# ¿Cómo puedo…? Respuestas para reducir el impacto de la IA

> Respuestas breves y con fuentes a las preguntas que la gente hace sobre cómo reducir el impacto ambiental de usar y construir IA.

Source: https://greenai.guide/es/como/

97 respuestas directas a las preguntas que la gente hace sobre cómo usar la IA con menos energía, agua y residuos: para usuarios cotidianos, desarrolladores, organizaciones y centros educativos. Cada respuesta va primero, seguida de los pasos y las fuentes.

## Uso cotidiano de la IA

- [¿Cómo ayudo a mi familia a usar la IA de forma más sostenible?](https://greenai.guide/how-do-i/help-my-family-use-ai-sustainably/): Acuerden unos pocos hábitos sencillos en casa en lugar de normas: usar la herramienta más sencilla que funcione, hacer preguntas claras, pulir en lugar de regenerar y tratar las imágenes y los vídeos de IA como algo ocasional y no como un entretenimiento sin fin. Mantener teléfonos, tabletas y portátiles en uso durante más tiempo también importa, porque fabricar dispositivos también tiene una huella.
- [¿Cómo busco en internet sin respuestas de IA que no necesito?](https://greenai.guide/how-do-i/get-search-results-without-ai-answers/): Busque una opción o un filtro de búsqueda que muestre enlaces web sencillos, elija un buscador o un ajuste sin respuestas automáticas de IA, o vaya directamente a los sitios de confianza mediante marcadores. Una respuesta de IA generada en cada búsqueda añade un trabajo del modelo que quizá no necesite, sobre todo en consultas sencillas como un horario de apertura o un sitio web conocido.
- [¿Cómo compenso el carbono de mi uso de la IA?](https://greenai.guide/how-do-i/offset-the-carbon-of-my-ai-use/): Reduzca primero, y trate las compensaciones como un extra opcional y no como una forma de hacer que su uso de la IA sea «neutro en carbono». Para la mayoría de las personas, la huella del uso cotidiano de IA de texto es pequeña, y recortar los usos pesados, como la generación de imágenes y vídeo y la regeneración sin fin, sirve más que comprar créditos. Las normas sobre el carbono del software no permiten que las compensaciones reduzcan la huella medida.
- [¿Cómo decido si realmente necesito IA para una tarea?](https://greenai.guide/how-do-i/decide-if-i-need-ai-for-a-task/): Pregúntese si una herramienta más sencilla ya hace el trabajo de forma fiable: un buscador, una calculadora, un mapa, un diccionario, una plantilla o una fórmula de hoja de cálculo. Use la IA generativa cuando ahorre tiempo de verdad o mejore el resultado, por ejemplo para redactar, explicar o reelaborar textos, y evítela para consultas y cálculos que otras herramientas resuelven bien.
- [¿Cómo dejo de regenerar las respuestas de la IA una y otra vez?](https://greenai.guide/how-do-i/stop-regenerating-ai-answers/): Averigüe por qué falló la primera respuesta y luego dígale a la IA qué debe cambiar en una breve respuesta de seguimiento, en lugar de pulsar regenerar. Cada regeneración es una respuesta nueva completa, así que la costumbre de tirar los dados cinco o diez veces multiplica la energía de una tarea, sobre todo con las imágenes y el vídeo.
- [¿Cómo desactivo las funciones de IA que no necesito?](https://greenai.guide/how-do-i/turn-off-ai-features-i-dont-need/): Abra los ajustes de cada aplicación, teléfono, navegador o paquete ofimático que use, busque las secciones con el nombre de su asistente de IA o de «funciones inteligentes», y desactive lo que no use. Las funciones que se ejecutan automáticamente con cada correo, página o documento consumen energía tanto si lee el resultado como si no, así que los valores por defecto importan.
- [¿Cómo escribo prompts que consuman menos energía?](https://greenai.guide/how-do-i/write-prompts-that-use-less-energy/): Escriba prompts breves y concretos que digan exactamente lo que quiere, dé solo el contexto que necesita el modelo y fije una longitud para la respuesta. La energía aumenta con la cantidad de texto que un modelo lee y escribe, así que recortar ambas cosas, y obtener una respuesta útil a la primera, es lo que más ahorra.
- [¿Cómo evito cambiar mis dispositivos solo para usar IA?](https://greenai.guide/how-do-i/avoid-buying-new-devices-for-ai/): La mayoría de las herramientas de IA se ejecutan en la nube y funcionan desde un navegador o una aplicación en los dispositivos que ya tiene, así que rara vez necesita hardware nuevo para usarlas. Mantener los dispositivos en uso más tiempo evita la huella de fabricar otros nuevos, que incluye residuos electrónicos que, según los investigadores, la IA generativa aumentará.
- [¿Cómo evito que los chats largos con IA desperdicien energía?](https://greenai.guide/how-do-i/keep-long-ai-chats-efficient/): Empiece un chat nuevo cuando cambie de tema y, cuando una conversación larga siga siendo útil, pida un resumen breve y continúe a partir de él en un chat nuevo. Los chatbots suelen releer la conversación hasta ese momento para responder a cada mensaje nuevo, así que los hilos muy largos encarecen cada respuesta más de lo necesario.
- [¿Cómo hablo con mis hijos sobre la IA y el medio ambiente?](https://greenai.guide/how-do-i/talk-to-children-about-ai-and-the-environment/): Explique que la IA funciona en ordenadores potentes situados en grandes edificios llamados centros de datos, que usan electricidad y a menudo agua para refrigerarse, y que algunos usos, como hacer imágenes y vídeos, consumen mucho más que otros. Hágalo con calma y de forma práctica: el objetivo es usar la IA con criterio, no sentirse culpable.
- [¿Cómo pongo en perspectiva el consumo de energía de mi uso de la IA?](https://greenai.guide/how-do-i/put-my-ai-energy-use-in-perspective/): Una pregunta de texto corriente a un chatbot consume una fracción de vatio hora según las cifras publicadas, más o menos lo que consume un horno en un segundo. Las imágenes, los vídeos, los documentos largos y los modos de razonamiento pueden consumir muchas veces más, y el total mundial crece deprisa, así que tanto «no es nada» como «es un desastre» se equivocan.
- [¿Cómo reduzco el impacto de generar imágenes y vídeos con IA?](https://greenai.guide/how-do-i/cut-impact-of-ai-image-and-video-generation/): Genere menos imágenes y vídeos, planifique el prompt antes de empezar, haga vídeos cortos y con la resolución que necesita, y reutilice los buenos resultados. En un estudio, generar imágenes consumió más de mil veces más energía por solicitud que clasificar texto, y un vídeo corto de IA puede costar mucho más todavía.
- [¿Cómo reduzco la energía que consume mi uso de ChatGPT?](https://greenai.guide/how-do-i/reduce-energy-of-chatgpt-use/): Pida lo que necesita en una sola solicitud clara, mantenga las respuestas cortas, empiece un chat nuevo para un tema nuevo y modere la generación de imágenes y vídeo. Una pregunta de texto típica consume aproximadamente un tercio de vatio hora según las estimaciones publicadas, pero las entradas largas, la regeneración repetida y la generación de contenido multimedia pueden multiplicar esa cifra muchas veces.
- [¿Cómo sé cuándo usar el modo de «pensamiento» o de razonamiento de una IA?](https://greenai.guide/how-do-i/use-reasoning-modes-only-when-needed/): Use un modo de razonamiento o de «pensamiento» para los problemas realmente difíciles, como matemáticas de varios pasos, código complicado o análisis minuciosos, y un modelo estándar o rápido para las preguntas cotidianas, los borradores y los resúmenes. Los modos de razonamiento escriben largas cadenas ocultas de razonamiento antes de responder, y una prueba de referencia halló que consumían de media 30 veces más energía.
- [¿Cómo uso la IA en mi teléfono sin desperdiciar energía?](https://greenai.guide/how-do-i/use-ai-on-my-phone-efficiently/): Desactive las funciones de IA que no usa, prefiera las funciones rápidas en el dispositivo para las tareas sencillas y reserve los trabajos pesados, como la generación de imágenes o vídeo, para cuando de verdad los necesite. Los modelos pequeños en el dispositivo pueden evitar enviar datos a un centro de datos, pero siguen consumiendo su batería, así que el mayor ahorro es no ejecutar IA que no aporta nada.
- [¿Cómo uso los agentes de IA y las herramientas de investigación profunda sin desperdiciar?](https://greenai.guide/how-do-i/use-ai-agents-and-deep-research-sparingly/): Reserve los agentes y los modos de investigación profunda para las tareas que de verdad necesitan muchos pasos, como investigar un tema amplio en muchas fuentes, y use un chat normal para las preguntas rápidas. Los agentes llaman a un modelo muchas veces por tarea: Anthropic informó de que los agentes usaban unas cuatro veces los tokens de un chat, y los sistemas multiagente, unas quince veces.

