¿Cuánta energía y agua consume realmente la inteligencia artificial? Las cifras verificadas, fuente por fuente (2024-2030)

Los cálculos difundidos acerca del gasto energético de una única petición a un modelo de lenguaje oscilan en un intervalo superior a tres órdenes de magnitud: abarca desde 0,24 vatios-hora hasta prácticamente 30. No se trata de que ciertas fuentes falseen los datos y otras acierten, sino de que evalúan parámetros diferentes. Este texto recopila, basándose en documentos originales y con revisión científica, el gasto real de la inteligencia artificial tanto en recursos hídricos como eléctricos, analiza el motivo por el cual los datos publicados resultan contradictorios y enseña a interpretar de forma correcta cualquier noticia al respecto. Se incorporan las estadísticas conjuntas de la Agencia Internacional de la Energía junto con el Lawrence Berkeley National Laboratory, los registros de rendimiento operativo de Google, la primera evaluación integral del ciclo de vida perteneciente a un sistema comercial (Mistral), además de las investigaciones universitarias que miden el impacto sobre el agua. Hacia el final se adjunta un repertorio bibliográfico dotado de DOI para facilitar la comprobación independiente de cada información.

Resumen en 30 segundos: las ocho cifras que importan

Si solo vas a leer una parte de este artículo, que sea esta tabla. Cada fila indica la fuente y el año, porque sin eso el número no significa nada.

Lo que vas a encontrar en este artículo

• Por qué las cifras públicas no resultan comparables entre sí, además de los cinco parámetros que conviene definir antes de contrastar cualquier dato.

• Los datos consolidados de gasto energético, acompañados de sus respectivos contextos y márgenes de variación.

• El consumo por consulta: todas las mediciones disponibles puestas en la misma tabla, con su metodología.

• El agua: los tres «grifos» distintos que casi nadie distingue y que explican la mayor parte de las discrepancias.

• Entrenamiento frente a inferencia: dónde está hoy el coste real.

• Por qué la dificultad no es global sino local, analizando las situaciones de Virginia del Norte, Irlanda, Oregón y São Paulo.

• Qué palancas disminuyen el impacto de manera real, cuantificadas.

• Una lista de comprobación de seis preguntas para auditar cualquier titular sobre consumo de IA.

1. Por qué las cuentas no cuadran: cinco parámetros que nadie fija

En julio de 2025 ocurrió algo revelador. Sam Altman, consejero delegado de OpenAI, publicó que una consulta media a ChatGPT consume 0,34 Wh y unos 0,32 mililitros de agua. Pocos días después, Mistral AI publicó la primera evaluación de ciclo de vida completo de un modelo comercial de lenguaje y cifró el agua de una respuesta de 400 tokens en 45 mililitros. Dos empresas del mismo sector, en el mismo mes, con una diferencia de más de cien veces en la misma magnitud.

Ninguna de las dos posturas resulta necesariamente errónea. Evalúan aspectos diferentes, y ese es justamente el trasfondo de esta discusión. Una revisión sistemática compuesta por 88 investigaciones evaluadas por expertos y difundida en Renewable and Sustainable Energy Reviews reveló que el gasto energético por tarea durante la inferencia abarca más de tres órdenes de magnitud en los trabajos científicos; en este sentido, producir imágenes demanda aproximadamente 1.450 veces más recursos que una operación elemental de clasificación de textos [3].

Antes de comparar dos cifras sobre consumo de IA hay que comprobar que coinciden en estos cinco parámetros:

A esto se suma una traba estructural en materia de transparencia. Un estudio dado a conocer en Patterns en 2025 lo señala con total claridad: los reportes ecológicos de los administradores de centros de datos no diferencian el tráfico de inteligencia artificial del resto de demandas, por lo que el impacto ambiental de la IA únicamente se calcula mediante estimaciones basadas en indicadores globales de las instalaciones; además, con frecuencia los datos difundidos ni siquiera posibilitan calcular el consumo global de la empresa [1].

