loading . . . Impacto ambiental de la Inteligencia Artificial Generativa A inicios de 2025 los _feeds_ de plataformas sociodigitales se inundaron de retratos al “estilo Ghibli” creados con servicios de _inteligencia artificial generativa_(IAG). Tardó poco en venir una respuesta condenatoria a dicha tendencia. Si bien tenía varias vertientes —como el reclamo por los derechos de autor—, una de las más socorridas fue señalar el uso de agua implicado en la generación de dichas imágenes.
Contenido
Toggle
* ¿Cuántos recursos consume la inteligencia artificial generativa (IAG)?
* El proceso de entrenar grandes modelos de IAG
* Gemini, el asistente de IA de Google
* ChatGPT, de OpenAI
* Claude, de Anthropic; DeepSeek y Mistral AI
* Cuánto consume generar una imagen y video
* Comparando IAG vs actividades cotidianas
* Uso de agua (equivalencias prompt-agua; Gemini)
* El rol de los centros de datos
* Mirar el bosque: consideraciones ambientales sobre IAG
* Para seguir conversando
* Fuentes consultadas
Esta preocupación resuena con los hallazgos del diagnóstico que realizamos sobre usos de IAG en sociedad civil, donde también surgieron preocupaciones relacionadas con la cantidad de agua y energía asociadas al funcionamiento de herramientas de IAG.
Consulta los hallazgos del diagnóstico sobre usos de IAG en Sociedad Civil.
Este análisis busca explorar información relacionada con el impacto ambiental de la IAG, compararla con otras actividades cotidianas para dimensionar y ampliar la mirada para comprender y seguir conversando sobre este tema.
## ¿Cuántos recursos consume la inteligencia artificial generativa (IAG)?
Lo primero a tener en cuenta es que no existe una metodología unificada para medir estos impactos, por lo cual no es recomendable comparar los números entre sí. Otro aspecto a considerar es que las grandes compañías de Inteligencia Artificial (IA) no siempre son transparentes o claras con los datos relacionados al impacto ambiental.
Por ello, lo que verás a continuación son datos que provienen de los pocos informes disponibles por parte de dichas compañías y también de algunos esfuerzos valiosos por parte de periodistas y personas investigadoras.
### El proceso de entrenar grandes modelos de IAG
La _startup_ francesa Mistral AI, por su parte, en julio publicó _Our contribution to a global environmental standard for AI_, en donde especifica los impactos ambientales para Mistral Large 2 considerando el ciclo de vida completo, desde la concepción del modelo, la infraestructura, el cómputo y el uso. Esto arroja información valiosa, por ejemplo que el **85.5 % de las emisiones de CO****2****y el 91 % del consumo de agua ocurren durante los procesos de entrenamiento** del modelo y de inferencia.
Entrenar GPT-4, de Open AI, requirió aproximadamente 50 gigavatios-hora —la energía suficiente para electrificar San Francisco por tres días—. Así lo informaron periodistas del MIT Technology Review en el reportaje We did the math on AI’s energy footprint. Here’s the story you haven’t heard, publicado en mayo.
### Gemini, el asistente de IA de Google
Alphabet —cuya principal subsidiaria es Google— es la empresa líder que mejor ha explicado la metodología detrás de los datos que reporta. De acuerdo con el documento _Measuring the environmental impact of delivering AI at Google Scale_, publicado en agosto de este año, **un**** _prompt_****mediano de Gemini, su asistente de IA, consume:**
* Agua: 26 mililitros (unas 5 gotas)
* Energía: 0.24 vatios-hora (Wh)
* CO₂: 0.03 gramos (incluye compras de “energía limpia”)
Estos datos solo consideran los costos por la consulta —o proceso de _inferencia_ — y no el acumulado de lo que costó entrenar al modelo previamente. Consideremos, también, que estos números se refieren únicamente a la modalidad textual de Gemini y no incluyen la multimodalidad —es decir, la introducción u obtención de audio, imágenes o videos.
### ChatGPT, de OpenAI
Los datos disponibles para ChatGPT —de OpenAI— provienen de varias fuentes. La primera es el texto de Josh You _How much energy does ChatGPT use?_, citado en una entrada de Open AI Academy. You calcula 0.3 vatios-hora por una “consulta típica” a ChaGPT —en su versión GPT‑4o—, pero esta cifra varía significativamente en función de la extensión del _prompt_. Dicha estimación, al igual que la de Alphabet para Gemini, no considera la fase de entrenamiento y se limita al proceso de inferencia. Por otro lado, en junio el CEO de Open AI, Sam Altman, compartió algunos números en su blog para una “consulta promedio” a ChatGPT, aunque sin explicar la matemática detrás. Respecto al CO2 asociado, recurriremos a las estimaciones del físico Andy Masley, elaboradas en septiembre y que sí contemplan el proceso de entrenamiento, así como la huella de carbono de la elaboración de chips usados en los centros de procesamiento de datos.
