Durante los últimos años, buena parte del debate sobre la inteligencia artificial (IA) se ha teñido de alarma ambiental. A la fascinación por sus capacidades para automatizar tareas, crear contenidos o transformar industrias, se sumó una sospecha persistente: que detrás de cada modelo avanzado hay un “monstruo energético” consumiendo cantidades desorbitadas de electricidad y agravando la crisis climática. Centros de datos masivos, hardware especializado y una infraestructura en rápida expansión alimentaron esa percepción.
Sin embargo, un nuevo análisis económico invita a poner en pausa esas conclusiones apresuradas. El estudio, elaborado por Anthony R. Harding y Juan Moreno-Cruz, se propuso medir, por primera vez, cómo cambiaría el consumo de energía en Estados Unidos si la IA se adoptara de forma amplia en las actividades productivas. Lejos de confirmar los temores más catastrofistas, los resultados dibujan un panorama muy distinto: el impacto agregado sería pequeño y, en algunos escenarios, incluso compatible con una transición hacia procesos más eficientes.
El dato central del trabajo es contundente. Los autores estiman que la adopción generalizada de IA podría añadir alrededor de 28 petajulios (PJ) de energía y 896 kilotoneladas de CO₂ al año, lo que equivale aproximadamente al 0,03% del uso energético anual del país y al 0,02% de sus emisiones nacionales de CO₂. En términos relativos, se trata de una fracción mínima dentro del total de la economía estadounidense, muy lejos de la imagen de una tecnología fuera de control desde el punto de vista energético.
Lo novedoso del estudio no está solo en las cifras, sino en cómo se obtuvieron. Harding y Moreno-Cruz combinan datos laborales, productivos y ambientales para construir un modelo que traduce aumentos de productividad en cambios en el uso de energía y en emisiones. La IA no se evalúa solo como un conjunto de servidores que consumen electricidad, sino como un factor que modifica la forma en que distintas industrias trabajan, producen y demandan energía. Cada sector se analiza en función de dos variables clave: su intensidad energética y su intensidad de emisiones.
Este enfoque revela una heterogeneidad profunda entre sectores. Industrias con procesos muy dependientes de la energía, como parte del transporte o de la construcción, muestran incrementos proporcionales más visibles cuando incorporan IA, porque cualquier aumento de actividad se apoya sobre una base energética ya muy alta. El caso del transporte aéreo ilustra bien este fenómeno: mejoras relativamente pequeñas de productividad pueden traducirse en varios petajulios adicionales de consumo.
En el extremo opuesto se encuentran sectores con baja intensidad energética, como la edición, ciertas actividades de información o algunos servicios profesionales. Allí, incluso cuando la IA permite automatizar tareas y mejorar la eficiencia, el cambio en el consumo de energía y en las emisiones es casi imperceptible a escala nacional. Este contraste ayuda a entender por qué hablar del “consumo energético de la IA” como si fuera un bloque homogéneo resulta engañoso: su impacto depende tanto del tipo de modelo como del entramado económico donde se inserta.
El informe también confronta sus resultados con estimaciones más técnicas sobre el gasto energético del entrenamiento y la inferencia de los modelos. Incluso considerando sistemas muy populares, como los grandes generadores de texto, la contribución de estos procesos sigue siendo pequeña cuando se compara con el total de energía que mueve la economía de Estados Unidos. Los centros de datos, en este esquema, aparecen como una pieza importante pero limitada dentro de un rompecabezas mucho mayor.
Más allá de los números, el trabajo subraya una dimensión que suele pasar desapercibida en el debate público: la IA no es solo consumidora de energía, también puede ser una herramienta para reducirla. Aunque el modelo no incorpora de manera explícita estos beneficios, los autores señalan que los algoritmos pueden optimizar procesos industriales, mejorar la gestión de redes eléctricas, afinar la demanda en tiempo real o incrementar la eficiencia de infraestructuras. Si estos usos se despliegan de forma inteligente, el efecto neto sobre el consumo podría ser incluso menor al estimado.
El estudio reconoce, por supuesto, sus propias limitaciones. Para asegurar la coherencia con las cuentas económicas empleadas, se utilizaron datos energéticos de 2014, un año en el que la matriz energética era algo más intensiva en emisiones que en la actualidad. Los autores advierten que esto podría sobreestimar ligeramente los impactos, ya que desde entonces han avanzado tanto la eficiencia como la penetración de energías renovables. Sin embargo, al proyectar los datos hasta 2023, las variaciones en los resultados son marginales.
También remarcan que sus conclusiones se circunscriben al caso estadounidense. En países con una fuerte dependencia del carbón, un aumento similar de consumo podría traducirse en más emisiones, mientras que en economías más descarbonizadas el impacto relativo sería menor. De ahí la necesidad de estudios específicos por región, que tengan en cuenta las particularidades de cada matriz energética y de cada estructura productiva.
Con todo, el mensaje central es claro: el impacto energético agregado de la IA, al menos en el escenario analizado, dista de ser la amenaza desbocada que muchas narrativas han instalado. Los desafíos locales vinculados a la instalación de centros de datos siguen siendo reales y exigen regulación, pero a escala nacional la huella adicional se mantiene acotada. Más interesante aún, la misma tecnología que hoy se mira con recelo podría convertirse en un aliado relevante para acelerar la transición hacia una economía baja en carbono. La discusión sobre IA y clima, sugiere este trabajo, necesita menos alarmismo y más matices.