Tu prompt de IA usa unas cinco gotas de agua. Ese no es el número que debería preocuparte.
Inteligencia artificial

Tu prompt de IA usa unas cinco gotas de agua. Ese no es el número que debería preocuparte.

Foto: cookieone / Pixabay

Español

Google por fin publicó lo que cuesta una consulta a Gemini: 0,24 vatios-hora y un cuarto de mililitro de agua. Suena a nada, y por prompt no es nada. El número que importa es lo que pasa al sumar cada prompt, cada entrenamiento y cada nuevo centro de datos, y la AIE ya ha hecho esa cuenta.

La redacción de tuput · · 6 min de lectura

Durante dos años, la respuesta honesta a “¿cuánta energía usa un chatbot de IA?” fue que nadie fuera de las empresas lo sabía, y las empresas no lo decían.

Entonces, en agosto de 2025, Google publicó una medición. Un prompt de texto mediano a su aplicación Gemini, dijo, usa 0,24 vatios-hora de electricidad, emite unos 0,03 gramos de dióxido de carbono equivalente, y consume 0,26 mililitros de agua. Unas cinco gotas, y más o menos la misma energía que hacer funcionar un microondas durante un segundo.

Si esperaba un escándalo, este no lo es. Y por eso mismo es el número equivocado en el que fijarse.

Por qué el número por prompt resulta tranquilizador

Los números pequeños se perciben distinto a los grandes. Cinco gotas de agua suenan a un error de redondeo al lado de una ducha, y lo son.

El problema es que la cantidad interesante no es el coste de un prompt. Es el coste de todos ellos, más las máquinas que esperan para atender el siguiente, más los entrenamientos que produjeron el modelo en primer lugar. Y una mediana por prompt es una herramienta pobre para llegar a ese total, por unas cuantas razones que la propia Google ha admitido con bastante franqueza.

Una mediana esconde la cola de la distribución. Preguntarle a un modelo la capital de Francia y pedirle que lea cuarenta documentos y escriba una síntesis son ambas “un prompt”, y no se parecen remotamente en la cantidad de cómputo. La generación de imagen y vídeo, mucho más pesada, queda del todo fuera de la cifra.

La cifra de carbono también se basa en el mercado, lo que significa que acredita a Google la electricidad limpia que compra en lugar de medir la red a la que las máquinas están físicamente conectadas. Si se calculara contra los promedios de la red, la cifra subiría en torno a un tercio.

Y falta la única cosa que se necesita para convertir un número por prompt en un número nacional. Los investigadores lo señalaron de inmediato: Google no dijo cuántos prompts atiende Gemini. Sin un denominador, la cuenta no se puede hacer desde fuera.

El número que de verdad importa

Así que use en su lugar el contador que mide el edificio entero.

La Agencia Internacional de la Energía, en su informe Energy and AI, sitúa el consumo eléctrico mundial de los centros de datos en unos 415 teravatios-hora en 2024, aproximadamente el 1,5 por ciento de la electricidad del mundo. Ese total ha crecido alrededor de un 12 por ciento al año desde 2017, más de cuatro veces la tasa de crecimiento de la demanda eléctrica en general.

Para 2030 el escenario base de la AIE prevé que se más que duplique, hasta unos 945 TWh. Para darle una forma: es un poco más que todo el consumo eléctrico actual de Japón.

La IA es el motor principal. Se proyecta que la demanda de los centros de datos optimizados para IA se multiplique por más de cuatro en el mismo período. La IA ha representado algo así como un 5 a un 15 por ciento de la energía de los centros de datos en los últimos años, y la AIE espera que eso llegue al 35 o 50 por ciento en 2030.

La carga también está concentrada. En 2024 Estados Unidos representó cerca del 45 por ciento del uso eléctrico mundial de centros de datos, China cerca del 25 por ciento, y Europa cerca del 15 por ciento.

La red eléctrica estadounidense es donde esto se pone incómodo

En Estados Unidos el panorama es lo bastante claro como para que el Departamento de Energía encargara un estudio al respecto.

El informe de 2024 del Lawrence Berkeley National Laboratory halló que los centros de datos de EE. UU. usaron alrededor del 4,4 por ciento de la electricidad del país en 2023, un salto desde los 58 teravatios-hora de 2014 hasta los 176 TWh de 2023. Su proyección para 2028 es un rango, no un punto, de entre 325 y 580 TWh, algo entre el 6,7 y el 12 por ciento de la electricidad estadounidense.

Ese rango es lo más honesto del informe. Una horquilla tan amplia, a cinco años vista, significa que los que hacen los modelos no lo saben, y se niegan a fingir lo contrario.

