El auge de la IA representa un momento revolucionario para las redes energéticas y las cadenas de suministro globales. El crecimiento de la industria de la IA ha sido tan rápido e intenso que los analistas se apresuran a publicar una predicción impactante tras otra. Un estudio del FMI de 2025 estimó que el consumo anual de electricidad impulsado por la IA podría alcanzar los 1500 TWh para 2030, equivalente al consumo actual de la India , un país con 1400 millones de habitantes.^¹ La firma global de consultoría McKinsey cree que podría llegar incluso a superar los 2000 TWh.^² Esta onda expansiva de difusión global está siendo impulsada por un auge histórico y sin precedentes de infraestructuras en centros de datos, centrales eléctricas, plantas de tratamiento de aguas residuales, fábricas de semiconductores, subestaciones eléctricas, redes de transmisión, almacenes robotizados y mucho más (véase la Figura 1). Los centros de datos proliferaron inicialmente con el auge de la computación en la nube en las décadas de 2000 y 2010, cuando muchas corporaciones migraron de almacenes de datos locales a la nube con el objetivo de reducir costos y aumentar la eficiencia. Pero la ola de IA de última generación que siguió al lanzamiento de ChatGPT en 2022 ha generado un aumento increíble en la construcción de nuevos centros de datos y una red de infraestructura de apoyo. Si bien es cierto que está surgiendo una creciente oposición local al desarrollo de la IA, las clases dominantes mundiales se han obsesionado con una fórmula simple: energía primero, cuestiones después. A pesar del amplio debate sobre los impactos energéticos, ambientales y materiales del auge de la IA, aún carecemos de evaluaciones rigurosas y objetivas que tengan en cuenta la compleja dinámica del ciclo de vida de la difusión de la IA a nivel global.

Y ese es el objetivo principal de esta publicación: contar la historia de la IA y la energía a escala global, extendiendo el alcance más allá de cualquier análisis anterior. Los sistemas de IA como Gemini y ChatGPT consumen enormes cantidades de electricidad, pero la expansión del universo de la IA implica redes energéticas y cadenas de suministro en todo el mundo. El auge de la IA es sin duda una historia de electricidad, pero también es una historia de energía, agua, metales, materiales y termodinámica. Se necesita producir acero y cemento para construir centros de datos. Se necesitan tender cables de fibra óptica para transmitir datos e información desde los centros de datos a empresas y consumidores. Los chips de computadora deben fabricarse con algunas de las máquinas más avanzadas que el ser humano haya diseñado jamás. Y estas máquinas son tan delicadas y complejas que deben desmontarse para su envío y volver a ensamblarse con sumo cuidado en el lugar de destino. El gigante holandés de semiconductores ASML envía cientos de máquinas de litografía avanzadas cada año. Para una sola máquina de luz ultravioleta extrema (EUV), ASML necesita en promedio 3 aviones de carga, 40 contenedores de carga y 20 camiones para enviar los componentes desmontados a Taiwan Semiconductor Manufacturing Company (TSMC) en Taiwán, que utiliza estos dispositivos para producir los chips más avanzados del mundo. ³ La red eléctrica de Taiwán está dominada por el carbón y el gas natural, y dado que solo TSMC consume aproximadamente el 10 por ciento de la electricidad de la isla, la industria de semiconductores en Taiwán es muy intensiva en carbono. ⁴

Estas cuestiones nos llevaron a indagar en detalles y a realizar la investigación necesaria para responder a preguntas clave. ¿Cuánta energía consume la humanidad debido a la adopción y difusión generalizada de sistemas de IA en la economía global? ¿Qué porcentaje del consumo energético mundial en 2026 debería atribuirse a la IA? ¿Qué se considera un sistema de IA? ¿Qué cantidad de emisiones globales de gases de efecto invernadero (GEI) se generan por la adopción y difusión de la IA? ¿Cómo afecta el auge de la IA a las redes energéticas globales y a las cadenas de suministro industriales? ¿Hacia dónde se dirige toda esta expansión energética y qué efectos podría tener en la biosfera planetaria durante la próxima década?

Este es el primer análisis cuantitativo del que tenemos conocimiento que intenta desglosar la huella energética y de emisiones global de la difusión de la IA para un solo año (2026), así como proporcionar la evidencia y el contexto necesarios para un análisis integral del ciclo de vida. Los estudios de investigación sobre IA y energía son numerosos, pero como veremos en breve, suelen limitarse a varias partes del rompecabezas más grande sin integrarlo todo. Este trabajo hará hincapié en los impactos del ciclo de vida de la difusión de la IA a escala global. Cuando los investigadores calculan la huella hídrica de la carne de vacuno, no se detienen en el agua consumida en el McDonald’s local. Analizan el agua utilizada para criar la vaca, el agua utilizada para cultivar los alimentos que la alimentan y otras partes de la cadena de suministro, de lo que concluyen que el 98 por ciento de la huella hídrica de los productos cárnicos puede atribuirse al agua utilizada para cultivar el alimento para animales. ⁵ Realizan análisis similares si quieren calcular la huella de emisiones de las centrales eléctricas de carbón o las tecnologías de energía renovable. La industria de la IA no debería ser diferente, pero con demasiada frecuencia el discurso público y académico sobre el tema puede parecer una caricatura improvisada de lo que realmente está sucediendo.

Esto se debe a que muchos investigadores académicos y el público en general suelen ver la IA como un producto en lugar de una industria . Los productos están localizados y aislados espacialmente. La hamburguesa está aquí mismo en tus manos. ChatGPT te envía una respuesta personalizada directamente a tu dispositivo. Cuando solo ves unidades aisladas y desconectadas, las consecuencias resultantes también parecen pequeñas y aisladas casi por definición. Pero cuando cambias de perspectiva y ves la IA como una industria global, empiezas a darte cuenta de que tiene cadenas de suministro interdependientes, economías de escala, efectos de red, integración tecnológica y aglomeración industrial. Ahora ya no es algo aislado. Es una megamáquina global que devora todo a su paso. Precisamente porque la IA es en realidad una industria con una amplia gama de productos y servicios, podemos someterla al mismo tipo de análisis de ciclo de vida que se utiliza para otras industrias.

La industria de la IA tiene una enorme huella ambiental que se puede describir mediante dos componentes básicos: operacionales e incorporadas. Las emisiones operacionales son las emisiones de GEI que resultan directamente de la electricidad consumida por los sistemas de IA para entrenamiento, inferencia u otras operaciones habituales. Por el contrario, las emisiones incorporadas son todas las emisiones del ciclo de vida producidas desde la fabricación, el transporte, la construcción, la instalación, el reciclaje y el desmantelamiento del hardware físico y la infraestructura que dan soporte al ecosistema de la nube, incluyendo actividades como la fundición de acero, la mezcla de hormigón, la limpieza de obleas de silicio, entre otras. Del mismo modo, el consumo de energía también se puede describir en términos operacionales e incorporados.

