¿Qué tan mala es realmente la IA para el medio ambiente?
Una auditoría mitológica de las afirmaciones de energía, agua y carbono de la IA: qué se admite, qué está desactualizado y qué sigue siendo genuinamente preocupante.
El impacto ambiental de la IA es real y creciente, pero muchas comparaciones virales son demasiado seguras. Las indicaciones de texto ordinarias parecen utilizar una fracción de vatio-hora según estimaciones recientes; Un razonamiento largo, un contexto extenso, imágenes y videos pueden usar mucho más. La demanda de electricidad y agua de los centros de datos es importante a escala, especialmente en determinadas regiones.
El veredicto más honesto no es ni pánico ni despido. Algunos números populares están desactualizados, despojados de sus supuestos o aplicados a la unidad incorrecta. Mientras tanto, la tendencia a nivel de sistema (un rápido crecimiento de la infraestructura liderado en parte por la IA) está bien respaldada. Esta auditoría de mitos separa lo que debería retirarse de lo que merece una atención seria.
Mito: cada consulta de IA utiliza 3 Wh
La cifra de 3 vatios-hora fue una estimación inicial basada en el hardware A100 más antiguo, un GPT-3.5-scale modelo y se supone que se generaron 2,000 tokens. No era una medida universal.
Las estimaciones públicas más recientes para una consulta de texto normal son más bajas. OpenAI El director ejecutivo Sam Altman declaró un promedio ChatGPT consulta utilizada alrededor de 0.34 Wh. Google informó 0.24 Wh para un mediana Gemini Mensaje de texto de aplicaciones en mayo de 2025 utilizando una metodología que incluía infraestructura de soporte.
Ninguno de los números cubre todos los modos y Altman no publicó el cálculo detrás de su promedio. Las entradas y salidas largas aún pueden usarse muchas veces más. Retirar “3 Wh por cada consulta”; sigue preguntando qué carga de trabajo y límite.
Mito: un mensaje bebe una botella de agua
La estimación académica detrás de la afirmación de la botella no decía ningún mensaje. Li y sus colegas estimaron que una botella de 500 ml podría corresponder aproximadamente a 20–50 respuestas de longitud media, dependiendo de dónde y cuándo se ejecutó el modelo. Eso equivale a aproximadamente 10–25 ml por respuesta según sus supuestos.
Las cifras de los operadores posteriores fueron mucho menores: Altman dio alrededor de 0.000085 galones estadounidenses (aproximadamente 0.32 ml) para un promedio ChatGPT consulta, mientras Google informó 0.26 ml para su mediana Gemini mensaje de texto. Éstas no son refutaciones claras porque los sistemas y los límites difieren.
La conclusión es incertidumbre, no cero. El agua varía según la refrigeración, el clima y la electricidad. Ver ¿La IA realmente usa una botella por mensaje? para el recorrido completo.
Mito: la IA siempre utiliza diez veces una búsqueda web
Esta relación suele situar a un viejo Google estimación de búsqueda junto a una estimación de IA más nueva. La infraestructura de búsqueda ha cambiado desde Google publicó cifras de energía en 2009 y muchos productos de búsqueda ahora incluyen resúmenes generados. Mientras tanto, una “consulta de IA” podría significar una finalización breve o un trabajo de investigación de varios pasos.
Un ratio elaborado a partir de diferentes proveedores, años y límites del sistema no es una comparación controlada. Puede que alguna vez haya sido una ilustración útil, pero no debe tratarse como una constante física actual.
Para una tarea individual, la pregunta más relevante es si la búsqueda, una fuente directa o una respuesta generada es la herramienta adecuada. A nivel del sistema, compare totales transparentes y contemporáneos. La precisión sin comparabilidad no es exactitud.
