¿Cuánta energía consume la inteligencia artificial?

La eficiencia energética es un concepto clave en sectores como la edificación, pero ¿qué ocurre en el mundo digital? En un momento donde la inteligencia artificial (IA) está cada vez más presente en nuestras vidas, surgen nuevas preguntas sobre su impacto ambiental. ¿Cuánta energía consume ChatGPT? ¿Qué huella dejan los modelos de lenguaje de gran escala? Y, sobre todo, ¿cómo se compara este consumo con otros sectores tradicionales?

Al igual que sucede con los inmuebles, donde la calificación energética influye en el valor de tasación, el desarrollo de tecnologías como la IA también debería analizarse desde una perspectiva de sostenibilidad y eficiencia.

Con la colaboración de Eddy Tovar, a continuación veremos los siguientes puntos:

• • • ¿Por qué hablar de eficiencia energética en inteligencia artificial?
    • Huella ambiental de los modelos de IA
    • El consumo actual: números estimados
    • Consumo energético y huella hídrica: datos comparables con la edificación
    • El caso de la certificación energética en inmuebles: paralelismos con la IA
    • ¿Cómo se vincula esto con los servicios de Gloval?

¿Por qué hablar de eficiencia energética en inteligencia artificial?

En el ámbito de la tasación inmobiliaria, la eficiencia energética ha pasado de ser un valor añadido a convertirse en un requisito normativo. Con la aprobación de la Orden ECM/599/2025 y su modificación a la Orden ECO/805/2003, se refuerza la necesidad de evaluar el comportamiento energético de un inmueble en operaciones de compraventa o garantía hipotecaria.

Este mismo enfoque debe empezar a aplicarse en tecnologías emergentes como la inteligencia artificial, cuyo uso intensivo de energía y recursos naturales plantea interrogantes sobre su sostenibilidad futura.

Huella ambiental de los modelos de IA

Al igual que un edificio puede presentar un consumo anual de energía elevado si no está bien aislado o tiene sistemas antiguos, los modelos de IA requieren una enorme capacidad de cálculo para su entrenamiento y funcionamiento.

Algunos estudios estiman que entrenar un modelo como GPT-3 puede consumir tanta energía como una vivienda durante varios años, con emisiones de CO₂ comparables a cientos de vuelos transatlánticos. Además, muchos centros de datos utilizan agua en sus sistemas de refrigeración, lo que suma una huella hídrica significativa al uso de IA.

El consumo actual: números estimados

Durante la fabricación

• Agua: La producción de hardware para IA, especialmente GPUs y CPUs, requiere un uso intensivo de agua. Esto es particularmente evidente en el proceso de fabricación de obleas semiconductoras, que son los componentes base de estos dispositivos. La fabricación implica múltiples ciclos de enjuague con agua ultra pura para eliminar partículas que podrían dañar las delicadas capas de los chips.

Empresas como TSMC, el mayor fabricante de obleas semiconductoras, consumen alrededor de 157,000 toneladas de agua al día.

• Minerales: Los minerales son la base de la tecnología de la IA. Los semiconductores, fundamentales para las GPUs y CPUs, están hechos principalmente de silicio, al que se añaden otros metales y minerales que mejoran su conductividad y durabilidad (aluminio, cobre y minerales raros como litio, galio, germanio, cobalto).

La obtención de estos materiales requiere procesar cientos de toneladas de roca para obtener una tonelada de mineral puro. Este proceso consume energía y agua, y a menudo genera desechos tóxicos.

Algunos, como el cobalto provienen de regiones afectadas por conflictos armados. Su extracción puede generar abusos contra los derechos humanos y financiar guerras.

Durante el entrenamiento

• Consumo energético: Se consumió alrededor de 1.287 MWh para entrenar el modelo. Es un gasto equivalente al de 370 hogares españoles (basado en un promedio de 3,500 kWh/hogar al año, según Red Eléctrica de España), representando unas 552 toneladas de CO₂ emitidas en la atmósfera solo por el entrenamiento. Este “pedacito” de carbono equivale, aproximadamente, a lo que generarían 125 vuelos de ida y vuelta entre Nueva York y Pekín o también las emisiones combinadas de 5 coches durante toda su vida útil incluyendo su fabricación.

Entrenar un modelo de lenguaje como ChatGPT requiere aproximadamente tanta electricidad como la que consumen anualmente 130 hogares en Estados Unidos.

• Agua consumida: Cerca de 700 000 litros de agua dulce se usaron para enfriar los servidores durante el entrenamiento. Dependiendo de la alcachofa, una ducha de 10 minutos gasta aproximadamente entre 65 y 105 litros, por tanto, equivaldría a tomar unas 10 000 duchas de 10 minutos, o una sola ducha de 28 días seguidos. (casi lo mismo que tarda tu hijo) ¡Todo ese caudal “bebido” por la IA en su formación inicial!

Para modelos más grandes estas cifras son aún mayores.  GPT-4 (aunque es más eficiente) tendría 10 veces más parámetros que GPT-3. En términos de consumo, lo superaría en un rango de 30-50 veces más, dependiendo de las estimaciones.

Durante el uso cotidiano

Responder preguntas también consume energía, podemos inferir el consumo de una query por el hardware (ej. NVIDIA A100).

