La Inteligencia Artificial Generativa (IAG) es una herramienta doblemente fascinante. Por un lado, tiene un potencial disruptivo inmenso para (entre otras cosas) optimizar la eficiencia de recursos, diseñar nuevos materiales, mejorar la transparencia de la cadena de suministro y facilitar nuevos modelos de negocio circulares (como el Producto-como-Servicio). Pero, por otro lado, la infraestructura física necesaria para entrenar y operar estos modelos masivos impone una carga ambiental que no podemos ignorar.
Si queremos que la IA sea un factor de impacto neto positivo para el planeta, es necesario aplicar los principios de la circularidad a su propia infraestructura y diseño, más allá de las métricas de eficiencia energética simplistas para abordar la huella completa de la IAG.
El metabolismo energético: la escalada insostenible
El consumo de energía es el impacto más inmediato y medible de la IAG. Para entender la magnitud de este desafío, debemos diferenciar las dos fases operativas:
- Entrenamiento (el costo de la creación): Entrenar un Modelo de Lenguaje Grande (LLM) como GPT-3 consumió aproximadamente 1.287 MWh de electricidad (el consumo de unos 120 hogares estadounidenses durante un año). Los modelos sucesores, como GPT-4, que se estima que tienen hasta 1.8 billones de parámetros, han requerido un salto energético aún mayor, con estimaciones de consumo eléctrico para su entrenamiento de entre 52 y 62 GWh. Este cálculo masivo, que puede requerir semanas de cálculo distribuido usando clústeres de hasta 25.000 GPUs, genera una «deuda de carbono técnica» que se debe amortizar rápidamente, ya que los modelos más avanzados tienen una vida útil comercial muy corta debido a la innovación desenfrenada.
- Inferencia (el gigante silencioso): La inferencia —el uso diario del modelo, como una consulta a ChatGPT— es el costo operativo continuo y, a largo plazo, dominará el consumo energético total. Se estima que una consulta a ChatGPT consume diez veces más electricidad que una búsqueda de Google. El problema se agrava por el crecimiento exponencial: la demanda eléctrica de los centros de datos, impulsada en gran parte por la IAG, podría duplicarse para 2030, alcanzando los 1.050 TWh anuales, lo que situaría a los centros de datos como el quinto mayor consumidor de electricidad globalmente si fueran un país.
La intensidad de carbono depende críticamente de la fuente de energía. Si un entrenamiento se realiza en una red eléctrica basada en combustibles fósiles, el impacto de CO2 se dispara. Afortunadamente, las grandes tecnológicas están avanzando en eficiencia; por ejemplo, Google reportó haber reducido 33 veces la energía por respuesta en Gemini en un periodo reciente.
La huella hídrica y la sed de los algoritmos
Desde una perspectiva circular, el agua es un recurso escaso que debe gestionarse con máxima eficiencia. Los servidores de IA de alto rendimiento generan calor extremo que requiere refrigeración intensiva, a menudo mediante sistemas de refrigeración evaporativa que consumen grandes volúmenes de agua.
El consumo de agua de la IAG es tremendo y localizado. Un centro de datos mediano puede consumir hasta 400 millones de litros de agua al año. Se estima que cada 100 palabras generadas por IA consumen aproximadamente una botella de agua (unos 519 mililitros) para la refrigeración. Si se escala a miles de millones de interacciones diarias, la huella hídrica acumulada es crítica.
Lo más preocupante es el riesgo de estrés hídrico: una ironía ambiental es que aproximadamente dos tercios de los nuevos centros de datos construidos desde 2022 se ubican en regiones con estrés hídrico alto o extremo. La extracción de agua dulce de acuíferos o arroyos para enfriamiento puede llevar al agotamiento de estos recursos, afectando gravemente a las comunidades cercanas.
Materialidad crítica y la crisis de obsolescencia acelerada
La Economía Circular exige que los materiales se mantengan en uso el mayor tiempo posible. Sin embargo, la industria de la IA depende de un modelo extractivo y de «hiper-obsolescencia».
La fabricación de Unidades de Procesamiento Gráfico (GPUs) es un proceso industrial de alta intensidad energética que requiere una compleja mezcla de materias primas críticas (CRMs), como tierras raras (neodimio), metales tecnológicos (galio, germanio) y metales preciosos (oro, paladio). La extracción de estos minerales está asociada a impactos socioambientales graves, como la generación de residuos tóxicos y la contaminación de agua y aire en las zonas mineras.