Entonces, tenemos que **una consulta estándar a ChatGPT requiere:**
* Agua: 0.321725 mililitros de agua (Altman).
* Energía: 0.30 – 0.34 vatios-hora (You; Altman)
* CO₂: 0.28 gramos (Masley)
### Claude, de Anthropic; DeepSeek y Mistral AI
El investigador Josh You —quien hizo la estimación para ChatGPT— considera probable que otros chatbots como Claude, de Anthropic, tenga un coste energético similar al de ChatGPT, mientras que **DeepSeek-V3 probablemente registre un mejor rendimiento** y menor coste energético.
Respecto a Mistral AI, de acuerdo al informe citado líneas arriba, tenemos que una consulta puntual (una página de texto o 400 tokens) consume:
* Agua: 45 mililitros
* CO₂: 1.14 gramos
### Cuánto consume generar una imagen y video
De acuerdo con la publicación del MIT Technology Review mencionada antes, el **costo energético de crear una imagen no es muy distinto al de hacer una solicitud de texto**. Por ejemplo, la energía requerida para crear una imagen de calidad estándar con Stable Diffusion 3 Medium es equivalente a usar un microondas por 5 segundos y medio.
La generación de video, por otro lado, sí parece ser mucho más demandante que la de texto o imagen. La investigadora Sasha Luccioni estimó que para crear un **video de 5 segundos con Sora (en una versión de 2023), de Open AI, se requiere un kilovatio-hora** (1000 Wh), equivalente a usar el microondas, más o menos, por una hora.
## Comparando IAG vs actividades cotidianas
Nuestra vida digital en general —incluyendo el uso de IAG— tiene una base material y, por ende, un impacto en nuestro planeta. La huella de carbono del sector de las Tecnologías de Información y Comunicación (TIC) representa entre 1.5 % y 4 % del total global, de acuerdo con el informe _The World Bank and ITU, 2024. Measuring the Emissions & Energy Footprint of the ICT Sector: Implications for Climate Action_. Este rango porcentual rivaliza, por ejemplo, con la huella de carbono de la industria aeronáutica.
Toda actividad cotidiana tiene algún impacto ambiental. Quizá algunas comparativas nos ayuden a dimensionar el impacto que generamos al realizar consultas a servicios de IAG. En general, los consumos hídricos, energéticos y de huella de carbono asociados al uso textual de modelos de IAG representan un porcentaje bajo en comparación con otras actividades que solemos realizar cotidianamente. Veamos algunos ejemplos.
### **Uso de agua (equivalencias prompt-agua; Gemini)**
Considerando la estimación de uso de agua de un prompt de Gemini y recurriendo a la Water Footprint Calculator, tenemos las siguientes equivalencias en términos de agua requerida para elaborar diferentes productos de uso común, medida en prompts de Gemini:
* Fabricar zapatos de cuero: 307 mil 692 prompts estándar de Gemini
* Fabricar smartphone: 490 mil 769 prompts
* Fabricar pantalón de mezclilla (algodón): 417 mil 307 prompts
* Fabricar colcha de algodón: 375 mil 000 prompts
* Fabricar playera de algodón: 10 mil 4615 prompts
* Fabricar una hoja de papel tamaño carta: 196 prompts
Como podemos observar, el impacto ambiental del uso individual de servicios de IAG no es muy distinto e, incluso, en muchos casos es menor al que tienen otras actividades que realizamos y sobre las cuales no siempre nos cuestionamos.
Sin embargo, **lo anterior no significa que la IAG sea inocua en términos ambientales**. El sitio web de ChatGPT es el quinto más visitado del mundo. Entonces, aunque el impacto individual no es mucho, en su conjunto el impacto global sí es relevante.
Como ya lo advierten James O’Donnell y Casey Crownhart en su texto del MIT Technology Review: gobiernos y empresas están planeando y **construyendo infraestructura en función de las demandas energéticas de la IA**. Los centros de procesamiento de datos juegan un papel central en ello.
## El rol de los centros de datos
Gran parte de nuestra vida digital depende de servicios en línea, que requieren de _centros de procesamiento datos_ (CPD) —en inglés llamados _data centers_ — para funcionar. Internet, tal como lo conocemos hoy en día, no es posible sin estos centros de datos.
A grandes rasgos, un CPD es un espacio físico destinado a infraestructura tecnológica. Digamos que los CPD son grandes salas, o edificios enteros, llenos de _servidores_ —computadoras superpotentes— que procesan y almacenan información. Cada vez que vemos algo por internet un servidor situado en algún centro de datos, en alguna parte del mundo, responde a esa solicitud.
