Un único producto digital puede tener una huella medioambiental menor que su equivalente físico (piensa, por ejemplo, en la documentación en papel sustituida por contratos firmados digitalmente). Sin embargo, cuando utilizamos servicios digitales, lo hacemos a una escala totalmente diferente, lo que hace que esa comparación sea menos sencilla. Es posible que realicemos cientos de búsquedas al día, chateemos con bots y solicitemos pequeños retoques en las imágenes generadas. Las nuevas capacidades que aportan tecnologías como la Inteligencia Artificial (IA) dan lugar a nuevos casos de uso, lo que a su vez impulsa el uso general.
Este es un ejemplo clásico de la llamada paradoja de Jevons. Cuando un proceso se optimiza y se vuelve más eficiente, tendemos a utilizarlo mucho más, no menos. Así pues, a medida que los modelos de IA se vuelven más fáciles de usar, más económicos de mantener (en términos puramente económicos; hablaremos de ello más adelante) y más rápidos, recurrimos a ellos cada vez con mayor frecuencia, lo que anula cualquier ganancia en eficiencia y aumenta, en lugar de reducir, el coste total. Si el dinero fuera la única preocupación, sería un problema menor. Es importante comprender que la IA conlleva graves costes medioambientales que debemos aprender a reducir, del mismo modo que nos esforzamos por reducir las emisiones y los residuos generados por cualquier otra actividad que realicen las personas y las organizaciones.
H2 Infraestructura, entrenamiento e inferencia: ¿de dónde proceden realmente los costes medioambientales de la IA?
La huella medioambiental de los modelos y herramientas de IA va más allá del consumo energético. Al igual que con cualquier tecnología digital, debemos analizar cada etapa del denominado ciclo de vida y los recursos necesarios para mantener en funcionamiento un servicio determinado. Las organizaciones de la sociedad civil (OSC) suelen ser más consumidoras que creadoras de tecnología y servicios digitales. Para tomar decisiones informadas sobre productos y servicios, resulta útil comprender cómo se crean y cómo funcionan en un contexto más amplio que el que se ve en nuestras pantallas.
Desde la extracción de materias primas hasta la producción de hardware
Antes de que una empresa pueda entrenar un nuevo modelo de IA o lanzar un servicio basado en IA en centros de datos, es necesario construir primero el hardware en el que se llevará a cabo el entrenamiento y en el que posiblemente se ejecutará después el modelo. La fabricación de unidades de procesamiento gráfico (GPU) requiere una cantidad extraordinaria de recursos: una planta de fabricación de semiconductores consume alrededor de 38 millones de litros de agua al día para producir el agua ultrapura necesaria en la fabricación de chips. A esto hay que añadir la extracción de metales de tierras raras (que a menudo conlleva graves consecuencias medioambientales a nivel local, como la contaminación del suelo y de las aguas subterráneas), el transporte y la construcción física de los propios centros de datos. Rara vez esta faceta de la huella medioambiental de la IA sale a relucir en el debate público. Es más difícil de cuantificar que el consumo energético y nos obliga a afrontar los costes éticos de la IA, como la vida y la salud de las personas que viven o trabajan cerca de instalaciones directamente relacionadas con la extracción de minerales o la construcción de centros de datos.
La otra cara de la misma moneda son los residuos electrónicos. La presión constante por disponer de un hardware cada vez más potente acorta la vida útil de muchos dispositivos. Se calcula que la IA generará entre 1,2 y 5 millones de toneladas adicionales de residuos electrónicos. Mientras tanto, la producción mundial de residuos electrónicos está creciendo cinco veces más rápido que la capacidad de reciclaje y una parte significativa acaba en vertederos de países en desarrollo, donde sustancias como el mercurio, el arsénico y el plomo se filtran en los ecosistemas locales.
Entrenamiento del modelo
El entrenamiento de un modelo de lenguaje a gran escala (LLM) consume una enorme cantidad de energía. El entrenamiento de GPT-4 requirió aproximadamente 25 000 GPU que estuvieron en funcionamiento entre 90 y 100 días. El consumo energético estimado osciló entre 51 000 y 62 000 MWh, más de 40 veces la energía necesaria para entrenar al modelo anterior, GPT-3. Eso equivale al consumo energético de 1000 hogares estadounidenses durante un periodo de entre cinco y seis años. Aunque muchos modelos se amplían con cada nueva versión (como ocurre con la familia GPT), numerosas empresas están trabajando para optimizar este proceso (un ejemplo de gran repercusión comercial es el lanzamiento del modelo chino DeepSeek a finales de 2024) o están desarrollando modelos mucho más eficientes, adaptados a tareas específicas o a hardware menos potente. Se conocen como modelos de lenguaje pequeños.
