La inteligencia artificial se ha convertido en una palanca clave de competitividad, pero su crecimiento está aumentando también la presión sobre el consumo energético y los centros de datos. ¿Cómo pueden las empresas equilibrar la adopción acelerada de IA con una estrategia realista de sostenibilidad?
Lo primero es dejar de hablar de IA en abstracto, como una tecnología genérica que hay que incorporar por tendencia, sin concretar qué problema debe resolver, en qué proceso se aplicará ni qué resultado se espera obtener, y empezar a gestionarla como una cartera de decisiones de negocio. No todas las aplicaciones necesitan el modelo más grande ni la infraestructura más intensiva, muchas veces el mayor retorno está en priorizar casos de uso concretos, medir desde el inicio su impacto en productividad, coste, latencia y consumo, y decidir qué arquitectura es realmente necesaria para cada proceso. La sostenibilidad real no se consigue frenando la innovación, sino evitando el sobredimensionamiento técnico y construyendo IA útil, trazable y eficiente desde el diseño. Esto implica incorporar al caso de negocio indicadores como el coste y el consumo por tarea, la frecuencia con la que será necesario actualizar el modelo, el nivel de utilización de la infraestructura o la posibilidad de reutilizar datos y componentes. Es la lógica que aplicamos en MIOTI Data & AI Services: no limitar la evaluación al rendimiento del modelo, sino analizar todo su ciclo de vida para asegurar que la solución pueda mantenerse, escalar y seguir aportando valor en el tiempo.
En el desarrollo de una IA más eficiente, están ganando peso enfoques como los modelos más pequeños y especializados, la optimización de algoritmos o las nuevas arquitecturas neuronales. ¿Dónde está hoy el mayor margen para reducir el impacto energético de la IA sin frenar la innovación?
Sobre todo, en la inferencia y en la orquestación inteligente de modelos. La industria está demostrando que no siempre hace falta escalar a lo grande para innovar más: los modelos pequeños y especializados, la cuantización, el speculative decoding o arquitecturas como Mixture-of-Experts, que dividen el modelo en distintos módulos expertos y activan únicamente los necesarios para resolver cada tarea, están mejorando velocidad y eficiencia sin renunciar a rendimiento en muchos casos. Mi convicción es que vamos hacia sistemas multimodelo, donde los modelos frontier se reservan para tareas complejas y el volumen operativo recae en modelos más ligeros y especializados; ahí es donde se gana de verdad en coste energético, tiempo de respuesta y escalabilidad. En esencia, se trata de diseñar la arquitectura adecuada para cada caso de negocio.
Además, esta búsqueda de eficiencia ya está condicionando la propia creación de los modelos. DeepSeek V4, presentado en 2026, ilustra bien el potencial de las arquitecturas Mixture-of-Experts: su versión Pro cuenta con 1,6 billones de parámetros, pero solo activa 49.000 millones para procesar cada token, mientras que la versión Flash utiliza 13.000 millones de los 285.000 millones disponibles. Google también acaba de presentar Gemini 3.6 Flash, que emplea un 17% menos de tokens de salida que su predecesor y necesita menos pasos de razonamiento y llamadas a herramientas, pese a mejorar su rendimiento. El efecto acumulado de estas innovaciones puede ser muy relevante: según datos de la propia Google, en solo doce meses la energía consumida y la huella de carbono asociadas a una petición de texto mediana de Gemini se redujeron 33 y 44 veces, respectivamente.
La carrera por la IA está llevando a las grandes tecnológicas a invertir de forma masiva en infraestructura, centros de datos y suministro energético. ¿Hasta qué punto el acceso a capacidad de cómputo, energía limpia y arquitecturas eficientes va a convertirse en un factor decisivo de competitividad?
Va a ser un factor decisivo, sin duda, porque la IA depende esencialmente de la capacidad de cómputo, el acceso a la red eléctrica, energía limpia y la velocidad de despliegue. La dimensión del reto es enorme. La Agencia Internacional de la Energía (IEA) advertía en un informe reciente que un centro de datos orientado a IA consume habitualmente tanta electricidad como 100.000 hogares, pero las mayores instalaciones que se están construyendo alcanzan ya una demanda veinte veces superior, equivalente a la de unos dos millones de viviendas.
