# Glosario de IA verde

> Definiciones en lenguaje claro de los términos de la IA verde, desde tokens, inferencia y PUE hasta el efecto rebote, la suficiencia y la fusión de modelos.

Source: https://greenai.guide/es/glosario/  
Updated: 2026-11-19

## En resumen

Este glosario define, en lenguaje claro y por orden alfabético del original inglés, los términos que se encuentran al empezar a leer sobre el coste ambiental de la IA. Cada término tiene su propio enlace, para que otras páginas del sitio puedan remitir directamente a él.

## Puntos clave

- El entrenamiento construye un modelo una vez; la inferencia es cada uso posterior del modelo.
- Eficiencia significa hacer lo mismo con menos; suficiencia significa preguntarse si la tarea necesita hacerse con IA en absoluto.
- El PUE compara la energía total de un centro de datos con la que consumen sus ordenadores; 1,0 sería perfecto.
- El efecto rebote se produce cuando la eficiencia abarata algo y, por tanto, aumenta el uso total.

La IA verde reúne informática, matemáticas, ingeniería, energía y políticas públicas, y cada campo tiene su propio
vocabulario. Palabras como "modelo", "eficiencia" e incluso "IA" significan cosas distintas para distintas personas. Un
sandpit británico sobre IA verde celebrado en 2026, con matemáticos, informáticos y representantes de la industria,
constató que los términos que más se quería precisar eran los básicos, y por eso este glosario empieza desde cero. Los
términos siguen el orden alfabético del original inglés. Si falta un término que necesita, [díganoslo](/es/contacto/).

### IA agéntica {#agentic-ai}

IA que realiza una tarea en varios pasos por sí sola, como buscar, escribir código, ejecutarlo y corregir errores, en
lugar de dar una única respuesta. Como cada paso vuelve a usar el modelo, la IA agéntica puede consumir muchos más
tokens que un chat, y los agentes que se quedan atascados en bucles pueden desperdiciar mucho. Consulte
[la IA agéntica y el desperdicio de tokens](/es/articulos/la-ia-agentica-y-el-desperdicio-de-tokens/).

### IA {#ai}

Abreviatura de inteligencia artificial: sistemas informáticos que realizan tareas que asociamos con la inteligencia
humana, como reconocer imágenes, comprender el lenguaje o hacer predicciones. En el habla cotidiana de 2026, "IA" suele
referirse a grandes modelos generativos como los chatbots, pero el término abarca también sistemas mucho más pequeños,
como los filtros de spam y los modelos meteorológicos, así que conviene precisar a cuál se refiere.

### Alfabetización en IA {#ai-literacy}

Los conocimientos y las habilidades para comprender, usar y valorar la IA con sensatez: lo que puede y no puede hacer,
cómo comprobar sus resultados y sus costes, incluidos los ambientales.

### Diferenciación automática {#automatic-differentiation}

Una técnica que permite a un ordenador calcular exactamente cómo cambia el resultado de un cálculo al cambiar cada
entrada. Es la forma en que aprenden las redes neuronales (donde se llama retropropagación) y también se usa para
optimizar simulaciones científicas.

### Prueba comparativa (benchmark) {#benchmark}

Una prueba estándar para comparar sistemas de forma justa, por ejemplo la precisión de distintos modelos con el mismo
conjunto de preguntas o la energía que consumen en la misma tarea. Una prueba comparativa solo es tan útil como las
tareas y las mediciones que contiene.

### Computación consciente del carbono {#carbon-aware-computing}

Ejecutar trabajos informáticos en momentos o lugares en los que la electricidad es más limpia, por ejemplo retrasando
un gran entrenamiento hasta que sople el viento. Es adecuada para trabajos que no necesitan una respuesta inmediata.

### Intensidad de carbono {#carbon-intensity}

Cuánto dióxido de carbono (o gas de efecto invernadero equivalente) se emite por cada unidad de electricidad,
normalmente en gramos de CO₂e por kilovatio hora. Varía según el país y la hora, en función de cuánta electricidad
procede de combustibles fósiles o de renovables.

### Centro de datos {#data-centre}

Un edificio lleno de ordenadores, almacenamiento y equipos de red, con la electricidad y la refrigeración necesarias
para mantenerlos en marcha. La mayoría de los chatbots de IA funcionan en centros de datos, no en el dispositivo del
usuario.

