Energía y carbono de la IA: entrenar o utilizar
Entrenar un modelo de IA y utilizarlo consumen energía en dos momentos. Órdenes de magnitud extraídos de estudios y gestos de uso razonado.
En esta página
En 30 segundos
- Dónde ocurre
- En cada pregunta que se hace a un asistente de IA[1], y antes, durante el entrenamiento de los modelos, que exige recursos de cálculo y de energía importantes[2].
- Lo que dan las mediciones
- El prompt mediano de texto de Gemini Apps consume 0,24 Wh según Google[1]; el entrenamiento final de BLOOM emitió unas 24,7 toneladas de equivalente de CO2 según sus autores (solo potencia dinámica), y 50,5 toneladas contando todos los procesos[2].
- El reflejo
- Elegir un modelo adecuado a la tarea y evitar las consultas innecesarias.
De qué se trata
Un modelo de IA consume energía en dos momentos: cuando se entrena y, después, cada vez que se utiliza. El segundo momento tiene un nombre, la inferencia: el uso de un modelo ya entrenado para producir predicciones, texto o imágenes[1].
Este artículo ofrece órdenes de magnitud extraídos de estudios publicados. Son estimaciones, y las cifras cambian mucho de un estudio a otro. Termina con los gestos que un empleado puede adoptar a diario.
Preguntas directas
¿Qué se llama entrenamiento?
Es la fase en la que se construye el modelo. Los autores del estudio sobre BLOOM, un modelo de lenguaje de 176 000 millones de parámetros, escriben que el entrenamiento de los modelos exige recursos de cálculo, de energía y de materiales importantes[2]. Para BLOOM, estiman que el entrenamiento final emitió unas 24,7 toneladas de equivalente de CO2 si solo se cuenta el consumo de energía dinámica, y 50,5 toneladas si se cuentan todos los procesos, desde la fabricación de los equipos hasta el consumo de energía[2].
Ya en 2019, unos investigadores cuantificaron el coste financiero y ambiental aproximado del entrenamiento de varios modelos de procesamiento del lenguaje. Según ellos, las mejoras de precisión de estos modelos dependen de recursos de cálculo excepcionales, que exigen un consumo de energía igual de importante[3].
¿Qué se llama inferencia?
Es el momento en que un modelo entrenado responde a una petición[1]. El estudio sobre BLOOM examina también la energía y las emisiones de su despliegue: el modelo recibe consultas de usuarios en tiempo real a través de una interfaz de acceso (API)[2].
¿Cuánto consume una consulta?
Depende del método de medición, del modelo y de la empresa. Google estima que el prompt mediano de texto de Gemini Apps consume 0,24 Wh, emite 0,03 gCO2e y consume 0,26 mL de agua, es decir, unas cinco gotas[1]. La energía por prompt equivale a menos de nueve segundos de televisión según Google[1]. Estas cifras se basan en un análisis puntual de los datos de mayo de 2025; Google precisa que no representan el impacto de todos los prompts de texto de Gemini Apps y que no prejuzgan los rendimientos futuros[1].
Otro equipo comparó 30 modelos en centros de datos comerciales. Concluye que una consulta corta de 0,42 Wh, multiplicada por 700 millones de consultas al día, alcanza un consumo anual de electricidad comparable al de 35 000 hogares estadounidenses[6]. En sus resultados, los modelos más voraces superan los 29 Wh para un prompt largo, es decir, más de 65 veces los sistemas más eficientes[6].
¿Por qué difieren tanto las cifras?
Los estudios destacan cuatro factores.
- El método de cálculo. Google cuenta la potencia de los aceleradores en actividad, pero también las máquinas inactivas que se mantienen listas para absorber los picos de tráfico, el procesador y la memoria de los servidores, y el consumo de los centros de datos (refrigeración, distribución eléctrica)[1]. Contando solo las TPU y las GPU activas, Google obtiene 0,10 Wh para el prompt mediano, y juzga esa cifra optimista y muy infravalorada respecto a la huella real[1].
- El lugar. Para el entrenamiento, la parte de energía sin carbono y las emisiones en equivalente de CO2 varían en un factor de entre 5 y 10 aproximadamente, incluso dentro de un mismo país y para una misma organización[4].
- El centro de datos y el procesador. Los centros de datos de la nube pueden ser entre 1,4 y 2 veces más eficientes en energía que los centros de datos típicos, y los aceleradores dedicados al machine learning entre 2 y 5 veces más eficientes que los sistemas comerciales[4].
- El tipo de modelo. Unas redes neuronales muy grandes pero de activación parcial pueden consumir menos de una décima parte de la energía de las redes densas, sin pérdida de precisión[4].
Los autores de este último estudio estiman que la elección de la red, del centro de datos y del procesador puede reducir la huella de carbono hasta un factor de entre 100 y 1 000 aproximadamente[4]. Añaden que estas diferencias dificultan las estimaciones hechas a posteriori[4].
