# ¿Cómo incluyo la IA verde en un curso universitario?

> Formas de llevar la IA verde a la docencia universitaria: un módulo breve sobre la huella, medir la energía en los trabajos, métodos eficientes e informes honestos.

Source: https://greenai.guide/es/como/como-incluyo-la-ia-verde-en-un-curso-universitario/  
Updated: 2026-11-19

## En resumen

Añada un bloque breve y práctico en lugar de un curso nuevo completo: explique adónde va la energía de la IA, pida a los estudiantes que midan la energía de su propio código o de sus ejecuciones de modelos, y pídales que informen del cómputo y la energía junto con la precisión. En los cursos técnicos, enseñe métodos eficientes como los modelos más pequeños, la cuantización y la reutilización; en los demás, céntrese en el uso sensato y en evaluar afirmaciones.

## Steps

1. Añada una sesión breve sobre el origen de la huella de energía, agua y hardware de la IA.
2. Pida a los estudiantes que midan la energía de al menos una ejecución de un trabajo con una herramienta como CodeCarbon.
3. Exija que en los trabajos técnicos se declaren el cómputo y la energía junto con la precisión.
4. Enseñe métodos eficientes como los modelos pequeños, la cuantización y la reutilización de modelos preentrenados.
5. Incluya un ejercicio de comprobación de una afirmación publicada sobre el consumo de energía de la IA.

**Un bloque práctico breve dentro de los cursos existentes llega a más estudiantes que una nueva asignatura
optativa.** Casi todos los estudiantes usan ya la IA: la encuesta de 2026 del Higher Education Policy Institute halló
que el 95% de los estudiantes de grado del Reino Unido afirmaba usarla.

## ¿Qué podría incluir el bloque? {#what-could-the-strand-include}

- **Nociones básicas de la huella.** Entrenamiento frente a inferencia, por qué las imágenes y las entradas largas
  cuestan más, y por qué las cifras publicadas difieren.
- **Medir algo.** Pida a los estudiantes que envuelvan una ejecución de entrenamiento o inferencia en CodeCarbon e
  informen del resultado con el hardware, el tiempo de ejecución y la ubicación.
- **Informar como un investigador.** Pida el cómputo y la energía junto a la precisión, incluidas las ejecuciones de
  ajuste; consulte [declarar la energía en la investigación](/es/como/como-informo-del-consumo-de-energia-de-mi-investigacion-en-ia/).
- **Métodos eficientes** para los cursos técnicos: modelos más pequeños y específicos, cuantización, destilación y
  reutilización de modelos preentrenados.
- **Evaluar afirmaciones** en cualquier curso: quién lo midió, por qué unidad y qué se dejó fuera.

## ¿Qué marcos de referencia ayudan? {#which-frameworks-help}

El marco de competencias en IA para estudiantes de la UNESCO incluye la IA ambientalmente sostenible. Para los grupos
de investigación y los departamentos, los principios GREENER de Lannelongue y sus colegas ofrecen un marco de
gobernanza, estimación y formación en ciencia computacional sostenible.

## Lo que más marca la diferencia {#what-makes-the-biggest-difference}

Hacer que la energía forme parte de la evaluación. En cuanto unos criterios de calificación premian la precisión por
kilovatio hora además de la precisión, los estudiantes empiezan a diseñar pensando en ello.

## Errores frecuentes {#common-mistakes}

- Tratarlo como una clase puntual de ética sin ninguna tarea práctica.
- Penalizar a los estudiantes que usan la IA en lugar de enseñarles a usarla bien.
- Usar cifras por consulta desactualizadas.

Lea [la alfabetización en IA en las universidades](/es/articulos/alfabetizacion-en-ia-en-las-universidades-incluida-su-huella/) y explore los
[cursos](/es/cursos/) para encontrar material que reutilizar.

## Fuentes

- [Student generative AI survey 2026](https://www.hepi.ac.uk/reports/student-generative-ai-survey-2026/), Higher Education Policy Institute (HEPI) (2026)
- [AI competency framework for students](https://unesdoc.unesco.org/ark:/48223/pf0000391105), UNESCO (2024)
- [CodeCarbon](https://codecarbon.io/), CodeCarbon (2026)
- [GREENER principles for environmentally sustainable computational science](https://doi.org/10.1038/s43588-023-00461-y), Lannelongue et al., Nature Computational Science (2023)
