el «rebote del tiempo») | El tiempo que ahorra un asistente de IA se dedica a actividades que consumen más energía |
| Rebote de toda la economía | La economía en su conjunto se ajusta: crecen nuevos productos, mercados e industrias sobre el insumo más barato | IA integrada por defecto en buscadores, teléfonos y programas de ofimática |

Cuando el rebote es mayor que el ahorro, de modo que el uso o las emisiones totales aumentan, se habla de **efecto
contraproducente** (*backfire*). Los mismos autores señalan que, en el conjunto de la economía mundial, las mejoras de
eficiencia energética en la mayoría de los productos y servicios han ido de la mano de un crecimiento medio de las
emisiones mundiales de carbono del 1,8 % anual desde 1850. Advierten de que esto no demuestra que la eficiencia cause
más emisiones, solo que, para que no fuera así, las emisiones tendrían que haber crecido mucho más deprisa sin
eficiencia.

Consulte en el glosario [efecto rebote](/es/glosario/#rebound-effect) y [paradoja de Jevons](/es/glosario/#jevons-paradox).

## ¿Se está dando la paradoja de Jevons en la IA? {#is-the-jevons-paradox-happening-in-ai}

**Los datos apuntan en esa dirección: la energía por consulta baja deprisa mientras el consumo total de electricidad
de los centros de datos sube.** Dos cifras muy citadas, de fuentes distintas, muestran el patrón:

- **Por consulta.** Google informó en 2025 de que su prompt de texto mediano de las aplicaciones de Gemini consume
  0,24 Wh de energía, y de que en un periodo de 12 meses la energía por prompt mediano se redujo 33 veces y su huella
  de carbono, 44 veces.
- **En total.** La Agencia Internacional de la Energía (AIE) estima que los centros de datos consumieron unos 415 TWh
  en 2024, alrededor del 1,5 % de la electricidad mundial, y que este consumo ha crecido alrededor de un 12 % anual
  desde 2017. Prevé que se duplique con creces hasta unos 945 TWh en 2030, con la IA como «el principal motor de este
  crecimiento».

Estas cifras no demuestran por sí solas una relación de causa y efecto, porque la demanda de IA también crece por
motivos distintos del precio. Pero muestran que las grandes mejoras por consulta no han impedido que el uso total
aumente. La propia AIE considera la rapidez de las mejoras de eficiencia una de las principales incertidumbres de sus
perspectivas: según sus escenarios, la demanda de los centros de datos en 2035 oscila entre 700 y 1700 TWh.

La IA tiene características que hacen el rebote especialmente probable. Una [inferencia](/es/glosario/#inference) más
barata permite a los proveedores convertir la IA en la opción por defecto en herramientas que la gente ya usa, y
permite a los agentes hacer muchas llamadas al modelo por tarea (consulte
[IA agéntica y desperdicio de tokens](/es/articulos/la-ia-agentica-y-el-desperdicio-de-tokens/)). Además, el ahorro suele gastarse en
capacidad, como modelos más grandes o contextos más largos, en lugar de conservarse.

## ¿Qué preocupaciones han planteado Mike Berners-Lee y sus colegas? {#what-concerns-have-mike-berners-lee-and-colleagues-raised}

**Sostienen que el impacto climático de la tecnología digital está subestimado, que sus mejoras de eficiencia quedan
habitualmente anuladas por la demanda y que las afirmaciones de beneficio climático necesitan pruebas mucho mejores.**
Mike Berners-Lee, fundador de Small World Consulting, con sede en la Universidad de Lancaster, es especialista en
huella de carbono y coautor de dos artículos en *Patterns* sobre esta cuestión.

### La huella es mayor de lo que se declara {#the-footprint-is-bigger-than-reported}

Freitag, Berners-Lee, Widdicks, Knowles, Blair y Friday revisaron en 2021 las estimaciones del impacto climático de
las tecnologías de la información y la comunicación (TIC). Constataron que los estudios revisados por pares situaban
las TIC en el 1,8–2,8 % de las emisiones mundiales de gases de efecto invernadero, pero que la proporción podría ser
del 2,1–3,9 % si se cuentan las cadenas de suministro que quedan fuera de los estudios estándar de ciclo de vida (el
«error de truncamiento»).

### La eficiencia no ha reducido el total {#efficiency-has-not-cut-the-total}

La misma revisión constató que la demanda de computación y de dispositivos por persona había superado a las mejoras
de eficiencia, de modo que el consumo de energía y la huella de las TIC seguían creciendo año tras año. Todos los
analistas revisados coincidían en que las emisiones de las TIC «no se reducirán sin grandes esfuerzos concertados que
impliquen una amplia acción política e industrial». Los autores dieron razones para esperar que las emisiones
aumenten si no se interviene, y consideraron poco probable un pico natural por saturación de la demanda. Para ser
justos, también recogen la opinión contraria del investigador Jens Malmodin, que les transmitió en comunicación
personal, de que las emisiones de las TIC se han estabilizado por ahora y podrían reducirse a la mitad en 2030.