Las empresas tecnológicas y los investigadores afines a la tecnología se han centrado tradicionalmente en el carbono operativo y el consumo de energía porque son fáciles de medir e incluso más fáciles de ocultar mediante compensaciones de carbono, créditos y otros mecanismos de ecoblanqueo que prácticamente no hacen nada para abordar los problemas ecológicos fundamentales derivados del despliegue global de la IA, incluido el enorme consumo de agua y los cambios radicales en el uso del suelo con implicaciones de gran alcance. ⁶ Como mostrará este análisis, el carbono operativo y la energía del uso de electricidad de la IA son solo una pieza significativa de un rompecabezas mucho más grande. El impacto real se produce tanto antes como después de las operaciones in situ, desde todas las cadenas de suministro globales que producen frenéticamente el hardware informático y la infraestructura física que forman los cimientos del despliegue de la IA hasta los efectos de rebote y las consecuencias posteriores en los hogares, las corporaciones y los gobiernos que están utilizando sistemas de IA a ritmos sin precedentes.

Utilizamos el término «onda expansiva» para enfatizar los enormes niveles de inversión que impulsan la expansión y difusión de las tecnologías de IA. No afirmamos aquí si las tecnologías en sí mismas son impresionantes o revolucionarias. Las tecnologías pueden propagarse por diversas razones, a veces porque son verdaderamente revolucionarias y otras veces porque simplemente son impuestas a la sociedad por las clases dominantes. Existen características de los modelos de IA que son indudablemente impresionantes y que cambiarán la naturaleza del trabajo y la sociedad humana en general, pero al mismo tiempo, estos modelos también presentan debilidades fundamentales o problemas potenciales que pueden limitar su difusión y universalidad en el futuro, como alucinaciones, barreras de datos, barreras de abstracción y muchos más. ^En cualquier caso, este artículo no se centra en las ventajas y desventajas de la adopción de la IA. Su enfoque principal es estrictamente la contabilidad de energía y emisiones, para brindar al público y a los investigadores una mejor comprensión de la escala y el alcance de la difusión de la IA y la presión que ejerce sobre los recursos del planeta. Los autores de este artículo coinciden en que la especulación financiera en torno a la industria de la IA se ha convertido en una burbuja y que, como todas las burbujas anteriores, esta también terminará, provocando una drástica caída en la magnitud de las inversiones globales. Sin embargo, cuándo ocurrirá esto y qué impacto podría tener en esta evaluación quedan fuera del alcance de este artículo.

En 2026, nuestro análisis revela que la difusión e implementación de la IA representa hasta el 1,1 % de la demanda energética mundial , una cifra sustancialmente superior a la que sugieren la mayoría ^de las estimaciones convencionales más simplistas. Por ejemplo, un análisis simplista de Our World in Data afirma que la difusión de la IA representa solo el 0,2 % de la demanda energética primaria mundial.⁸ Como argumentamos exhaustivamente en este artículo, este tipo de evaluaciones suelen ser menos útiles porque se centran exclusivamente en el consumo de electricidad e ignoran la dinámica energética del ciclo de vida más amplio que impulsa la difusión de la IA a nivel mundial. En realidad, demostramos que el consumo energético mundial impulsado por la IA probablemente ya sea superior al consumo energético de todo el Reino Unido. También estimamos que la IA será responsable de aproximadamente el 1,2 % de todas las emisiones globales de GEI este año. Estas cifras son sorprendentes y desmienten las narrativas típicas sobre la relativa insignificancia de la IA en el consumo energético mundial.

No afirmamos que los resultados aquí presentados sean las respuestas definitivas a las preguntas que hemos planteado. De hecho, reconocemos abiertamente desde el principio que nuestra metodología y cálculos, detallados a continuación, contienen diversas deficiencias, omisiones y simplificaciones, casi todas necesarias dada la magnitud de este análisis y las limitaciones de los datos. Estas cuestiones se abordarán en detalle, con el fin de evitar a nuestros críticos una gran cantidad de texto innecesario. Los resultados de este análisis deben considerarse una aproximación inicial y un punto de partida para futuras investigaciones, de modo que evaluaciones más exhaustivas permitan obtener respuestas más precisas en el futuro.

La cantidad de trabajo que aún queda por hacer en esta área es bastante grande. Nuestros principales objetivos para este artículo son los siguientes.

• Queremos impulsar un cambio en la forma en que la gente común, los investigadores académicos, las grandes corporaciones y los gobiernos hablan sobre la IA y su impacto en el consumo de energía, las emisiones de GEI y la biosfera planetaria. Esto significa, ante todo, explicar por qué los discursos actuales son totalmente inadecuados y, posteriormente, ofrecer mejores alternativas para abordar los problemas a los que nos enfrentamos.
• Esperamos impulsar la investigación continua en esta área para que otros grupos puedan llegar a mejores respuestas que las que hemos presentado aquí.
• Esperamos que este artículo sirva como marco de referencia para futuras acciones políticas que permitan ejercer un mayor control público y democrático sobre el alcance, la magnitud y la velocidad de la ola de expansión de la IA que actualmente afecta a gran parte del mundo.

Inteligencia artificial y energía: una introducción

El término «Inteligencia Artificial» evoca numerosas opiniones e interpretaciones. El primer paso de este análisis es definir qué entendemos por IA. En este contexto, definimos la IA como cualquier sistema generativo, robótico, de software o basado parcial o totalmente en la lógica simbólica clásica (como los marcos robóticos TAMP, donde los planificadores de lógica simbólica se combinan con la visión artificial, la coincidencia de patrones geométricos, etc.), el aprendizaje profundo con redes neuronales, o alguna combinación de ambos. Esta definición excluye los modelos, sistemas y procesos basados ​​en algoritmos como la regresión logística, los bosques aleatorios o el aumento de gradiente. Se incluyen en esta definición los Modelos de Lenguaje a Gran Escala (LLM, por sus siglas en inglés), como ChatGPT, Claude, Copilot y Gemini, así como los agentes de IA, los vehículos autónomos, los robots industriales, los robots autónomos, el software de toma de decisiones empresariales, como los sistemas de apoyo a la decisión clínica en hospitales, y mucho más. En resumen: si se depende de la lógica simbólica o las redes neuronales de alguna manera, se clasifica como IA para los fines de este análisis. Las discusiones filosóficas sobre qué constituye la inteligencia y si los LLM o los agentes de IA son realmente seres conscientes o intelectuales quedan fuera del alcance de este análisis.

