Cuando pensamos en la inteligencia artificial, nos la imaginamos como algo ligero, casi etéreo, que vive en «la nube». Le escribimos una pregunta, en un par de segundos tenemos la respuesta y seguimos con lo nuestro. Pero antes de que un modelo como GPT-4 o Claude pueda contestar tu primer mensaje, ha pasado por un proceso brutal, silencioso y con un hambre de recursos enorme: el entrenamiento.
Una comparación que ayuda: usar la IA es como encender una bombilla en casa unos segundos. Entrenarla, en cambio, es como tener encendidos los focos de un estadio entero durante meses, sin apagarlos ni un momento. Entonces, ¿de qué cifras estamos hablando exactamente? ¿Y qué impacto tiene todo esto en el planeta?
Entrenamiento vs. inferencia: dos mundos muy distintos
Para entender cuánto gasta la IA, conviene separar su vida en dos fases:
- Inferencia (el uso del día a día): es lo que consume cada persona cada vez que hace una pregunta. Por consulta es poco, pero multiplícalo por millones de usuarios cada día y la cosa cambia.
- Entrenamiento (la «escuela» de la IA): es la etapa previa, en la que el modelo digiere billones de textos, imágenes y patrones para aprender. Aquí los centros de datos trabajan al límite de lo que pueden dar.
Durante el entrenamiento, miles de tarjetas gráficas de última generación (las GPUs) funcionan en paralelo las 24 horas, durante semanas o incluso meses. Y no solo hace falta electricidad para alimentar los chips: también se necesita muchísima más para refrigerar las instalaciones y evitar que el hardware se funda.
¿Quieres calcular tu propia huella? Prueba nuestra calculadora de consumo de ChatGPT
Las cifras de GPT-4: ¿cuánta electricidad hace falta de verdad?
OpenAI no publica sus datos de consumo, alegando secreto comercial. Así que han sido investigadores y analistas independientes quienes han tenido que hacer las cuentas, fijándose en el número de parámetros, la arquitectura del modelo y las características del hardware empleado.
Las estimaciones de consultoras e investigadores del sector (como SemiAnalysis o estudios académicos del MIT) dejan números que impresionan:
- Consumo eléctrico estimado: entre 50 y 60 GWh (gigavatios-hora).
- Huella de carbono: entre 12.000 y 15.000 toneladas de CO₂ enviadas a la atmósfera, según la mezcla energética del centro de datos.
- Consumo de agua, directo e indirecto: se calcula que la refrigeración de los servidores evaporó millones de litros de agua dulce a lo largo de todo el proceso.
Para ponerlo en perspectiva
Decir que un modelo consume 55 GWh suena a dato abstracto de laboratorio, ¿verdad? Traducido a cosas cotidianas, es aproximadamente:
- 🏠 El consumo eléctrico de un año entero de más de 15.000 hogares medios en España o Latinoamérica.
- ✈️ Las emisiones de carbono de más de 3.000 vuelos de ida y vuelta entre Madrid y Nueva York.
- 🚗 Recorrer más de 300 millones de kilómetros en coche eléctrico, es decir, darle la vuelta a la Tierra unas 7.500 veces.
¿Cómo ha cambiado el consumo de una generación a otra?
A medida que los modelos han ido ganando capacidad, sus necesidades de energía se han disparado. La diferencia entre generaciones es enorme:
| Modelo de IA | Parámetros aproximados | Consumo estimado de entrenamiento |
|---|---|---|
| GPT-3 | 175.000 millones | ~1,28 GWh |
| LLaMA 2 (70B) | 70.000 millones | ~0,17 GWh |
| GPT-4 | ~1,8 billones (MoE) | ~50-60 GWh |
Como se ve en la tabla, pasar de GPT-3 a GPT-4 supuso multiplicar el gasto de energía por más de 40.
¿Y ahora qué? En busca de una IA más sostenible
La parte buena es que la industria sabe perfectamente que este ritmo de crecimiento no se puede mantener a largo plazo. Hoy la investigación no solo persigue modelos más listos, sino también más eficientes:
- Modelos de mezcla de expertos (MoE): arquitecturas que, en lugar de activar todo el «cerebro» de la IA para cada tarea, usan solo las redes neuronales especializadas que hacen falta en cada momento.
- Energías renovables en los centros de datos: grandes tecnológicas como Microsoft, Google y Amazon están firmando contratos enormes de energía solar, eólica e incluso nuclear para alimentar sus servidores de IA sin emisiones directas.
- Hardware optimizado: los chips nuevos, pensados específicamente para IA, procesan más datos por cada vatio consumido, así que generan menos calor y necesitan menos refrigeración con agua.
Entrenar las IA más avanzadas exige una cantidad de recursos colosal. Pero entender estos números es el primer paso para pedir una transición hacia modelos más verdes, más responsables y más transparentes.