## Elegir herramientas y modelos de IA

- [¿Cuál es el chatbot de IA más ecológico y cómo lo elijo?](https://greenai.guide/how-do-i/choose-the-greenest-ai-chatbot/): Nadie puede clasificar todavía de forma fiable los grandes chatbots según su energía, porque los proveedores publican cifras distintas, medidas de formas distintas, y algunos no publican ninguna. Elija un servicio que sea transparente sobre su consumo de energía y agua, que ofrezca modelos más ligeros para preguntas sencillas y que le permita controlar las funciones, y luego úselo bien: cómo usa un chatbot importa más que cuál elige.
- [¿Cómo comparo el consumo de energía de distintos modelos de IA?](https://greenai.guide/how-do-i/compare-energy-use-of-ai-models/): 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.
- [¿Cómo decido entre ejecutar la IA en mi dispositivo o en la nube?](https://greenai.guide/how-do-i/choose-between-device-and-cloud-ai/): Ejecute en el dispositivo las tareas pequeñas, frecuentes, privadas o sensibles a la latencia, y envíe a un servicio en la nube eficiente las tareas grandes u ocasionales que necesitan modelos grandes. Algunos estudios hallan grandes ahorros de energía en el dispositivo con modelos adecuados, pero los centros de datos bien gestionados son una referencia difícil de superar, así que mida su propio caso cuando pueda.
- [¿Cómo decido si basta el aprendizaje automático clásico en lugar de un LLM?](https://greenai.guide/how-do-i/choose-classical-ml-instead-of-an-llm/): Si sus entradas son datos estructurados o textos cortos etiquetados y la salida es un número, una categoría o una clasificación, pruebe primero un modelo clásico: un modelo lineal, árboles potenciados por gradiente o un clasificador pequeño. Son mucho más baratos de ejecutar, más rápidos, más fáciles de explicar y a menudo igual de precisos. Recurra a un gran modelo de lenguaje cuando la tarea necesite de verdad lenguaje abierto.
- [¿Cómo detecto el lavado verde en el marketing de la IA?](https://greenai.guide/how-do-i/spot-greenwashing-in-ai-marketing/): Desconfíe de palabras como «verde», «sostenible» o «IA neutra en carbono» sin cifras, métodos ni límites que las respalden, y de las afirmaciones que se basan en compensaciones o en certificados anuales de energía renovable. Las afirmaciones honestas dicen qué se midió, frente a qué referencia y qué se dejó fuera; en la UE, las afirmaciones ambientales genéricas que no pueden demostrarse están prohibidas.
- [¿Cómo ejecuto un modelo de IA en local?](https://greenai.guide/how-do-i/run-an-ai-model-locally/): Instale un ejecutor local como Ollama o llama.cpp, descargue un modelo pequeño de pesos abiertos en un formato cuantizado como GGUF y ejecútelo en su propio ordenador. Elija el modelo más pequeño que haga su tarea: las versiones cuantizadas necesitan mucha menos memoria, así que un modelo de 8.000 millones de parámetros que necesita unos 16 GB en formato de 16 bits cabe en unos 4–5 GB con 4 bits.
- [¿Cómo elijo un modelo de IA más pequeño?](https://greenai.guide/how-do-i/choose-a-smaller-ai-model/): Defina qué significa «suficientemente bueno» con ejemplos reales, pruebe luego los modelos del más pequeño al más grande y quédese con el primero que apruebe. Los modelos pequeños y específicos para una tarea pueden consumir una fracción de la energía de los grandes modelos generales: la UNESCO y el University College London informan de ahorros de hasta el 90% en tareas adecuadas.
- [¿Cómo encuentro un modelo específico para una tarea en lugar de usar un chatbot general?](https://greenai.guide/how-do-i/find-a-task-specific-model/): Defina la tarea con precisión, busque luego en un repositorio de modelos como Hugging Face por tipo de tarea y pruebe dos o tres candidatos pequeños con sus propios ejemplos. Un modelo creado para un solo trabajo puede ser órdenes de magnitud más barato de ejecutar que un modelo generativo general que haga lo mismo, así que merece la pena dedicar una tarde a probarlo antes de decidirse por un chatbot.
- [¿Cómo interpreto una calificación del AI Energy Score?](https://greenai.guide/how-do-i/read-an-ai-energy-score-rating/): Una calificación del AI Energy Score da a un modelo de una a cinco estrellas por su eficiencia energética en comparación con otros modelos probados en la misma tarea, a partir de la energía de GPU medida por cada 1.000 consultas. Más estrellas significa menos energía para esa tarea, pero las estrellas son relativas dentro de cada tarea, así que compare los modelos solo con otros calificados para el mismo trabajo.
- [¿Cómo le pido a una empresa de IA sus cifras de energía?](https://greenai.guide/how-do-i/ask-an-ai-company-for-energy-figures/): Pida la energía, el carbono y el agua por solicitud típica del modelo que usa, además del método, los límites del sistema y dónde se ejecuta. Pida cifras de carbono tanto basadas en la ubicación como basadas en el mercado. Muchos proveedores aún no pueden responder del todo, pero una pregunta concreta obtiene mejor respuesta que una general, y preguntar repetidamente crea demanda.
- [¿Cómo sé si una herramienta de IA es ecológica?](https://greenai.guide/how-do-i/know-if-an-ai-tool-is-green/): Busque pruebas en lugar de etiquetas: cifras publicadas de energía o emisiones por solicitud con un método declarado, la posibilidad de elegir modelos más pequeños, información sobre dónde se ejecuta y calificaciones independientes como el AI Energy Score. Pocas herramientas publican todo esto todavía, así que trate «verde» o «sostenible» sin cifras como una afirmación, no como un hecho.
- [¿Cómo uso un asistente de programación con IA sin una gran huella?](https://greenai.guide/how-do-i/use-an-ai-coding-assistant-with-a-smaller-footprint/): Use el asistente donde claramente compense, dele un contexto centrado en lugar de repositorios enteros, elija un modelo más pequeño o rápido para las ediciones rutinarias y divida las tareas difíciles en pasos sencillos que usted revise. Un estudio halló que la programación asistida por IA tenía unas 33 veces la huella de carbono del enfoque manual en las tareas probadas, así que los hábitos importan.