2. El consumo eléctrico de los centros de datos

Aquí las cifras son más sólidas, porque existen fuentes institucionales con metodología publicada. La Agencia Internacional de la Energía (AIE) es la referencia central: su informe Energy and AI de abril de 2025 proyectó un consumo global de centros de datos de unos 945 TWh en 2030, comparable al consumo eléctrico anual de Japón, y su serie Electricity 2026 sitúa el punto de partida de 2025 en torno a 485 TWh, es decir un 1,5 % de la electricidad mundial, de los cuales unos 155 TWh corresponden a instalaciones orientadas a IA.

Hay dos lecturas compatibles de esta tabla. La primera: en términos agregados, la IA sigue siendo una fracción modesta del sistema eléctrico mundial —en torno al 0,5 % hoy, camino del 1 % al 1,2 % en 2030 según la estimación más conservadora [10]—. La segunda: el ritmo de crecimiento no tiene precedente reciente en el sector eléctrico, y la infraestructura de red se planifica en plazos de siete a diez años mientras un centro de datos se construye en dos.

Un dato que refleja dicha desproporción: un modelo de dinámica de sistemas difundido en Sustainable Futures y enfocado en Virginia del Norte —el principal mercado mundial de centros de datos, zona que actualmente absorbe cerca del 25 % de la energía eléctrica local— revela que el margen de reserva proyectado descenderá por debajo del umbral de referencia del 17,7 % en un plazo de tres a cinco años, al tiempo que la proporción correspondiente a los centros de datos se elevaría hasta el 36 %-40 % del gasto energético regional para el año 2031 [17].

3. Cuánto consume una sola consulta

Esta cifra resulta ser la más repetida y, al mismo tiempo, la menos certera. Durante mucho tiempo, los cálculos se elaboraron desde una perspectiva externa, basándose en conjeturas sobre el uso y el hardware. No fue hasta agosto de 2025 cuando vio la luz el primer registro en condiciones reales de funcionamiento: Google monitorizó el sistema encargado de dar soporte a Gemini y determinó que la petición textual media demanda 0,24 Wh de energía y 0,26 ml de agua, lo cual equivale a nueve segundos de emisión televisiva y al volumen de cinco gotas [23].

Dicha labor cobra relevancia por un par de motivos que van más allá de la simple cifra. Por un lado, su delimitación sistémica abarca el gasto energético del acelerador operativo, la plataforma anfitriona, el margen ocioso de los equipos y el sobrecosto eléctrico del centro de datos; en otras palabras, constituye un balance exhaustivo y no una estimación complaciente centrada únicamente en la GPU. Por otro lado, registra un descenso de 33 veces en energía y 44 veces en huella de carbono por consulta mediana en el transcurso de un único año, un logro derivado tanto de la optimización del software como de la adquisición de electricidad verde. En consecuencia, cualquier dato previo a 2024 sobre el gasto energético por consulta queda completamente desfasado por un orden de magnitud considerable.

La moraleja práctica no aboga por el consumo escaso ni por el desmedido. Más bien, se deduce que la selección del modelo y su modalidad de servicio influyen mucho más que la mera decisión de implementar IA o prescindir de ella. Una investigación empírica centrada en H100 reveló que organizar temporalmente el flujo de solicitudes disminuye la energía requerida por cada consulta hasta cien veces, constatando además que el beneficio derivado de emplear precisión reducida surge únicamente en escenarios condicionados por la capacidad de cálculo [20]. Por otro lado, un análisis enfocado en 14 arquitecturas abiertas que oscilan entre 6.000 y 34.000 millones de parámetros determinó que escalar el tamaño incrementa notablemente el gasto energético sin aportar ganancias de exactitud equivalentes, evidenciando que, para numerosas labores, las opciones intermedias alcanzan o rebasan el rendimiento de las mayores con un coste energético notablemente inferior [21].

Hay además un hallazgo contraintuitivo que conviene conocer: en una evaluación multilingüe sobre NVIDIA H200 con más de 5.100 ejecuciones, la energía varió hasta el triple entre modelos con cargas idénticas, la correlación entre gasto energético y rendimiento en razonamiento resultó débil (ρ de Spearman = 0,109; p = 0,386), y el idioma de la consulta se comportó como un parámetro medible de despliegue: las lenguas romances consumieron de media menos energía que el inglés en varios modelos [5].

