greenai.guide

Inicio › Buenas prácticas › Cómo medir la energía y el carbono de la IA

Buenas prácticas

Cómo medir la energía y el carbono de la IA

Actualizado · 7 min de lectura

En resumen

Mida la energía de la IA midiendo el hardware que controla y estimando los servicios que no controla; después, convierta ambas cifras en carbono con datos de la red locales y ajustados en el tiempo. Registre el límite, el método y la incertidumbre de cada cifra, y exprésela por unidad de trabajo útil, no solo como total.

Puntos clave

  • Mida donde pueda (contadores de hardware, telemetría de GPU, enchufes, registros del planificador) y estime donde no pueda (API alojadas, nube pública).
  • Cada cifra necesita un límite del sistema declarado: qué entra, qué queda fuera y por qué.
  • Exprese la energía por unidad de trabajo útil, por ejemplo por solicitud o por documento, para que la eficiencia sea visible a medida que crece el uso.
  • Use la intensidad de carbono de la red basada en la ubicación, para la región y la hora en que se hizo el trabajo; los certificados no la cambian.
  • Repita las mediciones y dé un intervalo. Un único par de mediciones antes y después puede ser ruido.

¿Por qué medir?

No se puede reducir, comparar ni declarar con honestidad lo que no se ha medido. La medición convierte "la IA usa mucha energía" en cifras sobre las que se puede actuar: qué función, modelo o trabajo cuesta más, y si un cambio ha servido de algo.

En el sandpit británico sobre IA verde de 2026, con matemáticos, informáticos y representantes de la industria, la medición apareció una y otra vez como el cuello de botella. Muchas cifras publicadas son estimaciones, los métodos a menudo no se documentan y el mismo trabajo puede dar cifras muy distintas según lo que se cuente. Esta guía expone un método sólido.

¿Debo medir o estimar?

Mida el hardware que controla; estime los servicios que no controla. Ambas opciones son válidas, siempre que cada cifra indique cuál es.

Situación Enfoque Herramientas habituales
Su propio portátil, estación de trabajo o servidor Medir con contadores de hardware perf o powercap (contadores RAPL de Intel/AMD), PowerJoular, Scaphandre
Sus propias GPU Medir con la telemetría del fabricante, muestreada a lo largo del tiempo nvidia-smi o NVML, CodeCarbon
Un clúster de investigación Leer la contabilidad energética del planificador Slurm sacct (campo ConsumedEnergy), si está activada
Máquinas virtuales en la nube pública Estimar a partir de la utilización y la facturación Cloud Carbon Footprint, paneles de carbono del proveedor
API de IA alojadas Estimar a partir de los tokens y de supuestos sobre el modelo EcoLogits
Comparar modelos abiertos antes de elegir Usar un banco de pruebas estándar Hugging Face AI Energy Score

Las propias indicaciones de CodeCarbon trazan la misma línea: use CodeCarbon para el código que se ejecuta en hardware que usted gestiona, y EcoLogits para las llamadas a servicios remotos de IA generativa, en los que no tiene acceso al hardware.

Conozca los límites de su medidor

  • La telemetría de GPU toma muestras; no observa de forma continua. Unos investigadores observaron que, en las GPU A100 y H100, nvidia-smi muestrea la potencia solo durante un 25% del tiempo de ejecución, lo que puede provocar grandes subestimaciones o sobrestimaciones en trabajos cortos. Muestree durante todo el trabajo, ejecútelo el tiempo suficiente para cubrir muchos intervalos de muestreo e integre a lo largo del tiempo.
  • Los medidores por software son modelos. Contrástelos una vez por plataforma con un medidor de enchufe (basta con un enchufe inteligente con medición).
  • Las cifras de la nube son estimaciones. Los contadores de hardware no suelen estar disponibles en las máquinas virtuales de la nube pública, así que etiquete las cifras de la nube como estimadas.

¿Qué debe incluir el límite del sistema?

Trace un límite lo bastante amplio para incluir todo lo significativo, y déjelo por escrito. Una cifra sin límite no puede compararse con nada.

