La inteligencia artificial (IA) avanza a pasos agigantados, revolucionando desde la forma en que trabajamos hasta cómo accedemos a la información o recibimos atención médica. Sin embargo, detrás de esta innovación hay un reto que pasa desapercibido: el enorme consumo energético que requieren estos sistemas.
“A medida que los modelos de IA se vuelven más sofisticados y grandes, como el caso de GPT-4, las demandas de energía para entrenar y operar estos modelos aumentan considerablemente, lo que tiene implicaciones tanto económicas como medioambientales. Modelos más eficientes, como DeepSeek, están impulsando el debate sobre cómo hacer que la IA sea más sostenible”, explica Sergi Simón, coordinador de los programas de gestión de riesgos y sostenibilidad de EALDE Business School.
Para recibir la newsletter de Iconic Eco Magazine, subscríbete aquí
¿De dónde viene la energía que impulsa la IA?
Los centros de datos, el motor que mantiene en funcionamiento los modelos de inteligencia artificial, consumen aproximadamente el 1% de la electricidad a nivel mundial, según la International Energy Agency (IEA). Y esta cifra no deja de crecer con la expansión de la IA y otros servicios digitales. Sin embargo, empresas como Google y Microsoft han logrado avances significativos al operar sus centros de datos con energía 100% renovable.
“A pesar de estos avances, las energías renovables, como la solar y la eólica, plantean retos como la garantía de disponibilidad. Cuando no hay suficiente sol o viento, la producción de electricidad puede no ser suficiente para satisfacer la demanda de los centros de datos, lo que representa un riesgo para la fiabilidad del suministro energético”, afirma Sergi Simón.
Deepseek vs. chatgpt: ¿qué modelo es más eficiente?
Para entender el impacto energético de los modelos de IA, Sergi Simón, coordinador de los programas de gestión de riesgos y sostenibilidad de EALDE Business School, lo compara con el consumo de vehículos: “GPT-4, un modelo avanzado de IA, es comparable a un SUV de alta gama, diésel o gasolina, que necesita una gran cantidad de combustible para recorrer distancias largas. En cambio, DeepSeek, un modelo más eficiente, sería como un auto compacto de bajo consumo, que recorre la misma distancia utilizando mucho menos combustible”.
El consumo energético de GPT-4 podría superar los 400 MWh (megavatio-hora) durante su entrenamiento, lo suficiente para abastecer de electricidad a aproximadamente 40 hogares promedio durante un año completo. En contraste, DeepSeek, con su diseño optimizado, requiere apenas 100 MWh. Esto significa que es hasta un 75% más eficiente en términos energéticos. No obstante, Sergi Simón advierte que “en términos de consumo, no es lo mismo un SUV de alta gama eléctrico que un compacto a gasolina. Necesitamos conjugar eficacia y eficiencia”.
Posibles fallos en el suministro eléctrico
Para que la inteligencia artificial funcione sin interrupciones, necesita un suministro de energía constante y fiable. Sin embargo, la dependencia de fuentes renovables puede representar un desafío, ya que su producción no siempre es estable. Si la generación de energía falla, los centros de datos podrían sufrir cortes que afectarían directamente a los sistemas de IA.
El profesor de EALDE Business School mantiene que “en sectores críticos como la salud, la interrupción de la IA podría ser desastrosa. Si un sistema de diagnóstico basado en IA en un hospital o un sistema de transporte autónomo dependiera de servidores que se caen debido a cortes de energía, los impactos serían graves”.
Es por eso por lo que no solo es importante que las empresas de tecnología utilicen energías renovables, sino que también, según Sergi Simón, “garanticen un suministro estable mediante el uso de sistemas de respaldo como baterías de gran capacidad o fuentes híbridas de energía que complementen las renovables”.
Computación cuántica: ¿una solución para el futuro?
La computación cuántica es una de las tecnologías emergentes más prometedoras que podría revolucionar la forma en que procesamos los datos en la inteligencia artificial. A diferencia de las computadoras tradicionales, que usan bits para representar información en valores de 0 y 1, los qubits de las computadoras cuánticas les permite procesar enormes cantidades de información con una eficiencia mucho mayor.
Esto tiene implicaciones directas para la eficiencia energética. El coordinador de los programas de gestión de riesgos y sostenibilidad de EALDE Business School señala que “los modelos cuánticos podrían permitir el entrenamiento de modelos de IA en una fracción de la energía que requieren los sistemas tradicionales”. Según algunos estudios, la computación cuántica podría reducir el consumo de energía para entrenar modelos complejos hasta en un 90%, ya que los algoritmos cuánticos son capaces de realizar ciertos cálculos de manera mucho más eficiente que los tradicionales.
En este sentido, Sergi Simón mantiene que “IBM, uno de los pioneros en computación cuántica, ha demostrado que su plataforma cuántica puede realizar simulaciones complejas de materiales y moléculas de manera mucho más rápida y eficiente que las computadoras clásicas. Si esta tecnología se aplica a la IA, podríamos ver una reducción radical en la potencia de computación necesaria para entrenar y operar modelos de IA, lo que tendría un impacto directo en el consumo energético de la industria”.
La necesidad de un enfoque integral para un futuro sostenible
El reto del consumo energético de la inteligencia artificial no tiene una solución simple. Para el experto de EALDE Business School, “es necesario adoptar una estrategia integral que combine dos enfoques: garantizar que la energía utilizada provenga de fuentes renovables confiables y optimizar la eficiencia de los modelos de IA. Ejemplos como DeepSeek muestran que es posible mejorar la eficiencia energética sin sacrificar el rendimiento, lo que hace que la IA sea más sostenible”. Sin embargo, el principal riesgo sigue siendo la garantía de suministro de energía.
Por tanto, Sergi Simón considera que “el futuro de la inteligencia artificial depende de un equilibrio entre la mejora de la eficiencia de los modelos y el uso responsable de las fuentes de energía renovables, con la posibilidad de que la computación cuántica desempeñe un papel clave en la creación de una inteligencia artificial verdaderamente sostenible”.
🌿 REDACCIÓN · Tania López