4. El agua: tres grifos distintos

El agua representa el ámbito donde más se confunde la discusión pública, debido a un motivo elemental: existen tres corrientes diferentes y casi nunca se especifica a cuál se alude.

1. Agua directa (alcance 1). La que se evapora en el interior de las torres de refrigeración del centro de datos. Se trata del volumen que suele acaparar los titulares y el único sobre el cual el operador ejerce un control directo.

2. Agua indirecta (alcance 2). Aquella empleada en producir la electricidad que abastece las instalaciones informáticas: refrigeración en plantas térmicas y atómicas, además de la evaporación en pantanos hidroeléctricos. Habitualmente supera a la directa. Dentro del clúster de São Paulo, el cual cuenta con una capacidad de cálculo cercana a los 550 MW y un gasto hídrico anual calculado en 16,1 millones de m³, más del 46 % corresponde a «agua virtual» gastada durante la producción hidroeléctrica[7].

3. Agua incorporada (alcance 3). La de la fabricación de semiconductores y del resto de la cadena de suministro del hardware.

Esta diferencia aclara por qué una infraestructura eléctrica de bajas emisiones no garantiza por sí misma un consumo reducido de agua, aspecto que el estudio de Aczel et al. recalca de manera explícita [14]. Asimismo, pone de manifiesto una contradicción territorial: la energía hidráulica, estandarte de la transición energética, desencadena un círculo vicioso donde las necesidades de los centros de procesamiento de datos tensionan redes hídricas y energéticas que ya se encuentran vulnerables debido a la crisis climática [7].

Nótese la diferencia entre la primera y la segunda fila: un orden de magnitud. No se trata de un fallo en ninguna de las dos labores, sino de que la primera calcula la retirada y la segunda la huella atribuida a cargas de IA. Todo texto que equipare ambas como si fueran idénticas magnitudes carece de rigor.

La localización importa más que el volumen agregado. Dos tercios de los nuevos centros de datos estadounidenses se sitúan en zonas con estrés hídrico [18], y un análisis en PLOS Water identifica cuatro preocupaciones documentadas en litigios y expedientes públicos en Estados Unidos: erosión de la gobernanza democrática del agua, uso insostenible con subida de tarifas, pérdida de flexibilidad en la toma de decisiones hídricas, y aumento del uso de agua por la vía del incremento de la demanda eléctrica [13].

5. Entrenamiento frente a inferencia: dónde está el coste real

Durante años el relato se centró en el entrenamiento: las cifras espectaculares de un modelo frontera entrenándose durante semanas. Ese marco está desfasado. Los informes del sector indican que la inferencia, no el entrenamiento, concentra más del 90 % del consumo total de energía de un servicio de IA en explotación [19], y una síntesis en Open Praxis recoge un estudio que estima la huella de carbono de la fase de uso en 25 veces la del entrenamiento inicial [18].

Esto acarrea tres efectos que transforman por completo el debate:

• El coste es proporcional al uso, no al desarrollo. Un modelo eficiente usado mil millones de veces al día pesa más que un modelo ineficiente entrenado una vez.

• El cuello de botella se desplaza a la ingeniería de servicio. La cuantización, el volumen de lote, la programación de consultas y la selección del motor de inferencia consiguen recortar el gasto energético global hasta un 73 % en comparación con un ajuste sin optimizar [4].

• Se manifiesta el efecto rebote. Dentro de esta literatura se documenta de forma explícita la paradoja de Jevons: las optimizaciones en la eficiencia abaratan el servicio y elevan la demanda global [18]. Jegham et al. lo plantean como «una paradoja en expansión: conforme la inteligencia artificial se vuelve más veloz y económica, su masiva adopción desencadena un gasto desmedido de recursos» [11].