## Medir la energía y las emisiones

- [¿Cómo calculo la puntuación de Intensidad de Carbono del Software de una función de IA?](https://greenai.guide/how-do-i/calculate-an-sci-score-for-an-ai-feature/): La puntuación de Intensidad de Carbono del Software (Software Carbon Intensity, SCI), publicada como ISO/IEC 21031:2024, es ((E × I) + M) por R: la energía consumida, multiplicada por la intensidad de carbono de la red basada en la ubicación, más una parte de las emisiones incorporadas del hardware, dividido entre una unidad funcional, como una solicitud o un documento. Elija la unidad, defina los límites, reúna o estime cada término y vuelva a calcular tras cada cambio.
- [¿Cómo calculo mi propia huella de carbono de la IA?](https://greenai.guide/how-do-i/work-out-my-personal-ai-carbon-footprint/): Cuente aproximadamente cuántas preguntas de texto, documentos largos e imágenes usa cada semana, multiplíquelos por las cifras publicadas por solicitud y obtendrá un intervalo aproximado. Un prompt de texto típico consume una fracción de vatio hora según las cifras de las propias empresas, mientras que las entradas largas y las imágenes cuestan mucho más, así que sus hábitos más pesados suelen dominar el total. Trate el resultado como una estimación, no como una cifra precisa.
- [¿Cómo compruebo una afirmación sobre el consumo de energía de la IA?](https://greenai.guide/how-do-i/check-a-claim-about-ai-energy-use/): Hágase seis preguntas: por qué unidad (¿prompt, imagen, año?), quién lo midió, qué incluye, qué antigüedad tiene la cifra, con qué se compara y si habla de eficiencia o de uso total. La mayoría de las afirmaciones engañosas, ya sean alarmistas o tranquilizadoras, fallan en alguna de ellas. Las cifras publicadas por prompt difieren sobre todo porque cuentan cosas distintas.
- [¿Cómo contabilizo el carbono incorporado del hardware de IA?](https://greenai.guide/how-do-i/account-for-embodied-carbon-of-ai-hardware/): El carbono incorporado son las emisiones de fabricar, transportar y desechar el hardware. Para contabilizarlo, tome las emisiones incorporadas totales del equipo, repártalas según cuánto tiempo y qué parte del equipo usa su trabajo de IA, y sume esa parte a la cifra operativa, como hace el término M de la especificación SCI. Como los datos suelen ser escasos, declare sus supuestos; y recuerde que conservar el hardware más tiempo reparte las mismas emisiones entre más trabajo.
- [¿Cómo encuentro la intensidad de carbono de mi red eléctrica?](https://greenai.guide/how-do-i/find-grid-carbon-intensity-data/): Use datos de la red regionales y ajustados en el tiempo al lugar y el momento en que se ejecutó su trabajo de IA. En Gran Bretaña, la Carbon Intensity API del National Energy System Operator ofrece estimaciones y previsiones regionales; Electricity Maps cubre más de 350 zonas en todo el mundo. Recurra a los promedios anuales nacionales solo cuando no exista nada más detallado, e indique cuál usó.
- [¿Cómo estimo la energía de mis llamadas a una API de IA?](https://greenai.guide/how-do-i/estimate-energy-of-ai-api-calls/): No puede medir un hardware que no controla, así que estime: registre los tokens de entrada y de salida de cada llamada y use una herramienta como EcoLogits, que envuelve su cliente de IA e informa de la energía y las emisiones estimadas por solicitud. Etiquete las cifras como estimaciones, indique el método y sustitúyalas por las cifras que declare el proveedor cuando pueda conseguirlas.
- [¿Cómo estimo la huella hídrica de la IA?](https://greenai.guide/how-do-i/estimate-the-water-footprint-of-ai/): El consumo de agua sigue al de energía: multiplique la energía de su trabajo de IA por la eficiencia en el uso del agua (WUE) del centro de datos para la refrigeración in situ, y sume el agua usada para generar la electricidad si está dentro de sus límites. Las cifras publicadas por prompt van desde una fracción de mililitro hasta decenas de mililitros, sobre todo porque cuentan cosas distintas. Dónde se usa el agua importa tanto como cuánta.
- [¿Cómo fijo un presupuesto de cómputo para un proyecto de investigación?](https://greenai.guide/how-do-i/set-a-compute-budget-for-a-research-project/): Estime las horas de GPU que necesitan sus experimentos principales, añada un margen para la exploración y controle el uso frente a ese presupuesto como si fuera dinero. Pruebe las ideas a pequeña escala, detenga pronto las ejecuciones malas, reutilice modelos preentrenados y puntos de control, e informe de los resultados en relación con el cómputo que requirieron. Un presupuesto hace visibles las compensaciones y pone fin al ajuste interminable.
- [¿Cómo fijo una referencia para demostrar el ahorro de energía de la IA?](https://greenai.guide/how-do-i/set-a-baseline-for-ai-energy-savings/): Mida el sistema actual antes de cambiar nada, con el mismo hardware, la misma carga y las mismas entradas que usará después, y repita las ejecuciones para ver la dispersión normal. Informe de la energía por unidad de trabajo útil además de en total, y declare solo un ahorro mayor que el ruido y logrado sin una caída de la calidad.
- [¿Cómo informo del consumo de energía de mi investigación en IA?](https://greenai.guide/how-do-i/report-energy-use-in-a-research-paper/): Informe del hardware, de las horas de GPU de todas las ejecuciones, incluidos el ajuste y los fallos, de la energía en kWh con la herramienta usada, de la ubicación y la intensidad de carbono de la red, de las emisiones en kg CO₂e y de la energía de inferencia con un tamaño de lote indicado. Diga qué incluyen los límites y cuán inciertas son las cifras. Medir sobre la marcha, con una herramienta como CodeCarbon, convierte esto en una tabla en lugar de una reconstrucción.
- [¿Cómo mido la energía de la IA por tarea en lugar de en total?](https://greenai.guide/how-do-i/track-ai-energy-per-task/): Elija una unidad funcional que refleje el valor que aporta la IA, como por documento resumido o por tarea completada con éxito, y divida la energía entre ella. Siga a la vez la energía por unidad, la calidad por unidad y el total. Las cifras por unidad muestran si el sistema se vuelve más eficiente; el total muestra si el crecimiento va más deprisa.
- [¿Cómo mido la energía que usa la IA en mi propio ordenador o GPU?](https://greenai.guide/how-do-i/measure-energy-of-ai-on-my-own-computer/): En su propia máquina puede medir directamente: use CodeCarbon o una herramienta de potencia que lea los contadores del procesador y de la GPU, o ponga un enchufe inteligente con medidor entre el ordenador y la pared. Registre primero el consumo en reposo, muestree durante todo el trabajo en lugar de tomar instantáneas y repita la ejecución varias veces antes de fiarse de la cifra.
- [¿Cómo mido la huella de carbono de entrenar un modelo?](https://greenai.guide/how-do-i/measure-carbon-footprint-of-training-a-model/): Envuelva su script de entrenamiento en un medidor de emisiones como CodeCarbon, que estima la energía de su CPU, su GPU y su memoria y la convierte en carbono usando la red local. Cuente todas las ejecuciones, incluidos el ajuste y los fallos, registre el hardware, la ubicación y la duración, y publique el resultado con el modelo. Si no tiene registros, una calculadora como Green Algorithms puede estimarlo después.

