💰 ¡Top chollos chech! Smartphones, auriculares y smartwatches con descuentazos [ Saber más ]
El uso de electricidad en EE. UU. ha aumentado cerca de un 4 % en lo que va de año respecto al mismo periodo del año anterior, tras décadas prácticamente planas. Buena parte del cambio se asocia a la rápida expansión de los centros de datos, impulsados por el auge de la inteligencia artificial.
Con parte de esa demanda cubierta por más carbón (su cuota subió alrededor de un 20 % interanual hasta mayo), el impacto ambiental de la IA preocupa. Google acaba de publicar un análisis propio que permite asomarse a lo que sucede “de puertas para dentro».
¿Qué ha medido Google y por qué importa?
Muchos estudios académicos carecen de datos operativos reales: tasas de ocupación del hardware, fracción de peticiones que son de IA, energía de soporte, etc. Google, en cambio, sí puede medir energía por petición, agua, fracción de infraestructura dedicada a IA y emisiones asociadas tanto a la electricidad (alcance 2) como al hardware y construcción (alcance 3).
Su informe rastrea el consumo de CPU, aceleradores de IA y memoria mientras procesan consultas y también en reposo, además del consumo del centro de datos como un todo.
¿Qué entra y qué se queda fuera del análisis?
- Incluido: energía de CPUs, aceleradores y memoria (activo e inactivo), consumo y agua del centro de datos, mezcla eléctrica y su huella de carbono, emisiones incorporadas del hardware.
- No incluido: impacto de la red (tráfico para recibir y enviar respuestas), consumo del dispositivo del usuario (muy variable) y entrenamiento de modelos (aunque Google podría estimarlo, no lo incorporó en estas cifras).
El equipo siguió durante 24 horas las peticiones y el hardware que las sirvió (incluyendo tiempos de inactividad). Con ello obtuvieron una energía por petición para cada modelo y, para cada día, usaron la consulta mediana como referencia del impacto ambiental típico.
Resultados clave: una petición de texto consume poco, pero son muchísimas
Para la petición mediana de texto en Gemini Apps, Google estima 0,24 Wh de energía, 0,03 gCO2e y 0,26 ml de agua (unos cinco “gotas”). A modo de contexto, equivale a aproximadamente 9 segundos de televisión.
El problema es el volumen: hoy Google ejecuta una operación de IA en cada búsqueda, una carga de cómputo inexistente hace apenas unos años. El impacto individual es pequeño, pero el coste acumulado puede ser elevado.
La mayor parte del consumo al atender peticiones de IA se concentra en los aceleradores personalizados; por detrás quedan CPU y RAM. Las máquinas ociosas y la sobrecarga del centro de datos representan en torno a un 10 % cada una. Este reparto hace crítica la optimización conjunta de hardware y software.
La buena noticia es que en los últimos meses todo se ha vuelto más eficiente. La intensidad de carbono de la electricidad que consume Google se redujo 1,4× gracias, entre otros factores, al auge de la energía solar. Pero el gran salto vino del software: la energía consumida por cada prompt bajó 33× en un año, según la compañía.
Las técnicas que explican la mejora:
- Mixture-of-Experts (MoE): activa solo la parte del modelo necesaria para cada petición, reduciendo el cómputo entre 10× y 100×.
- Modelos compactos: variantes más ligeras del modelo principal que disminuyen la carga.
- Gestión de centros de datos: maximizar la utilización del hardware activo y mantener el resto en estados de bajo consumo.
- Código y chips a medida: Google diseña aceleradores de IA y el stack de software que corre sobre ellos, afinando ambos lados para trabajar mejor juntos.
La caída de energía por consulta también “diluye” otras huellas: las emisiones de fabricar hardware se reparten entre más consultas a lo largo de la vida útil del equipo. Aun así, el entrenamiento sigue fuera del cómputo y es relevante en la huella total de la IA.
Transparencia y llamada a la industria
En vez de quedarse en un ejercicio de comunicación, Google ha publicado una metodología que se acerca a un documento académico, con supuestos y límites claramente expuestos. Su objetivo: promover que otros adopten marcos de medición integrales para que, a medida que la IA avance, lo haga también su eficiencia ambiental.