En paralelo, el consumo eléctrico mundial de los centros de datos creció un 17% en 2025 y el de los específicamente orientados a IA aumentó un 50%, mientras que se prevé que la demanda total del sector supere los 945 TWh en 2030, más del doble que en 2024 y ligeramente por encima del consumo eléctrico actual de todo Japón.
España representa muy bien esta carrera: AWS ha anunciado una inversión de 33.700 millones de euros para ampliar su infraestructura de cloud e IA en Aragón y, en el conjunto de la Península Ibérica, CBRE identifica ya un potencial ejecutable de 4,5 GW, con entre 350 y 500 MW contratados únicamente por operadores especializados en computación para IA durante los últimos doce meses. Pero la competitividad no se decidirá únicamente por quién pueda invertir más, sino por quién sea capaz de obtener más valor de cada unidad de cómputo y de energía, diseñando arquitecturas eficientes, distribuyendo las cargas de trabajo de acuerdo con la disponibilidad energética, evitando el sobredimensionamiento y reduciendo la dependencia de un único proveedor.
La sostenibilidad empieza a perfilarse como una posible nueva barrera de entrada para la inteligencia artificial. ¿Existe el riesgo de que solo las organizaciones con acceso a energía, infraestructura, talento y criterio tecnológico puedan adoptar IA a gran escala de forma realmente sostenible?
Ese riesgo existe, pero no lo plantearía como una fatalidad, sino como una llamada a hacer mejor las cosas. Es evidente que las organizaciones con mejor acceso a infraestructura, energía, talento y criterio parten con ventaja, y también que el mercado se está concentrando alrededor de grandes plataformas y alianzas cloud. Pero la respuesta no es resignarse a que solo unos pocos puedan hacer IA sostenible; la respuesta es democratizar el criterio, usando open source cuando tenga sentido, aprovechando servicios gestionados con cabeza, evitando pilotos cosméticos, construyendo una base de datos y gobierno reutilizable y formando a los equipos para que sepan decidir bien. En el mercado vemos además una clara asimetría. Algunas empresas tienen claro qué quieren hacer, pero necesitan acompañamiento para diseñarlo y desplegarlo; otras cuentan con acceso a tecnología, pero todavía deben entender qué proyectos merece la pena impulsar, cómo hacerlo y, sobre todo, cuáles no. Para hacer eso hacen falta dos cosas que deben avanzar juntas: conocimiento dentro de la organización y capacidad para llevar las decisiones a la práctica.
Para que la IA se utilice de forma más inteligente y responsable, no basta con disponer de tecnología. ¿Qué capacidades deben desarrollar los profesionales y las empresas para tomar mejores decisiones, evitar usos innecesariamente intensivos y aprovechar la IA de forma sostenible?
La primera capacidad es el criterio, y eso significa unir alfabetización en datos e IA con pensamiento de negocio, gobierno, ética y medición. Un profesional preparado para esta nueva etapa no es solo quien sabe usar herramientas, sino quien entiende cuándo merece la pena automatizar, qué modelo conviene emplear, qué riesgos introduce, cómo medir coste e impacto y cómo integrar esa solución en un proceso real. Por eso en MIOTI Tech & Business School ponemos tanto foco en la formación práctica, en programas especializados para perfiles técnicos, funcionales y directivos, y en enseñar a aplicar la IA a contextos concretos; y por eso esa formación debe ir acompañada del aterrizaje en producción que aporta MIOTI Data & AI Services. La IA sostenible no depende únicamente de la tecnología disponible, sino de profesionales capaces de tomar mejores decisiones y de compañías capaces de convertir esas decisiones en sistemas bien gobernados, útiles y proporcionados.
Fabiola Pérez,
CEO y cofundadora de MIOTI Tech & Business School y MIOTI Data & AI Services.