Hay además un detalle de ingeniería eléctrica poco conocido y relevante para la planificación de red: el consumo durante el entrenamiento no es constante. Una medición detallada con series temporales encontró oscilaciones entre el 15 % y el 85 % del consumo máximo del hardware, con implicaciones negativas para la planificación a escala de red [22].

6. El inconveniente no es general, sino local

Si uno observa únicamente las cifras globales, las consecuencias de la IA aparentan ser controlables. El inconveniente radica en que los recursos no se distribuyen equitativamente: Norteamérica, Europa Occidental y Asia-Pacífico concentran más del 90 % de la capacidad de cómputo proyectada[10], al tiempo que, dentro de dichos territorios, la acumulación se repite en un número reducido de enclaves.

La última fila merece atención porque contradice la intuición habitual. La huella de una consulta idéntica puede variar de forma sustancial según el país donde se ejecute, y no siempre en la dirección que se supone. La ubicación del centro de datos y el diseño de su refrigeración influyen en el impacto ambiental tanto como la eficiencia del hardware[25].

7. Qué mitiga realmente el impacto

Esta es la sección de la literatura menos mencionada en los medios, aunque resulta la más práctica. Las cifras ya han sido medidas:

El trabajo sobre simbiosis entre centros de datos y depuradoras merece mención aparte por su escala: construye una geobase de más de 4.775 centros de datos y 57.547 depuradoras municipales en 98 países, y halla una fuerte coocurrencia espacial entre ambos tipos de instalación que permitiría emparejamientos optimizados a escala nacional [9]. Hablamos de una clase de solución que prescinde de cualquier avance tecnológico futuro, basándose exclusivamente en una correcta planificación.

El contrapunto resulta igualmente relevante: el estudio publicado en Nature Sustainability advierte que, pese a implementar prácticas óptimas, la industria de servidores de IA apenas logrará cumplir con sus metas de cero neto para 2030 a menos que acuda a sistemas de compensación de carbono y de recuperación hídrica cuyos resultados generan profundas dudas[6].

8. Cómo auditar cualquier titular sobre consumo de IA

Seis preguntas. Si un titular o un informe no permite responderlas, el dato no es utilizable:

1. ¿De qué año es la medición? Google documentó una mejora de 33 veces en energía por consulta en doce meses. Una cifra de 2023 no describe 2026.

2. ¿Qué incluye la frontera del sistema? ¿Acaso abarca únicamente la GPU, o también engloba el servidor, el margen de capacidad ociosa, el coeficiente PUE de las instalaciones y la propia producción del hardware?

3. En agua, ¿retirada o consumo? ¿Y de qué alcance: refrigeración, generación eléctrica o fabricación de chips?

4. ¿Qué tarea concreta se midió? Una consulta corta de texto y la generación de un vídeo no son la misma unidad de análisis.

5. ¿Es medición, estimación o declaración? Existen tres grados de evidencia bastante diferenciados: la medición instrumentada en producción, la inferencia estadística a partir de información pública de API, y la aseveración corporativa carente de metodología.

6. ¿Está normalizada por utilidad? Energía por consulta sin decir qué calidad de respuesta se obtiene no permite comparar. De ahí la propuesta de métricas compuestas tipo AI Energy Score, que capturan calidad de razonamiento por unidad de energía [5].

9. Lo que todavía no sabemos

Un artículo honesto tiene que decir dónde se acaba la evidencia. En este campo, las lagunas son grandes y están documentadas:

• No existen evaluaciones integrales y revisadas por pares acerca de los modelos de razonamiento o de la inteligencia artificial agéntica. Así lo subraya de forma explícita un análisis sistemático de 88 investigaciones: se trata de una categoría novedosa que carece de métricas exhaustivas divulgadas [3]. Teniendo en cuenta que estas tecnologías producen una cantidad muy superior de tokens por cada operación, este vacío representa, con casi total seguridad, la carencia más significativa en la actualidad.

• No existen datos fiables de ciclo de vida de las GPU, ni factores de evaluación ampliamente disponibles, ni un estándar establecido de análisis de ciclo de vida para modelos de lenguaje. Lo reconoce la propia Mistral en su auditoría.

