greenai.guide

Inicio › Buenas prácticas › Borde o nube: ¿dónde debe ejecutarse la IA?

Buenas prácticas

Borde o nube: ¿dónde debe ejecutarse la IA?

Actualizado · 6 min de lectura

En resumen

Ni el borde ni la nube son más verdes por defecto. Los centros de datos centrales suelen ejecutar los modelos grandes de forma más eficiente, mientras que la IA en el dispositivo y en el borde puede evitar tráfico de red, mantener los datos en local y funcionar sin conexión. Decida caso por caso comparando la energía por resultado útil en todo el sistema, incluidos los dispositivos, la red y el hardware.

Puntos clave

  • Ejecute en local las tareas pequeñas, frecuentes o sensibles a la latencia; envíe las tareas grandes o poco frecuentes a hardware central eficiente.
  • La AIE estima que las redes de transmisión de datos consumieron entre 260 y 360 TWh en 2022, alrededor del 1–1,5% de la electricidad mundial, y que las redes móviles supusieron unas dos terceras partes.
  • La energía de la red no crece de forma proporcional al volumen de datos, por lo que el ahorro por gigabyte suele exagerarse.
  • Miles de millones de dispositivos suman mucho: cuente los dispositivos de los usuarios, sus baterías y el hardware que quizá tengan que sustituir.
  • La IA local mantiene los datos en el dispositivo, lo que favorece la privacidad, la soberanía y la resiliencia.

¿Es más verde la IA en el borde o en la nube?

Depende de la tarea, el modelo y el dispositivo, así que compárelos en todo el sistema en lugar de dar nada por supuesto. Los centros de datos centrales hacen funcionar los aceleradores con una utilización alta y refrigeración especializada, por lo que suelen realizar los cálculos de un modelo grande de forma más eficiente. La IA en el borde (edge), que se ejecuta en el dispositivo o en un servidor cercano, evita enviar datos por la red y puede apagarse por completo cuando no se usa.

Un sandpit (taller intensivo) británico sobre IA verde celebrado en 2026, con matemáticos, informáticos y representantes de la industria, se hizo exactamente esta pregunta. La IA se está extendiendo a sensores, cámaras, timbres, coches y asistentes de teléfono. Multiplicada por millones de dispositivos, ¿consume la IA local más o menos energía que enviar los datos a un centro de datos? Los participantes señalaron que existen estudios de energía de principio a fin para algunos modelos de visión más pequeños desplegados en el borde, pero pocos para los grandes modelos de lenguaje. La respuesta honesta hoy es: mida su caso.

¿Cuáles son las ventajas e inconvenientes?

Cada opción gana en aspectos distintos.

Factor En el dispositivo / en el borde Centro de datos central
Energía por cálculo Suele ser mayor en chips de uso general; mejor en aceleradores neuronales dedicados Suele ser menor, sobre todo con utilización alta
Tamaño del modelo Modelos pequeños, a menudo cuantizados Cualquier tamaño
Energía de red Poca o ninguna Cada solicitud viaja por la red
Energía en reposo Puede suspenderse o apagarse Capacidad compartida siempre disponible
Hardware Repartido entre miles de millones de dispositivos; puede forzar renovaciones Concentrado, renovado cada pocos años
Latencia Rápida, funciona sin conexión Depende de la conexión
Privacidad Los datos pueden quedarse en el dispositivo Los datos salen del control del usuario
Medición Difícil: dispersa, sin informes Posible, si los proveedores informan
Control Distribuido Concentrado en unos pocos proveedores

¿Cuánto importa la red?

Las redes consumen mucha energía en total, pero gran parte es un consumo de base casi constante, por lo que el efecto de una sola solicitud es menor de lo que sugieren las calculadoras por byte.

  • La Agencia Internacional de la Energía estima que las redes de transmisión de datos consumieron entre 260 y 360 TWh en 2022, alrededor del 1 al 1,5% de la electricidad mundial, y que las redes móviles supusieron unas dos terceras partes de esa cifra.
  • Mytton, Lundén y Malmodin demostraron en 2024 que la energía de la red no es directamente proporcional al volumen de datos. Los equipos de red consumen energía estén ocupados o no, por lo que convertir directamente gigabytes en kilovatios hora exagera el ahorro de enviar menos datos.
  • Reduzca los datos de todos modos: ahorra energía en servidores y dispositivos, y el tráfico evitado puede evitar futura capacidad de red. Pero no use el ahorro de red por gigabyte como argumento principal a favor de la IA en el borde.

Tenga en cuenta que muchas cifras publicadas por prompt (instrucción) dejan fuera la red y los dispositivos de los usuarios. Las cifras de Gemini publicadas por Google en 2025, por ejemplo, excluyen ambos. Compruebe el perímetro antes de comparar cifras del borde y de la nube.

¿Y los propios dispositivos?

Cuente la energía, la batería y el hardware de los dispositivos en los que se ejecuta su IA, porque forman parte de su huella.

  • Emisiones incorporadas: fabricar dispositivos produce carbono. La especificación SCI incluye una parte de las emisiones incorporadas en la huella de un sistema de software. Si la IA en el dispositivo empuja a la gente a sustituir antes teléfonos u ordenadores portátiles que funcionan, ese coste puede superar cualquier ahorro operativo.
  • El consumo de batería es un coste energético oculto que paga el usuario. El sandpit señaló como ejemplo los asistentes de IA de los teléfonos.
  • Adaptación: la Green Software Foundation sugiere pasar a modelos más pequeños o a una frecuencia menor cuando la batería está baja o el dispositivo está caliente.
  • Escala: un ahorro o coste minúsculo por dispositivo se vuelve grande en millones de dispositivos funcionando continuamente.