## Para desarrolladores y científicos de datos

- [¿Cómo acelero un modelo grande con la decodificación especulativa?](https://greenai.guide/how-do-i/use-speculative-decoding/): Combine su modelo grande con un pequeño modelo borrador de la misma familia: el borrador propone varios tokens y el modelo grande los verifica en una sola pasada, quedándose solo con los que coinciden con los suyos. La salida es la misma que la del modelo grande solo, y el estudio original informó de una inferencia entre 2 y 3 veces más rápida. Compruebe que su sistema de servicio lo admite y luego mida la energía por solicitud, no solo la velocidad.
- [¿Cómo agrupo las solicitudes de IA en lotes para ahorrar energía?](https://greenai.guide/how-do-i/batch-ai-requests/): Atienda el tráfico en directo con un motor de inferencia que use procesamiento continuo por lotes (continuous batching), para que las solicitudes simultáneas compartan el acelerador. Ponga en cola el trabajo que no necesita una respuesta inmediata, como el procesamiento nocturno de documentos, y ejecútelo en lotes grandes, a ser posible cuando la red eléctrica esté más limpia. Un acelerador que atiende una sola solicitud cada vez está infrautilizado, pero sigue consumiendo mucha energía.
- [¿Cómo almaceno los datos de entrenamiento de IA para que las cadenas de procesamiento lean menos?](https://greenai.guide/how-do-i/store-training-data-so-pipelines-read-less/): Guarde los datos de entrenamiento y de características en un formato columnar para que los trabajos lean solo las columnas y particiones que usan, y convierta el texto en bruto a un formato binario una sola vez en lugar de volver a analizarlo en cada ejecución o época. Mida un trabajo típico antes y después para comprobar que la conversión compensa. El manejo de datos es fácil de pasar por alto al lado del modelo, pero se ejecuta en cada experimento.
- [¿Cómo consigo que la IA escriba código energéticamente eficiente?](https://greenai.guide/how-do-i/get-ai-to-write-energy-efficient-code/): Pida explícitamente código eficiente y nombre la restricción, como la memoria, las asignaciones o la complejidad algorítmica; luego ejecute las pruebas y mida la energía del código antes de aceptarlo. Una investigación halló que cambiar el prompt podía hacer el código generado hasta un 91,9% más eficiente energéticamente, pero a menudo a costa de su corrección. Dé al asistente principios energéticos que seguir y mantenga a una persona revisando el resultado.
- [¿Cómo cuantizo un modelo?](https://greenai.guide/how-do-i/quantise-a-model/): Cuantizar guarda los pesos de un modelo con menos bits, normalmente 8 o 4 en lugar de 16 o 32, de modo que necesita menos memoria y a menudo menos energía por respuesta. Cargue una versión ya cuantizada o cuantice con los métodos integrados de su biblioteca, y luego pruébela con sus propios ejemplos frente al modelo de precisión completa. Consérvela si la calidad se mantiene y la energía por solicitud baja.
- [¿Cómo decido si un modelo de mezcla de expertos ahorrará energía?](https://greenai.guide/how-do-i/decide-if-mixture-of-experts-saves-energy/): Un modelo de mezcla de expertos dirige cada token a unas pocas subredes especializadas, de modo que solo una parte del modelo trabaja por token. Mixtral, por ejemplo, tiene 47.000 millones de parámetros, pero usa 13.000 millones por token. Eso puede reducir el cómputo por respuesta frente a un modelo denso de calidad similar, pero todos los expertos deben estar igualmente en memoria, así que compare la calidad, la latencia y la energía por solicitud en su propio hardware.
- [¿Cómo destilo un modelo grande en uno más pequeño?](https://greenai.guide/how-do-i/distil-a-large-model-into-a-small-one/): Compruebe primero si ya existe una versión destilada de su modelo. Si no, use el modelo «maestro» grande para etiquetar o generar ejemplos de su tarea, entrene con ellos un modelo «alumno» pequeño y pruebe el alumno con sus propios casos reales. DistilBERT, uno de los primeros ejemplos, era un 40% más pequeño y un 60% más rápido que BERT y conservaba el 97% de su capacidad de comprensión del lenguaje.
- [¿Cómo diseño funciones de IA que no se ejecuten cuando nadie las necesita?](https://greenai.guide/how-do-i/design-ai-features-that-dont-run-needlessly/): Haga que las funciones de IA se ejecuten cuando un usuario lo pida, no automáticamente con cada carga de página, mensaje o archivo. Genere una vez y reutilice los resultados compartidos, use código sencillo para las decisiones que puede tomar una regla y elimine las funciones de IA que usa poca gente. Las Directrices de Sostenibilidad Web del W3C piden a los equipos que evalúen la necesidad de la IA antes de implantarla, y eso se aplica a cada activador además de a cada función.
- [¿Cómo elijo entre recuperación y ajuste fino para ahorrar energía?](https://greenai.guide/how-do-i/choose-between-rag-and-fine-tuning/): Use la recuperación cuando el modelo necesite datos que cambian o que son específicos de usted: póngalos en un índice con búsqueda y recupere solo los fragmentos pertinentes. Use el ajuste fino cuando el modelo necesite una habilidad, un formato o un estilo que no tiene. Reentrenar para mantener los datos al día repite los costes de entrenamiento, mientras que pegar documentos enteros en cada prompt desperdicia inferencia, así que cada enfoque tiene su lugar.
- [¿Cómo enruto las solicitudes a modelos más pequeños?](https://greenai.guide/how-do-i/set-up-model-routing/): Ponga un enrutador delante de sus modelos: una regla, un clasificador pequeño o una cascada que prueba primero un modelo pequeño y escala cuando la confianza es baja o falla una comprobación. Los enrutadores publicados han reducido los costes en más de la mitad en algunas pruebas sin empeorar la calidad. Ajuste el umbral con sus propios datos y mida el coste por tarea completada con éxito, no por llamada.
- [¿Cómo evito entrenar un modelo desde cero?](https://greenai.guide/how-do-i/avoid-training-a-model-from-scratch/): Busque un modelo preentrenado cercano a su tarea y adáptelo: hágale un ajuste fino, entrene un pequeño adaptador como LoRA o añada conocimiento mediante recuperación en lugar de reentrenar. Si ya tiene varios modelos ajustados a partir de la misma base, promediar sus pesos puede mejorar la precisión sin coste adicional de inferencia. Entrenar desde cero rara vez es necesario fuera de la investigación sobre modelos fundacionales.