El artículo de Google de 2025 sobre Gemini es un buen ejemplo. Indica 0,24 Wh para un prompt de texto mediano cuando cuenta los aceleradores, las máquinas anfitrionas, la capacidad inactiva y el consumo adicional del centro de datos, y 0,10 Wh cuando cuenta solo el uso activo de TPU y GPU. Ambas cifras son honestas; responden a preguntas distintas. El límite de Google también deja fuera la red externa, los dispositivos de los usuarios y el entrenamiento del modelo, y las cifras no se han verificado de forma independiente.

Recorra estas capas y decida, para cada una, si entra o queda fuera:

  1. El acelerador (GPU, TPU) que hace los cálculos.
  2. El resto del servidor: CPU, memoria, almacenamiento.
  3. La capacidad inactiva y reservada que se mantiene lista para su trabajo.
  4. El consumo adicional del centro de datos: refrigeración y conversión de energía, recogidos por el PUE.
  5. La red entre los usuarios y el servicio.
  6. Los dispositivos de los usuarios.
  7. Las emisiones incorporadas: la parte de la fabricación del hardware atribuible a su uso.
  8. El entrenamiento y el ajuste fino, repartidos a lo largo de la vida útil del modelo.
  9. El proceso circundante: reintentos, ejecuciones fallidas, tiempo de revisión humana.

El sandpit planteó lo mismo sobre afirmaciones como "la IA cuesta treinta veces más que hacerlo a mano": la respuesta depende de si se cuenta el tiempo de trabajo de la persona, su equipo y todo lo que la rodea. Defina el límite antes de comparar.

¿Qué debo registrar?

Registre lo suficiente para que otra persona pueda repetir la medición y obtener una cifra similar. Para cada cifra, conserve:

  • Qué se midió: modelo y versión, tarea, conjunto de datos o de prompts, número de tokens de entrada y de salida.
  • Dónde y cuándo: hardware, región, fecha y hora (necesarias para la intensidad de carbono).
  • Cómo: herramienta y versión, frecuencia de muestreo, medido o estimado, consumo base en reposo incluido o excluido.
  • El límite: qué capas de las anteriores entran.
  • La regla de asignación: cómo se repartió la energía compartida o inactiva entre usuarios o servicios.
  • La dispersión: número de ejecuciones, media e intervalo.
  • La calidad: la precisión o la tasa de éxito de la tarea en ese momento. Una respuesta barata pero errónea no es un ahorro.

¿Cómo convierto la energía en carbono?

Multiplique la energía por la intensidad de carbono de la red en el lugar y el momento en que se ejecutó, y sume las emisiones incorporadas si están dentro de su límite. La especificación Software Carbon Intensity (SCI) de la Green Software Foundation, publicada como ISO/IEC 21031:2024, lo expresa como una tasa:

SCI = ((E × I) + M) por R

donde E es la energía, I es la intensidad de carbono de la red basada en la ubicación, M son las emisiones incorporadas y R es la unidad funcional. La especificación usa cifras de la red basadas en la ubicación y no permite que medidas basadas en el mercado, como los certificados renovables, los contratos de compraventa de energía o las compensaciones, reduzcan la puntuación.

  • Use datos regionales y ajustados en el tiempo siempre que pueda. En Gran Bretaña, la Carbon Intensity API del National Energy System Operator ofrece previsiones y estimaciones regionales; Electricity Maps cubre muchos otros países.
  • Recurra a medias nacionales anuales solo cuando no exista nada más preciso, y dígalo.

¿Qué métricas por tarea funcionan mejor?

Elija una unidad funcional que corresponda al valor que aporta su IA, e informe en relación con ella. Los totales aumentan con el crecimiento y ocultan la eficiencia; las cifras por unidad la muestran.

Buenas unidades funcionales para el trabajo con IA:

  • por solicitud, por respuesta o por conversación
  • por documento resumido, incidencia clasificada o imagen producida
  • por tarea completada con éxito (mejor aún, porque los intentos fallidos cuentan)
  • por ejecución de entrenamiento o por modelo ajustado, para el trabajo de desarrollo

Después, siga en paralelo la energía por unidad, el carbono por unidad, la calidad por unidad y el total. Si la energía por unidad baja mientras el total sube, la eficiencia mejora pero el uso crece más deprisa: es el efecto rebote, y sus informes deberían mostrarlo.

¿Cómo gestiono la incertidumbre?

Repita, indique un intervalo y declare solo cambios mayores que el ruido. Las lecturas varían con la temperatura, los procesos en segundo plano y el escalado de frecuencia.