La mayoría de los usuarios interactúan con sistemas de IA y suelen ignorar las condiciones previas necesarias para su creación. Sin embargo, antes de implementar cualquier modelo o sistema de IA, es necesario entrenarlo y desarrollarlo. Esto requiere almacenar grandes cantidades de datos en la nube y desplegar equipos especializados como unidades de procesamiento gráfico (GPU), aceleradores, chips de memoria, racks de servidores, conmutadores de red, transceptores ópticos, cables de fibra óptica, enfriadores, torres de refrigeración y mucho más. Para satisfacer las exigencias de la computación de IA de alto rendimiento, miles de GPU se conectan entre sí para funcionar como una supercomputadora de facto, a menudo con el apoyo de chips de memoria de alto ancho de banda (HBM) apilados verticalmente junto a las GPU. Estas reciben entradas e instrucciones del exterior y las utilizan para realizar cálculos rápidos, como multiplicaciones de matrices, que implementan las arquitecturas de redes neuronales que constituyen el núcleo de los sistemas de IA modernos (véase la Figura 2). Todos estos componentes deben fabricarse, transportarse, instalarse, repararse y mantenerse operativos de forma continua para garantizar que puedan soportar adecuadamente la difusión y el despliegue de la IA. Una vez que los modelos de IA están entrenados e implementados, los usuarios envían consultas y mensajes como entradas y reciben diversas salidas, desde texto escrito y diagramas hasta imágenes y vídeos.

Emma Strubell y sus colaboradores publicaron un importante artículo en 2019 que puso de manifiesto el alto consumo energético de los modelos de IA en desarrollo en aquel momento.⁹ ^Por ejemplo, el artículo concluía que entrenar un modelo de IA inicial con una metodología de búsqueda de arquitectura neuronal emitiría el equivalente a 600 000 libras de dióxido de carbono, aproximadamente lo que emiten 30 000 coches en EE. UU. en un solo día en condiciones de conducción normales. Aunque el artículo fue innovador, dio inicio a la desafortunada tendencia de analizar la demanda energética de la IA principalmente a través del prisma del consumo eléctrico operativo, una tendencia que ha persistido en muchos de los estudios de investigación más recientes, de los que obtenemos datos triviales como «entrenar el GPT-4 de OpenAI costó más de 100 millones de dólares y consumió 50 gigavatios-hora de energía, suficiente para abastecer de electricidad a San Francisco durante tres días».¹⁰ ^El afán por analizar las demandas y la capacidad operativas ha provocado que la mayor parte de la literatura académica sobre el tema haya ignorado en gran medida la dinámica del ciclo de vida, como los procesos previos y posteriores afectados por la implementación de la IA. A estas alturas, todo el mundo sabe que una consulta típica de ChatGPT puede consumir hasta diez veces más electricidad que una búsqueda normal en Google. ¹¹ Pero el consumo de electricidad es solo un aspecto de esta historia, y ni siquiera el más importante.

Udit Gupta y sus colaboradores cuestionaron el enfoque en el consumo operacional en un innovador artículo de 2021 que demostró que las emisiones incorporadas superan ampliamente las emisiones operacionales para los sistemas informáticos modernos. ¹² Se han realizado varios estudios que examinan los vínculos del ciclo de vida entre los modelos de IA y la energía y las emisiones. Sasha Luccioni y su equipo estimaron las emisiones totales del ciclo de vida del entrenamiento del modelo de IA BLOOM en un artículo de 2022. ¹³ Confirmando los resultados de Gupta y otros, los investigadores mostraron que el carbono incorporado del hardware informático aumentó más allá de las emisiones operacionales del entrenamiento del modelo en sí.

En un famoso artículo de 2023, Alex de Vries demostró que los requisitos de inferencia de la IA pronto empequeñecerían el consumo de electricidad utilizado para el entrenamiento. ¹⁴ El artículo modeló varios escenarios futuros de consumo de electricidad, con un escenario de peor caso a corto plazo que mostraba que el consumo de electricidad de Google se dispararía al mismo nivel que el de Irlanda. Sin embargo, el análisis solo se centró en el consumo de electricidad e ignoró los efectos de red y la dinámica del ciclo de vida del despliegue de la IA. Otros investigadores han demostrado que los sistemas de IA pueden tener huellas de emisiones radicalmente diferentes dependiendo de dónde, cuándo y cómo se ejecutan, especialmente cuando carecen de suficiente almacenamiento de baterías y tienen variabilidades de energía eólica y solar. ¹⁵ Por ejemplo, ciertas cargas de trabajo de IA podrían transmitirse a centros de datos alimentados por energías renovables, reduciendo así sus emisiones.

Los centros de datos y otras infraestructuras de IA se basan fundamentalmente en minerales críticos y materias primas extraídas de la Tierra. El cobre se utiliza para el cableado, el litio para las baterías y los elementos de tierras raras para los imanes industriales que se emplean en ventiladores de refrigeración y discos duros. Todos estos minerales y elementos críticos provienen de diversas cadenas de suministro globales complejas y extractivas. ¹⁶ Las operaciones mineras necesarias para obtener estas materias primas tienen una huella de emisiones significativa, ya que acaban destruyendo sumideros de carbono y paisajes locales, sin mencionar las emisiones operativas derivadas del funcionamiento de gigantescos vehículos y máquinas diésel, como las perforadoras rotativas. El procesamiento de una sola tonelada de metales de tierras raras produce aproximadamente 2000 toneladas de residuos tóxicos. ¹⁷ En Baotou, China, un enorme lago de lodo tóxico surgió a lo largo de los años como consecuencia del procesamiento de tierras raras, arruinando la calidad del agua local y devastando a las comunidades locales.

La industria de los semiconductores es fundamental para la construcción de centros de datos. Los semiconductores se fabrican en plantas de producción, o fabs. Muchas empresas consideradas del sector de los semiconductores no fabrican sus propios chips ni dispositivos, sino que subcontratan la producción a terceros. El fabricante de semiconductores más importante del mundo es Taiwan Semiconductor Manufacturing Company (TSMC). TSMC opera bajo un modelo de negocio de fundición, lo que significa que no diseña nada; solo fabrica los dispositivos y componentes físicos. Otras empresas, como NVIDIA o AMD, son empresas de software que realizan el trabajo de diseño y luego envían los diseños a TSMC para que produzca los chips correspondientes. En sentido literal, TSMC es un fabricante de chips y una empresa como NVIDIA es una diseñadora de chips.

Estas empresas apenas están empezando a explorar el potencial de la industria de los semiconductores. Los microchips se fabrican mediante un proceso muy complejo que incluye etapas como el grabado, la fotolitografía, la deposición, las pruebas y el ensamblaje, todo lo cual requiere algunas de las máquinas y dispositivos de fabricación más avanzados jamás creados por el ser humano. La empresa holandesa ASML fabrica las máquinas de litografía más avanzadas del mundo, que utilizan sensores y láseres de última generación para grabar patrones complejos en obleas de silicio. Applied Materials produce algunos de los sistemas de deposición más avanzados del mundo. Estos chips de IA se complementan con un ecosistema físico de racks para servidores, conmutadores de red, transceptores ópticos, sistemas de refrigeración y cables de fibra óptica (véase la Figura 3). Los propios racks para servidores requieren grandes cantidades de acero y aluminio, materiales que se fabrican en industrias de alto consumo energético que emiten enormes cantidades de dióxido de carbono.