Sin embargo, a partir de 2017 comenzaron a construirse con características enfocadas en la IA, las cuales los hicieron más demandantes en términos energéticos. Por ejemplo, un **centro de datos que no es usado para IA usa unas 10 veces menos energía que uno equipado con chips GPU para IA**. Un reporte oficial de 2024 estimó que los centros de datos en Estados Unidos consumieron el 4.4 % de la energía en dicho país y que, para 2028, la cifra ascenderá hasta llegar a un porcentaje entre el 6.7 % y el 12 %.
## Mirar el bosque: consideraciones ambientales sobre IAG
Enfocarnos en los impactos individuales de hacer preguntas o crear imágenes con ChatGPT, Gemini o la IAG de nuestra preferencia es ver un árbol cuando conviene mirar el bosque. Proponemos dejar atrás la culpa individual y observar, colectivamente, el panorama completo. Por ello, dejamos algunas consideraciones para seguir reflexionando sobre los impactos ambientales de la IAG:
1. Si bien el uso de IAG para generar texto parece tener un impacto razonable, especialistas como Hanna Ritchie advierten que la **generación de video podría ser significativamente mayor**.
2. **Riesgo de paradoja de Jevons** : los avances en algoritmos y optimización de centros de datos pueden hacer más eficientes los sistemas de IA, reduciendo su impacto ambiental. Sin embargo, esto puede terminar ocasionando que incremente la demanda y el impacto total sea mayor pese a su eficiencia mejorada.
3. **Demanda creciente e inversión millonaria**. Las compañías de IA buscarán seguir incrementando sus capacidades e infraestructura, lo cual implica eficientar y multiplicar sus centros de datos que, aunque son necesarios para la vida digital en general, cada vez más están destinados a labores relacionadas con la IA.
4. Los centros de datos son eficientes en términos globales, pero **impactan profundamente en las localidades donde se instalan**.
5. En América Latina gobiernos como el mexicano y el chileno han dado facilidades para que grandes empresas tecnológicas instalen CPD con **regulaciones ambientales laxas** y pocas obligaciones de transparencia.
6. Contamos con **pocos datos de calidad sobre el impacto ambiental de la IAG** y de los centros de datos, lo cual dificulta la rendición de cuentas por parte de las empresas tecnológicas.
## Para seguir conversando
* Mirar el bosque: IA, centros de datos e impactos ambientales en LATAM – SocialTIC: https://socialtic.org/blog/ia-centros-de-datos-e-impactos-ambientales-en-latam/
* La verdad sobre la IA: un ensayo en tres partes – Martín Szyszlican: https://martinszy.com//blog/ia-verdad-sobre-la-ia/
* ¿Agua y electricidad para los centros de datos o para los latinoamericanos? – El Clip: https://www.elclip.org/agua-y-electricidad-para-los-centros-de-datos-o-para-los-latinoamericanos/
* ¿Qué diablos es la Inteligencia Artificial sostenible?: https://terraforminglatam.net/que-diablos-es-la-inteligencia-artificial-sostenible
* TRAMAS. Tecnologías, tramas, territorios: https://tramas.digital/es/
## Fuentes consultadas
* Altman, S. (2025) – The Gentle Singularity: https://blog.samaltman.com/the-gentle-singularity
* Cooper, E. et al (2025) – Measuring the environmental impact of delivering AI at Google Scale: https://doi.org/10.48550/arXiv.2508.15734
* Luccioni, S. y Alves Da Costa, T. (2025) – 🌎 What kind of environmental impacts are AI companies disclosing? (And can we compare them?) 🌎: https://huggingface.co/blog/sasha/environmental-impact-disclosures
* Masley, A. (2025) – What’s the full “hidden” climate cost of a ChatGPT prompt?: https://andymasley.substack.com/p/whats-the-full-hidden-climate-cost
* Masley, A. (2025) – Using ChatGPT is not bad for the environment – a cheat sheet: https://andymasley.substack.com/p/a-cheat-sheet-for-conversations-about
* Mistral AI (2025) – Our contribution to a global environmental standard for AI: https://mistral.ai/news/our-contribution-to-a-global-environmental-standard-for-ai
* O’Donnell, J. y Crownhart, C. (2025) – We did the math on AI’s energy footprint. Here’s the story you haven’t heard. | MIT Technology Review: https://www.technologyreview.com/2025/05/20/1116327/ai-energy-usage-climate-footprint-big-tech/
* Ritchie, H. (2025) – What’s the carbon footprint of using ChatGPT or Gemini? [August 2025 update]: https://www.sustainabilitybynumbers.com/p/ai-footprint-august-2025
* You, J. (2025) – How much energy does ChatGPT use? | Epoch AI: https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use
https://socialtic.org/blog/impacto-ambiental-de-la-inteligencia-artificial-generativa/
