La inteligencia artificial (IA) ha revolucionado el funcionamiento de las industrias: ha agilizado los procesos, ha abierto nuevas perspectivas y ha catalizado nuevos mercados. Sin embargo, detrás de estos avances se esconde una creciente sombra medioambiental. Por un lado, la IA puede aprovecharse para promover los objetivos ESG en empresas e industrias. Por otro, su creciente demanda de energía plantea importantes retos a las iniciativas mundiales de reducción de emisiones de carbono.
Un ejemplo sorprendente: las interacciones cotidianas con ChatGPT –como cuando los usuarios dicen ‘gracias’– pueden consumir acumulativamente hasta 10 veces más energía que un resultado de búsqueda estándar de Google, lo que se traduce en un gasto millonario en electricidad y la consiguiente huella de carbono. Esto resume una tensión más amplia: ¿Cómo conciliar las promesas de la IA con los objetivos urgentes de la red cero?
Contando el coste medioambiental
El ascenso de la IA ha sido meteórico. Un informe del 2024 del Center for Data Innovation reveló que modelos como el GPT-3 de OpenAI, con sus 175.000 millones de parámetros, necesitaban aproximadamente 1.287 megavatios-hora (MWh) de energía para una sola sesión de entrenamiento, lo que generaba 552 toneladas métricas de carbono (equivalentes a cientos de coches en circulación). Es más, según Goldman Sachs, los centros de datos (la columna vertebral de la IA) consumen actualmente entre el 1% y el 2% de la electricidad mundial, una proporción que se espera que aumente hasta el 3% o el 4% en 2030 a medida que se acelere la demanda de computación de la IA.
Donde la IA se enfrenta a las tensiones de cero emisiones netas
Para empresas, gobiernos e inversores, esta convergencia plantea un dilema. Las ventajas económicas de la IA son innegables: análisis avanzados, automatización y toma de decisiones más inteligente. Sin embargo, persistir en una senda de uso incontrolado de la energía socava los compromisos ESG de las empresas, las promesas internacionales sobre el clima y los objetivos de la ciencia responsable. A menos que aumente la eficiencia energética y el abastecimiento de energía con bajas emisiones de carbono, el auge de la IA podría contrarrestar los beneficios generales de la sostenibilidad.
Creación de un marco para una IA responsable
Para que la IA sea un catalizador –y no un obstáculo– en la consecución del objetivo de cero emisiones netas, las empresas y los responsables políticos deben adoptar un marco holístico que incorpore la eficiencia, la sostenibilidad, la gobernanza y la colaboración. Los cinco pilares siguientes esbozan cómo hacer avanzar la IA de forma responsable al tiempo que se frena su huella medioambiental:
1/ Arquitecturas de modelos eficientes
Una de las formas más eficaces de reducir la intensidad de carbono de la IA es diseñar modelos que requieran menos potencia de cálculo para ofrecer un alto rendimiento. Un ejemplo notable es el Generalist Language Model (GLaM) de Google, que aprovecha una arquitectura de activación dispersa. A pesar de tener casi 1,2 billones de parámetros, GLaM sólo consumió unos 456 MWh durante el entrenamiento, según el informe del Centro de Innovación de Datos (Center for Data Innovation), aproximadamente un tercio de la energía necesaria para el GPT-3, mientras que lo superó en varias pruebas de lenguaje.
Además del diseño de modelos, los desarrolladores pueden emplear métodos como la poda (eliminación de neuronas innecesarias), la cuantización (reducción de la precisión numérica), la destilación de conocimientos (entrenamiento de modelos más pequeños para imitar modelos más grandes), el aprendizaje automático integrado (aprendizaje automático en sistemas integrados) y el aprendizaje federado (distribución del entrenamiento de modelos entre dispositivos). Estos enfoques contribuyen colectivamente a reducir los costes energéticos tanto del entrenamiento como de la inferencia.
2/ Infraestructura más ecológica
El enorme consumo energético de la IA depende en última instancia de dónde y cómo se ejecuta. La transición a centros de datos alimentados por energías renovables es un paso fundamental para descarbonizar las operaciones de IA. Las empresas también deben dar prioridad al despliegue de sistemas de refrigeración avanzados y optimizar el uso de los servidores para evitar el derroche de energía.
Microsoft se ha comprometido a alimentar todos sus centros de datos con energía 100% renovable para 2025, estableciendo un sólido punto de referencia para el sector. Las mejoras de la infraestructura no solo reducen las emisiones, sino que también preparan las operaciones para el futuro frente a la evolución de las normas reguladoras y ESG.