En 2023, los centros de datos de EE. UU. representaron alrededor del 4,4 % del consumo nacional de electricidad, o 180 TWh, aproximadamente tanto como toda Tailandia y unas cuatro veces más que la ciudad de Nueva York. ¹⁸ En el año 2000, solo consumían el 0,1 % del consumo total de electricidad, por lo que su participación en el consumo nacional de electricidad ha aumentado un 4000 % en menos de 25 años. ¹⁹ En otros países, la participación de los centros de datos en el consumo nacional de electricidad es aún mayor; fueron responsables de más del 10 % de la producción total de energía de Irlanda en 2021, y ahora probablemente rondan el 20 % del consumo total de energía de Irlanda. ²⁰

Dediquemos un momento a explicar nuestro enfoque de las unidades en este análisis. La unidad más común que utilizamos es el teravatio-hora (TWh), una unidad de energía. Para tener una idea, 1 TWh de energía puede abastecer a unos 100 000 hogares estadounidenses promedio durante un año. También haremos referencia a otras unidades, según las que se utilicen en las fuentes originales que citamos, como los megajulios (MJ) o los exajulios (EJ), que son unidades de energía. Asimismo, utilizaremos unidades como el gigavatio (GW), una unidad de potencia. La potencia es simplemente energía por unidad de tiempo. Para contextualizar, 1 GW de capacidad de potencia puede cubrir el consumo de unos 750 000 hogares estadounidenses, aunque puede llegar a casi 1 millón en ciertas circunstancias. ²¹ Dado que utilizamos tantos tipos diferentes de unidades, realizaremos conversiones entre ellas muchas veces. El objetivo de este análisis es minimizar los cálculos y las ecuaciones, por lo que no mostraremos todos los pasos de conversión.

 

La eficiencia de los centros de datos ha aumentado sustancialmente con el tiempo. El Índice de Eficiencia en el Uso de Energía (PUE, por sus siglas en inglés) mide la energía total consumida por un centro de datos dividida por la energía consumida por sus equipos informáticos. Por definición, siempre será superior a 1, y cuanto más cerca esté de 1, más eficiente se considera el centro de datos. Hace unos 15 años, el PUE de los centros de datos se situaba en un promedio de alrededor de 2,22 ^. Hoy en día, los principales centros de hiperescala suelen alcanzar valores de 1,1-1,2, mientras que los promedios de flotas más amplias se acercan a 1,4-1,6, lo que representa una ganancia importante en la eficiencia promedio.23 ^Este aumento de eficiencia fue parte de una tendencia más amplia en la computación capturada por la Ley de Koomey, la observación de que el número de cálculos por julio de energía disipada se ha duplicado aproximadamente cada dos años.

A pesar de este increíble aumento de eficiencia, el consumo total de electricidad de los centros de datos se ha disparado, como explicamos anteriormente. Es un ejemplo clásico de la paradoja de Jevons. Nombrada en honor al economista británico William Stanley Jevons, quien observó en el siglo XIX que el consumo total de carbón seguía aumentando en Gran Bretaña incluso a medida que las máquinas de vapor se volvían más eficientes, la paradoja afirma que cuanto más eficientes se vuelven los sistemas industriales y tecnológicos bajo el capitalismo, más energía consumen, ya que los costos de producción disminuyen, los productos se vuelven más baratos o rentables y, como resultado, la demanda aumenta. La evidencia empírica es abrumadora. ²⁴ Más allá de los centros de datos, se pueden encontrar numerosos ejemplos en la historia moderna. La producción de acero se disparó después de que el proceso Bessemer la hiciera más eficiente. ²⁵ La producción de fertilizantes se disparó después de que el proceso Haber-Bosch hiciera mucho más eficiente la producción de amoníaco. ²⁶ El consumo de agua en la agricultura mundial se disparó a finales del siglo XX con la introducción de métodos de riego más eficientes. ²⁷ La lista continúa. Como se explica en La física del capitalismo y en esta publicación , el cambio tecnológico bajo el capitalismo suele canalizarse hacia la expansión de la exergía , es decir, el máximo trabajo útil que se puede extraer de un sistema al alcanzar el equilibrio con su entorno. En otras palabras, los capitalistas buscan sistemáticamente ampliar la escala del sistema energético mediante la construcción de dispositivos que consumen más energía, y luego aprovechan las ganancias de eficiencia resultantes para impulsar una mayor producción y consumo, ya que todo el sistema está estructuralmente orientado hacia el crecimiento biofísico.

Es fácil ver este fenómeno también a nivel de dispositivo. Un chip de IA Hopper típico de NVIDIA consume aproximadamente 700 W. ²⁸ El chip Blackwell de próxima generación es mucho más eficiente, en el sentido de que puede realizar más cálculos por cada unidad de energía consumida, pero también opera a unos 1200 W. ²⁹ Los chips más nuevos como Rubin serán aún más eficientes, pero eso probablemente conducirá a una mayor adopción y difusión, y por lo tanto, a un mayor consumo de energía. Los chips de IA pueden estar volviéndose más eficientes, pero también se están volviendo más intensivos en energía a nivel de unidad. ³⁰ Esto es lo que también sucedió con las máquinas de vapor durante la Revolución Industrial (ver la publicación anterior y también esta publicación para más detalles). Las primeras máquinas de vapor podían generar mucha menos energía mecánica que las versiones posteriores, por lo que no solo se volvieron más eficientes, sino que también se volvieron más grandes, más complejas y más intensivas en energía.

Los sistemas complejos pueden expandirse en escala porque se vuelven más eficientes, pero también puede ocurrir que choques exógenos en su escala energética obliguen o incentiven a los componentes del sistema a ser más eficientes. Estas son algunas de las mismas dinámicas que impulsan el desarrollo de la infraestructura de IA en todo el mundo: el impulso por mejorar coincide con el impulso por aumentar, incluyendo chips más grandes, robots más grandes, centros de datos hiperescalables, etc. Este frenesí de infraestructura también está impulsado en parte por las llamadas leyes de escalado de la IA, que han convencido a gran parte del mundo tecnológico de que proporcionar más datos y más recursos informáticos a las redes neuronales mejorará significativamente su rendimiento con el tiempo. ³¹ Una de las grandes incógnitas para el futuro del desarrollo de la infraestructura de IA es en qué dirección se dirigirá la industria tecnológica si estas leyes de escalado comienzan a encontrar barreras y límites insuperables. Uno de los insumos biofísicos más limitados para la industria de la IA es el agua, pero también es uno de los temas más incomprendidos en el panorama energético más amplio de la IA, por lo que necesitamos desarrollar una comprensión clara de cómo encaja con todo lo demás.

La IA y el nexo calor-agua

Esta sección trata sobre el agua y el calor y su relación con la producción de energía para la IA. Si bien el agua y la electricidad suelen acaparar la mayor parte de la atención, el calor es quizás el aspecto más importante en el ámbito energético de la IA. Muchos centros de datos obtienen su electricidad de centrales eléctricas que queman combustibles fósiles, como el carbón y el gas natural. Sin embargo, resulta que la electricidad producida por estas centrales representa menos del 40 % de la energía total liberada por la quema de combustibles fósiles. El resto de la energía es calor residual que se disipa en el ambiente. Las leyes de la termodinámica implican que ningún motor térmico real puede convertir el calor en trabajo mecánico con una eficiencia del 100 %, por lo que siempre debe disiparse parte del calor residual hacia un entorno externo más frío.

Cuando se queman combustibles fósiles en una central eléctrica, el agua se convierte en vapor caliente y a presión, que luego se utiliza para accionar una turbina que produce electricidad. Posteriormente, el vapor debe enfriarse y volver a convertirse en líquido para poder reciclarse y reutilizarse en el siguiente ciclo que comienza en la caldera. Sin embargo, ese calor transportado por el vapor debe eliminarse de la central de alguna manera, y el circuito de refrigeración que realiza esta tarea es responsable de la gran mayoría del consumo de agua en las centrales eléctricas. La mayoría de las centrales eléctricas en Estados Unidos utilizan actualmente sistemas de recirculación que consumen grandes cantidades de agua y que evaporan gran parte del agua que extraen de las cuencas hidrográficas locales directamente a la atmósfera. ³² El Servicio Geológico de Estados Unidos estimó en 2019 que aproximadamente el 57 % del agua extraída de los sistemas de recirculación se evapora y se consume. ³³

Los equipos informáticos en los centros de datos pueden alcanzar temperaturas muy elevadas debido al calentamiento Joule (o calentamiento resistivo), que es el calor generado cuando una corriente eléctrica pasa a través de un conductor. Dado que los transistores son básicamente interruptores eléctricos de encendido y apagado, generan grandes cantidades de calor y corren el riesgo de provocar fallos de funcionamiento importantes. Por consiguiente, es necesario eliminar este calor de los servidores dentro del centro de datos, y se han desarrollado numerosos métodos para lograrlo. Durante la mayor parte de su historia, los centros de datos dependieron de sistemas de refrigeración por aire, ya fueran ventiladores gigantes que impulsaban el aire por la sala de servidores o unidades de aire acondicionado industriales que introducían aire frío a través de grandes rejillas de ventilación. Sin embargo, con el auge de la computación en la nube y la IA generativa, cada vez más centros de datos han optado por sistemas de refrigeración por líquido, que son más eficientes para eliminar el calor que sus homólogos de aire. ³⁴

Los métodos más populares de disipación de calor en sistemas de refrigeración líquida son la refrigeración evaporativa y la refrigeración adiabática. Ambos aprovechan un hecho crucial sobre el cambio de fase del agua: cuando el agua pasa del estado líquido al gaseoso, absorbe energía del entorno. Es el mismo principio básico que explica la transpiración en un día caluroso de verano: al evaporarse el sudor de la piel, absorbe calor y ayuda a mantener el cuerpo fresco. En la refrigeración evaporativa, el agua recoge el calor de los servidores dentro del centro de datos y se envía a las torres de refrigeración situadas fuera del centro. Parte de esta agua caliente se rocía y se expone al aire, evaporándose y absorbiendo calor de su entorno inmediato. El agua más fría se devuelve al centro de datos para iniciar otro ciclo de refrigeración. En días especialmente calurosos con exceso de humedad, muchos centros de datos recurren a la refrigeración mecánica con enfriadores en lugar de la refrigeración evaporativa.

La refrigeración por evaporación requiere un gran consumo de agua para su funcionamiento, por lo que muchos centros de datos recurren a la refrigeración adiabática para ahorrar agua en sus operaciones. En los sistemas de refrigeración adiabática, el aire es el principal medio de disipación de calor, no el agua. Sin embargo, el agua puede utilizarse para enfriar el aire en días muy calurosos de verano, cuando el aire de entrada resulta insuficiente para enfriar el fluido refrigerante. A nivel mecánico, el aire se impulsa a través de almohadillas de agua que rocían el aire caliente. A medida que el agua rociada se evapora, absorbe calor y enfría el aire, que finalmente se hace circular a través de serpentines sellados que contienen el fluido refrigerante. En este método, el agua y el aire nunca entran en contacto con el fluido refrigerante sellado. En termodinámica, un proceso adiabático es aquel en el que no hay intercambio neto de calor entre un sistema y su entorno, por lo que este proceso de refrigeración se denomina adiabático, ya que la entalpía total (contenido de calor) de la mezcla aire-agua permanece constante. El calor simplemente se transfiere de una fuente a otra.

Los métodos de refrigeración adiabática son cada vez más populares porque su configuración de circuito cerrado permite a las grandes empresas tecnológicas afirmar que se toman en serio la conservación del agua, pero el problema es que los ventiladores que realizan gran parte de la refrigeración necesitan electricidad para seguir funcionando, y las investigaciones han demostrado que la huella hídrica indirecta asociada a esa generación de electricidad puede ser mucho mayor que el consumo de agua in situ. ³⁵ Por lo tanto, es improbable que muchos métodos de refrigeración adiabática y de ciclo seco resuelvan los problemas fundamentales de consumo y conservación del agua relacionados con el auge de la infraestructura de IA.

El entrenamiento de modelos de IA requiere grandes cantidades de agua. Los investigadores han estimado que el entrenamiento del GPT-3 de OpenAI en los centros de datos de Microsoft consumió directamente aproximadamente 185 000 galones de agua, cifra que se dispara a 1,4 millones de galones una vez que se incluye la huella hídrica total, equivalente al consumo diario de agua de aproximadamente 14 000 estadounidenses.36 ^Pero a medida que la IA se expande globalmente en diferentes industrias, la inferencia para tareas, consultas y solicitudes habituales constituirá la mayor parte de su huella hídrica global.

La huella hídrica operativa directa de un centro de datos típico no es sorprendente la mayoría de los días, pero puede aumentar drásticamente durante los calurosos días de verano, ejerciendo una gran presión sobre los recursos hídricos locales. Un problema importante con los métodos de refrigeración por evaporación es que simplemente expulsan y evaporan grandes cantidades de agua, extrayendo permanentemente un recurso valioso de las cuencas hidrográficas locales. ³⁷ Muchas otras industrias consumen directamente más agua que los centros de datos, pero muchas de estas industrias, como la agricultura, devuelven gran parte del agua que inicialmente consumieron a las cuencas hidrográficas locales. Los centros de datos son una de las principales razones por las que las facturas de servicios de agua están aumentando en gran parte de los Estados Unidos. ³⁸ Ante los inminentes problemas políticos y de recursos en el futuro, algunos hiperescaladores han comenzado a construir instalaciones de recuperación de agua para reutilizar las aguas residuales para la refrigeración de los centros de datos en lugar de descargarlas en los ríos locales y otros hábitats. En el condado de Douglas, Georgia, el campus de centros de datos de Google obtiene más del 95 por ciento de su agua de refrigeración de agua no potable tratada en instalaciones de recuperación de agua que fueron financiadas por la propia Google. ³⁹ Pero a pesar de todos los problemas reales con su huella hídrica operativa directa, los mayores problemas se encuentran, con mucho, en la parte superior, con las demandas indirectas y del ciclo de vida que son necesarias para mantener los centros de datos en funcionamiento en primer lugar.

