El avance de la IA viene acompañado de un desafío ambiental significativo: su creciente demanda energética. En el siglo XXI, la IA podría desempeñar un papel económico comparable al que tuvieron el petróleo y el gas en el siglo XX, pero con un impacto ambiental considerable si no se gestionan adecuadamente sus externalidades. Por equipo de redacción de Globant.
La promesa de la inteligencia artificial como motor económico del siglo XXI se ve ensombrecida por una realidad ineludible: su creciente sed de energía. Si no se adoptan medidas urgentes para mitigar sus externalidades, la IA podría convertirse en un factor determinante de la crisis ambiental.
Pero la ventaja en esta tecnología y era, radica en que, esta vez, la sostenibilidad se está considerando desde el inicio de muchos procesos.
La huella energética de la IA en cifras
Además del consumo energético, la intensidad en el uso de recursos mineros e hídricos representa otra externalidad negativa que desafía la sostenibilidad tecnológica. Según Harvard Business Review, para 2030, se espera que la demanda energética de la IA aumente un 160%.
El entrenamiento y la operación de modelos de IA requieren una cantidad significativa de energía, agua y materiales. Para ilustrarlo, una sola consulta en ChatGPT requiere 2.9 Wh de electricidad, en comparación con 0.3 Wh de una búsqueda en Google, según la Agencia Internacional de Energía (IEA, 2023).
El impacto global es evidente: los centros de datos, que sustentan estas tecnologías, consumieron entre 1% y 2% de la electricidad mundial en 2023. Se prevé que esta cifra aumente hasta 3% a 4% para 2030 (SemiAnalysis, 2024). La IEA advierte que, para 2026, estos centros podrían llegar a consumir tanta electricidad como todo Japón.
Asimismo, investigaciones de SemiAnalysis estiman que la IA podría impulsar a los centros de datos a consumir un 4.5% de la generación eléctrica mundial para 2030.
A nivel corporativo, las grandes empresas tecnológicas también enfrentan este desafío. A pesar de sus compromisos para reducir la huella de carbono, tanto Microsoft como Google reportaron aumentos significativos en sus emisiones para 2024, del 30% y 13%, respectivamente. Esto refleja las crecientes demandas energéticas derivadas del entrenamiento de modelos avanzados de IA y la expansión de sus infraestructuras.
Factores que impulsan el alto consumo energético en el uso de IA
- Complejidad y escalabilidad de los modelos
El desarrollo de modelos cada vez más sofisticados, como GPT-4, que contiene miles de millones de parámetros, requiere recursos exponenciales. A medida que los modelos duplican sus parámetros, las demandas energéticas crecen de manera considerable. El futuro anticipa modelos con billones de parámetros, lo que obligará a duplicar las capacidades actuales de los centros de datos, con un impacto ambiental drástico si no se implementan prácticas sostenibles desde ahora. - Infraestructura energética no sostenible
A pesar del crecimiento de las energías renovables, una gran parte de los centros de datos sigue dependiendo de combustibles fósiles, lo que incrementa las emisiones. Centros en regiones como Asia, por ejemplo, funcionan con apenas un 4% a 18% de energía libre de carbono, en comparación con el 97% de Finlandia, donde Google ha implementado energías limpias. Esta disparidad destaca la necesidad urgente de acelerar la transición energética global. - Uso desproporcionado e innecesario de IA
La fascinación por implementar IA en diversas aplicaciones ha llevado a un uso innecesario y poco eficiente de esta tecnología. Soluciones complejas de IA se aplican a tareas que podrían resolverse mediante métodos más simples y con menor impacto energético, como análisis estadísticos optimizados. La falta de un enfoque crítico agrava el consumo energético y refuerza la necesidad de una gobernanza más robusta y consciente. - Baja adopción de prácticas de Green IT
El desarrollo de software más sostenible sigue siendo una prioridad secundaria. La mayoría de los modelos priorizan funcionalidad y velocidad, en detrimento de la eficiencia energética. Herramientas como el Software Carbon Intensity (SCI) aún no se adoptan ampliamente, dificultando la medición y reducción del impacto ambiental.
Otros impactos ambientales
- Generación de residuos electrónicos (e-waste)
El hardware especializado para IA, como GPUs y chips ASIC, tiene ciclos de vida cortos, generando toneladas de desechos electrónicos. Sin políticas efectivas de reciclaje, estos residuos terminan en vertederos, agravando la crisis del e-waste. Además, contienen materiales valiosos como litio y cobalto, que podrían recuperarse dentro de un marco de economía circular. - Consumo intensivo de agua
El funcionamiento de los centros de datos, necesarios para entrenar modelos de IA, implica un consumo masivo de agua para refrigerar los servidores. Según la OCDE, el uso de IA en regiones desérticas, como Arizona o Chile, exacerba la escasez de agua, aumentando tensiones en comunidades locales. Una simple consulta de IA, como redactar un correo electrónico de 100 palabras, puede consumir el equivalente a 500 ml de agua, una cifra alarmante en contextos de estrés hídrico.
Además, la descarga de agua caliente en cuerpos acuáticos genera contaminación térmica, afectando los ecosistemas locales. Las regiones áridas, donde el enfriamiento es más demandante, soportan una carga desproporcionada de este impacto ambiental.
Soluciones para mitigar el impacto ambiental de la IA
- Optimización de modelos
Técnicas como compresión de modelos y distilación de conocimiento permiten reducir el tamaño y la complejidad de los sistemas sin comprometer su rendimiento. Esto puede disminuir el consumo energético hasta en un 40%. Además, estrategias como early stopping y aprendizaje transferido optimizan los recursos computacionales y reducen los tiempos de entrenamiento. - Energía renovable y almacenamiento
La adopción de energías limpias y tecnologías de almacenamiento eficiente es clave para reducir las emisiones. Microsoft está explorando microreactores nucleares, mientras que Google ha implementado centros de datos con energía renovable en regiones como Finlandia. Asimismo, soluciones innovadoras en refrigeración, como el uso de líquidos dieléctricos y aguas residuales tratadas, reducen el consumo hídrico y energético. - Economía circular y gestión de residuos
La reutilización y el reciclaje de hardware permiten recuperar materiales como cobalto y litio, reduciendo la extracción de recursos. Diseños modulares y programas de reacondicionamiento prolongan la vida útil de dispositivos, cerrando el ciclo productivo y minimizando el e-waste. - Sobriedad digital y Green IT
El desarrollo de aplicaciones eficientes y el uso de metodologías Green IT son cruciales para minimizar el impacto. Optimizar códigos, comprimir datos y adoptar interfaces más ligeras permite reducir la demanda de recursos computacionales y extender la vida útil de los dispositivos. - Gestión sostenible del agua
Implementar tecnologías como refrigeración líquida directa y redistribuir la carga de trabajo a centros en regiones con mayor disponibilidad hídrica puede aliviar el impacto. Compromisos como los de Microsoft, que busca ser “positivo en agua” para 2030, establecen un precedente importante.
Conclusiones
La IA tiene el potencial de revolucionar múltiples sectores y ofrecer soluciones innovadoras a los desafíos climáticos globales. No obstante, si no se implementan prácticas sostenibles para optimizar el consumo energético de manera inmediata, su impacto ambiental podría socavar sus beneficios.
La optimización de modelos, la adopción de energías renovables, la economía circular y la sobriedad digital son estrategias clave para garantizar que la IA no solo minimice su huella, sino que también contribuya a un futuro más sostenible.
Este artículo es parte del Informe ‘Inteligencia artificial y cambio climático 2024’, DESCARGALO GRATIS AHORA