### Modelo de difusión {#diffusion-model}

Un tipo de IA generativa, muy usado para imágenes y vídeo, que aprende a convertir ruido aleatorio en una imagen paso a
paso. Sus numerosos pasos ayudan a explicar por qué generar imágenes consume mucha más energía que un texto corto.

### Destilación {#distillation}

Entrenar un modelo "alumno" pequeño para que imite a un modelo "profesor" grande, de modo que el pequeño pueda hacer
una tarea casi igual de bien con una fracción del coste de cómputo.

### IA en el borde (edge AI) {#edge-ai}

IA que se ejecuta en el dispositivo donde están los datos o cerca de él, como un teléfono, una cámara o un sensor de
fábrica, en lugar de en un centro de datos lejano. Puede ahorrar energía de red y proteger la privacidad, pero los
dispositivos pequeños multiplicados por millones también suman. Consulte [¿borde o nube?](/es/buenas-practicas/borde-o-nube-donde-debe-ejecutarse-la-ia/).

### Eficiencia {#efficiency}

Obtener el mismo resultado útil con menos recursos: menos energía, tiempo, agua o hardware por tarea. La eficiencia es
esencial para la IA verde, pero no basta por sí sola, debido al efecto rebote.

### Carbono incorporado {#embodied-carbon}

Las emisiones derivadas de fabricar, transportar y, finalmente, desechar los equipos, a diferencia de las de su
funcionamiento. En la IA incluye la fabricación de chips, servidores y edificios de centros de datos.

### Etiqueta energética {#energy-label}

Una clasificación sencilla que muestra cuánta energía consume un producto, como las etiquetas de la A a la G de los
frigoríficos en Europa. Varios grupos desarrollan equivalentes para los modelos de IA, como AI Energy Score de Hugging
Face, y la Ley de IA de la UE exige a los proveedores de modelos de IA de uso general que documenten su consumo
energético conocido o estimado. Consulte [etiquetas energéticas para la IA](/es/articulos/etiquetas-energeticas-y-pruebas-de-referencia-para-la-ia/).

### Ajuste fino (fine-tuning) {#fine-tuning}

Tomar un modelo ya entrenado y entrenarlo un poco más con datos especializados para que rinda mejor en una tarea
concreta. Cuesta mucho menos que entrenar desde cero.

### FLOPs {#flops}

Operaciones de coma flotante: los pasos aritméticos básicos (sumas y multiplicaciones de números decimales) que realiza
un ordenador. Contarlas es una forma habitual de estimar cuánto cómputo necesita un modelo. FLOPS con S mayúscula suele
significar operaciones por segundo.

### FPGA {#fpga}

Una matriz de puertas programable en campo (field-programmable gate array): un chip cuyos circuitos pueden
reconfigurarse después de fabricado. Las FPGA pueden ser muy eficientes para una tarea concreta y pueden reprogramarse
cuando cambian los modelos, pero son más difíciles de programar que las GPU.

### IA generativa {#generative-ai}

IA que crea contenido nuevo, como texto, imágenes, audio, vídeo o código, en respuesta a una petición. Los chatbots y
los generadores de imágenes son IA generativa.

### GPU {#gpu}

Una unidad de procesamiento gráfico (graphics processing unit): un chip diseñado originalmente para los gráficos por
ordenador que puede hacer muchos cálculos a la vez. Las GPU son el principal hardware para entrenar y ejecutar la IA
moderna.

### IA verde {#green-ai}

IA desarrollada y usada de forma que su huella energética, de carbono, de agua y de materiales sea lo más baja
posible, y utilizada donde aporta un valor real. Abarca tanto hacer la IA más eficiente como usarla solo donde es la
herramienta adecuada. Consulte [¿qué es la IA verde?](/es/articulos/que-es-la-ia-verde/).

### Greenwashing (lavado verde) {#greenwashing}

Hacer afirmaciones engañosas de que un producto o una organización es mejor para el medio ambiente de lo que es. En la
UE, la Directiva (UE) 2024/825 prohíbe las afirmaciones medioambientales genéricas dirigidas a los consumidores que no
puedan demostrarse. Consulte [afirmaciones ecológicas honestas](/es/buenas-practicas/afirmaciones-ambientales-honestas-sobre-la-ia/).

### Inferencia {#inference}

Usar un modelo entrenado para producir un resultado, como responder a una pregunta o generar una imagen. Cada prompt es
una inferencia, así que en las herramientas populares la energía de inferencia se sigue acumulando mientras el modelo
esté en uso.