3/ Políticas e incentivos
Los gobiernos tienen un papel fundamental a la hora de conducir la innovación en IA por una senda sostenible. Las políticas públicas deben fomentar la adopción de la IA con bajas emisiones de carbono a través de mecanismos como créditos fiscales para la computación verde, subvenciones para la investigación de modelos energéticamente eficientes y el establecimiento de umbrales mínimos de eficiencia para la computación de alto rendimiento.
El Green Deal de la Unión Europea es un ejemplo destacado, ya que integra la eficiencia energética en la política de innovación digital. Mediante la creación de marcos similares a nivel mundial, los responsables políticos pueden guiar el crecimiento de la IA sin comprometer los objetivos climáticos.
4/ Transparencia y rendición de cuentas
Sin visibilidad de la huella medioambiental de la IA, es imposible mejorarla. Las organizaciones deben empezar a informar sobre el consumo de energía y las emisiones asociadas a sus modelos e infraestructuras de IA, idealmente a través de divulgaciones estandarizadas, algo parecido a una etiqueta de sostenibilidad para la IA.
Herramientas como AI Emissions Scenario Generator pueden ayudar a estimar y rastrear el impacto del carbono de un modelo, fomentando la transparencia en todo el ecosistema. La responsabilidad pública no sólo genera confianza, sino que incentiva la mejora continua de la eficiencia energética.
5/ Colaboración intersectorial
La sostenibilidad en la IA no es un reto que pueda resolver un solo grupo. La colaboración entre científicos, tecnólogos, líderes empresariales y responsables políticos es esencial para crear normas compartidas para el desarrollo de modelos sostenibles.
Organizaciones como la Partnership on AI ofrecen plataformas para el diálogo entre múltiples partes interesadas sobre ética, eficiencia e impacto medioambiental. A través de estas asociaciones, la comunidad mundial de la IA puede crear conjuntamente normas de certificación, compartir las mejores prácticas y acelerar la adopción de metodologías más ecológicas en todos los sectores.
Convertir la IA en un activo climático
Cuando se utiliza de forma responsable, la IA se convierte en un multiplicador de fuerza para los esfuerzos de sostenibilidad:
- Optimización de la red. La previsión de la demanda basada en la IA permite a las empresas de servicios públicos adaptar la generación renovable a los patrones de uso, minimizando el despilfarro y equilibrando la oferta intermitente.
- Agricultura de precisión. Las soluciones agrícolas inteligentes optimizan el uso de residuos, agua, fertilizantes y pesticidas. Por ejemplo, una investigación de la Universidad de Cornell descubrió que el modelado predictivo podía reducir los volúmenes de riego en un 40%, preservando al mismo tiempo los rendimientos.
- Logística sostenible. Las herramientas de planificación de rutas basadas en IA –que ya utilizan los gigantes de la logística– reducen el consumo de combustible, disminuyen las emisiones y bajan los costos mediante una programación de entregas y una previsión de tráfico más inteligentes.
Un ejemplo práctico de mi propio trabajo en la construcción responsable de la IA consiste en desplegar el aprendizaje automático integrado, es decir, ejecutar modelos entrenados directamente en dispositivos periféricos como los teléfonos inteligentes sin depender de la comunicación constante con la nube.
Aplicando técnicas como la poda de modelos, la cuantificación y el aprendizaje federado, pudimos reducir drásticamente la carga computacional y el consumo de energía durante el entrenamiento y la inferencia. Estos modelos ayudaron a los usuarios a gestionar eficientemente el inventario de alimentos, lo que se tradujo en reducciones cuantificables de los residuos y las emisiones de carbono asociadas.
Este enfoque no sólo encarna los cinco pilares de la IA responsable –eficiencia, sostenibilidad, gobernanza, transparencia y colaboración–, sino que también demuestra cómo las soluciones de IA ligeras y localizadas pueden impulsar un progreso significativo hacia los objetivos de cero emisiones netas a escala.
Conclusión
El auge de la IA y la acción por el clima no tienen por qué estar reñidos. Con enfoques bien pensados (modelos eficientes, infraestructuras limpias, prácticas transparentes y políticas favorables), la IA puede acelerar la reducción a cero en lugar de ralentizarla, lo que se relaciona con la necesidad de volver a formar a los trabajadores para la era de la IA y capacitarlos para prosperar en futuros impulsados por la IA. Nuestro próximo capítulo debe garantizar que la IA crezca con la sostenibilidad, no contra ella.
