La inteligencia artificial ya convive con nosotros en el día a día: recomienda, traduce, diagnostica, optimiza rutas y turnos de producción, redacta y es capaz de ejecutar en segundos tareas y procesos que antes llevaban horas o días. Se está volviendo tan cotidiana que resulta fácil olvidar lo que la hace posible. Detrás de cada consulta hay un ecosistema tecnológico que rara vez se ve —centros de datos, plataformas de computación, redes de almacenamiento— que procesa, entrena y sirve modelos a una escala que crece cada mes. Si la IA es la cúspide visible de esta revolución, los centros de datos son su base: los cimientos silenciosos que la sostienen, la alimentan y, en buena medida, deciden sus límites. Y, como toda base, sostiene un peso —también energético— que conviene mirar de frente.
El Elefante en la habitación
Sostener esa base tiene un precio, y es importante conocerlo para poder abordarlo. Veamos algunos datos. En 2026, se estima que los centros de datos consuman a nivel mundial 565 TWh de electricidad, un 26,4% más que los 447 TWh de 2025. Detrás de ese salto hay un motor claro: los servidores optimizados para IA, que ya suponen el 31% del consumo energético de los centros de datos en 2026 y que en 2027 superarán, por primera vez, a los servidores convencionales. La potencia demandada crece en paralelo, de 104 gigavatios en 2025 a 132 en 2026, con proyecciones de hasta 290 GW en 2030.
Y ese coste no se concentra solo en entrenar los modelos, también en usarlos. Mistral AI, junto con la agencia francesa ADEME y la consultora Carbone 4, lo midió con rigor en su modelo Large 2: cada respuesta típica de 400 tokens genera 1,14 gramos de CO2 equivalente. Poco, en apariencia —hasta que se multiplica por los miles de millones de consultas que se procesan cada día en el mundo.
La misma ciencia y el mismo talento tecnológico que han hecho posible este salto son, también, la vía más sólida para gestionar su huella. La innovación que multiplicó la capacidad de la IA en los últimos años es, hoy, la que está reduciendo su coste energético paso a paso —y ese es, precisamente, el terreno donde conviene mirar ahora.
Innovación continua al servicio de la eficiencia
Buena parte del debate sobre el coste energético de la IA se ha centrado tradicionalmente en el entrenamiento de los grandes modelos de lenguaje, una fase que exige, en efecto, una enorme cantidad de energía. Sin embargo, frente a este coste inicial, el reto que de verdad condiciona el largo plazo aparece después, en la inferencia: cada respuesta que ese modelo ya entrenado genera cada vez que se utiliza. Es un consumo que no se paga una sola vez, sino que crece con cada consulta, cada usuario y cada nuevo caso de uso que se pone en producción —y es ahí donde reside el verdadero reto de la eficiencia.
Frente a ese reto, el progreso técnico avanza en varios frentes a la vez a lo largo del ciclo tecnológico completo. A nivel de modelo, la cuantización, la computación optimizada en tiempo de inferencia, la distribución en el borde o los modelos pequeños especializados —capaces de igualar el rendimiento de otros mucho mayores— reducen el coste sin renunciar a capacidad. Esa misma innovación está también presente en la base física: la refrigeración líquida mejora hasta un 45% la eficiencia energética de los centros de datos y reduce el consumo de agua al operar en circuitos cerrados, y el calor residual de los servidores, antes simplemente descartado, empieza a reutilizarse en calefacción urbana o climatización de edificios cercanos.
Software y hardware avanzan así en la misma dirección: la eficiencia se ha convertido en un criterio de diseño tan relevante como la propia capacidad del sistema.
Del Green IT al IT for Green
La misma capacidad de análisis y predicción que exige tanta energía es, también, una de las herramientas más potentes para optimizar procesos en prácticamente cualquier sector. Es el paso del Green IT —hacer que la tecnología sea sostenible— al IT for Green —usar la tecnología para que otros procesos lo sean.