• Electricidad por consulta: Según un estudio de Google. Cada interacción con GPT-3 (por ejemplo, una consulta sobre cómo adelgazar sin hacer dieta) gasta en torno a 2,9 Wh por respuesta. Este dato fue obtenido asumiendo una respuesta de 2000 tokens. Otras fuentes calculan el dato asumiendo respuestas de 200 tokens, en este caso el consumo por pregunta sería de 0,3 Wh aproximadamente. Igualmente, muchas fuentes afirman que cada consulta equivale a una 10 veces más electricidad que una búsqueda típica en Google.

Se calcula que el funcionamiento de ChatGPT (basado en GPT-3) podría emitir unas 8,4 toneladas de CO₂ al año solo por la energía que consume su uso.

Y si hablamos del consumo energético de la generación de imágenes por IA, las cifras crecen.  Mientras que un modelo de texto necesita alrededor del 16 % de la carga completa de un smartphone para responder a 1.000 prompts, generar imágenes puede necesitar el 100% de la carga.

Sirva esta imagen de engineeringprompts para poner en perspectiva el uso aproximado de CHatGPT durante 1 año, teniendo en cuenta respuestas de 200 tokens y asumiendo que interactuamos con ChatGPT unas 100 veces al día:

• Agua por conversación: Si hablamos del gasto de agua, la inteligencia artificial también «tiene sed» cada vez que le preguntamos algo. Según varias fuentes, una conversación con ChatGPT-3 (de 20 a 50 preguntas) puede implicar un consumo de aproximadamente 500 ml de agua —el equivalente a una botella pequeña, pero la cifra se multiplica al considerar millones de consultas.

Si tomamos como referencia el consumo de agua de una ducha visto anteriormente (alrededor de 100 litros), harían falta unas 200 (de 4000 a 10 000 preguntas) conversaciones de ese tipo para igualar el gasto hídrico de un solo baño.

Comparativa con otras industrias

Aunque los números impresionan por sí solos, no son un caso aislado.

Por ejemplo, la aviación comercial emite cerca de mil millones de toneladas de CO2 al año. La minería de criptomonedas es otra que no se queda atrás, se estima que redes como Bitcoin llegaron a consumir cerca de 100 a 120 TWh (teravatios-hora) al año, comparable con países enteros como Argentina o Noruega. Los centros de datos, por su parte, que sostienen todo el ecosistema digital (no solo la IA), ya suponen cerca del 2% del consumo eléctrico mundial.

Incluso si hablamos de agua, el modelo se queda corto frente a industrias tradicionales: los 700.000 litros usados para entrenar GPT-3 palidecen al lado de los volúmenes monstruosos que consume la industria de la moda, y en particular la llamada fast fashion (moda rápida o de temporada efímera), presenta un impacto ambiental enorme que a menudo pasa desapercibido en el día a día. Según el Programa de las Naciones Unidas para el Medio Ambiente, la cadena de producción textil es la segunda industria que más agua consume en el mundo (solo por detrás de la agricultura)

Dicho de otro modo, los LLMs tienen precedentes: no son los primeros, ni serán los últimos en exigir tanto al planeta.

Consumo energético y huella hídrica: datos comparables con la edificación

El Certificado de Eficiencia Energética (CEE), obligatorio en la mayoría de operaciones inmobiliarias, proporciona datos sobre demanda energética, emisiones asociadas y eficiencia de los sistemas de climatización. Este tipo de información permite valorar correctamente un activo desde la perspectiva del consumo energético y su impacto ambiental.

Siguiendo esta lógica, la industria tecnológica también debería contar con métricas estandarizadas que indiquen cuánta energía y agua se requiere para entrenar y mantener un modelo de IA, especialmente si queremos avanzar hacia una digitalización realmente sostenible.

El caso de la certificación energética en inmuebles: paralelismos con la IA

La normativa vigente obliga a incluir la CEE antes de emitir una tasación hipotecaria. Esto aporta transparencia y permite a compradores, vendedores y entidades financieras conocer el impacto ambiental de un inmueble.

Del mismo modo, podríamos plantear la necesidad de una “etiqueta energética” para tecnologías digitales, especialmente para aquellas con gran consumo como los LLMs (Large Language Models). Igual que una vivienda con calificación A o B puede aumentar su valor, una IA eficiente podría considerarse más sostenible y, por tanto, más deseable.

¿Cómo se vincula esto con los servicios de Gloval?

En Gloval Analytics, creemos firmemente que la sostenibilidad debe aplicarse de forma transversal. Nuestro servicio GreenDataLens, por ejemplo, permite monitorizar y analizar el consumo energético de activos inmobiliarios en tiempo real. Esta misma metodología se puede aplicar para evaluar el comportamiento ambiental de sistemas tecnológicos, como los centros de datos que alojan plataformas de IA.

Además, nuestros modelos automáticos de valoración (AVM) integran parámetros de eficiencia energética, permitiendo estimaciones más ajustadas y sostenibles.

La eficiencia energética no solo afecta al sector inmobiliario. En el desarrollo tecnológico, y especialmente en inteligencia artificial, también es necesario incorporar criterios de sostenibilidad, midiendo su impacto ambiental y energético.

Desde Gloval, apostamos por herramientas que contribuyan a una economía más verde, donde tanto viviendas como tecnologías puedan ser valoradas no solo por su rendimiento, sino también por su eficiencia y compromiso ambiental.

Fuentes de referencia: