El elevado consumo energético de la inteligencia artificial, impulsado por su rápida expansión, representa un desafío tanto ambiental como económico para las empresas. Aunque tradicionalmente se ha enfocado en el hardware para optimizar la eficiencia, expertos señalan que el software juega un papel crucial. La optimización algorítmica y las nuevas estrategias de entrenamiento son esenciales para reducir los costes operativos y la huella de carbono de la IA, impulsando una "IA verde" en la industria.
A estas alturas es evidente que la inteligencia artificial (IA) requiere un consumo energético significativo. Para mitigar esto, la atención suele centrarse en el hardware, optimizando la eficiencia de las GPUs, los chips de los centros de datos, la arquitectura de la infraestructura, sus conexiones y sistemas de refrigeración. Sin embargo, el software también desempeña un rol fundamental. Coral Calero, catedrática de Lenguajes y Sistemas Informáticos de la Universidad de Castilla-La Mancha, explica que el hardware consume energía porque ejecuta software. Cuanto mejor y más optimizado sea el software en el uso de los recursos de la máquina, mayor será la reducción del consumo energético.
El desmedido consumo energético es uno de los principales problemas de la IA. A nivel global, presiona un recurso escaso y costoso como la energía, y aumenta las emisiones atmosféricas. A un nivel más práctico, impacta directamente en el presupuesto de las empresas. A medida que la adopción de la IA se generaliza en el ámbito empresarial, el consumo de energía se ha convertido en una cuestión económica ineludible. Un informe de McKinsey, "The State of AI in 2026: On the road to ROI", indica que el 89% de las empresas a nivel mundial utiliza IA, y un 44% está en fase de escalar esta tecnología. A pesar de esta expansión vertiginosa, el documento revela que aproximadamente el 20% de las empresas encuestadas restringe el uso de la IA debido a sus elevados costes operativos. Esto refuerza el cambio de enfoque de las empresas, que abandonaron tendencias como el 'tokenmaxxing' meses atrás. Calero, responsable del área 'Software Verde y Sostenible' en el Grupo de investigación Alarcos de su universidad, subraya que las empresas buscan eficiencia en los modelos no tanto por preocupación ambiental, sino por la inviabilidad económica. La factura de la IA es cada vez más alta, especialmente con la proliferación de agentes. Estos programas realizan tareas de forma autónoma, pero necesitan procesar grandes volúmenes de información y tomar decisiones, lo que consume una cantidad de tokens mucho mayor que la de un usuario interactuando con un chatbot. Esto se traduce en mayores costes, especialmente con el modelo de pago por uso que ha reemplazado las suscripciones.
La prudencia presupuestaria frente al gasto en inteligencia artificial impulsa a las empresas a buscar alternativas más económicas. En consecuencia, el sector está inmerso en una carrera por encontrar métodos que reduzcan la cantidad de cómputo y, por ende, el consumo energético. Verónica Bolón Canedo, investigadora de IA en la Universidade da Coruña y directora de la Cátedra UDC-INDITEX de IA en Algoritmos Verdes, conoce el impacto del software en el desarrollo de modelos de inteligencia artificial. Ella y su equipo trabajan con algoritmos para disminuir su consumo de energía durante el entrenamiento.
Bolón explica: "Diseñamos nuevos algoritmos o adaptamos los existentes para que consuman menos energía. Esto se logra de diversas maneras. Por ejemplo, en lugar de utilizar los 64 bits de la aritmética habitual de un ordenador para los cálculos de un algoritmo, podemos emplear 16 u 8 bits. Esto es como perder decimales, simplificando mucho, pero ayuda a reducir el consumo". Esta reducción de bits tiene implicaciones. "Usaremos un hardware con menos bits, pero el algoritmo no funcionará igual", añade Bolón. "Para mantener el mismo rendimiento con menos bits, debemos modificar la parte del software y realizar ajustes en el algoritmo para compensar esa especie de redondeo que perdemos, minimizando el impacto".
La investigadora se refiere a la menor precisión de un algoritmo de 16 bits en comparación con uno de 64 bits. Este último representa números con más decimales, mientras que la arquitectura de 16 bits tiene menor capacidad de representación y en cierto punto realiza un redondeo, perdiendo decimales y la información que estos ofrecen, lo que afecta el resultado de la siguiente operación aritmética. El problema es que esta imprecisión se transfiere a los cálculos subsiguientes, acumulando errores que pueden hacer que el resultado final difiera del que ofrecería una arquitectura de 64 bits. No obstante, los investigadores lo tienen en cuenta. "Hay muchas capas por las que pasan los datos en la red neuronal. Intentamos congelar una parte, refinar solo la última o poner un modelo simple al final", detalla Bolón. "A veces se pierde un poco de precisión, pero hay que considerar el uso del algoritmo. Si es para curar el cáncer, no podemos permitirnos perder un 1% de precisión, pero si es para recomendar una película, podemos equivocarnos un poco más, utilizando muchos menos recursos. Tenemos que concienciar de esto tanto a usuarios como a desarrolladores".