- [¿Cómo evito que los agentes de IA desperdicien tokens?](https://greenai.guide/how-do-i/stop-ai-agents-wasting-tokens/): Dé a cada agente un objetivo comprobable que termine la ejecución, límites estrictos de pasos, tokens, tiempo y gasto, y una detección de bucles que lo detenga cuando se repita. Recorte el contexto que lleva cada paso, use código sencillo para las decisiones que puede tomar una regla y envíe las subtareas sencillas a modelos pequeños. Los agentes pueden usar muchas veces los tokens de un chat, así que estos límites compensan enseguida.
- [¿Cómo evito que mi chatbot reenvíe toda la conversación?](https://greenai.guide/how-do-i/stop-resending-the-whole-conversation/): La mayoría de las funciones de chat reenvían al modelo toda la conversación en cada turno, así que la entrada crece con cada mensaje. Limite cuántos turnos anteriores envía, resuma los más antiguos en una nota breve, recupere solo los mensajes o documentos anteriores que importen y guarde en caché los prompts de sistema fijos. Las entradas largas cuestan mucha más energía que las cortas.
- [¿Cómo hago el ajuste fino de un modelo sin una enorme capacidad de cómputo?](https://greenai.guide/how-do-i/fine-tune-a-model-with-less-compute/): Parta de un modelo preentrenado y entrene un pequeño adaptador en lugar de todos sus pesos, con LoRA, o con QLoRA y pesos de 4 bits. LoRA redujo 10.000 veces los parámetros entrenables y a un tercio la memoria de GPU en comparación con el ajuste fino completo de GPT-3, y QLoRA hizo el ajuste fino de un modelo de 65.000 millones de parámetros en una sola GPU de 48 GB. Compare el resultado con su nivel de calidad antes de plantearse algo más grande.
- [¿Cómo hago más eficientes la búsqueda vectorial y RAG?](https://greenai.guide/how-do-i/make-vector-search-and-rag-more-efficient/): Use un índice de vecinos más cercanos aproximado en lugar de comparar cada consulta con todos los vectores almacenados, recupere unos pocos fragmentos cortos y pertinentes en lugar de muchos largos, y vuelva a calcular los embeddings solo del contenido que ha cambiado. Después, use el modelo de generación más pequeño que responda bien a partir de un buen contexto. La mayor parte del desperdicio en los sistemas de recuperación procede de la búsqueda por fuerza bruta y de los prompts sobredimensionados.
- [¿Cómo hago un modelo lo bastante pequeño para un dispositivo edge?](https://greenai.guide/how-do-i/make-a-model-small-enough-for-an-edge-device/): Parta del modelo más pequeño que pueda alcanzar su nivel de calidad y redúzcalo aún más con destilación, cuantización y poda, probando cada paso en el dispositivo de destino. Mida conjuntamente la energía por inferencia, la latencia y la precisión en el hardware real, y haga que el modelo baje de nivel cuando la batería esté baja o el dispositivo esté caliente.
- [¿Cómo limito cuánto escribe un LLM?](https://greenai.guide/how-do-i/limit-how-much-an-llm-writes/): Fije una longitud máxima de salida en la llamada a la API, indique al modelo en el prompt el formato y la longitud que quiere, y use secuencias de parada o salida estructurada para que termine cuando el trabajo esté hecho. La energía crece con el número de tokens que genera un modelo, así que limitar la salida es uno de los ahorros más sencillos de cualquier aplicación.
- [¿Cómo podo una red neuronal?](https://greenai.guide/how-do-i/prune-a-neural-network/): Pode una red entrenada eliminando los pesos, las neuronas o las capas que menos aportan, haga después un breve ajuste fino para que se recupere y pruébela frente a su nivel de calidad. La poda redujo nueve veces los parámetros de AlexNet sin pérdida de precisión, y se han podado modelos de lenguaje muy grandes hasta al menos un 50% de dispersión de una sola vez. Prefiera la poda estructurada si quiere que el hardware corriente funcione más rápido.
- [¿Cómo reduzco la energía de entrenar un modelo?](https://greenai.guide/how-do-i/reduce-the-energy-of-training-a-model/): Parta de un modelo preentrenado cuando pueda, elija la arquitectura más pequeña que pueda alcanzar su nivel, entrene con precisión mixta, pare cuando la validación deje de mejorar y ejecute en hardware eficiente, en una región y a una hora con bajas emisiones. Patterson y sus colegas hallaron que la elección del modelo, el centro de datos y el procesador puede reducir la huella de carbono del entrenamiento hasta unas 100 a 1.000 veces. Mida cada ejecución para que las compensaciones entre opciones sean visibles.
- [¿Cómo reduzco la energía de las búsquedas de hiperparámetros?](https://greenai.guide/how-do-i/cut-the-energy-of-hyperparameter-searches/): Sustituya las grandes búsquedas en cuadrícula por búsquedas aleatorias o adaptativas, detenga pronto las pruebas malas, haga primero pilotos con pocos datos o modelos pequeños, y parta de los valores por defecto publicados para su arquitectura. Registre la energía de cada prueba, no solo de la ganadora, y fije un presupuesto de cómputo antes de empezar. Las ejecuciones de ajuste suelen costar más que el entrenamiento final, y rara vez se declaran.
- [¿Cómo reduzco la energía de servir un modelo en producción?](https://greenai.guide/how-do-i/cut-the-energy-of-serving-a-model/): Sirva el modelo más pequeño que alcance su nivel de calidad, en un entorno de ejecución diseñado para la inferencia, con el procesamiento por lotes activado, los pesos en media precisión o cuantizados y las rutas optimizadas de atención y caché de la biblioteca habilitadas. Después, pruebe dos o tres entornos de ejecución y opciones de hardware con su tráfico real, y elija según la energía por solicitud además de la latencia.
- [¿Cómo uso la caché para reducir la energía de las llamadas a un LLM?](https://greenai.guide/how-do-i/cache-llm-calls/): Use dos capas. La caché de prompts del proveedor reutiliza el procesamiento de un prefijo fijo, como un prompt de sistema largo o un documento compartido, así que ponga primero el contenido estable. Su propia caché de respuestas guarda las respuestas a solicitudes idénticas para no volver a llamar al modelo. Ambas reducen el cómputo, el coste y la latencia, siempre que fije tiempos de caducidad razonables.

