En resumen
La IA verde consiste en usar la inteligencia artificial de forma que su coste ambiental guarde proporción con el valor que aporta. Abarca dos ideas, usar la IA para ayudar al medio ambiente ("IA para lo verde") y reducir la huella de la propia IA ("IA más verde"), y dos maneras de lograrlo: la eficiencia (hacer cada tarea con menos) y la suficiencia (hacer solo las tareas que merecen la pena).
Puntos clave
- La "IA para lo verde" usa la IA para ayudar a alcanzar objetivos ambientales; la "IA más verde" reduce la huella de la propia IA. La IA verde necesita ambas.
- La huella de la IA no es solo electricidad. Incluye las emisiones de carbono, el agua para la refrigeración y la generación eléctrica, y los materiales y residuos del hardware.
- La eficiencia reduce el coste de cada tarea; la suficiencia se pregunta si la tarea necesita IA, o un modelo tan grande, en primer lugar.
- La IA verde no es "nada de IA". Se trata de usar bien la IA, medir su coste y elegir la herramienta adecuada para cada trabajo.
- Como "IA" abarca desde pequeños clasificadores hasta los chatbots más avanzados, toda afirmación sobre IA verde debería indicar a qué tipo de IA se refiere.
"IA verde" se usa con varios significados distintos, y eso hace que las conversaciones sobre el tema resulten confusas. Este artículo expone las ideas principales y los términos que se usan en todo el sitio, para que las páginas siguientes puedan apoyarse en ellos.
¿Qué significa IA verde?
La IA verde consiste en usar la inteligencia artificial de forma que su coste ambiental guarde proporción con el valor que aporta. Se trata de usar bien la IA, no de negarse a usarla.
El término lo popularizaron Schwartz, Dodge, Smith y Etzioni en un artículo de 2020 en Communications of the ACM. Contrapusieron la "IA roja", investigación que compra pequeñas mejoras de precisión con cantidades cada vez mayores de cálculo, a la "IA verde", que informa sobre la eficiencia y la premia junto a la precisión. Su artículo siguió al estudio de Strubell, Ganesh y McCallum de 2019, que mostró cuánta energía y cuánto carbono podía suponer desarrollar un gran modelo de lenguaje.
Desde entonces el significado se ha ampliado. Hoy la IA verde suele abarcar toda la vida de un sistema de IA: el hardware en el que funciona, el centro de datos, el modelo, el software que lo rodea y la forma en que lo usan las personas.
¿Qué diferencia hay entre "IA para lo verde" e "IA más verde"?
La "IA para lo verde" usa la IA para ayudar a alcanzar objetivos ambientales; la "IA más verde" reduce la huella de la propia IA. La IA verde necesita ambas, y las dos pueden tirar en direcciones opuestas.
| IA para lo verde | IA más verde | |
|---|---|---|
| Objetivo | Usar la IA para reducir emisiones o proteger la naturaleza en otros ámbitos | Reducir la energía, el carbono, el agua y los materiales que usa la IA |
| Ejemplos | Prever la producción renovable, gestionar redes eléctricas, detectar fugas, modelizar el clima | Modelos más pequeños, código eficiente, electricidad más limpia, hardware con una vida útil más larga |
| Riesgo | Beneficios anunciados que nunca se miden | Ahorros que se gastan en más uso (el efecto rebote) |
El informe Energy and AI de 2025 de la Agencia Internacional de la Energía aborda ambas caras: concluye que un uso más amplio de las aplicaciones de IA existentes podría reducir las emisiones en la energía y la industria, pero advierte de que la demanda de electricidad de la propia IA crece con rapidez y de que el efecto neto depende de cómo se despliegue la IA.
Un sandpit (taller de investigación) británico sobre IA verde celebrado en 2026, con matemáticos, informáticos y representantes de la industria, planteó la IA verde con esas mismas dos caras, y con las matemáticas capaces de contribuir a ambas: mejores métodos para los problemas ambientales y métodos más ligeros para la IA.
¿Qué son la eficiencia y la suficiencia?
La eficiencia es hacer cada tarea con menos; la suficiencia es hacer solo las tareas que merecen la pena.
- La eficiencia se pregunta: ¿cómo puede este modelo, este prompt (instrucción) o este centro de datos usar menos energía para obtener el mismo resultado? Algunos ejemplos son la poda y la cuantización de modelos, mejores chips y una refrigeración más eficiente.
- La suficiencia se pregunta: ¿necesita esta tarea IA, o un modelo tan grande, en primer lugar? Una calculadora, una consulta a una base de datos o un método numérico clásico suelen ser más baratos y fiables que un gran modelo de lenguaje.
La eficiencia por sí sola puede resultar contraproducente, porque la IA más barata tiende a usarse más. Es el efecto rebote, que se explica en la eficiencia no es suficiencia.
¿Qué incluye la huella ambiental de la IA?
Cuatro elementos: energía, carbono, agua y materiales. La mayor parte del debate público solo trata los dos primeros.
Energía
La IA funciona con electricidad, sobre todo en centros de datos. La Agencia Internacional de la Energía estima que los centros de datos consumieron unos 415 TWh en 2024, alrededor del 1,5 % de la electricidad mundial, y prevé que esa cifra se duplique con creces hasta unos 945 TWh en 2030, con la IA como principal motor. Consulte por qué la IA verde importa ahora.
La energía se consume en dos fases:
- El entrenamiento, un gran coste único para construir un modelo.