  • Mida primero el consumo base en reposo en la misma máquina.
  • Ejecute cada prueba varias veces; indique la media y la dispersión.
  • Cambie una sola cosa cada vez y vuelva a medir con la misma configuración y la misma carga.
  • Para las estimaciones, enumere todos los supuestos (tamaño del modelo, hardware, utilización, PUE) y dé un caso bajo y uno alto.
  • Sustituya las estimaciones por cifras medidas o comunicadas por el proveedor a medida que estén disponibles.

Las cifras publicadas por prompt son un contexto útil, no un sustituto de sus propias cifras. La estimación ascendente de Epoch AI, de unos 0,3 Wh para una consulta típica a ChatGPT, sube a unos 2,5 Wh con una entrada de 10.000 tokens y a casi 40 Wh con una entrada de 100.000 tokens. Su patrón de uso importa más que cualquier media destacada.

Lista de comprobación

  • [ ] Cada cifra está etiquetada como medida o estimada, con herramienta y versión
  • [ ] Límite por escrito, incluido lo que se dejó fuera y por qué
  • [ ] Consumo base en reposo registrado; regla de asignación de la energía compartida declarada
  • [ ] Potencia de la GPU muestreada durante todo el trabajo, no con una instantánea
  • [ ] Energía expresada por unidad funcional, junto al total y la calidad
  • [ ] Carbono calculado con datos de la red basados en la ubicación y ajustados en el tiempo
  • [ ] Varias ejecuciones; media e intervalo indicados
  • [ ] Método guardado con los resultados para que otros puedan repetirlo

Qué hacer a continuación

  1. Elija una función o carga de trabajo de IA y defina su unidad funcional.
  2. Añada CodeCarbon a un script de entrenamiento o de inferencia local, o EcoLogits a su cliente de API de IA, y registre la energía en cada solicitud o ejecución.
  3. Redacte un método de medición de una página: límite, herramientas, regla de asignación, fuente de datos de carbono.
  4. Compare los modelos candidatos antes de elegir uno; consulte elegir el modelo adecuado.
  5. Antes de publicar cualquier cifra, contrástela con declaraciones ecológicas honestas.
  6. Lea por qué la medición es el cuello de botella, y encuentre herramientas de medición en el directorio de productos o ayuda de consultores.

Preguntas frecuentes

¿Cuánta energía usa un prompt de IA?

Las cifras publicadas para un prompt de texto típico son una fracción de vatio-hora: Google indica 0,24 Wh para un prompt de texto mediano a Gemini, y Epoch AI estima unos 0,3 Wh para una consulta típica a ChatGPT. Las entradas largas, el razonamiento y la generación de imágenes o vídeo pueden costar mucho más.

¿Puedo medir la energía de un servicio de IA alojado como ChatGPT?

No directamente. Puede estimarla a partir del número de tokens y de supuestos sobre el modelo con una herramienta como EcoLogits, y pedir al proveedor sus propias cifras y su método.

¿Es el tiempo de ejecución un buen sustituto de la energía?

No. La velocidad y la energía suelen ir juntas, pero no siempre, así que mida la energía directamente e informe de ambas.

¿Qué es un límite del sistema?

Es la lista de lo que incluye su cifra: por ejemplo, solo la GPU, todo el servidor, el consumo adicional del centro de datos, la red, los dispositivos de los usuarios y la fabricación del hardware. Dos cifras honestas pueden diferir diez veces porque sus límites son distintos.

Fuentes

  1. Measuring the environmental impact of delivering AI at Google scale, Google (arXiv 2508.15734) (2025)
  2. How much energy does ChatGPT use?, Epoch AI (2025)
  3. Part-time power measurements: nvidia-smi's lack of attention, Yang et al. (arXiv 2312.02741) (2023)
  4. Software Carbon Intensity (SCI) specification, Green Software Foundation (2024)
  5. ISO/IEC 21031:2024 Software Carbon Intensity (SCI) specification, ISO (2024)
  6. When to use CodeCarbon, CodeCarbon (2025)
  7. EcoLogits documentation, EcoLogits (2025)
  8. AI Energy Score, Hugging Face (2025)
  9. Carbon Intensity API, National Energy System Operator (2025)
  10. Slurm sacct manual (ConsumedEnergy), SchedMD (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