Peor aún, debido a la rápida mejora de rendimiento, las flotas de servidores de IA (como las GPUs A100) se consideran económicamente obsoletas en 3 o 4 años, mucho antes de que se agote su vida útil física. Si no se gestiona correctamente, este descarte prematuro contribuye significativamente a la proyección de entre 1.2 y 5 millones de toneladas métricas adicionales de residuos electrónicos (e-waste) acumulados entre 2024 y 2030. La circularidad exige una extensión de la vida útil del hardware, facilitando el reacondicionamiento y la reutilización de componentes.
Una hoja de ruta circular para la IAG
Afrontar estos desafíos requiere una estrategia circular de varias dimensiones que involucre el diseño de algoritmos, la infraestructura, la regulación y el comportamiento del usuario:
Green AI y eficiencia algorítmica
El software determina el consumo del hardware. La Green AI se enfoca en hacer que los algoritmos sean intrínsecamente más eficientes.
- Compresión de modelos: técnicas como la cuantización reducen la precisión de los pesos (ej. de 32 bits a 4 bits), lo que disminuye drásticamente el uso de memoria y el consumo de energía por token generado.
- Arquitectura eficiente: modelos como DeepSeek V3 utilizan la arquitectura Mixture-of-Experts (MoE), donde solo se activa una fracción de los parámetros para cada consulta, reduciendo masivamente el costo por inferencia. DeepSeek demostró que la eficiencia puede ser un motor de innovación al entrenar su modelo con hasta 11 veces menos cómputo que rivales comparables, forzado en parte por la restricción de acceso a chips avanzados.
En este contexto, la elección del modelo es una decisión de sostenibilidad: usar un modelo sobredimensionado para una tarea simple es ineficiente.
Infraestructura circular y simbiosis industrial
Debemos ver los centros de datos no como consumidores aislados, sino como nodos integrados en el ecosistema urbano e industrial.
- Recuperación de calor residual (Waste Heat Recovery): los servidores convierten casi el 100% de la electricidad en calor. Proyectos en países nórdicos (como Helsinki y Estocolmo) demuestran que este calor puede ser capturado e inyectado en las redes de calefacción urbana (District Heating), cubriendo las necesidades de miles de hogares y reduciendo las emisiones al reemplazar el uso de combustibles fósiles.
- Refrigeración líquida: la refrigeración líquida directa al chip (Direct-to-Chip o Inmersión) es el futuro circular. No solo es más eficiente, sino que permite capturar el calor residual a temperaturas más altas, haciéndolo útil para procesos industriales o calefacción sin necesidad de bombas de calor costosas.
- Uso de agua: se debe dar prioridad al uso de aguas no potables (recicladas o de lluvia) y a los sistemas de circuito cerrado para reducir la presión sobre el agua potable.
El rol del usuario: fomentar el uso racional
Si la eficiencia técnica se neutraliza por el aumento de la demanda (Paradoja de Jevons), la conducta del usuario final se vuelve crítica. Los usuarios no tienen control sobre el entrenamiento, pero sí sobre el uso.
Como expertos en EC, debemos fomentar el uso consciente y frugal de la IAG:
- Usar la IA solo cuando sea necesario, evitando tareas simples que se pueden hacer manualmente.
- Elegir el modelo más eficiente para cada tarea (los modelos más pequeños a menudo son suficientes).
- Reducir la información de entrada y ajustar el nivel de detalle de la respuesta para evitar la generación innecesaria de tokens.
- Limitar el contenido multimedia (generar una imagen puede consumir 60 veces más energía que generar texto).
Conclusión: la IA debe aplicarse la medicina circular
La Economía Circular no es una opción; es una necesidad. Para que la Inteligencia Artificial Generativa cumpla su promesa de ayudarnos a resolver la crisis planetaria, debe primero resolver su propia huella.
El futuro de la IAG debe equilibrar el hambre de cómputo con la responsabilidad ambiental. Esto se logra mediante una combinación de regulación que exija transparencia (como el informe de CO2 del entrenamiento), inversión acelerada en energías limpias (renovables 24/7), y un enfoque de diseño que priorice la frugalidad algorítmica y la extensión de la vida útil del hardware.
Solo con un rediseño sistémico que alinee los bits con los átomos y los joules, podremos asegurar que la revolución de la IA no devore los recursos que pretende ayudarnos a gestionar.