### Paradoja de Jevons {#jevons-paradox}

La observación, formulada por el economista William Stanley Jevons en su libro de 1865 *The Coal Question*, de que
máquinas de vapor más eficientes llevaron a Gran Bretaña a quemar más carbón, no menos. Es el caso extremo del efecto
rebote, en el que la eficiencia aumenta el uso total.

### Caché KV {#kv-cache}

Abreviatura de caché de claves y valores (key–value cache). Cuando un modelo de lenguaje escribe una respuesta token a
token, guarda resultados intermedios (las "claves" y los "valores" de su cálculo de atención) para no tener que
volver a calcularlos en cada paso. Ahorra mucho cómputo, pero consume memoria.

### Gran modelo de lenguaje {#large-language-model}

Un modelo de IA generativa entrenado con enormes cantidades de texto para predecir y producir lenguaje, a menudo
abreviado como LLM. La mayoría de los chatbots se basan en uno.

### Latencia {#latency}

El tiempo que transcurre entre pedir algo y obtener la respuesta. Algunas técnicas de IA verde sacrifican un poco de
latencia a cambio de un menor consumo de energía, por ejemplo agrupando solicitudes o esperando a que haya
electricidad más limpia.

### Falacia de McNamara {#mcnamara-fallacy}

El error de tratar lo que se mide con facilidad como lo único que importa e ignorar lo que no puede medirse. En la IA
verde es una advertencia contra juzgar los sistemas solo por cifras cómodas pasando por alto daños más difíciles de
contabilizar, como el consumo de agua o los efectos sociales.

### Precisión mixta {#mixed-precision}

Hacer algunos cálculos con menos dígitos de precisión que otros, donde el resultado no se ve perjudicado. Una precisión
menor consume menos memoria y energía.

### Mezcla de expertos {#mixture-of-experts}

Un diseño de modelo formado por muchas subredes especializadas ("expertos"), en el que un enrutador envía cada entrada
solo a unas pocas. Usa solo una parte del modelo para cada respuesta, lo que ahorra cómputo, aunque el modelo completo
se necesita en memoria y durante el entrenamiento.

### Modelo {#model}

En IA, un modelo es el sistema entrenado que convierte entradas en salidas: el conjunto aprendido de números
(parámetros) y la estructura que los utiliza. En ciencia e ingeniería, "modelo" también puede significar una
descripción matemática de un sistema, como un modelo climático, así que conviene precisar a cuál se refiere.

### Fusión de modelos (souping) {#model-merging-souping}

Combinar dos o más modelos, a menudo promediando sus parámetros, para obtener un solo modelo con los puntos fuertes de
cada uno sin entrenar uno nuevo desde cero. "Model soups" fue el nombre que usaron Wortsman y sus colegas en 2022.

### Sistema multiagente {#multi-agent-system}

Un conjunto de agentes de IA que trabajan juntos o se pasan tareas entre sí. Pueden ser muy potentes, pero si se
quedan atascados hablando entre ellos pueden gastar grandes cantidades de tokens sin ningún resultado útil.

### Modelo de pesos abiertos {#open-weight-model}

Un modelo cuyos parámetros entrenados (pesos) se publican para que cualquiera pueda descargarlo y ejecutarlo, aunque no
se publiquen sus datos ni su código de entrenamiento. Los modelos de pesos abiertos pueden ejecutarse en local y
adaptarse, y su consumo de energía puede medirse de forma independiente.

### Orquestación {#orchestration}

Coordinar varios modelos, herramientas o componentes ya construidos para completar una tarea, en lugar de que un gran
modelo lo genere todo. Consulte [orquestar en lugar de generar](/es/articulos/orquestar-antes-que-generar/).

### Parámetros {#parameters}

Los números internos de un modelo que se ajustan durante el entrenamiento y que, en conjunto, almacenan lo que ha
aprendido. Los grandes modelos de lenguaje tienen miles de millones; la familia Llama 3.1 de Meta, por ejemplo, tiene
tamaños de 8.000, 70.000 y 405.000 millones de parámetros. Más parámetros suele significar más cómputo por respuesta.

### Red neuronal informada por la física {#physics-informed-neural-network}

Una red neuronal entrenada para respetar leyes físicas conocidas, como la conservación de la energía, además de
ajustarse a los datos. Incorporar ese conocimiento puede significar menos datos, menos parámetros y menos
entrenamiento.

### Prompt {#prompt}

La instrucción o pregunta que una persona da a un modelo de IA generativa. Los prompts claros y concretos suelen
obtener una buena respuesta a la primera, lo que ahorra tiempo y energía.

