Cuánta agua y energía consume una pregunta a la IA y por qué varía

Preguntar algo sencillo a una inteligencia artificial consume bastante menos electricidad de lo que sugerían algunas de las estimaciones que circularon durante los primeros años del auge de los grandes modelos generativos. Los datos publicados por grandes operadores y los trabajos académicos más recientes sitúan una consulta corriente de texto en torno a unas pocas décimas de vatio-hora: Google ha medido 0,24 Wh para la petición mediana de Gemini, Sam Altman ha cifrado una consulta media de ChatGPT en unos 0,34 Wh y otras investigaciones sitúan valores habituales en una franja semejante.

Con el agua ocurre algo más enrevesado. Google calcula alrededor de 0,26 mililitros por petición mediana de Gemini, aproximadamente cinco gotas, mientras que la cifra divulgada para ChatGPT equivale a unos 0,32 mililitros. Pero esos números no significan que toda la huella hídrica de la inteligencia artificial pueda resumirse en unas gotas: depende de qué se esté midiendo, desde la refrigeración directa del centro de datos hasta la electricidad, la fabricación de servidores o el entrenamiento de los modelos.

Una consulta normal ronda unas décimas de vatio-hora

La fotografía más razonable disponible coloca una conversación convencional de texto por debajo de un vatio-hora. Un estudio sobre el consumo de grandes modelos en condiciones próximas a producción estima alrededor de 0,31 Wh por consulta como valor mediano, con diferencias importantes según el modelo, el hardware y la longitud de la respuesta. Google, utilizando telemetría de su propia infraestructura, obtuvo 0,24 Wh para la petición mediana de Gemini Apps. Son metodologías distintas, pero terminan en un barrio bastante parecido.

Para ponerlo en perspectiva, mil consultas que consumieran 0,24 Wh cada una supondrían aproximadamente 0,24 kWh de electricidad. Un millón alcanzarían unos 240 kWh. La comparación sirve para rebajar algunos titulares apocalípticos: preguntar por una receta, corregir un párrafo o pedir una definición no dispara por sí solo una factura energética descomunal. Otra cosa es multiplicar esa operación millones de veces cada hora.

Una respuesta de IA, además, no nace por arte de magia. El sistema tiene que procesar la entrada, ejecutar enormes cantidades de operaciones matemáticas en aceleradores especializados y generar el texto token a token. A eso se suman CPU, memoria, redes, almacenamiento, equipos auxiliares y la refrigeración necesaria para mantener funcionando los servidores. Medir únicamente el chip que ejecuta el modelo puede dejar fuera una parte relevante del consumo real de la infraestructura.

El razonamiento largo cambia bastante la factura

Aquí aparece una diferencia que suele desaparecer cuando se habla de «una pregunta a la IA» como si todas pesaran lo mismo. Pedir la capital de Australia y encargar a un sistema que analice miles de datos, consulte herramientas, programe y revise sus propios resultados pertenecen a la misma familia tecnológica, sí, pero energéticamente juegan partidos distintos.

Las estimaciones recientes sitúan una petición convencional, con una respuesta relativamente corta, alrededor de esas pocas décimas de Wh, mientras que una tarea extensa de razonamiento puede acercarse o superar varios Wh. En determinados escenarios se han calculado unos 3,9 Wh para respuestas largas, más de diez veces el gasto de una interacción sencilla. La cantidad de texto generado, el tamaño del modelo y el tiempo que permanece trabajando pesan mucho.

Eso explica una aparente contradicción. Los chips y los modelos son cada vez más eficientes, pero al mismo tiempo se les encomiendan trabajos más complejos. Un agente capaz de investigar, navegar por internet, ejecutar código y corregir errores puede realizar un gran número de operaciones internas antes de entregar unas pocas líneas. La respuesta visible no revela necesariamente todo el cálculo que ha ocurrido detrás.

