# ¿Cómo comparo el consumo de energía de distintos modelos de IA?

> Cómo comparar con justicia la energía de los modelos de IA: use referencias como el AI Energy Score o mídalos usted con la misma tarea, hardware y ajustes.

Source: https://greenai.guide/es/como/como-comparo-el-consumo-de-energia-de-distintos-modelos-de-ia/  
Updated: 2026-11-19

## En resumen

Use una prueba de referencia estándar cuando exista una para su tarea, como el AI Energy Score de Hugging Face, y si no, mida usted mismo los candidatos con la misma tarea, el mismo hardware y los mismos ajustes. Compare la energía por tarea completada con éxito junto con la calidad, porque un modelo barato que falla acaba costando más.

## Steps

1. Compruebe si sus modelos candidatos ya tienen una calificación del AI Energy Score para su tarea.
2. Para los modelos que no la tengan, ejecute la misma prueba de referencia en cada uno, con la misma GPU y los mismos ajustes.
3. Use un conjunto fijo de prompts reales con longitudes de entrada y salida realistas.
4. Registre la energía por solicitud y la calidad de cada modelo, medidas de la misma forma.
5. Compare el coste por tarea completada con éxito, incluidos los reintentos.

**Compare lo comparable: misma tarea, mismo hardware, mismos ajustes, misma medición.** Las cifras publicadas por
distintos proveedores usan métodos y límites distintos, así que rara vez se pueden comparar con justicia.

## ¿Existe una comparación ya hecha? {#is-there-a-ready-made-comparison}

**Para muchos modelos abiertos, sí.** El AI Energy Score de Hugging Face mide la energía de GPU por cada 1.000
consultas en diez tareas comunes y asigna de una a cinco estrellas en relación con otros modelos en la misma tarea.
También ofrece una forma de evaluar modelos privados con el mismo método. Empiece por ahí.

## ¿Cómo mido los modelos yo mismo? {#how-do-i-measure-models-myself}

- **Modelos que usted ejecuta:** envuelva cada ejecución en una herramienta como CodeCarbon, que estima la energía a
  partir de la potencia del procesador y de la memoria.
- **API alojadas:** estime a partir del recuento de tokens con una herramienta como EcoLogits, y etiquete el
  resultado como estimación.
- **Mantenga fijo todo lo demás:** prompts, tamaño de lote, longitud de entrada y salida, hardware y región.
- **Repita las ejecuciones** e informe de un intervalo, no de una sola cifra.

Las diferencias pueden ser grandes. En la comparación de Luccioni, Jernite y Strubell, los modelos generativos
multiuso resultaron órdenes de magnitud más caros que los sistemas específicos para las mismas tareas.

## Errores frecuentes {#common-mistakes}

- **Comparar por llamada en lugar de por acierto.** Cuente los reintentos y los fallos.
- **Ignorar la longitud de la salida.** Un modelo que escribe el doble puede costar el doble, sea cual sea su tamaño.
- **Mezclar cifras estimadas y medidas** en la misma tabla sin indicarlo.

Para el método completo, consulte [cómo medir la energía de la IA](/es/buenas-practicas/como-medir-la-energia-y-el-carbono-de-la-ia/), y para interpretar
las calificaciones, [interpretar una calificación del AI Energy Score](/es/como/como-interpreto-una-calificacion-del-ai-energy-score/).

## Fuentes

- [AI Energy Score](https://huggingface.github.io/AIEnergyScore/), Hugging Face (2025)
- [Power Hungry Processing: Watts Driving the Cost of AI Deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell, ACM FAccT (2024)
- [CodeCarbon](https://codecarbon.io/), CodeCarbon (2026)
- [EcoLogits documentation](https://ecologits.ai/latest/), EcoLogits (2025)