En 2021, los investigadores estimaron que aproximadamente el 75 por ciento de la huella hídrica de un centro de datos era indirecta, lo que significa que la mayor parte del consumo de agua atribuido a los centros de datos se destinaba a generar la electricidad necesaria para su funcionamiento. La gran mayoría de la electricidad provenía de centrales de carbón, gas y nucleares. ^Sin embargo, una vez que se tiene en cuenta la fabricación de chips y dispositivos, ese porcentaje aumenta a más del 90 por ciento. En otras palabras, la gran mayoría del consumo de agua necesario para crear y mantener un centro de datos es indirecto o incorporado. Es totalmente justo decir que el agua utilizada para refrigerar un centro de datos típico es, en principio, insignificante en el contexto general. Pero una vez que se considera el análisis del consumo a lo largo del ciclo de vida, la huella hídrica total de un centro de datos típico se vuelve enorme.

Para ponerlo en perspectiva, la huella hídrica total de los centros de datos en Estados Unidos ya había superado la huella hídrica global de Coca-Cola a mediados de la década de 2010. ⁴¹ En el momento de esta publicación, en el verano de 2026, es casi seguro que los centros de datos estadounidenses tendrán una huella hídrica mucho mayor que la de todos los campos de golf de Estados Unidos, que solían superarlos a principios de la década (véase más información a continuación). Dado el crecimiento exponencial que se prevé para los próximos años, los centros de datos están a punto de convertirse en una de las industrias que más agua consumen en todo el planeta, pudiendo incluso rivalizar con todo el sistema agrícola mundial en una década, a menos que estalle la burbuja de la IA y el desarrollo de infraestructuras se detenga en seco.

Hace unos meses, el CEO de Anthropic, Dario Amodei, publicó un ensayo titulado “La adolescencia de la tecnología”. ⁴² El tema central de su ensayo —que la difusión de la IA conlleva muchos riesgos importantes, pero que podemos mantenerlos bajo control— no es el enfoque principal de este artículo. En el ensayo, Amodei desestima indirectamente las preocupaciones ecológicas y energéticas relacionadas con la IA al sugerir que el consumo de agua de los centros de datos no es un problema real; si bien él mismo no defiende abiertamente esta postura, sí enlaza a un análisis cuantitativo de la firma de investigación tecnológica SemiAnalysis. ⁴³ En ese análisis, la firma de investigación comparó el consumo de agua del Colossus 2 de Elon Musk en Memphis con el consumo de agua del ciclo de vida de un restaurante In-N-Out Burger, concluyendo que el Colossus 2 solo consume tanta agua como aproximadamente 2,5 restaurantes In-N-Out Burger.

La primera instalación, Colossus 1, inicialmente consumía alrededor de 1 millón de galones de agua al día. ⁴⁴ La capacidad planificada podría aumentarla hasta 5 millones de galones de agua al día, equivalente al consumo diario de agua de aproximadamente 10 000 personas en los EE. UU., o alrededor de 3500 hogares. ⁴⁵ La instalación utiliza un sistema de refrigeración líquida de circuito cerrado Supermicro para los servidores internos, pero luego transfiere el calor a un circuito externo que utiliza refrigeración evaporativa, por lo que gran parte del agua que extrae de fuentes locales de Memphis no regresa a las cuencas hidrográficas locales. ⁴⁶ Sin embargo, Colossus 2 se alimenta principalmente de turbinas de gas aeroderivadas, que normalmente no consumen agua mientras están en funcionamiento.

Esta comparación de SemiAnalysis presenta graves fallos en múltiples aspectos. En primer lugar, la gran mayoría de los centros de datos en Estados Unidos obtienen su energía de la red eléctrica convencional, no de turbinas de gas aeroderivadas ni de generadores diésel. ⁴⁷ Esto significa que su huella hídrica es en gran medida indirecta. Por lo tanto, utilizar Colossus 2 como ejemplo de eficiencia hídrica en centros de datos es una falacia, ya que no representa el funcionamiento de la mayoría de estos centros. En segundo lugar, SemiAnalysis realizó con gusto una evaluación del consumo de agua del ciclo de vida de la carne utilizada para las hamburguesas de In-n-Out, pero, curiosamente, ignoró su propia metodología en el otro extremo del balance, prefiriendo analizar el consumo de agua operativo de las turbinas de gas, que convenientemente para ellos resulta ser cero. Sin embargo, es evidente que se requiere una enorme cantidad de agua para construir las turbinas de gas. Se necesita agua para extraer las materias primas y también se utiliza mucha agua en el proceso de fabricación, entre otros puntos de la cadena de suministro.

Un generador de gas natural típico en Colossus pesa más de 200 000 libras, o aproximadamente 91 toneladas métricas, y actualmente hay 46 de ellos en funcionamiento. ⁴⁸ Los componentes estructurales dominantes por masa son el acero y el hierro, aunque muchos otros metales, como el cobre y el níquel, también se utilizan en la mayoría de los generadores de gas natural. Basándonos en los datos de inventario de agua de fabricación de 2005, asumiremos un consumo conservador de 6 metros cúbicos de agua por tonelada métrica. ⁴⁹ Un metro cúbico es aproximadamente 264 galones, por lo que eso se traduce en 1585 galones de consumo por tonelada métrica. La huella hídrica incorporada de un generador de gas natural en Colossus es, por lo tanto, de aproximadamente 144 000 galones, y el total para los 46 generadores asciende a aproximadamente 6,6 millones de galones de agua. Un hogar estadounidense típico consume 300 galones de agua al día, lo que en términos per cápita equivale a unos 100 galones al día. ⁵⁰ Esto significa que la huella hídrica incorporada de las turbinas de gas Colossus equivale al consumo diario de agua de casi 70 000 estadounidenses. Este análisis, por supuesto, omite por completo la huella hídrica incorporada del acero y el hormigón utilizados en el propio centro de datos, sin mencionar la enorme huella hídrica incorporada del hardware informático. Una vez que se tenga en cuenta todo esto, las comparaciones de SemiAnalysis resultarían francamente ridículas.