Cuánta agua consume realmente una pregunta a la IA

La cifra publicada por Google para Gemini es particularmente útil porque procede de mediciones de infraestructura real: alrededor de 0,26 mililitros de agua dulce consumida por una petición mediana de texto, teniendo en cuenta el agua destinada directamente a refrigeración en sus centros de datos. Dicho de otro modo, unas cinco gotas. A escala individual es una cantidad minúscula.

Sam Altman ha manejado una estimación muy cercana para ChatGPT: 0,000085 galones estadounidenses por consulta, equivalentes aproximadamente a 0,32 mililitros de agua. La comparación debe hacerse con cautela porque las empresas no siempre utilizan exactamente los mismos límites contables ni publican idéntico nivel de detalle metodológico.

Y ahí aparece el verdadero embrollo. Una cosa es contabilizar únicamente el agua que se consume físicamente en un centro de datos para retirar calor. Otra consiste en añadir el agua utilizada para producir la electricidad que alimenta las instalaciones. Y una evaluación todavía más amplia puede incorporar la fabricación de semiconductores, la construcción de servidores, el entrenamiento previo del modelo y el ciclo de vida completo de los equipos.

No son necesariamente cifras contradictorias. Están midiendo perímetros diferentes. Compararlas sin explicar qué entra y qué queda fuera es como enfrentar el consumo de gasolina de un coche con toda la energía utilizada para fabricarlo: ambas cifras pueden ser ciertas, pero responden a preguntas distintas.

De unas gotas a decenas de mililitros: por qué cambian los cálculos

Mistral AI publicó una evaluación de ciclo de vida en la que una respuesta de unas 400 unidades de texto de Le Chat aparecía asociada a aproximadamente 45 mililitros de agua y 1,14 gramos de CO₂ equivalente. Colocada junto a las cinco gotas de Google, la cifra parece incompatible. No lo es necesariamente: la metodología de Mistral amplía el foco e incorpora impactos que van más allá del agua empleada directamente en la refrigeración.

También continúa circulando una comparación que se hizo muy popular durante los primeros años de ChatGPT: alrededor de medio litro de agua por varias decenas de respuestas. Aquella estimación procedía de investigaciones realizadas sobre GPT-3 y centros de datos de una generación anterior, y consideraba factores que no coinciden exactamente con los utilizados en las mediciones operativas más recientes.

Decir que una sola pregunta «gasta una botella de agua» es, por tanto, engañoso. También lo sería concluir que la huella completa de cualquier interacción son exactamente cinco gotas. Los avances de eficiencia han sido grandes, el hardware ha cambiado y los sistemas de refrigeración no son iguales en todos los centros de datos. El número necesita contexto; sin él, pierde casi todo su significado.

Por qué la misma pregunta puede consumir cantidades distintas

La longitud de la respuesta pesa mucho. Generar veinte palabras requiere menos cálculo que redactar varias páginas. Los modelos diseñados para dedicar más tiempo al razonamiento realizan más operaciones antes de responder. También influye el tamaño del modelo: recurrir a un sistema gigantesco para resolver una tarea trivial puede ser menos eficiente que utilizar uno pequeño especializado en ese trabajo.

El hardware marca otra diferencia. Los aceleradores modernos ejecutan las operaciones de inteligencia artificial con mucha más eficiencia que generaciones anteriores, mientras que atender muchas consultas simultáneamente permite aprovechar mejor cada máquina. Un servidor funcionando a medias y otro saturado no reparten el gasto energético de la misma manera entre cada petición.

También importa el lugar. Los centros de datos no tienen idéntica eficiencia energética ni hídrica. Algunos emplean refrigeración evaporativa, que puede consumir más agua pero reducir determinados gastos eléctricos; otros dependen más del aire exterior, circuitos cerrados o sistemas líquidos. El clima local modifica igualmente la ecuación.

Lo mismo ocurre con la electricidad. Un kWh producido en una red con gran presencia de renovables no arrastra la misma huella de carbono que otro generado principalmente con carbón o gas. Incluso el consumo indirecto de agua cambia según el tipo de central eléctrica. Dos respuestas idénticas ejecutadas en regiones distintas pueden acabar con impactos ambientales diferentes.