• Los operadores no desglosan cargas de IA frente a cargas convencionales en sus reportes ecológicos, obstaculizando la asignación precisa de los impactos [1].

• Los datos locales de consumo de agua rara vez son públicos. Los gobiernos locales y las empresas de servicios no siempre los facilitan, de modo que hace falta solicitarlos por vía de transparencia [13].

• La atribución transfronteriza está sin resolver. Se ha propuesto un marco híbrido que asigne la huella operativa a los Estados anfitriones y los impactos incorporados y de servicio a los Estados consumidores, pero no existe acuerdo [24].

Preguntas frecuentes

¿Cuánta energía demanda una consulta realizada en ChatGPT o Gemini?

La única medición instrumentada en un entorno de producción disponible es la de Google para Gemini: 0,24 Wh de energía y 0,26 ml de agua para la consulta de texto mediana, con una frontera de sistema que incluye acelerador, servidor anfitrión, capacidad inactiva y sobrecoste del centro de datos [23]. OpenAI ha declarado 0,34 Wh y unos 0,32 ml para ChatGPT, sin publicar metodología. Para consultas largas y modelos intensivos, los estudios independientes miden hasta más de 29 Wh [11]. No existe una cifra única válida: depende del modelo, de la longitud de la respuesta y de cómo se sirva.

¿Es verdad que la IA consume mucha agua?

Dependiendo de lo que se aborde, los registros varían desde los 0,26 ml (en el caso de Gemini, evaluado en un entorno real) hasta los 45 ml (según la estimación de ciclo de vida para 400 tokens en Le Chat). Por otro lado, las estimaciones globales para la inteligencia artificial oscilan entre los 0,31 y los 0,76 mil millones de m³ previstos para 2025, de acuerdo con Patterns[1], mientras que Li et al. calculan extracciones anuales de entre 4.200 y 6.600 millones de m³ para el año 2027 [2]. El contraste fundamental no radica tanto en la dimensión material, sino en el criterio conceptual: extracción en contraposición a consumo, además del alcance operativo, ya sea directo o indirecto.

¿Qué pesa más, entrenar un modelo o usarlo?

Usarlo. La inferencia concentra más del 90 % del consumo energético de un servicio en explotación[19], mientras que diversos cálculos documentados sitúan la huella de carbono de la fase operativa en veinticinco veces la generada durante el entrenamiento inicial [18]. Tomando como referencia el caso analizado de Mistral Large 2, tanto la fase de entrenamiento como la de inferencia aglutinan de forma conjunta el 91 % del consumo de agua y el 85,5 % de las emisiones de gases de efecto invernadero.

¿Qué porcentaje de la electricidad mundial consume la inteligencia artificial?

En conjunto, las instalaciones de servidores demandaron alrededor de 485 TWh durante 2025, lo que equivale más o menos al 1,5 % de la energía eléctrica a nivel global, y de esa cifra cerca de 155 TWh recayeron en centros enfocados en inteligencia artificial. Dicho de otro modo, la IA ronda el 0,5 % del consumo eléctrico mundial. Hacia 2030, la AIE prevé que el gasto energético total de estas infraestructuras alcance aproximadamente 945 TWh, lo que significará cerca del 3 %, con una mayor cuota de protagonismo por parte de la inteligencia artificial.

¿Solucionan las mejoras de eficiencia el inconveniente?

Solo de manera parcial. Los análisis de escenarios reflejan que, a pesar de que el rendimiento operativo experimenta un progreso considerable, el requerimiento global asciende cerca de un orden de magnitud debido al incremento en la utilización [12]. Hablamos del efecto rebote o paradoja de Jevons, constatado de manera clara en dichos estudios [18]. Aquellas proyecciones que consiguen abatir más las emisiones integran una menor cantidad de arquitecturas junto con un cambio hacia fuentes eléctricas con baja huella de carbono, rebasando por encima de 20 puntos porcentuales el impacto que la sola eficiencia es capaz de alcanzar [12].

¿Es capaz la energía verde de satisfacer la demanda de la inteligencia artificial?