### Las afirmaciones de «IA para el clima» carecen de pruebas de beneficio neto {#ai-for-climate-claims-lack-evidence-of-net-benefit}

Algunos informes del sector han afirmado que las TIC podrían ahorrar en otros sectores varias veces sus propias
emisiones. Freitag y sus colegas sostienen que estas estimaciones tratan el rebote de forma muy limitada, y que las
TIC tienen tantas probabilidades de impulsar el crecimiento, también en industrias intensivas en carbono, como de
reducir emisiones. Escriben que, «a pesar de las cuestionables pruebas de que las tendencias de crecimiento de las TIC
ahorrarán más emisiones de carbono de las que introducirán», la cadena de bloques, el internet de las cosas y la IA
están recibiendo cada vez más inversión y adopción. Según ellos, las TIC solo ahorran emisiones en otros ámbitos si
sustituyen actividades intensivas en carbono en lugar de sumarse a ellas.

Esto no significa que la IA no pueda ayudar al clima. Significa que cada afirmación debe demostrar un beneficio neto,
contando la huella propia de la IA y el rebote. Consulte [IA verde frente a IA para lo verde](/es/articulos/ia-verde-frente-a-ia-para-lo-verde-en-que-se-diferencian/).

### La eficiencia necesita un tope {#efficiency-needs-a-cap}

El artículo de 2023 de Widdicks y sus colegas, basado en un taller con 19 expertos, concluye que «la eficiencia bajo
restricciones de emisiones de GEI es la única forma en que la eficiencia puede traducirse en verdaderas reducciones de
emisiones». La revisión de 2021 sostiene que, sin una restricción mundial del carbono, hace falta nueva regulación
para mantener la huella de las TIC en línea con el Acuerdo de París. Ambos artículos presentan un tope como algo
positivo también para el sector: bajo una restricción, la eficiencia se vuelve más valiosa, no menos.

### En sus propias palabras {#in-his-own-words}

Ante responsables digitales del Gobierno en Londres, en febrero de 2026, Berners-Lee resumió el problema del rebote
como «cuanto más eficiente se vuelve, más hacemos», y advirtió de que «mucha gente está lanzando el mazo de la IA y el
aprendizaje automático contra cualquier problema», según una crónica de THINK Digital Partners.

## ¿Qué convierte la eficiencia en ahorro real? {#what-turns-efficiency-into-real-savings}

**Acompañe cada mejora de eficiencia de un límite al total, y mida el total.** La investigación anterior apunta a cinco
palancas prácticas.

### Trabaje con un presupuesto o un tope {#work-under-a-budget-or-cap}

Fije un presupuesto absoluto de energía, emisiones, cómputo o tokens para un producto, un equipo o un proyecto, y
manténgalo a medida que mejora la eficiencia. Así, la eficiencia le permite hacer más dentro del presupuesto en lugar
de hacer subir el total.

### Mida el impacto absoluto, no solo las cifras por unidad {#measure-absolute-impact-not-just-per-unit-figures}

Afirmar que un modelo es «diez veces más eficiente» no dice nada sobre si las emisiones totales bajaron. Informe de la
energía y las emisiones totales a lo largo del tiempo, junto con la energía por tarea. Consulte
[cómo medir la energía de la IA](/es/buenas-practicas/como-medir-la-energia-y-el-carbono-de-la-ia/).

### Practique la suficiencia {#practise-sufficiency}

Use la IA donde aporte un valor real y, cuando la use, el modelo más pequeño que sea adecuado. Una fórmula, una
búsqueda o una consulta a una base de datos a menudo hacen el trabajo con una fracción de la energía. Consulte
[suficiencia](/es/glosario/#sufficiency).

### Consolide el ahorro {#bank-the-savings}

Cuando un proyecto de eficiencia libere capacidad, decida de antemano qué ocurrirá con ella. Retirar servidores,
capacidad reservada en la nube o licencias consolida el ahorro; dejarlos en funcionamiento invita a que un nuevo uso
los ocupe. Consulte [cómo evitar que las mejoras de eficiencia queden anuladas](/es/como/como-evito-que-el-aumento-del-uso-anule-las-mejoras-de-eficiencia-de/).