El propio centro de datos es ya un buen ejemplo. Las técnicas de carbon-aware computing permiten desplazar cargas de trabajo no urgentes a las horas con mayor disponibilidad renovable o menor intensidad de carbono, mientras que sistemas predictivos ajustan la refrigeración según la carga real prevista, en lugar de sobredimensionarla por precaución. Los centros de procesamiento dedatos dejan así de ser solo un consumidor y empiezan a gestionarse como un actor activo de su propio consumo.
Esa misma lógica se traslada a procesos que, hechos a mano, apenas se cuestionan por ineficientes, pero que a escala tienen un impacto enorme. En logística, el sistema ORION de UPS, que analiza 250 millones de puntos de datos al día para diseñar rutas más eficientes, ahorra hasta 37 millones de litros de combustible al año y evita 100.000 toneladas de emisiones de CO2. En la industria, el mantenimiento predictivo anticipa fallos antes de que ocurran, evitando el gasto —energético y económico— de paradas no planificadas o sustituciones prematuras de equipos.
En el propio sistema energético, algoritmos de aprendizaje automático optimizan ya la distribución en microrredes híbridas y mejoran la previsión de generación eólica y solar —dos variables especialmente difíciles de anticipar— facilitando así una mayor integración de renovables sin comprometer la estabilidad de la red.
En todos los casos, la lógica es la misma: mejor información, decisiones más precisas, menos desperdicio. Pero cuanto más accesible se vuelve la IA, mayor es también el riesgo de un uso ineficiente: muchas pruebas de concepto que nunca escalan, proyectos sin gobierno claro, consumo que crece sin control ni medición. Es el efecto rebote, la versión moderna de la paradoja de Jevons —y la razón por la que la eficiencia técnica, sin un enfoque adecuado, no basta.
Eficiencia por diseño: definición, arquitectura y gobierno
La eficiencia técnica es una condición necesaria, pero no suficiente. Para que se traduzca en un impacto real y sostenido, es necesario gestionar con rigor las tres fases clave del proyecto de IA: definición rigurosa, arquitectura eficiente, y gobierno y operación continua.
La fase de definición determina, en gran medida, el resultado final del proyecto. Requiere identificar con precisión el problema que se pretende resolver, cuantificar el impacto esperado —en términos de negocio, de operación y de consumo de recursos— y confirmar que ese impacto justifica el uso de inteligencia artificial frente a alternativas de menor complejidad. Esta cualificación previa es la que separa los proyectos que generan valor desde el primer despliegue de aquellos que consumen tiempo, cómputo y presupuesto sin llegar nunca a escalar.
La fase de arquitectura traslada esa definición a decisiones de diseño concretas. La elección del modelo más adecuado a cada tarea —de gran escala cuando aporta un valor diferencial, especializado y de menor tamaño cuando no—, la definición de dónde se procesa la información —en la nube o en el borde— y la priorización de la reutilización de modelos existentes frente al entrenamiento desde cero son decisiones que condicionan el consumo de recursos durante todo el ciclo de vida del proyecto, en mayor medida que cualquier optimización posterior.
La fase de operación, por último, es la que sostiene la eficiencia en el tiempo. Exige un modelo de gobierno que contemple la monitorización continua del consumo, el establecimiento de indicadores de eficiencia y el control de variables operativas —como el volumen de tokens procesados o la frecuencia de las llamadas a los modelos—. Es la misma disciplina que se aplica a cualquier otro recurso crítico de la organización: gestionar con datos, no por intuición.
Definición, arquitectura y operación no son fases aisladas, sino partes de un mismo ciclo. Es esa visión de conjunto —y no la optimización de una sola de sus partes— la que permite convertir la eficiencia técnica en impacto real y en una sostenibilidad que perdura en el tiempo.
La inteligencia artificial seguirá creciendo, y con ella la base que la sostiene. Esa es la parte segura. La pregunta que queda abierta es cómo gestionamos ese crecimiento: si dejamos que la eficiencia sea una consecuencia accidental del progreso técnico, o si la convertimos en una decisión deliberada, presente desde el primer caso de uso hasta la última línea de código en producción. La ciencia y la tecnología ya han demostrado que pueden resolver este reto. Aplicada con criterio, la innovación es la respuesta: eficiencia por diseño, no por defecto.
Juan José Cerrolaza,
Head of Artificial Intelligence | Applications, Data & AI en Kyndryl