## Centros de datos, nube y alojamiento

- [¿Cómo compruebo si mi IA funciona con energía renovable?](https://greenai.guide/how-do-i/check-whether-my-ai-runs-on-renewable-energy/): Pregunte dónde se ejecuta realmente su IA y luego fíjese en dos cosas de esa región: la intensidad de carbono de la red eléctrica y la parte de la electricidad casada hora a hora con energía limpia. «100% renovable» suele significar certificados o contratos anuales que igualan los totales del año, lo que no cambia lo que la red local suministra a una hora determinada. Pida cifras tanto basadas en la ubicación como basadas en el mercado.
- [¿Cómo ejecuto trabajos de IA con la capacidad sobrante de la nube?](https://greenai.guide/how-do-i/run-ai-jobs-on-spare-cloud-capacity/): Los proveedores de nube venden barata su capacidad sobrante a condición de poder recuperarla con poca antelación, como instancias spot o interrumpibles (preemptible). El entrenamiento, la evaluación, la inferencia por lotes y el procesamiento de datos pueden usarla si guardan puntos de control y se reintentan sin problemas. La guía de Microsoft es usarla solo para trabajo tolerante a interrupciones, porque estas pueden añadir inestabilidad.
- [¿Cómo elijo hardware de IA energéticamente eficiente?](https://greenai.guide/how-do-i/choose-energy-efficient-hardware-for-ai/): Pruebe su modelo real en dos o tres opciones de hardware y de entorno de ejecución y compare la energía por solicitud o por entrenamiento con tamaños de lote realistas, junto con la latencia y el coste. Patterson y sus colegas hallaron que la elección del modelo, el centro de datos y el procesador puede reducir conjuntamente el carbono del entrenamiento hasta unas 100 a 1.000 veces. Mantenga el buen hardware ocupado y en servicio, porque fabricar equipos nuevos tiene su propia huella.
- [¿Cómo elijo un centro de datos o un proveedor de alojamiento sostenible para la IA?](https://greenai.guide/how-do-i/choose-a-sustainable-data-centre-for-ai/): Pida pruebas en lugar de etiquetas: la intensidad de carbono de la red y la parte de energía limpia por horas donde se ejecuta su trabajo, el PUE y el consumo de agua del centro, cuánto tiempo sigue en servicio el hardware y si recibirá datos de energía y emisiones de su propia cuenta. En la UE, los centros de datos más grandes deben informar de su consumo de energía y agua, así que los datos suelen existir. Elija un alojamiento limpio, pero siga reduciendo el trabajo que envía allí.
- [¿Cómo elijo una región de nube con bajas emisiones de carbono?](https://greenai.guide/how-do-i/pick-a-low-carbon-cloud-region/): Compare las regiones según la intensidad de carbono de la red y la parte de energía libre de carbono, con los datos por región que publica su proveedor o una fuente como Electricity Maps, y luego sopese la latencia, las normas de residencia de datos y el coste. El trabajo por lotes, como el entrenamiento, el ajuste fino y el procesamiento nocturno, es el más fácil de trasladar; la inferencia de cara al usuario suele tener que quedarse cerca de los usuarios.
- [¿Cómo encuentro los datos de carbono de mi proveedor de nube?](https://greenai.guide/how-do-i/find-my-cloud-providers-carbon-data/): Los grandes proveedores de nube publican los datos de carbono de sus clientes en sus consolas de facturación o de sostenibilidad: la consola Sustainability de AWS, las herramientas de emisiones de Azure de Microsoft y el panel Carbon Footprint de Google Cloud. Desglosan las emisiones por servicio, región y alcance, pero son mensuales y estimadas, así que trátelas como una tendencia y combínelas con sus propias mediciones por carga de trabajo.
- [¿Cómo evito que las GPU y los notebooks estén inactivos?](https://greenai.guide/how-do-i/stop-gpus-sitting-idle/): Haga que lo predeterminado sea bajo demanda: las cadenas de procesamiento y los trabajos de entrenamiento deberían iniciar los recursos al activarse y liberarlos al terminar. Apague automáticamente los notebooks y las GPU de desarrollo inactivos tras un tiempo fijado, escale a cero los entornos que no son de producción fuera del horario laboral e informe de las horas de GPU inactivas por equipo junto al coste para que el desperdicio sea visible.
- [¿Cómo interpreto las cifras de PUE y WUE?](https://greenai.guide/how-do-i/understand-pue-and-wue/): La eficiencia en el uso de la energía (PUE) es la energía total de un centro de datos dividida entre la energía que usan sus equipos informáticos: cuanto más cerca de 1,0, menos se pierde en refrigeración y conversión eléctrica. La eficiencia en el uso del agua (WUE) son los litros de agua usados in situ por kilovatio hora de cómputo: cuanto más baja, mejor. Ninguna de las dos dice cuánto cómputo se hace, lo limpia que es la energía ni si el trabajo era necesario.
- [¿Cómo programo el entrenamiento para cuando la red eléctrica esté más limpia?](https://greenai.guide/how-do-i/schedule-training-when-the-grid-is-greener/): Identifique los trabajos que pueden esperar, como el entrenamiento, el ajuste fino, la evaluación y la inferencia por lotes, e inícielos cuando una previsión de intensidad de carbono indique que la red está más limpia. Guarde puntos de control periódicos para que los trabajos largos puedan pausarse cuando la intensidad suba y reanudarse cuando baje, dentro de un plazo firme. La programación consciente del carbono reduce el carbono, no la energía, así que aplíquela además del trabajo de eficiencia.
- [¿Cómo puedo opinar sobre un centro de datos previsto cerca de mi casa?](https://greenai.guide/how-do-i/have-a-say-on-a-data-centre-near-me/): Busque la solicitud urbanística, lea las declaraciones del promotor sobre energía, agua, ruido y calor, y presente sus comentarios dentro del periodo de consulta con preguntas concretas y basadas en pruebas. Pregunte cuánta capacidad de la red eléctrica y cuánta agua usará el centro, si se reutilizará el calor residual y qué cifras de energía y agua se publicarán cuando esté en funcionamiento. Las preguntas concretas tienen más peso que las objeciones generales.
- [¿Cómo reduzco la huella de los experimentos de IA en un clúster de investigación?](https://greenai.guide/how-do-i/reduce-footprint-of-ai-on-a-research-cluster/): Empiece por medir: muchos clústeres registran la energía por trabajo en el planificador Slurm, y CodeCarbon o la calculadora Green Algorithms pueden cubrir los huecos. Después, pida solo las GPU, la memoria y el tiempo que necesita, pruebe las ideas a pequeña escala, guarde puntos de control en los trabajos largos y programe los flexibles para cuando la red eléctrica esté más limpia. Informe de la energía de proyectos enteros, no solo de las ejecuciones finales.
- [¿Cómo reduzco la huella hídrica de la IA?](https://greenai.guide/how-do-i/reduce-the-water-footprint-of-ai/): El consumo de agua sigue al de energía, así que el primer paso es el mismo: modelos más pequeños, respuestas más cortas y menos regeneraciones. Además, elija proveedores que publiquen su consumo de agua, evite las regiones con estrés hídrico para el trabajo pesado y pida a los proveedores cifras de agua por centro. Por prompt de texto, el agua es poca; lo que importa son los totales y los efectos locales.