### Use palancas políticas que actúen sobre los totales {#use-policy-levers-that-act-on-totals}

La fijación de precios del carbono, los topes de emisiones, los límites a las conexiones a la red y la obligación de
informar del consumo absoluto de energía actúan sobre la demanda total de una forma que las normas de eficiencia por
sí solas no pueden. Consulte [políticas de IA verde](/es/buenas-practicas/como-redactar-una-politica-de-ia-verde/).

## Qué hacer a continuación {#what-to-do-next}

- Incluya la energía o las emisiones totales de la IA en sus informes periódicos, junto a las cifras por tarea.
- Fije un presupuesto o un tope para el cómputo o las emisiones de la IA, y manténgalo cuando mejore la eficiencia.
- Antes de cada proyecto de eficiencia, decida si la capacidad liberada se retirará o se reutilizará.
- Pregúntese si cada nueva función de IA es necesaria y si debe estar activada por defecto.
- Trate cualquier afirmación de que la IA reducirá emisiones en otros ámbitos como una hipótesis que hay que
  comprobar, contando el rebote.
- Lea [la eficiencia no es suficiencia](/es/articulos/la-eficiencia-no-es-suficiencia-el-efecto-rebote-en-la-ia/) e
  [IA verde frente a IA para lo verde](/es/articulos/ia-verde-frente-a-ia-para-lo-verde-en-que-se-diferencian/) para tener una visión más amplia.

## Preguntas frecuentes

### ¿Qué es la paradoja de Jevons?

La observación del economista William Stanley Jevons, en su libro de 1865 The Coal Question, de que un uso más eficiente del carbón llevó a usar más carbón, porque la eficiencia abarató el trabajo realizado con carbón y, por tanto, lo extendió.

### ¿Reduce las emisiones una IA más eficiente?

Por consulta, sí. En total, no necesariamente: las consultas más baratas fomentan un uso mucho mayor. El consumo total de electricidad de los centros de datos sigue aumentando deprisa aunque la energía por prompt baje, así que la eficiencia solo reduce las emisiones en conjunto si también se limitan el uso total o las emisiones.

### ¿Qué es el efecto rebote en la IA?

El uso adicional de IA que se produce cuando la IA se abarata o se facilita, y que se come parte de la energía ahorrada. Puede ser directo (más prompts), indirecto (el dinero o el tiempo ahorrados se gastan en otras cosas que consumen energía) o de toda la economía (nuevos productos e industrias construidos sobre una IA barata).

### ¿Qué es el efecto contraproducente (backfire)?

Es un efecto rebote tan grande que el consumo o las emisiones totales acaban siendo mayores que antes de la mejora de eficiencia. La paradoja de Jevons es un ejemplo de efecto contraproducente.

### ¿Qué dicen Mike Berners-Lee y sus coautores sobre la IA y el clima?

En artículos revisados por pares sostienen que la huella de las TIC está subestimada, que las mejoras de eficiencia tienden a quedar anuladas por el crecimiento de la demanda, que las pruebas de beneficios climáticos netos de las TIC, incluida la IA, son cuestionables y que hace falta un tope de emisiones para que la eficiencia produzca reducciones reales.

### ¿Cómo se evita que las mejoras de eficiencia queden anuladas?

Mida la energía o las emisiones totales además de la energía por tarea, fije un presupuesto o un tope, decida de antemano qué ocurrirá con la capacidad liberada y use la IA solo donde aporte suficiente valor.

## Fuentes

- [The Coal Question](https://archive.org/details/in.ernet.dli.2015.224624), W. Stanley Jevons, Macmillan (digitised copy, Internet Archive) (1865)
- [Systems thinking and efficiency under emissions constraints: Addressing rebound effects in digital innovation and policy](https://doi.org/10.1016/j.patter.2023.100679), Widdicks, Lucivero, Samuel, Somavilla Croxatto, Smith, Ten Holter, Berners-Lee, Blair, Jirotka, Knowles, Sorrell, Börjesson Rivera, Cook, Coroamă, Foxon, Hardy, Hilty, Hinterholzer and Penzenstadler, Patterns (2023)
- [The real climate and transformative impact of ICT: A critique of estimates, trends, and regulations](https://doi.org/10.1016/j.patter.2021.100340), Freitag, Berners-Lee, Widdicks, Knowles, Blair and Friday, Patterns (2021)
- [Energy and AI](https://www.iea.org/reports/energy-and-ai), International Energy Agency (2025)
- [Measuring the environmental impact of delivering AI at Google Scale](https://arxiv.org/abs/2508.15734), Elsworth et al., Google (2025)
- ["We're heading for something pretty grim": Mike Berners-Lee warns digital leaders on climate](https://www.thinkdigitalpartners.com/news/2026/02/26/were-heading-for-something-pretty-grim-mike-berners-lee-warns-digital-leaders-on-climate/), THINK Digital Partners (2026)