Las ideas erróneas sobre la verdadera magnitud del consumo de agua de los centros de datos aparecen constantemente también en los medios de comunicación más populares. Un análisis reciente de CBS News pretendía demostrar que muchos sectores económicos estadounidenses comunes, como los campos de golf, consumían más agua que los centros de datos estadounidenses: unos 230.000 millones de galones para estos últimos, frente a 530.000 millones para los primeros. ⁵¹ Este análisis carecía de ideas originales. Era, en gran medida, un resumen de investigaciones previas con gráficos atractivos. El análisis de CBS se basó en cifras de 2023, que, como es lógico, están desactualizadas hoy en día. Para una industria donde las emisiones y la huella hídrica prácticamente se duplican cada dos años, lo que ocurrió hace tres años es historia antigua.

El análisis también asumió que el único componente de la huella hídrica indirecta es el agua consumida por las centrales eléctricas para producir la electricidad de los centros de datos. En realidad, la huella hídrica indirecta es mucho mayor, ya que incluye el agua consumida por la industria de semiconductores para producir chips y otros componentes informáticos, el agua consumida por la industria siderúrgica para producir el acero para los racks de servidores y otras infraestructuras, el agua consumida para producir aluminio y otros metales críticos, etc. Dadas algunas de las proyecciones a partir de 2023 contenidas en el propio análisis de la CBS, es muy probable que la huella hídrica total de los centros de datos en Estados Unidos supere con creces la de los campos de golf en 2026. Por supuesto, la agricultura y algunos otros sectores aún consumen mucha más agua que los centros de datos, como mencionamos anteriormente. Pero estos sectores no se acercan ni remotamente a la asombrosa tasa de crecimiento de los centros de datos y, por lo tanto, no tienen el mismo nivel de impacto marginal en la ecología global. Además, sectores como la agricultura y los campos de golf recuperan grandes cantidades de agua. Según los datos del informe de CBS, el consumo anual de agua de 530 mil millones de galones atribuido a los campos de golf se reduce a cerca de 400 mil millones de galones una vez que se incluye el agua reciclada en el análisis. A ese nivel, en 2026 no hay competencia alguna entre los campos de golf y los centros de datos; estos últimos ganan fácilmente una vez que se incluye su huella ambiental total.

Esta enorme demanda de agua ejerce una presión ingente sobre las empresas de servicios públicos locales, especialmente porque los centros de datos suelen estar concentrados geográficamente y las empresas locales no fueron construidas para satisfacer las desmesuradas demandas de agua de las redes informáticas modernas. Como ejemplo concreto, consideremos el condado de Loudoun, en el norte de Virginia, líder mundial en la construcción de centros de datos. Loudoun Water es la empresa de servicios públicos que abastece a más de 300 000 residentes del condado. Los investigadores han estimado que Loudoun Water no podría satisfacer la demanda total de sus clientes en algunos de los días más calurosos del verano, cuando los centros de datos necesitan más agua para mantener sus sistemas refrigerados y, por lo tanto, las instalaciones locales podrían verse tentadas a activar la refrigeración por evaporación. ⁵²

Satisfacer esta creciente demanda de agua requiere la construcción de nuevas tuberías, plantas e infraestructura, cuyos costos generalmente recaen sobre las comunidades locales, a menudo a través de facturas de agua más elevadas. Además, muchas empresas de centros de datos y proveedores de servicios en la nube a gran escala suelen exigir a los gobiernos locales la firma de acuerdos de confidencialidad sobre las futuras demandas y necesidades energéticas. ⁵³ Muchos detalles cruciales sobre el consumo de agua en las instalaciones nunca se reportan, lo que dificulta que las empresas de servicios públicos de agua comprendan la cantidad de agua que necesitan suministrar. Como resultado de toda esta incertidumbre, muchas ciudades y pueblos se oponen firmemente a la expansión de centros de datos en sus comunidades. Recientemente, se han rechazado centros de datos en lugares tan diversos como Minnesota y Arizona, con un valor estimado de 130 mil millones de dólares en centros de datos bloqueados por las comunidades locales en el primer trimestre de 2026. ⁵⁴

Una de las industrias que más agua consume en el mundo es la de los semiconductores, que utiliza enormes cantidades de agua en sus plantas de fabricación. Esto se debe a que las obleas de silicio, base de todos los microchips, deben mantenerse extremadamente limpias en todo momento. Prácticamente cualquier impureza, incluso en cantidades mínimas, sabotearía sus propiedades eléctricas. Por ello, se lavan rutinariamente con agua en diversas etapas de la producción. El agua ultrapura (UPW) que se utiliza en las fábricas modernas se produce a partir de extensos sistemas de filtración en plantas de tratamiento de agua municipales. Una fábrica grande puede consumir millones de galones de agua en un solo día y casi 4 mil millones de galones al año. ⁵⁵ Cuando Taiwán sufrió una sequía histórica en 2021, el gobierno tuvo que salvar a la industria de los semiconductores prácticamente negando el agua a casi todos los demás sectores económicos. ⁵⁶ La industria mundial de los semiconductores consume más de 260 mil millones de galones de agua al año, al menos hasta 2022. ⁵⁷ Es probable que las cifras recientes sean mucho mayores. Eso equivale al consumo total de agua de Hong Kong, una ciudad alfa de 8 millones de habitantes. ⁵⁸ La huella hídrica indirecta del auge de la infraestructura de IA está, por lo tanto, entrelazada con múltiples industrias y cadenas de suministro globales.

Supuestos metodológicos

El objetivo principal del resto del artículo es calcular el consumo energético global y las emisiones de GEI causadas específicamente por la difusión y adopción de la IA, pero primero necesitamos articular los supuestos principales y los marcos teóricos que guían nuestro análisis. No existen estándares mágicos para medir la huella energética y de emisiones de un país o industria, y diferentes organizaciones han utilizado distintos estándares a lo largo de los años. ¿Deberíamos adoptar la sustitución parcial o el método del contenido físico al medir la energía primaria? ¿Cómo deberíamos distribuir el consumo para industrias geográficamente dispersas? Si un avión despega en París y aterriza en Nueva York, ¿deberían atribuirse las emisiones del avión a Francia, a Estados Unidos, a ambos o a ninguno? ¿Cuáles son las mejores maneras de medir las emisiones derivadas de los cambios en el uso del suelo? Si se eliminan sumideros de carbono de alta potencia, como turberas y humedales, para construir ciudades, plantaciones de palma o centros de datos, ¿cómo deberíamos medir las emisiones resultantes? ¿Cuáles son los puntos de inicio y fin de un análisis del ciclo de vida? ¿Qué etapas intermedias deberían incluirse en el análisis? ¿Dónde se trazan exactamente los límites? Obtendrá diferentes respuestas según cómo responda a esa pregunta. Estas son solo algunas de las miles de preguntas importantes que uno podría hacerse.