Inferencia (ejecución del modelo)
El entrenamiento llama la atención por su enorme magnitud, pero es la inferencia, al generar respuestas a millones de consultas de los usuarios, lo que representa el principal coste medioambiental continuo de la IA. A una escala de mil millones de consultas al día, incluso un modelo altamente eficiente que consuma tan solo 0,42 Wh por consulta corta genera un consumo energético acumulado anual comparable al de 35.000 hogares en Estados Unidos.
Las diferencias entre los modelos son enormes y la mayor parte de los datos, que las empresas de IA publican de forma muy selectiva, se refieren a modelos basados en texto. La generación de imágenes y vídeos resulta considerablemente más cara y consume mucha más energía.
El trabajo humano en la cadena de suministro de la IA
Si adoptamos una visión amplia del «medio ambiente» que incluya los efectos sobre la salud humana, entonces, más allá de la contaminación ya mencionada, también debemos hablar de las personas que evalúan, filtran y ajustan los modelos de IA. Este proceso implica etiquetar los datos de entrenamiento, evaluar las respuestas del modelo y filtrar el contenido perjudicial, una práctica conocida como RLHF, o aprendizaje por refuerzo a partir de la retroalimentación humana. Este trabajo mal remunerado se mantiene deliberadamente oculto, subcontratado a grandes empresas que operan en países con escasas protecciones laborales como Kenia, Uganda o la India. Los efectos sobre la salud mental son comparables a los que sufren los moderadores de contenidos de las redes sociales, que se ven expuestos a material violento y perturbador con el fin de filtrarlo antes de que llegue a los usuarios.
Cómo elegir herramientas y modelos de IA desde una perspectiva de coste medioambiental
Podemos reducir el impacto medioambiental que supone el uso de cualquier tecnología digital. Pero debemos tener claro qué acciones tienen un impacto sistémico, cuáles son decisiones individuales y cuáles corren el riesgo de convertirse en greenwashing, es decir, gestos superficiales o exagerados en materia de responsabilidad medioambiental.
Como organizaciones, no tenemos voz ni voto en cómo se crean los modelos, pero sí podemos elegir cuáles utilizamos. El acceso a datos sobre sus costes medioambientales y su eficiencia energética debería ser la base de esas decisiones. Por ahora, sin embargo, esa información sigue siendo escasa. Más allá de basarnos en los datos, también deberíamos aprender a utilizar la IA de forma consciente y moderada. En la actualidad, muchas personas y organizaciones están utilizando la IA (en particular, la IA generativa) para tareas en las que no es necesariamente la solución más adecuada. Conviene distinguir entre algunas tecnologías fundamentales de IA que resultan relevantes desde el punto de vista del coste medioambiental:
Los LLM (modelos de lenguaje a gran escala) son familias de modelos como GPT, Claude, Gemini y DeepSeek. Entrenados con cientos de miles de millones de parámetros, se ejecutan en los servidores de las grandes empresas tecnológicas. El coste del entrenamiento es astronómico, pero se reparte entre millones de usuarios. El acceso se realiza a través de una interfaz online (sitios web y aplicaciones móviles) o mediante una API para herramientas personalizadas (como la conexión de un modelo de IA a un sistema CRM), lo que significa que todas las consultas pasan por un centro de datos externo. Estos modelos son muy potentes, pero para tareas sencillas pueden consumir más recursos de los necesarios; por ejemplo, al hacerle a un chatbot una pregunta que se podría resolver igual de bien con una simple búsqueda en un motor de búsqueda.
Los SLM (modelos de lenguaje pequeños) son modelos como Mistral Small 24B, Phi-4 14B o Gemma 2B. Tienen menos parámetros, se ejecutan más rápido y se pueden implementar de forma local: en un ordenador portátil, en el servidor de la propia organización y, en algunos casos, incluso en un smartphone. Para muchas tareas habituales, como la clasificación de documentos, la elaboración de resúmenes y la respuesta a preguntas a partir de la propia base de conocimientos de una organización, resultan totalmente suficientes. Puedes probar estos modelos utilizando herramientas como LM Studio o Ollama.