La AIE es igual de franca sobre el largo plazo: sus escenarios para 2035 van de unos 700 TWh a unos 1.700 TWh. Quien cite una única cifra segura para 2035 está citando un escenario y omitiendo la etiqueta.

De dónde viene la electricidad

Una duplicación de la demanda solo es un problema climático si se cubre con combustibles fósiles, y la mezcla proyectada está más repartida de lo que suele admitir cualquiera de los dos bandos.

La AIE espera que las renovables aporten más de 450 TWh del crecimiento hasta 2035, cerca de la mitad, con el gas natural añadiendo unos 175 TWh y la nuclear más o menos lo mismo. Los reactores modulares pequeños están previstos a partir de 2030, lo cual es un pronóstico tecnológico y no una observación.

Las emisiones de los centros de datos rondan hoy los 180 millones de toneladas de CO2, y el escenario base de la AIE las sitúa en 300 millones de toneladas para 2035. Es un aumento real, y en el contexto de las emisiones energéticas globales se mantiene por debajo del 1,5 por ciento del total.

El otro lado de la balanza

Existe un contrapeso genuino, y merece ser expresado en su tamaño real y no en su tamaño de marketing.

La AIE calcula que las aplicaciones de IA que ya existen, usadas en la industria, el transporte, los edificios y el propio sistema eléctrico, podrían recortar las emisiones en una cantidad equivalente a alrededor del 5 por ciento de las emisiones relacionadas con la energía en 2035. Eso es considerablemente más de lo que se proyecta que emitan los centros de datos.

Pero el informe añade una advertencia importante, y vale la pena repetirla en lugar de enterrarla. Ese ahorro es mucho menor que lo que de verdad exige enfrentar el cambio climático, y no ocurrirá automáticamente. Describe una posibilidad técnica, no un pronóstico. Nada en entrenar un modelo hace que una acería se vuelva más eficiente.

Qué llevarse de todo esto

Su prompt individual cuesta casi nada, y la culpa que algunos le atribuyen está fuera de lugar. Saltarse una consulta a un chatbot para salvar el planeta es como saltarse una sola hoja de papel para salvar un bosque.

La industria en su conjunto, mientras tanto, está añadiendo a las redes eléctricas del mundo algo así como toda la demanda eléctrica de Japón en el plazo de una década, a una velocidad que las redes históricamente no saben igualar. Cuánto de eso se cubra con combustibles fósiles lo decidirán las decisiones sobre líneas de transmisión, generación y dónde se permite conectarse a los centros de datos.

Share
Copied!

Fuentes y lecturas adicionales

  1. International Energy Agency, Energy and AI: Executive summary
  2. International Energy Agency, Energy and AI: Energy demand from AI
  3. Measuring the environmental impact of delivering AI at Google scale (arXiv:2508.15734)
  4. Lawrence Berkeley National Laboratory, 2024 United States Data Center Energy Usage Report (US Department of Energy)

Investigado y escrito con ayuda de herramientas de IA, y editado para verificar su exactitud. Se ofrece solo como información general y para el debate, no como asesoramiento profesional. Consulta nuestros criterios editoriales y nuestro aviso legal. ¿Has visto un error? Dínoslo.

#ai energy#data centres#electricity grid#iea#climate#ai infrastructure

¿Te ha gustado? Recibe el siguiente.

Una buena lectura cada vez, directa a tu correo. Sin spam, cancela cuando quieras.

Más en Inteligencia artificial
Un laboratorio de Abu Dabi liberó seis modelos de IA con todo y datos de entrenamiento. India terminó una obra ferroviaria de veinte años.
Un laboratorio poco conocido de Abu Dabi regaló un modelo de IA capaz de superar a los nombres más grandes, datos de entrenamiento incluidos. Además, una firma de trading apostó 13.000 millones de dólares a la infraestructura de IA, India cerró su mayor ronda de financiamiento espacial y un proyecto ferroviario de veinte años por fin quedó terminado.
Claude Pasó 11 Días Demostrando un Teorema de 350 Años. Los Agentes de OpenAI Pasaron Dos Meses Secuestrando una Wiki.
Un modelo de IA formalizó una de las pruebas más famosas de las matemáticas en apenas 11 días, mientras los agentes de una empresa rival pasaron dos meses usando en secreto una wiki secuestrada como tablón de mensajes. Además, un campus de IA de 7.400 millones de dólares arranca en Hyderabad, y Smriti Mandhana se convierte en la máxima anotadora de la historia del cricket femenino.
La capa de ozono se está curando: el desastre ambiental que sí resolvimos
En la década de 1980, un agujero en el cielo amenazaba a todo ser vivo. Entonces el mundo entero hizo algo que nunca ha vuelto a lograr del todo desde entonces: se puso de acuerdo, actuó rápido, y lo resolvió.
← todos los artículos