[ES] El impacto ambiental de la inteligencia artificial: energía, agua y sostenibilidad

Meteorology Matters is testing episodes in English and Spanish.

• Seasons 1–100: English Episodes
• Temporadas 101–200: Episodios en Español

La rápida integración de la Inteligencia Artificial (IA) en la vida cotidiana está impulsando una demanda creciente y sin precedentes de recursos computacionales, lo que genera una huella ambiental significativa y creciente. Este informe sintetiza datos clave sobre el consumo de energía y agua de la IA, su contribución a las emisiones de carbono y los residuos electrónicos, y las estrategias emergentes para mitigar estos impactos.

La principal carga ambiental de la IA reside en los enormes centros de datos necesarios para entrenar y operar sus modelos. Estas instalaciones consumieron el 4,4 % de la electricidad de EE. UU. en 2023, una cifra que se proyecta que se triplicará para 2028. A nivel mundial, el consumo de electricidad de los centros de datos se duplicará entre 2022 y 2026, alcanzando un nivel comparable al de todo Japón. Este aumento se debe principalmente a la IA generativa, que requiere energía constante y fiable, lo que aumenta la dependencia de los combustibles fósiles y obliga a ubicar los centros de datos en regiones con redes eléctricas con mayor contenido de carbono.

Más allá de la electricidad, la necesidad de agua de la IA para refrigerar su hardware está generando crisis agudas y localizadas. Los informes indican que el consumo de agua de las principales empresas tecnológicas ha aumentado hasta un 34 % en un solo año, lo que ha sobrecargado los suministros municipales, afectado a las comunidades locales y provocado protestas en regiones desde Estados Unidos hasta Sudamérica.

Un desafío crítico para abordar estos problemas es la falta generalizada de transparencia de las empresas tecnológicas, que tratan sus datos de consumo de recursos como secretos comerciales. Este enfoque de "caja negra" obstaculiza la regulación, la investigación y la rendición de cuentas públicas efectivas. En respuesta, están comenzando a surgir iniciativas legislativas y de estandarización en Estados Unidos y la Unión Europea para exigir la presentación de informes.

Si bien el costo energético de entrenar modelos como GPT-4 es inmenso (estimado en más de 50 gigavatios-hora), la mayor parte de la demanda energética de la IA (80-90 %) proviene ahora de la "inferencia", el uso diario de estos modelos por parte de miles de millones de usuarios. La trayectoria futura apunta a un consumo aún mayor, con el desarrollo de "agentes" de IA y "modelos de razonamiento" que podrían requerir órdenes de magnitud mayores de energía. Las soluciones propuestas se centran en una estrategia multifacética: desarrollar modelos y hardware de IA más eficientes, trasladar los centros de datos a fuentes de energía renovables y fomentar la investigación interdisciplinaria para guiar el desarrollo sostenible.