## Para organizaciones

- [¿Cómo compruebo si un proyecto de IA compensa su coste ambiental?](https://greenai.guide/how-do-i/check-an-ai-project-is-worth-its-footprint/): Estime la huella propia de la IA (entrenamiento o ajuste fino, más su funcionamiento durante su vida prevista) y compárela con el beneficio, medido durante el mismo periodo. Compárela con la opción más sencilla sin IA, no con no hacer nada. Si el proyecto pretende ahorrar energía o emisiones, el ahorro tiene que superar claramente el coste propio de la IA; de lo contrario, el balance es negativo.
- [¿Cómo cumplo las normas de documentación energética de la Ley de IA de la UE?](https://greenai.guide/how-do-i/meet-eu-ai-act-energy-documentation-rules/): Si proporciona un modelo de IA de uso general en la UE, el anexo XI de la Ley de IA (AI Act) exige que su documentación técnica incluya el consumo de energía conocido o estimado del modelo, junto con los recursos computacionales usados para entrenarlo. Registre el cómputo y la energía del entrenamiento desde el principio, anote el método y estime lo que no pueda medir. Si solo usa la IA, la obligación recae en su proveedor, pero puede pedirle las cifras.
- [¿Cómo declaro las emisiones de la IA en nuestro informe de sostenibilidad?](https://greenai.guide/how-do-i/report-ai-emissions-in-a-sustainability-report/): Declare la IA dentro de su inventario de gases de efecto invernadero existente, no como una cifra aparte: la electricidad del hardware que usted gestiona va en el Alcance 2, y los servicios de nube y de IA suelen ir en el Alcance 3, bienes y servicios adquiridos. Use datos de los proveedores cuando pueda conseguirlos, estime el resto a partir del uso con un método declarado e indique los límites y la incertidumbre. Muestre la energía por tarea útil junto con el total.
- [¿Cómo defiendo la IA verde con argumentos de negocio?](https://greenai.guide/how-do-i/make-the-business-case-for-green-ai/): Plantee el caso en términos de coste, rapidez y riesgo, porque lo que reduce el consumo de energía de la IA (modelos más pequeños, menos tokens, menos llamadas desperdiciadas) también reduce las facturas y las esperas. Muestre un ejemplo medido de su propio trabajo, añada las razones de información y normativas, y mantenga el beneficio ambiental como un argumento real pero secundario si eso conviene a su público.
- [¿Cómo desactivo en toda mi organización las funciones de IA que no se necesitan?](https://greenai.guide/how-do-i/switch-off-unneeded-ai-features-across-my-organisation/): Use su inventario para encontrar las funciones de IA activadas por defecto y luego decida función por función: conserve lo que la gente usa, desactive o restrinja lo que no, y dé acceso a petición. Haga el cambio en las consolas de administración en lugar de pedírselo a los usuarios, explique al personal qué ha cambiado y por qué, y revise los datos de uso cada trimestre. Tener menos licencias de IA sin usar también ahorra dinero.
- [¿Cómo evito que el aumento del uso anule las mejoras de eficiencia de la IA?](https://greenai.guide/how-do-i/stop-efficiency-gains-being-cancelled-out/): Mida la energía total de la IA además de la energía por tarea, para que el crecimiento sea visible, y decida de antemano qué pasará con los ahorros: retirar la capacidad liberada, mantener un presupuesto o un tope, o reinvertir de forma deliberada. Combine la eficiencia con la suficiencia preguntándose si cada nuevo uso merece la pena. Sin esto, una IA más barata tiende simplemente a usarse más.
- [¿Cómo fijo objetivos de energía y emisiones para la IA?](https://greenai.guide/how-do-i/set-targets-for-ai-energy-and-emissions/): Mida primero una referencia y luego fije dos tipos de objetivo a la vez: un objetivo de intensidad (energía o emisiones por tarea útil) y un objetivo absoluto o un tope para el total. La intensidad muestra la eficiencia; la cifra absoluta muestra si el crecimiento del uso se está comiendo los ahorros. Revíselos al menos una vez al año, a medida que cambien los modelos y el uso.
- [¿Cómo formo al personal para que use la IA de forma eficiente?](https://greenai.guide/how-do-i/train-staff-to-use-ai-efficiently/): Enseñe unos pocos hábitos en una sesión breve con ejemplos reales de su propio trabajo: comprobar si la IA es la herramienta adecuada, escribir prompts claros y concretos, pedir respuestas cortas, pulir en lugar de regenerar y moderar el uso de imágenes y vídeo. Respalde la formación con valores por defecto eficientes en las herramientas de la empresa, porque los valores por defecto llegan a quienes se saltan el curso.
- [¿Cómo hago afirmaciones honestas sobre nuestra IA verde?](https://greenai.guide/how-do-i/make-honest-claims-about-green-ai/): Afirme solo lo que ha medido, sea concreto sobre qué mejoró y frente a qué referencia, e indique el método, los límites del sistema y las limitaciones. Distinga la eficiencia por tarea del uso total, y no base una afirmación en compensaciones ni en certificados anuales. Palabras vagas como «IA verde» o «IA neutra en carbono» son arriesgadas y, en el Reino Unido y la UE, pueden infringir la legislación de consumo.
- [¿Cómo hago más sostenible el uso de la IA en mi empresa?](https://greenai.guide/how-do-i/make-my-companys-ai-use-more-sustainable/): Empiece por mapear dónde usa la IA su empresa y luego haga que la opción eficiente sea la predeterminada: el modelo más pequeño que alcance el nivel de calidad, respuestas cortas y funciones de IA desactivadas salvo que se necesiten. Pida a los proveedores la energía por solicitud y dónde se ejecutan, mida por tarea útil y recójalo en una política breve con un responsable. La mayoría de estos pasos reducen el coste y los tiempos de espera además de la energía.
- [¿Cómo incluyo la sostenibilidad en la compra de IA?](https://greenai.guide/how-do-i/put-sustainability-into-ai-procurement/): Pida a los proveedores la energía y las emisiones por solicitud o por tarea, con el método y los límites del sistema, dónde se ejecuta la carga de trabajo, y cifras de carbono tanto basadas en la ubicación como basadas en el mercado. Puntúe la calidad de esas pruebas en la licitación, e incluya en el contrato los informes, la elección de modelo y el aviso de cambios de modelo. Muchos proveedores aún no pueden responder del todo, pero preguntar muestra quién se lo toma en serio.
- [¿Cómo mantengo baja la huella de la IA en mi pequeña empresa?](https://greenai.guide/how-do-i/keep-my-small-business-ai-footprint-low/): Use la IA en las tareas en las que claramente ahorra tiempo, haga solicitudes cortas y concretas, pula en lugar de regenerar y modere el uso de imágenes y vídeo. Desactive las funciones de IA que paga pero no usa, y lleve un registro sencillo de las herramientas que utiliza para poder responder a los clientes que pregunten. En una pequeña empresa, los mismos hábitos reducen el coste de las suscripciones y del personal.
- [¿Cómo mapeo dónde usa la IA mi organización?](https://greenai.guide/how-do-i/map-where-my-organisation-uses-ai/): Cree un inventario sencillo con cuatro tipos de entrada: herramientas de IA que el personal usa directamente, funciones de IA integradas en el software que ya tiene, flujos de trabajo automatizados y agentes, y proveedores cuyos servicios ejecutan IA por usted. Para cada una, anote el responsable, con qué frecuencia se ejecuta, el modelo o el proveedor si lo conoce y qué datos entran. El inventario es el punto de partida para reducir el desperdicio, gestionar los riesgos e informar.
- [¿Cómo puedo fomentar una IA más ecológica desde la política pública?](https://greenai.guide/how-do-i/encourage-greener-ai-as-a-policymaker/): Empiece por la transparencia: exija o fomente que los proveedores de IA y los centros de datos informen de forma comparable sobre energía, agua y emisiones. Use la contratación pública para premiar la IA eficiente, planifique la capacidad de la red eléctrica y del agua para los centros de datos, y financie la investigación y la formación en métodos eficientes. Vigile la demanda total además de la eficiencia, porque una IA más barata tiende a usarse más.
- [¿Cómo redacto una política de IA verde?](https://greenai.guide/how-do-i/write-a-green-ai-policy/): Que sea breve y práctica: diga cuándo merece la pena usar la IA, fije valores por defecto eficientes (el modelo adecuado más pequeño, límites de salida, funciones desactivadas salvo que se necesiten), exija preguntas sobre energía en las compras y comprométase a medir por tarea. Dele un responsable, una fecha de revisión y unos pocos compromisos medibles, y vincúlela a procesos que ya tiene en marcha.
- [¿Cómo uso la IA de forma sostenible en una organización benéfica?](https://greenai.guide/how-do-i/use-ai-sustainably-in-a-charity/): Use la IA donde libere tiempo del personal y del voluntariado para su misión, elija la herramienta más ligera que haga el trabajo y evite los usos pesados, como la generación masiva de imágenes. Redacte una política breve que abarque el impacto ambiental junto con la protección de datos, haga a los proveedores preguntas sencillas sobre energía y ubicación, y sea honesta con sus donantes y simpatizantes sobre cómo la usa.