- La inferencia, el coste de cada uso del modelo. En los modelos muy usados, este coste se acumula: Google informó en 2022 de que la inferencia representaba unas tres quintas partes de su consumo de energía en aprendizaje automático, y el entrenamiento dos quintas partes.
Carbono
La huella de carbono depende de cuánta energía se usa y de lo limpia que sea la electricidad. El mismo trabajo puede emitir muchas veces más carbono en una red dominada por el carbón que en una dominada por la eólica, la hidráulica o la nuclear. También incluye el carbono incorporado: las emisiones de fabricar chips, servidores y edificios. Wu y sus colegas de Meta informaron en 2022 de que el carbono incorporado suponía aproximadamente el 30 % de la huella del aprendizaje automático a gran escala de Meta, y sostuvieron que se estaba convirtiendo en la fuente dominante a medida que la energía de funcionamiento se vuelve más limpia.
Agua
Los centros de datos usan agua para la refrigeración, y las centrales eléctricas usan agua para generar la electricidad. Li, Yang, Islam y Ren demostraron en 2023 que esta "huella hídrica secreta" de la IA es considerable y varía mucho según el lugar y la hora del día. La medición de Google de 2025 de su asistente Gemini situó la mediana de un prompt de texto en unos 0,26 mililitros de agua, junto a 0,24 vatios hora de energía.
Materiales
El hardware de IA necesita metales y minerales, y se sustituye con rapidez. Wang y sus colegas estimaron en 2024 que los grandes modelos de lenguaje podrían generar en total entre 1,2 y 5,0 millones de toneladas de residuos electrónicos entre 2020 y 2030, según lo rápido que crezca su uso, y que la reutilización y el reciclaje podrían reducir mucho esa cifra. Mantener el hardware en servicio durante más tiempo y crear software que funcione bien en dispositivos más antiguos reduce esta huella.
¿Por qué importa a qué "IA" nos referimos?
Porque "IA" abarca sistemas cuyas huellas difieren en muchos órdenes de magnitud. Un modelo pequeño que clasifica correos electrónicos, un sistema de predicción meteorológica y un chatbot de vanguardia son todos "IA".
En el uso cotidiano, "IA" significa hoy sobre todo IA generativa: chatbots y generadores de imágenes y vídeo. Gran parte de la preocupación por el consumo de energía de la IA se refiere a estos grandes modelos. Pero la mayor parte del aprendizaje automático en la industria y la ciencia es más pequeño y más especializado. Una buena afirmación sobre IA verde indica a qué tipo de IA se refiere y con qué límite se contabilizan sus costes. Consulte la medición es el cuello de botella.
¿Es lo mismo IA verde que "nada de IA"?
No. No usar IA es a veces la opción más verde, y la IA verde incluye esa posibilidad. Pero la IA verde trata sobre todo de usar la IA de forma responsable: medir su coste, elegir el modelo adecuado para cada tarea y hacerla más eficiente.
Algunas personas prefieren otras palabras. "IA sostenible" se usa a menudo para incluir la sostenibilidad social y económica además de la ambiental. Otras proponen describir el objetivo como evitar la computación derrochadora, algo más difícil de despachar como una simple buena intención. Este sitio usa "IA verde" para la dimensión ambiental y precisa a qué recurso (energía, carbono, agua o materiales) se refiere cada afirmación.
Qué hacer a continuación
- Lea por qué la IA verde importa ahora para conocer la magnitud de la demanda de energía de la IA.
- Aprenda los términos clave en el glosario.
- Encuentre la guía adecuada para usted: empresas, investigadores, organizaciones benéficas o el público.
- Empiece por la guía práctica para usar la IA de forma eficiente.
- ¿Es usted docente? Consulte la sección Para centros educativos.
Preguntas frecuentes
¿Qué es la IA verde, en pocas palabras?
La IA verde es inteligencia artificial diseñada, construida y utilizada de forma que su coste ambiental, en energía, carbono, agua y materiales, sea tan bajo como sea razonablemente posible para el valor que aporta.
¿Quién acuñó el término IA verde?
El término lo popularizaron Schwartz, Dodge, Smith y Etzioni en un artículo de 2020 en Communications of the ACM, que contraponía la 'IA roja', investigación que compra precisión con cada vez más cálculo, a la 'IA verde', que trata la eficiencia como criterio de evaluación junto a la precisión.
¿Es lo mismo IA verde que IA sostenible?
Los términos se solapan y a menudo se usan como sinónimos. 'IA sostenible' se usa a veces en un sentido más amplio, que incluye la sostenibilidad social y económica además del impacto ambiental.
¿IA verde significa usar menos IA?
A veces. Usar la IA solo donde aporta valor forma parte de la IA verde, pero también lo es hacer más eficiente la IA que se usa y utilizar la IA para reducir emisiones en otros ámbitos.
Fuentes
- Green AI, Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
- Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum, ACL (2019)
- Energy and AI, International Energy Agency (2025)
- Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)
- Making AI less thirsty: uncovering and addressing the secret water footprint of AI models, Li, Yang, Islam and Ren (2023)
- E-waste challenges of generative artificial intelligence, Wang et al., Nature Computational Science (2024)
- Sustainable AI: environmental implications, challenges and opportunities, Wu et al., MLSys (2022)
- Good news about the carbon footprint of machine learning training, Google Research (Patterson) (2022)
Relacionado
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.
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.
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.
IA verde: una guía en lenguaje sencillo para todos
Lo que cuesta realmente usar la IA en energía y agua, qué hábitos cotidianos importan y cuáles no, cómo valorar las afirmaciones y cómo hacer oír su voz.