En principio sí, pero con condiciones. La revisión sistemática de 88 estudios concluye que es posible únicamente si se acelera el despliegue, se pasa de la correspondencia anual de energía limpia a la correspondencia horaria —el llamado 24/7 carbon-free energy— y se adoptan marcos regulatorios adaptados a cada jurisdicción. Los instrumentos de compra de energía no son equivalentes: la «brecha de adicionalidad» separa los certificados no agrupados de la correspondencia horaria real [3].

¿Cómo puede una organización emplear la inteligencia artificial para disminuir su huella ambiental?

Cuatro decisiones con impacto cuantificable, dispuestas según su repercusión: optar por la versión más ligera que cumpla con el objetivo en vez de la alternativa más potente[21]; agrupar solicitudes por lotes y coordinar su flujo en lugar de despacharlas individualmente [20]; elegir el proveedor y la ubicación basándose en la huella de carbono y la escasez hídrica local, y no meramente en la latencia o la tarifa [25]; así como demandar al prestador de servicios métricas detalladas de consumo energético e hídrico por cada petición respaldadas por metodologías transparentes, huyendo de cifras globales.

Metodología y límites de este artículo

Este artículo se ha elaborado a partir de bibliografía evaluada por expertos hallada mediante exploración semántica en repositorios científicos (Semantic Scholar, OpenAlex y PubMed mediante Consensus), la cual se complementa con tres clases de datos primarios ajenos al ámbito académico: reportes de instituciones oficiales (Agencia Internacional de la Energía, Lawrence Berkeley National Laboratory por encomienda del Departamento de Energía de Estados Unidos), estudios de ciclo de vida difundidos por productores con auditoría externa (Mistral AI con Carbone 4, ADEME, Resilio y Hubblo), además de registros operativos en entornos reales compartidos por proveedores (Google).

Tres límites que el lector debe tener presentes:

• Los datos correspondientes a 2030 y años venideros representan escenarios hipotéticos, no predicciones absolutas. Si se mencionan horquillas extensas, se debe a que la volatilidad es innegable y viene reflejada de origen, descartando cualquier discrepancia analítica.

• Las declaraciones corporativas que carecen de una metodología publicada se señalan explícitamente y no se consideran equivalentes a las mediciones instrumentadas ni a los análisis de ciclo de vida evaluados.

• El campo se mueve muy rápido: la mejora de 33 veces documentada por Google en doce meses implica que cualquier cifra por consulta debe fecharse. Este artículo refleja la evidencia disponible a 3 de noviembre de 2026.

Referencias

1. The carbon and water footprints of data centers and what this could mean for artificial intelligence — Patterns, 2025. DOI: 10.1016/j.patter.2025.101430

2. Barnett-Itzhaki, Z. The water footprint of artificial intelligence: Emerging solutions and governance imperatives — Water Research, 2026. DOI: 10.1016/j.watres.2026.125866

3. Yoo, S. et al. Can renewable energy meet the surging power demand of artificial intelligence? A systematic review — Renewable and Sustainable Energy Reviews, 2026. DOI: 10.1016/j.rser.2026.117213

4. Fernandez, J. et al. Energy Considerations of Large Language Model Inference and Efficiency Optimizations — 2025. DOI: 10.48550/arxiv.2504.17674

5. de Zarzà, I. et al. Energy-Aware Multilingual Evaluation of Large Language Models — Electronics, 2026. DOI: 10.3390/electronics15071395

6. Xiao, T. et al. Environmental impact and net-zero pathways for sustainable artificial intelligence servers in the USA — Nature Sustainability, 2025. DOI: 10.1038/s41893-025-01681-y

7. Liang, G.-D. The Cloud’s Thirst: Quantifying AI’s Water Footprint and its Impact on the Water-Energy Nexus in São Paulo, Brazil — Cambridge Prisms: Water, 2026. DOI: 10.1017/wat.2026.10020

8. Fan, Y. V. et al. Data Centre Energy Demand Projections within Shared Socioeconomic Pathways — Energy and Climate Change, 2026. DOI: 10.1016/j.egycc.2026.100253