Mito: la energía renovable hace que la IA no tenga impacto
La electricidad baja en carbono puede reducir drásticamente las emisiones operativas, y los contratos entre empresas de tecnología pueden ayudar a generar nueva generación. El AIE espera que las energías renovables cubran casi la mitad del crecimiento del suministro de electricidad de los centros de datos hasta 2030 en su caso base.
También espera que el gas natural y el carbón juntos cubran más del 40% del suministro adicional durante ese período. Es posible que la igualación anual de energías renovables no alinee la generación con el lugar y la hora de demanda del centro de datos. La electricidad más limpia tampoco elimina el agua de refrigeración, la fabricación de hardware, los edificios o los terrenos.
La “operación con bajas emisiones de carbono” es una afirmación defendible con evidencia. “Sin huella” no lo es. La distinción es central para si la IA es mala para el medio ambiente.
Mito: un pequeño aviso no puede importar
Un mensaje breve tiene una huella operativa pequeña. Ésa es una razón para la proporción, no para la negación. Se suman miles de millones de usos, longitudes de producción cada vez mayores y nuevas cargas de trabajo de imágenes, vídeos y agentes. Los proveedores crean capacidad para la demanda agregada esperada, no para el mensaje de una sola persona.
La AIE estimó que todos los centros de datos (no solo la IA) utilizados en todo el mundo 415 TWh en 2024 y proyecta aproximadamente 945 TWh en 2030 en su caso base. Los servidores acelerados impulsados por IA representan casi la mitad del aumento neto.
La culpa individual sigue siendo una política equivocada. Los operadores eligen modelos, hardware, ubicación y energía; los gobiernos supervisan las redes y el agua. Los usuarios pueden evitar el desperdicio, mientras que las decisiones estructurales determinan la mayor parte de la trayectoria del sistema.
Mito: la IA es la única razón por la que los centros de datos están creciendo
La IA es un motor importante, no todo el sector. Los centros de datos también ofrecen almacenamiento, vídeo, sistemas financieros, software empresarial y computación en la nube convencional. Repetir el total del centro de datos como “electricidad de IA” exagera la atribución actual.
El error inverso es ignorar la IA porque la asignación precisa es difícil. La AIE modela que la electricidad de los servidores acelerados crece mucho más rápido que la demanda de los servidores convencionales e identifica la IA como la principal fuente de expansión.
Los buenos informes mantienen ambos hechos juntos: los totales observados son más amplios que los de la IA, y la IA cambia materialmente las perspectivas. Nuestro artículo sobre Centros de datos de IA explica por qué los impactos locales en la red y el agua pueden ser más informativos que un porcentaje global.
¿Qué es realmente preocupante?
La rápida demanda absoluta puede superar la eficiencia y la construcción basada en energías limpias. Las instalaciones se agrupan, por lo que las redes locales y los sistemas de agua pueden enfrentar una presión que los promedios globales ocultan. Las emisiones de la cadena de suministro y la fabricación de hardware siguen estando mal asignadas. Los datos operativos públicos a nivel de modelo aún son escasos.
Los medios generativos y los sistemas agentes podrían hacer que cada solicitud de usuario sea más compleja desde el punto de vista computacional. El rebote puede convertir la inferencia más barata en una mayor demanda total. Se trata de riesgos de planificación más que de pruebas del peor escenario, razón por la cual los rangos de escenarios son importantes.
Los usuarios pueden elegir modelos más pequeños y capaces, centrarse en el contexto y evitar generaciones desechables. Los proveedores deben publicar totales absolutos y específicos de la carga de trabajo. Treechat explica sus estimaciones limitadas basadas en modelos sobre su página de metodología. Un recibo puede alentar a tomar mejores decisiones, pero no es una auditoría del ciclo de vida completo.
La IA es lo suficientemente mala como para requerir transparencia, infraestructura más limpia y moderación. La evidencia no respalda el tratamiento de cada aviso como una emergencia ambiental. Apoya la construcción de una cultura en la que la computación costosa tenga que ganarse el sustento.