El consumo energético de la IA se divide en dos fases: entrenamiento e inferencia. El entrenamiento de un modelo, especialmente uno avanzado, demanda cuantiosos recursos computacionales y energía para servidores y sistemas de refrigeración. La fase de inferencia consume energía cada vez que la IA se utiliza, procesando y resolviendo consultas. Una estimación de McKinsey sugiere que en 2027, la demanda energética global de la inferencia superará a la del entrenamiento por primera vez. Considerando el actual uso masivo de la IA, la magnitud del consumo en el entrenamiento es considerable, lo que lo convierte en una fase clave para mejorar la eficiencia de la IA. Una estrategia es acortar el entrenamiento mediante la adaptación del software. Bolón ejemplifica: "Si se quiere crear un modelo para reconocer un tipo de imágenes, se puede aprovechar una arquitectura ya existente que sepa buscar bordes, por ejemplo, porque los bordes son universales, ya sea para distinguir perros de gatos o señales de tráfico".
La forma de entrenar el modelo influye en el consumo de energía. Coral Calero explica: "En los entrenamientos supervisados, se proporcionan millones de datos etiquetados al modelo para que aprenda, lo que implica un gran esfuerzo. Los entrenamientos no supervisados permiten que el modelo trabaje y se le recompensa al alcanzar una buena solución, continuando el entrenamiento así. Esto exige más al modelo durante su propio entrenamiento, pero en principio consume menos".
La industria de la IA es consciente de las consecuencias, pero cada actor sigue su propia estrategia. En China, la eficiencia se ha vuelto una necesidad imperiosa desde que Estados Unidos prohibió la venta de GPUs avanzadas de Nvidia al país en 2022. Esto ha influido en cómo las empresas chinas entrenan sus modelos. Calero comenta: "El grueso del entrenamiento es no supervisado, permitiendo que el propio modelo aprenda y se le refuerce. Al final, sí realizan un entrenamiento supervisado, pero con un conjunto de datos más pequeño y muy específico. Con esto logran los mismos niveles de fiabilidad que los entrenamientos supervisados desde el principio".
La eficiencia del modelo DeepSeek V3, que irrumpió en el campo de la IA en enero de 2025, revolucionó la industria. La empresa china logró un rendimiento cercano a los mejores sistemas de OpenAI con un coste de entrenamiento significativamente menor. Bolón destaca: "Cuando DeepSeek se lanzó, se hizo famoso por muchas cosas, pero lo que me llamó la atención fue que, al no tener acceso a las GPUs más potentes, tuvieron que ser más eficientes. Revitalizaron el paradigma de mezcla de expertos (mixture of experts, MoE), que opera con redes más pequeñas especializadas en distintos ámbitos. Solo se activaba la parte necesaria en lugar de todas las redes neuronales del modelo".
Los fundamentos teóricos de la mezcla de expertos (MoE) se remontan a los años 90. Tras la irrupción de DeepSeek en la primera línea de la IA, esta técnica se ha convertido casi en un estándar en la industria. OpenAI ya utilizó MoE en versiones avanzadas de GPT-4, y por supuesto GPT 5.6 y GPT 6 Astra la incorporan. Las versiones Pro y Flash de Google Gemini 3.1 también usan MoE, y es muy probable que Anthropic la aplique a sus modelos, aunque esto no está confirmado debido a su habitual secretismo. Los entrenamientos menos costosos son una de las razones por las que compañías chinas como Alibaba, Z.ai, Moonshot o DeepSeek ofrecen sus modelos a precios mucho más baratos que las estadounidenses. Los clientes, incluidas empresas de Estados Unidos, han comenzado a utilizarlos masivamente. En la plataforma OpenRouter, que da acceso a cientos de modelos, los más utilizados en agosto fueron los de DeepSeek. En general, las compañías chinas alcanzaron un 45,5% de cuota, superando la suma de Google, OpenAI, Anthropic y Meta.
La IA china, más eficiente, está en ascenso. Los clientes apuestan por la diversificación, combinando varios modelos para reducir la factura. La mayoría de las tareas no requieren modelos avanzados, y estos, más costosos, se usan de forma más limitada en ámbitos de negocio específicos, como orquestadores o revisores. En este contexto, la necesidad de ahorrar costes se alinea con la sostenibilidad de la industria. En 2024, el consumo global de electricidad de los centros de datos fue de 415 TWh, según la Agencia Internacional de la Energía, lo que representó el 1,5% del total. Las estimaciones de la entidad apuntan a 945 TWh para 2030, duplicando el consumo y alcanzando el 3% de la electricidad mundial. Esta cifra significaría que los centros de datos consumirían en un año la misma electricidad que Japón, el quinto país con mayor consumo global. Y no se espera que el crecimiento de estas infraestructuras disminuya. Calero afirma: "Creo que las tecnológicas van a tener que empezar a echar el freno. Creo que ellas mismas han visto que esto se les está yendo de las manos. No podemos permitir que los centros de datos consuman más que países enteros".
Las empresas buscan el ahorro energético, no solo los clientes, sino también los desarrolladores de IA, quienes incurren en gastos descomunales. Al mismo tiempo, crece la preocupación por el consumo eléctrico, tanto a nivel global como en las ubicaciones específicas donde se construyen los centros de datos. Los esfuerzos en pro de la eficiencia concilian estas dos inquietudes, y el software puede ser la clave para avanzar en este objetivo.