9. Wang, A.-J. et al. Global data–water symbiosis reduces AI infrastructure’s carbon and water footprint — Environmental Science and Ecotechnology, 2026. DOI: 10.1016/j.ese.2026.100702

10. Chen, D.-B. et al. Artificial intelligence data centers could reach one percent of global electricity demand by 2030 — Communications Sustainability, 2026. DOI: 10.1038/s44458-026-00152-5

11. Jegham, N. et al. How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference — 2025. DOI: 10.48550/arxiv.2505.09598

12. Turkay, B. M. et al. Scenario-based forecasting of the global energy demand and carbon footprint of artificial intelligence — PLOS One, 2026. DOI: 10.1371/journal.pone.0343056

13. Shah, S. H. Four water insecurity concerns about datacenters driving the AI revolution — PLOS Water, 2026. DOI: 10.1371/journal.pwat.0000500

14. Aczel, M. et al. The Environmental Cost of AI’s Energy Use: Carbon, Water and Land Footprints — 2026. DOI: 10.53328/inr26rma002

15. Lin, L. et al. Exploding AI Power Use: an Opportunity to Rethink Grid Planning and Management — ACM e-Energy, 2023. DOI: 10.1145/3632775.3661959

16. Shumba, N. et al. A Water Efficiency Dataset for African Data Centers — ACM COMPASS, 2024. DOI: 10.1145/3715335.3735483

17. Paccou, R. et al. Opening the black box of data center electricity consumption forecasting: An application of system dynamics modeling to Northern Virginia — Sustainable Futures, 2026. DOI: 10.1016/j.sftr.2026.102072

18. Bozkurt, A. AI’s Thirst, AI’s Heat, AI’s Waste: Exposing the Hidden Environmental Impact of Every Artificial Intelligence Interaction — Open Praxis, 2025. DOI: 10.55982/openpraxis.17.4.1058

19. Niu, C. et al. TokenPowerBench: Benchmarking the Power Consumption of LLM Inference — 2025. DOI: 10.48550/arxiv.2512.03024

20. Delavande, J. et al. Understanding Efficiency: Quantization, Batching, and Serving Strategies in LLM Energy Use — 2026. DOI: 10.48550/arxiv.2601.22362

21. Masthan Ali, S. B. et al. Assessing the Sustainability of LLM Inference through Energy–Accuracy Analysis — ACM e-Energy, 2026. DOI: 10.1145/3744255.3811741

22. Morrison, J. D. et al. Holistically Evaluating the Environmental Impact of Creating Language Models — 2025. DOI: 10.48550/arxiv.2503.05804

23. Elsworth, C. et al. Measuring the environmental impact of delivering AI at Google Scale — 2025. DOI: 10.48550/arxiv.2508.15734

24. Asghar, M. et al. AI’s Cross Border Energy and Water Footprints: State Duties, No Harm Thresholds, and Paris Agreement Compliance Frameworks — Social Science Review Archives, 2025. DOI: 10.70670/sra.v3i3.875

25. Patel, A. et al. The Environmental Impact of AI Servers and Sustainable Solutions — 2025. DOI: 10.48550/arxiv.2601.06063

Fuentes institucionales y corporativas

• Agencia Internacional de la Energía. Electricity 2026 — Demand y Executive summary.

• Lawrence Berkeley National Laboratory. 2024 United States Data Center Energy Usage Report, diciembre de 2024. Anuncio del Departamento de Energía de EE. UU.

• Mistral AI. Our contribution to a global environmental standard for AI, julio de 2025.

• Our World in Data. How much energy do data centers and artificial intelligence use? (estudio elaborado con cifras de la AIE).

• Carbon Brief. AI: Five charts that put data-centre energy use and emissions into context.

Los valores por consulta de las herramientas comerciales de IA varían velozmente: cualquier estadística de esta clase tiene que contrastarse con el reporte más actual de la compañía proveedora.

Contenido en colaboración

Valentina CruzVer todos sus artículos →