Por qué hacer que la IA sea sostenible desde su diseño es clave para un futuro más verde

La inteligencia artificial (IA) está transformando la sostenibilidad y exponiendo una paradoja. Puede optimizar los sistemas energéticos, prever riesgos climáticos y acelerar avances en conservación y materiales.

Sin embargo, entrenar modelos grandes, mover conjuntos de datos masivos y actualizar hardware especializado consume electricidad, agua y minerales a escalas desalentadoras.

Cuanto más dependamos de la IA para alcanzar los objetivos climáticos, mayor es el riesgo de sobrepasar los límites planetarios. La solución es clara: la sostenibilidad debe estar integrada en el diseño, la medición y la gobernanza de la IA desde el principio, y no ser tratada como un pensamiento posterior.

El momento de actuar es ahora. Para 2028, más de la mitad de la electricidad de los centros de datos podría destinarse a la IA, según el informe Sustainable AI for a Greener Tomorrow de NTT Data. En ese momento, la IA por sí sola podría consumir tanta electricidad anualmente como el 22 % de todos los hogares de Estados Unidos.

Los impactos sobre el agua son igualmente preocupantes. Entrenar un solo modelo grande puede requerir millones de litros, e incluso 10–50 consultas simples pueden equivaler a aproximadamente medio litro de agua una vez que se consideran la refrigeración y la generación de energía. Al mismo tiempo, la infraestructura digital acelera la demanda de minerales críticos, intensificando el riesgo en la cadena de suministro.

Durante gran parte de la última década, el progreso de la IA se ha medido casi en su totalidad por puntuaciones de precisión y victorias en benchmarks.

La IA sostenible cambia el enfoque hacia la eficiencia y la responsabilidad. Desafía a los equipos a diseñar, entrenar, implementar y retirar sistemas con el objetivo explícito de minimizar el impacto ambiental a lo largo de todo el ciclo de vida: desde la extracción de materias primas y la fabricación de chips hasta el procesamiento de datos, el entrenamiento, la inferencia y el fin de vida útil.

En la práctica, eso significa elegir modelos más pequeños o destilados cuando cumplen con los requisitos, reutilizar y ajustar finamente en lugar de volver a entrenar desde cero, y construir código, pipelines e infraestructura para la eficiencia de recursos y la transparencia.

El resultado es una definición más amplia de “estado del arte”, una que valora el rendimiento ecológico junto con la precisión en las tareas.

Medir el cambio sostenible requiere más que cumplimiento: demanda claridad y consistencia.

A diferencia de las industrias tradicionales, que cuentan con marcos como el Greenhouse Gas Protocol, la IA carece de métodos estandarizados para rastrear el uso de energía, las emisiones de carbono, el consumo de agua y los residuos electrónicos a lo largo de su ciclo de vida. Las herramientas existentes pueden registrar datos automáticamente, pero a menudo sacrifican precisión por facilidad de uso, dejando a las organizaciones con evaluaciones fragmentadas e incompletas.

Dado que el impacto ambiental de la IA varía según la región, la infraestructura y las prácticas operativas, una medición significativa debe integrar diversos puntos de datos en evaluaciones holísticas y en tiempo real del ciclo de vida.

Solo entonces las organizaciones pueden identificar las fases de mayor impacto —como la fabricación de hardware y el entrenamiento de modelos a gran escala— y actuar de manera decisiva para reducir riesgos, fortalecer la resiliencia y crear valor a largo plazo.

Dos herramientas prácticas señalan el camino. Herramientas como el AI Energy Score integran la rendición de cuentas en las model cards, divulgaciones y gobernanza, fomentando la adopción en toda la industria de prácticas energéticamente eficientes.

A nivel de hardware, Compute Carbon Intensity ofrece una medida estandarizada de la eficiencia de los aceleradores, considerando las emisiones de la extracción de materias primas, la fabricación de chips y el uso operativo de energía.

Juntos, estos enfoques hacen que la eficiencia sea visible e invertible, trasladando la sostenibilidad de la retórica al plan de acción.

Cinco acciones que podemos tomar de inmediato para comenzar a hacer la IA más sostenible:

La huella ambiental de la IA es demasiado compleja para que un solo actor pueda resolverla por sí mismo. Proveedores de energía, fabricantes de hardware, operadores de la nube y de centros de datos, desarrolladores, inversionistas, reguladores, clientes y socios de gestión de residuos electrónicos, todos influyen en los resultados.

El progreso real llega cuando trabajamos juntos: construyendo benchmarks abiertos para el uso de energía y agua, adoptando métodos comunes de evaluación del ciclo de vida, compartiendo mejores prácticas y promoviendo políticas que recompensen la eficiencia por sobre la escala bruta.

Iniciativas de la industria, como los patrones de software verde y las divulgaciones estandarizadas, ya están elevando el piso. El siguiente paso es que los líderes eleven el techo: contribuyendo con datos, artefactos y estudios de caso sobre los que otros puedan construir.

La IA sostenible no es una limitación para la innovación; es un catalizador para una mejor ingeniería y negocios más resilientes.

Los equipos que buscan eficiencia descubren modelos más rápidos, menores costos y productos que escalan de manera armoniosa. Los directorios obtienen avances creíbles hacia los objetivos de cero emisiones netas y de protección de la naturaleza. Y la sociedad se beneficia a medida que la IA proporciona conocimientos sin hipotecar el futuro.

Nuestro destino es claro: un ecosistema de IA donde el rendimiento y la gestión del planeta avancen juntos. Llegar allí comienza con las decisiones que tomamos ahora: medir lo que importa, diseñar con lo suficiente y tratar la sostenibilidad como un requisito de primera categoría para cada modelo, carga de trabajo y decisión de compra.