Entrenar una IA y utilizarla no son la misma cosa

Otra confusión frecuente mezcla el entrenamiento con el uso cotidiano. Entrenar un gran modelo implica procesar cantidades gigantescas de datos durante semanas o meses utilizando miles de aceleradores. Es una operación extraordinariamente intensiva en recursos, pero no se repite desde cero cada vez que alguien abre un chatbot.

Cuando el modelo ya está entrenado comienza la inferencia: el proceso mediante el cual recibe una petición y produce una respuesta. Ese es el gasto que intentan medir cifras como los 0,24 Wh de Gemini o las pocas décimas de Wh asociadas a otras consultas de texto. Después puede decidirse cómo repartir una parte del coste original de entrenamiento entre millones o miles de millones de usos, aunque ahí las metodologías empiezan a divergir.

La diferencia no es menor. Atribuir toda la electricidad utilizada durante meses de entrenamiento a una interacción concreta inflaría artificialmente el consumo de cada pregunta. Ignorar por completo ese entrenamiento, la fabricación del hardware y la construcción de los centros de datos tampoco ofrecería una fotografía completa. La huella ambiental total de la IA está hecha de varias capas.

El verdadero impacto aparece al multiplicar por millones

Cinco gotas apenas mojan una cucharilla. Tres décimas de vatio-hora tampoco llaman la atención. El problema cambia de escala cuando esas cantidades se multiplican por cientos o miles de millones de interacciones y, al mismo tiempo, se extiende la generación de imágenes, vídeo, programación automatizada y agentes capaces de permanecer trabajando durante mucho más tiempo.

Los centros de datos consumieron alrededor de 485 TWh de electricidad en 2025 y distintas proyecciones internacionales sitúan su demanda cerca de los 950 TWh hacia 2030. No todo corresponde a inteligencia artificial: esas instalaciones sostienen buscadores, servicios en la nube, almacenamiento, comercio electrónico, vídeo, redes sociales y buena parte de la economía digital. Pero la IA se ha convertido en uno de los principales motores del crecimiento previsto.

Ahí está la paradoja. Cada operación se abarata mientras aumenta brutalmente el número de operaciones. Google sostiene que logró reducir de forma muy considerable la energía necesaria para una petición mediana de Gemini entre 2024 y 2025 gracias a mejoras de modelos, hardware y sistemas. Otros investigadores calculan que todavía existe margen para recortar varias veces el consumo por consulta.

La eficiencia, sin embargo, tiene una vieja compañera de viaje: cuando una tecnología se vuelve más barata y accesible, suele utilizarse más. Las respuestas breves pasan a convertirse en documentos completos; después llegan los agentes que trabajan durante minutos, analizan archivos enteros o encadenan decenas de acciones. El contador individual baja mientras el contador colectivo puede seguir subiendo.

Una consulta consume poco; la escala cuenta otra historia

Con las mediciones disponibles, una petición corriente de texto a una IA moderna puede situarse aproximadamente en el entorno de 0,2 a 0,6 Wh de electricidad, con referencias publicadas de 0,24 Wh para la petición mediana de Gemini y alrededor de 0,34 Wh para una consulta media de ChatGPT. Las tareas largas de razonamiento pueden multiplicar varias veces ese gasto.

En consumo directo de agua para refrigeración, los datos divulgados por grandes operadores rondan aproximadamente 0,26 a 0,32 mililitros por consulta. Son cantidades diminutas cuando se observa una sola petición. Las estimaciones de ciclo de vida, en cambio, pueden resultar bastante mayores porque incorporan electricidad, fabricación de equipos y otras etapas de la infraestructura.

No existe, por tanto, una cifra universal grabada en piedra para responder cuánto consume una pregunta a la inteligencia artificial. Depende del modelo, de la longitud de la respuesta, del hardware, del centro de datos, de la refrigeración y, sobre todo, de qué elementos decida incluir cada cálculo. Lo que sí empieza a quedar más claro es el orden de magnitud: una consulta aislada consume poco; miles de millones de consultas dejan de ser poca cosa.