Los modelos de peso abierto, como Llama, Qwen y Mistral, publican sus parámetros y se pueden ejecutar localmente. Además de permitir a las organizaciones controlar dónde y cuándo se ejecuta el modelo, quienes necesiten soluciones más personalizadas pueden adaptar dicho modelo a sus necesidades específicas.
Algunos ejemplos prácticos de cómo adaptar las herramientas de IA a la tarea en cuestión:
Las consultas y tareas repetitivas, como buscar información en la documentación y responder a preguntas basadas en los propios materiales de una organización, pueden gestionarse mediante un modelo local que se ejecute en el servidor de la organización y que recurra a una base de conocimientos definida. Se conocen como sistemas RAG (generación aumentada por recuperación).
Transcribir una grabación: para ello no es necesario poner en marcha un gran modelo lingüístico basado en la nube como ChatGPT o Gemini, que consumiría muchos más recursos que, por ejemplo, una herramienta que se ejecute localmente como OpenWhispr.
Para controlar el ordenador mediante comandos de voz, algo que los creadores de los grandes modelos comerciales de IA fomentan activamente, puedes utilizar una herramienta local de código abierto como Handy.
Para la edición y corrección de textos: los modelos lingüísticos pequeños que se ejecutan localmente funcionan bien y no requieren conexión a Internet.
Elegir un modelo más pequeño o especializado para una tarea concreta puede reducir de forma significativa el impacto medioambiental del uso de la IA en una organización. Los modelos locales son beneficiosos para el medio ambiente cuando se ejecutan en equipos con la capacidad adecuada, o cuando la alternativa es el uso intensivo de un modelo comercial de gran tamaño para tareas que un modelo pequeño podría realizar igual de bien. Otra ventaja de los modelos locales es que permiten un mayor control sobre cuándo se ejecutan realmente: muchos servicios de IA, sobre todo los que vienen integrados en las suites ofimáticas, se ejecutan en segundo plano incluso cuando no los necesitas.
Sin embargo, en muchas situaciones, la forma más eficaz de reducir el impacto medioambiental de la IA es, sencillamente, no utilizarla o realizar la tarea de forma tradicional. Para producir un vídeo multilingüe, por ejemplo, suele bastar con añadir subtítulos estándar o, como mucho, grabar y doblar una nueva pista de audio. Generar vídeos con IA totalmente nuevos para cada idioma, en los que tanto el vídeo como la voz se clonan primero y luego se regeneran, resultará en muchos casos innecesario y un derroche.
Preparándonos para el futuro
La energía que consumen los centros de datos que dan soporte al entrenamiento y la inferencia de la IA representa solo una parte de la energía que consume el sector digital en su conjunto. La demanda de ambas está aumentando y, aunque la IA acabe representando solo un pequeño porcentaje de las emisiones totales de CO₂, las ONG deberían exigir más, tanto a las empresas que ofrecen estas tecnologías como a sí mismas, que limitarse a vigilar la factura de la luz. Podemos aprovechar las ventajas que ofrecen los modelos de IA, pero tanto desde el punto de vista medioambiental como en aras de la independencia de la organización, conviene utilizarlos de forma deliberada y consciente. Eso significa, a veces, alejarse de lo que está más de moda en el mercado, o de lo que elegimos por defecto solo porque así nos lo dice un anuncio.
Tu opinión nos importa
¿Qué te ha parecido este texto? ¡Dedica 30 segundos a compartir tus comentarios y ayúdanos a crear contenidos significativos para la sociedad civil!
Exención de responsabilidad
Este artículo es el comienzo de la serie «La hoja de ruta de la IA responsable para las OSC», elaborada en el marco del proyecto IA para el cambio social del Programa de Activismo Digital de TechSoup, con el apoyo de Google.org.
El autor ha utilizado la IA para crear este contenido. No obstante, todo el artículo ha sido redactado, revisado y corregido por el autor y el equipo de TechSoup.
Las herramientas de IA evolucionan rápidamente y, aunque nos esforzamos por garantizar la validez del contenido que proporcionamos, es posible que algunos elementos ya no estén actualizados. Si detecta alguna información desactualizada, le rogamos que nos lo comunique a content@techsoup.org.