## Centros educativos, universidades y formación

- [¿Cómo aprendo sobre IA verde?](https://greenai.guide/how-do-i/learn-about-green-ai/): Empiece con una explicación breve sobre adónde va la energía de la IA y luego pruebe una herramienta gratuita con su propio uso, como un medidor de energía para código o un estimador para las llamadas a API de IA. Siga con un curso de su nivel y una comunidad o un grupo de investigación de su ámbito. Aprender midiendo algo real se queda mejor que solo leer.
- [¿Cómo encuentro un doctorado en IA verde?](https://greenai.guide/how-do-i/find-a-phd-in-green-ai/): Busque más allá de los proyectos etiquetados como «IA verde»: la investigación en IA eficiente se encuentra en informática, matemáticas, ingeniería eléctrica y ciencias aplicadas, a menudo con nombres como aprendizaje automático eficiente, computación sostenible o hardware de bajo consumo. Busque en programas de formación doctoral y listados de proyectos, lea artículos recientes para encontrar directores activos y pregunte cómo se medirá la energía en el trabajo.
- [¿Cómo enseño al alumnado el impacto ambiental de la IA?](https://greenai.guide/how-do-i/teach-pupils-about-ais-environmental-impact/): Parta de la idea de que cada respuesta de la IA funciona en ordenadores reales que consumen electricidad y agua, y luego use unas pocas cifras fiables y una actividad práctica, como comparar la generación de texto con la de imágenes. Relaciónelo con la informática, las ciencias y la geografía, y mantenga el equilibrio: el objetivo es ayudar al alumnado a usar la IA con criterio, no hacer que se sienta culpable por usarla.
- [¿Cómo establezco normas escolares para un uso sostenible de la IA?](https://greenai.guide/how-do-i/set-school-rules-for-sustainable-ai-use/): Añada una sección ambiental breve a la política de IA que ya tiene su centro, en lugar de redactar otra aparte. Diga cuándo la IA es la herramienta adecuada, prefiera el texto breve a la generación de imágenes y vídeo, fije valores por defecto ligeros en las cuentas del centro y explique el porqué al alumnado. Manténgala junto a las normas de protección del menor, protección de datos y evaluación, que siguen teniendo prioridad.
- [¿Cómo incluyo la IA verde en un curso universitario?](https://greenai.guide/how-do-i/include-green-ai-in-a-university-course/): 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.
- [¿Cómo uso la IA para estudiar sin desperdiciar energía?](https://greenai.guide/how-do-i/use-ai-for-studying-without-waste/): Use la IA donde le ayude a aprender, por ejemplo para que le explique una idea difícil, le haga preguntas o le dé comentarios sobre un borrador, y use sus apuntes, los libros de texto y el buscador de la biblioteca para los datos y las fuentes. Haga preguntas concretas, pegue solo el fragmento que necesita y evite regenerar o generar imágenes por diversión: esos hábitos ahorran energía y además suelen ayudar a aprender.