¿Qué papel desempeñan la privacidad y la resiliencia?

La IA local mantiene los datos en el dispositivo y sigue funcionando cuando fallan la conexión o el servicio central.

  • Privacidad: los datos procesados en local no tienen que ser transmitidos ni almacenados por un proveedor. Eso respalda el principio de minimización de datos de la legislación de protección de datos del Reino Unido y la UE, y conviene para datos sensibles como los registros sanitarios o de infraestructuras críticas. El sandpit señaló que, en los sectores de infraestructuras críticas, los datos operativos sensibles a menudo deben quedarse dentro de la organización, lo que exige modelos locales eficientes.
  • Soberanía y control: la inferencia distribuida reparte el control y lo aleja de unos pocos grandes proveedores.
  • Resiliencia: el sandpit también planteó la dependencia: ¿qué ocurre cuando la sociedad depende de la IA y se cae la conexión o la electricidad? La capacidad local puede mantener en marcha las funciones esenciales.
  • Rendición de cuentas: la IA en el borde es más difícil de supervisar. Si la despliega, planifique cómo la medirá y cómo informará sobre ella.

¿Cómo decido, paso a paso?

Calcule la energía por resultado útil de cada opción y luego sopese la privacidad, la latencia y la resiliencia.

  1. Defina la tarea y su nivel de calidad. ¿Qué cuenta como un resultado satisfactorio?
  2. Encuentre el modelo más pequeño que alcance ese nivel (elija el modelo adecuado). Los modelos cuantizados necesitan menos memoria: la inferencia de 8 bits redujo a la mitad la memoria necesaria en el estudio LLM.int8().
  3. Estime la energía en la nube por resultado, incluida la sobrecarga del centro de datos y, cuando sea posible, la red.
  4. Mida la energía del dispositivo por resultado en dispositivos representativos, incluidos los más antiguos y los de bajo consumo.
  5. Añada los efectos sobre el hardware: ¿hará falta comprar dispositivos nuevos o servidores dedicados en el borde?
  6. Tenga en cuenta la frecuencia: las tareas pequeñas y frecuentes suelen convenir al dispositivo; las pesadas y poco frecuentes, a la nube.
  7. Sopese la privacidad, la latencia, el uso sin conexión y la resiliencia.
  8. Considere un reparto: un modelo local pequeño atiende la mayoría de las solicitudes y deriva las difíciles a la nube.
  9. Mida después del despliegue y revise la decisión a medida que cambien los modelos y el hardware.

Lista de comprobación

  • [ ] Energía por resultado útil comparada para el borde, la nube y un reparto
  • [ ] El perímetro incluye los dispositivos y, cuando sea posible, la red
  • [ ] Elegido el modelo adecuado más pequeño, cuantizado para dispositivos cuando mantenga la calidad
  • [ ] La función de IA no obliga a renovar dispositivos
  • [ ] Batería y temperatura gestionadas, con un modo más ligero cuando están bajas
  • [ ] Beneficios de privacidad y protección de datos registrados
  • [ ] Supervisión planificada para los despliegues en el borde

Qué hacer a continuación

  1. Elija una función de IA y esboce sus opciones en el borde, en la nube y repartida.
  2. Mida la energía por resultado en un dispositivo típico y estime el equivalente en la nube; consulte medir la energía de la IA.
  3. Pruebe un modelo pequeño cuantizado en el dispositivo compatible más antiguo.
  4. Decida qué datos deben quedarse en local por motivos de privacidad o soberanía.
  5. Lea IA en el borde para tener una visión más amplia, y alojamiento y centros de datos para la parte de la nube.
  6. Encuentre herramientas de IA en el borde en el directorio de productos y grupos de investigación en investigación.

Preguntas frecuentes

¿Es la IA en el dispositivo más verde que la IA en la nube?

A veces. Un modelo pequeño en un teléfono evita la energía del centro de datos y de la red, pero los dispositivos son menos eficientes por cálculo que los aceleradores de los centros de datos, y comprar hardware nuevo para ejecutar IA tiene su propia huella. Compare el sistema completo.

¿Enviar datos a la nube consume mucha energía?

Las redes consumen una cantidad considerable de energía, pero gran parte es un consumo de base casi constante. Reducir los datos sigue ayudando a los dispositivos y servidores, pero el ahorro de red por gigabyte suele exagerarse.

¿Qué es la computación en el borde?

La computación que se realiza cerca de donde se producen o usan los datos: en el propio dispositivo, o en una pasarela cercana o un pequeño servidor local, en lugar de en un centro de datos lejano.

¿Qué tiene que ver la privacidad?

Los datos procesados en el dispositivo no tienen por qué salir de él. Eso reduce la exposición y puede facilitar el cumplimiento de normas de protección de datos como la minimización de datos.

Fuentes

  1. Data centres and data transmission networks, International Energy Agency (2023)
  2. Network energy use not directly proportional to data volume: the power model approach for more reliable network energy consumption calculations, Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
  3. Green Software Patterns: run AI models at the edge, Green Software Foundation (2025)
  4. Green Software Patterns: optimise power consumption for edge AI inference, Green Software Foundation (2025)
  5. Measuring the environmental impact of delivering AI at Google scale, Google (arXiv 2508.15734) (2025)
  6. Software Carbon Intensity (SCI) specification, Green Software Foundation (2024)
  7. Principle (c): Data minimisation, Information Commissioner's Office (2023)
  8. LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale, Dettmers et al. (arXiv 2208.07339) (2022)

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