Cada vez que le pides algo a ChatGPT, alguien enciende una bombilla. Metafóricamente, aunque no tanto: esa consulta consume electricidad en un centro de datos que está a miles de kilómetros, y ese centro de datos necesita refrigeración, que a su vez necesita agua. No mucha por consulta. Pero multiplícalo por cientos de millones de personas preguntando cosas todos los días.
La pregunta incómoda de 2026 no es si la IA consume recursos. Es si merece la pena lo que consume. Y la respuesta no es tan sencilla como la pinta ninguno de los dos bandos.
Por qué esto importa ahora y no hace tres años
Hace tres años, el consumo energético de la IA era una nota a pie de página. Los modelos eran pequeños, los usuarios pocos y el impacto agregado, irrelevante frente al resto de internet.
Lo que ha cambiado es la escala, y ha cambiado de golpe. Los modelos actuales son órdenes de magnitud más grandes, se usan a diario por cientos de millones de personas y, sobre todo, ya no solo responden preguntas: generan vídeo, ejecutan agentes que trabajan durante horas y procesan documentos enteros. Cada una de esas tareas consume muchísimo más que un chat de texto.
El resultado es que las empresas tecnológicas han pasado de ser empresas de software a ser, también, empresas de infraestructura energética. Están comprando parques solares, firmando contratos con centrales nucleares y peleándose por acceso a red eléctrica en las zonas donde construyen sus centros de datos. Cuando una empresa de software empieza a preocuparse por reactores nucleares, algo ha cambiado de forma estructural. Lo desarrollo más a fondo en el artículo sobre la era industrial de la IA.
Los dos costes: entrenar y usar
Aquí hay una distinción que se pierde en casi todos los titulares y que cambia por completo la conversación.
Entrenar un modelo de frontera es una barbaridad energética. Semanas o meses de miles de procesadores funcionando sin parar. Es el equivalente al coste de construir una fábrica: enorme, concentrado en el tiempo y muy visible.
Usar ese modelo, en cambio, cuesta poquísimo por consulta. Una pregunta a un chatbot consume menos que muchas cosas que haces sin pensarlo. El problema no es la consulta individual, es el volumen agregado: cientos de millones de consultas diarias suman más que el entrenamiento original, y suman todos los días.
Lo que me parece interesante es que el debate público está anclado en el coste de entrenar, que es el dato espectacular, cuando la parte que crece y crece es la otra. Si mañana se dejaran de entrenar modelos nuevos, el consumo seguiría subiendo, porque cada vez más gente usa los que ya existen y cada vez para tareas más pesadas.
La otra cara: lo que la IA ahorra
Y aquí es donde la cosa se complica de verdad, porque la IA también optimiza consumo energético en sitios donde se ahorra mucho más de lo que ella gasta.
Predice la producción de un parque solar con más precisión y eso reduce la necesidad de centrales de respaldo funcionando en vacío. Optimiza la orientación de los aerogeneradores y saca más energía del mismo viento. Ajusta la climatización de edificios enteros y recorta un porcentaje nada despreciable del consumo. Gestiona la carga de coches eléctricos para que ocurra cuando sobra energía renovable en vez de cuando falta.
Los edificios se llevan una parte enorme del consumo energético mundial. Si la IA recorta un porcentaje de eso, el ahorro absoluto es de una escala completamente distinta a lo que consumen los centros de datos. Lo cuento con más detalle en el artículo sobre IA en el sector energético.
Mi lectura del balance
Creo que el balance neto es favorable, pero con una condición que casi nadie subraya y que a mí me parece la clave del asunto.
El ahorro que genera la IA es real, pero es potencial. Ocurre solo si alguien despliega esas optimizaciones. La IA no ahorra energía por existir: ahorra energía cuando una eléctrica la implanta en su red, cuando un ayuntamiento la mete en la climatización de sus edificios, cuando un operador la usa para gestionar la carga de vehículos. Y eso son proyectos lentos, caros y llenos de fricción burocrática.
El consumo, en cambio, es inmediato y automático. Ocurre ahora mismo, cada vez que alguien genera un vídeo con IA porque le hacía gracia.
Tenemos un gasto seguro y presente contra un ahorro probable y futuro. Puede compensar, seguramente compense, pero no es automático ni está garantizado. Depende de decisiones que todavía no se han tomado.
Lo que puedes hacer tú, que es poco pero no es nada
Voy a ser honesto: tu consumo individual de IA es irrelevante en el cómputo global. Si dejas de usar ChatGPT mañana, el impacto ambiental de esa decisión es aproximadamente cero.
Dicho esto, hay una diferencia enorme entre tareas. Generar un vídeo consume muchísimo más que una consulta de texto. Usar un modelo de razonamiento pesado para preguntar una tontería es como coger el coche para ir a la esquina: funciona, pero es absurdo. Elegir el modelo adecuado para cada cosa no es solo eficiente energéticamente, además va más rápido.
Y si de verdad te importa el asunto, lo que más peso tiene no es reducir tu uso: es exigir transparencia. Ninguna de las grandes empresas publica datos claros del consumo por consulta. Sin esos datos, todo este debate se hace a ciegas, incluido este artículo.
Preguntas frecuentes
¿Contamina más una consulta a ChatGPT que una búsqueda en Google?
Sí, bastante más. Generar texto exige mucho más cálculo que devolver una lista de enlaces indexados. La diferencia es de varios órdenes, aunque ambas cifras son pequeñas en términos absolutos.
¿Los centros de datos gastan agua de verdad?
Sí, para refrigeración. Y es un problema serio cuando se instalan en zonas con estrés hídrico, algo especialmente relevante en el sur de Europa.
¿Existen modelos más eficientes?
Sí. Los modelos pequeños consumen una fracción de lo que consumen los grandes y para muchas tareas cotidianas dan un resultado equivalente. Usar el modelo más potente para todo es la forma más común de derrochar sin darse cuenta.