### Poda {#pruning}

Eliminar partes de un modelo entrenado, como pesos individuales o conexiones enteras, que aportan poco a su resultado.
Un modelo podado es más pequeño y más barato de ejecutar, a menudo con poca pérdida de precisión.

### PUE {#pue}

Eficacia en el uso de la energía (power usage effectiveness): el consumo total de energía de un centro de datos
dividido por la energía que consumen sus equipos informáticos. Un PUE de 1,0 significaría que no se va energía en
refrigeración ni en pérdidas eléctricas; cuanto más bajo, mejor. Consulte
[alojamiento y centros de datos](/es/buenas-practicas/alojamiento-y-centros-de-datos-para-una-ia-verde/) para ver valores típicos y sus fuentes.

### Cuantización {#quantisation}

Almacenar los números de un modelo con menos dígitos, por ejemplo números de 8 o 4 bits en lugar de 16 o 32 bits. Esto
reduce el tamaño del modelo y la energía necesaria para ejecutarlo, normalmente con solo una pequeña pérdida de
calidad.

### Efecto rebote {#rebound-effect}

Cuando una mejora de eficiencia hace algo más barato o más fácil, de modo que la gente lo usa más y se pierde parte o
la totalidad del ahorro. Si el uso crece tanto que el consumo total aumenta, se trata de la paradoja de Jevons.
Consulte [eficiencia no es suficiencia](/es/articulos/la-eficiencia-no-es-suficiencia-el-efecto-rebote-en-la-ia/).

### Enrutamiento {#routing}

Enviar cada solicitud al modelo más adecuado, por ejemplo un modelo pequeño y barato para las preguntas fáciles y uno
grande solo para las difíciles. Acertar con el umbral es importante: un modelo demasiado pequeño puede fallar y obligar
a un segundo intento con uno más grande.

### Emisiones de alcance 1, 2 y 3 {#scope-1-2-and-3-emissions}

Las tres categorías del Greenhouse Gas Protocol. El alcance 1 son las emisiones directas de fuentes que una
organización posee o controla; el alcance 2, las emisiones de la electricidad, el calor o la refrigeración que compra;
el alcance 3, todas las demás emisiones indirectas de su cadena de valor, como la fabricación del hardware que compra.

### Modelo de lenguaje pequeño {#small-language-model}

Un modelo de lenguaje con relativamente pocos parámetros, diseñado para ejecutarse de forma barata, a veces en un
portátil o un teléfono. Para tareas acotadas, un modelo pequeño bien elegido puede igualar a uno mucho más grande.
Consulte [cómo elegir el modelo adecuado](/es/buenas-practicas/elija-el-modelo-adecuado-para-cada-tarea/).

### Intensidad de carbono del software {#software-carbon-intensity}

Un método de la Green Software Foundation, publicado también como norma ISO, para calcular el carbono emitido por
unidad de trabajo que realiza un software, por ejemplo por usuario o por solicitud.

### IA soberana {#sovereign-ai}

Capacidad de IA, como modelos, datos e infraestructura de cómputo, que un país o una región controla por sí mismo en
lugar de depender de proveedores extranjeros. Plantea sus propias cuestiones de sostenibilidad; consulte
[IA soberana y sostenibilidad](/es/articulos/ia-soberana-y-sostenibilidad/).

### Dispersión (sparsity) {#sparsity}

Cuando muchos de los números de un modelo, o muchas de sus activaciones para una entrada dada, son cero. El cómputo
puede saltarse los ceros, así que un modelo disperso puede ser mucho más barato de ejecutar si el hardware y el
software lo admiten.

### Red neuronal de impulsos {#spiking-neural-network}

Una red neuronal que, como el cerebro, transmite información mediante pulsos breves (impulsos) y permanece casi
inactiva entre ellos. En el hardware adecuado prometen un consumo de energía muy bajo, sobre todo en el borde.

### Suficiencia {#sufficiency}

Usar solo la cantidad de un recurso que una necesidad requiere realmente, lo que incluye preguntarse si hace falta IA
en absoluto. Es la compañera de la eficiencia: la eficiencia pregunta "¿cómo podemos hacer esto con menos?"; la
suficiencia pregunta "¿necesitamos hacer esto?".

### Modelo sustituto {#surrogate-model}

Un modelo rápido y aproximado entrenado para sustituir un cálculo lento y costoso, como parte de una simulación
climática o de ingeniería. Un buen modelo sustituto puede ahorrar mucha energía, siempre que se compruebe su
precisión.