Cómo funciona
La huella de una IA no se limita a la electricidad de los chips. Unos investigadores examinaron el ciclo de desarrollo de los modelos en casos de uso industriales y el ciclo de vida de los equipos informáticos: cuentan la huella de carbono de explotación y la de fabricación[7].
Por el lado de la inferencia, Google describe varias palancas de eficiencia para Gemini. Las arquitecturas de tipo Mixture-of-Experts activan solo una pequeña parte de un gran modelo para responder a una consulta, lo que reduce los cálculos y las transferencias de datos en un factor de 10 a 100 según Google[1]. La destilación crea modelos más pequeños (Gemini Flash y Flash-Lite) a partir de modelos más grandes[1]. Google indica un PUE medio de 1,09 en el conjunto de sus centros de datos; este indicador mide la energía consumida por la infraestructura que rodea a los equipos informáticos[1].
Según Google, en doce meses la energía y la huella de carbono total del prompt mediano de Gemini Apps bajaron en un factor de 33 y de 44[1]. Google precisa que esta comparación se refiere a mayo de 2024 y mayo de 2025 y que los datos no han sido verificados por un tercero independiente[1].
Lo que usted hace
- Elija el modelo según la tarea. En el estudio sobre 30 modelos, la diferencia entre los más voraces y los más eficientes supera un factor de 65 para un prompt largo[6]. El propio Google ofrece modelos más pequeños para atender las consultas[1].
- Evite las consultas innecesarias. Una consulta corta de 0,42 Wh parece despreciable, pero multiplicada por 700 millones de consultas al día, representa la electricidad anual de 35 000 hogares estadounidenses según ese equipo[6]. Describe una paradoja: cuando la IA se vuelve más barata y más rápida, su adopción mundial hace consumir recursos de forma desproporcionada[6].
- Tenga presentes los órdenes de magnitud sin citarlos como certezas: dependen del estudio, del modelo y del lugar.
Las trampas
- Comparar cifras obtenidas con métodos distintos. La cifra de 0,24 Wh de Google incluye las máquinas inactivas y la energía de los centros de datos, que muchos cálculos actuales no tienen en cuenta según Google[1]. Los autores del estudio de Google dicen también que ningún estudio había medido estos indicadores de un servicio de IA en un entorno de producción antes que el suyo[5].
- Tomar una cifra de Google por un valor independiente. Google precisa que la comparación entre mayo de 2024 y mayo de 2025 (bajada en un factor de 33 y de 44) no ha sido verificada por un tercero independiente[1].
- Creer que una cifra vale para todos los modelos. Google precisa que la energía del prompt mediano puede cambiar cuando se añaden nuevos modelos, cuando evoluciona la arquitectura y cuando cambia el comportamiento de los usuarios[1].
- Olvidar el entrenamiento. Los autores del estudio de 2021 estiman que la energía y las emisiones deberían figurar entre los indicadores de evaluación de los modelos[4].
Fuentes
- Google, «How much energy does Google’s AI use? We did the math», 21 de agosto de 2025. https://cloud.google.com/blog/products/infrastructure/measuring-the-environmental-impact-of-ai-inference (consultado el 14 de noviembre de 2026)
- arXiv, «Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model», 3 de noviembre de 2022. https://arxiv.org/abs/2211.02001 (consultado el 14 de noviembre de 2026)
- arXiv, «Energy and Policy Considerations for Deep Learning in NLP», 5 de junio de 2019. https://arxiv.org/abs/1906.02243 (consultado el 14 de noviembre de 2026)
- arXiv, «Carbon Emissions and Large Neural Network Training», 21 de abril de 2021. https://arxiv.org/abs/2104.10350 (consultado el 14 de noviembre de 2026)
- arXiv, «Measuring the environmental impact of delivering AI at Google Scale», 21 de agosto de 2025. https://arxiv.org/abs/2508.15734 (consultado el 14 de noviembre de 2026)
- arXiv, «How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference», 14 de mayo de 2025. https://arxiv.org/abs/2505.09598 (consultado el 14 de noviembre de 2026)
- arXiv, «Sustainable AI: Environmental Implications, Challenges and Opportunities», 30 de octubre de 2021. https://arxiv.org/abs/2111.00364 (consultado el 14 de noviembre de 2026)
Citar este artículo
Brain, «Energía y carbono de la IA: entrenar o utilizar», Cyberpedia, 2026. https:/
BibTeX
@misc{brain_cp270_es_2026,
author = {Brain},
title = {Energía y carbono de la IA: entrenar o utilizar},
year = {2026},
howpublished = {Cyberpedia},
url = {https://startbrain.io/cyberpedia/es/articles/ia-energia-entrenamiento-inferencia/},
note = {CC BY 4.0}
}