### IA sostenible {#sustainable-ai}

Un término amplio para la IA que puede desarrollarse y usarse sin agotar los recursos de los que depende, y que a
menudo incluye los efectos sociales y económicos además de los ambientales. Se solapa con la IA verde y ambos términos
se usan a menudo como sinónimos.

### Token {#token}

El fragmento de texto que un modelo de lenguaje lee y escribe, a menudo parte de una palabra. La regla práctica de
OpenAI para el inglés es que un token equivale a unos cuatro caracteres, o unos tres cuartos de palabra; otros idiomas
suelen necesitar más tokens para expresar lo mismo. Más tokens significa más cómputo.

### TPU {#tpu}

Una unidad de procesamiento tensorial (tensor processing unit): un chip diseñado por Google específicamente para los
cálculos del aprendizaje automático.

### Entrenamiento {#training}

Construir un modelo mostrándole grandes cantidades de datos y ajustando repetidamente sus parámetros para reducir sus
errores. Entrenar un gran modelo puede llevar meses en miles de chips; Meta declara 39,3 millones de horas de GPU para
entrenar su familia Llama 3.1.

### Cuantificación de la incertidumbre {#uncertainty-quantification}

Determinar cuánta confianza podemos tener en el resultado de un modelo, por ejemplo dando un intervalo en lugar de un
único número. Ayuda a decidir cuándo un modelo más barato es suficiente y cuándo hay que comprobar un resultado.

### WUE {#wue}

Eficacia en el uso del agua (water usage effectiveness): el agua que un centro de datos consume en sus instalaciones,
en litros, dividida por la energía que consumen sus equipos informáticos, en kilovatios hora. Cuanto más bajo, mejor,
aunque un diseño de refrigeración que ahorra agua puede consumir más electricidad, y viceversa.

## Preguntas frecuentes

### ¿Qué diferencia hay entre IA verde e IA sostenible?

Los términos se usan de forma solapada. La IA verde suele centrarse en reducir la energía, el carbono, el agua y los materiales que consume la IA; la IA sostenible suele ser más amplia y abarca también los efectos sociales y económicos y si los recursos pueden renovarse tan deprisa como se consumen.

### ¿Qué es un token en IA?

Un token es el fragmento de texto que un modelo de lenguaje lee o escribe, a menudo parte de una palabra. La regla práctica de OpenAI para el inglés es de unos cuatro caracteres, o tres cuartos de palabra, por token.

### ¿Qué diferencia hay entre entrenamiento e inferencia?

El entrenamiento consiste en construir un modelo aprendiendo de los datos, normalmente una sola vez y con un coste elevado. La inferencia es usar el modelo terminado para responder a una pregunta o crear una imagen, y se produce cada vez que alguien lo usa.

## Fuentes

- [What are tokens and how to count them?](https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them), OpenAI Help Center (2025)
- [Uptime Institute global data center survey 2025](https://intelligence.uptimeinstitute.com/resource/uptime-institute-global-data-center-survey-2025), Uptime Institute (2025)
- [Data center metering and resource guide](https://datacenters.lbl.gov/sites/default/files/DataCenterMeteringandResourceGuide_02072017.pdf), Lawrence Berkeley National Laboratory (2017)
- [GHG Protocol corporate standard](https://ghgprotocol.org/corporate-standard), Greenhouse Gas Protocol (2004)
- [W. Stanley Jevons, The Coal Question, 1865](https://energyhistory.yale.edu/w-stanley-jevons-the-coal-question-1865/), Yale University, Energy History (1865)
- [Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time](https://arxiv.org/abs/2203.05482), Wortsman et al. (arXiv:2203.05482) (2022)
- [Annex XI: technical documentation for providers of general-purpose AI models](https://ai-act-service-desk.ec.europa.eu/en/ai-act/annex-11), European Commission, AI Act Service Desk (2024)
- [Directive (EU) 2024/825 on empowering consumers for the green transition](https://eur-lex.europa.eu/eli/dir/2024/825/oj), European Union (2024)
- [Software Carbon Intensity specification](https://sci.greensoftware.foundation/), Green Software Foundation (2024)
- [ISO/IEC 21031:2024 Software carbon intensity (SCI) specification](https://www.iso.org/standard/86612.html), International Organization for Standardization (2024)
- [Llama 3.1 8B model card](https://huggingface.co/meta-llama/Llama-3.1-8B), Meta (Hugging Face) (2024)