En esta sección, explicaremos los principales supuestos teóricos y las decisiones prácticas que guían nuestros cálculos y cómo llegamos a las cifras finales, las cuales se muestran explícitamente en la siguiente sección. Nuestras decisiones pueden ser cuestionadas, precisamente porque en algunos casos existen diferentes enfoques válidos y porque en otros hemos innovado en la metodología de evaluación de cuestiones que se han debatido durante décadas. El primer supuesto fundamental es que, con las excepciones mencionadas, estamos midiendo la energía primaria asociada a la IA, aunque no se trata de una métrica perfecta. Sin embargo, elegimos esta opción para ser coherentes con la forma en que las principales organizaciones internacionales, como la Agencia Internacional de Energía (AIE) y el Instituto de Energía, realizan la contabilidad energética. Esto significa que nuestras cifras específicas para la IA pueden expresarse como un porcentaje del total mundial, lo que permite un mayor contexto y comparaciones.

La energía primaria representa el uso directo de fuentes de energía sin conversiones ni transformaciones previas. ⁵⁹ El consumo primario incluye actividades como la quema de carbón en una central eléctrica y la destilación de petróleo crudo en una refinería. Las formas primarias de energía no son útiles por sí mismas, por lo que se convierten y transforman en formas secundarias de energía. Por ejemplo, quemamos carbón para convertir la energía de vapor resultante en electricidad, y destilamos petróleo crudo para producir gasolina. El carbón y el petróleo crudo son formas primarias de energía, mientras que la electricidad y la gasolina se consideran formas secundarias. Las fuentes secundarias también pueden convertirse en otras tareas y usos finales, conocidos colectivamente como fuentes terciarias .

Una de las principales dificultades teóricas en la contabilidad de la energía primaria ha sido cómo medir el consumo energético de los sistemas de energía renovable, como los paneles solares y las turbinas eólicas. Existen dos métodos comunes para medir la energía primaria: el método de sustitución parcial y el método del contenido energético físico. ⁶⁰ Analicemos estos métodos mediante algunos ejemplos. Cuando una central eléctrica quema carbón, la energía primaria simplemente equivale a la energía del carbón que se quema. En el caso de los combustibles fósiles, entonces, las cosas son bastante sencillas: registramos la cantidad de materia que quemamos y la llamamos energía primaria. Pero la situación es más compleja para las fuentes de energía renovable, como la eólica, la solar y la hidroeléctrica, porque no se quemaba nada mientras estas fuentes de energía generaban electricidad. Aquí entran en juego los dos métodos mencionados anteriormente.

En el método del contenido de energía física, simplemente contabilizamos la energía eléctrica producida por estas fuentes como energía primaria, aunque la electricidad obviamente califica como una forma de energía convertida. Este es el método que utiliza la Agencia Internacional de Energía para medir el consumo de energía de las energías renovables. En el método de sustitución parcial, suponemos que la electricidad producida proviene de una central térmica hipotética y asumimos un cierto índice de eficiencia para dicha central. La idea detrás de este método es que las fuentes de energía renovable reemplazan una central de carbón o gas que habría producido la misma cantidad de electricidad. Por ejemplo, si la central tiene una eficiencia hipotética del 20 %, multiplicaríamos la electricidad generada por las energías renovables por un factor de cinco. En este caso, la energía primaria necesaria para producir esa electricidad es cinco veces mayor. La empresa British Petroleum adoptó históricamente este método de sustitución parcial en sus populares informes anuales globales sobre energía, pero después de ceder el control de la elaboración de estos informes al Instituto de Energía, una organización británica, esta última decidió adoptar también el método del contenido físico, alineándose con la ONU y la AIE. ⁶¹ La razón principal por la que estas diferencias importan es porque pueden dar lugar a estimaciones divergentes del consumo de energía, especialmente para las naciones que dependen en gran medida de las energías renovables. Por ejemplo, el consumo de energía de Noruega es aproximadamente un 60 por ciento mayor cuando se mide mediante el método de sustitución parcial, dada su importante dependencia de la energía hidroeléctrica. ⁶²

Aunque nuestro objetivo es medir la energía primaria para ser coherentes con otras organizaciones, este método de contabilidad presenta importantes problemas conceptuales, como explica Erald Kolasi en * La física del capitalismo* . ^⁶³ En esa obra, y en esta publicación de Substack, Kolasi explica cómo los sistemas económicos funcionan como redes de conversión ( o coronas, para abreviar), lo que significa que transforman continuamente la energía en diferentes formas a través de redes altamente organizadas y estratificadas. Esta visión de red desestabiliza fundamentalmente cualquier punto de partida o límite rígido para el análisis energético. Es difícil afirmar que la quema de carbón en la central eléctrica sea lo realmente primario y fundamental, cuando ese carbón tuvo que ser primero extraído, refinado parcialmente y transportado al lugar antes de poder utilizarse para cualquier fin. Y todo ese proceso de extracción y transporte dependía de una serie de otras conversiones de energía e insumos laborales, que a su vez estaban integrados en una serie de otras conversiones, y así sucesivamente. Considerar los sistemas económicos como coronas resalta la interdependencia de las cadenas de suministro globales y la importancia de los efectos mariposa y la dinámica no lineal para comprender sus sistemas energéticos subyacentes. Por ello, podemos ajustar ciertos cálculos que van más allá de la energía primaria, y para determinados sectores podemos centrarnos en el consumo energético en la fase posterior de la cadena de suministro, evitando así una contabilidad completa de la energía primaria. Todas estas situaciones se analizan caso por caso, como se muestra en la siguiente sección.

Para el análisis energético, adoptamos un enfoque híbrido agregado de ciclo de vida, lo que significa que realizamos un análisis de entrada-salida a través de las diversas cadenas de suministro e industriales necesarias para hacer realidad las operaciones de IA. Específicamente, asumimos que el resultado final del proceso es la energía total consumida por los centros de datos y otras instalaciones en 2026, ajustada por el impacto que se puede atribuir específicamente a la IA. Nuestro objetivo es estimar el consumo energético total del ciclo de vida y las emisiones de GEI derivadas de la adopción y difusión de la IA en 2026. Normalmente, se podría medir o estimar el consumo energético relacionado con los centros de datos y otras instalaciones que se produjo solo en este año. Eso significaría contabilizar la electricidad consumida por los centros de datos en 2026, el acero y el cemento producidos en 2026 para los centros de datos, el agua consumida en 2026 por la industria de semiconductores durante la producción de chips para centros de datos, los cables de fibra óptica instalados en 2026, etc. Luego, se atribuiría una parte de todo este uso de energía específicamente a la IA, ya que no toda la capacidad de los centros de datos está orientada a la IA.

Pero este método presenta enormes desafíos. Es necesario determinar la etapa de finalización de diversos centros de datos, centrales eléctricas y otras instalaciones en todo el mundo, y luego desentrañar las cadenas de suministro que les proporcionan materiales y recursos. Obtener los datos para este tipo de análisis es bastante difícil, por lo que optamos por un enfoque diferente para cada caso. Para ciertos sectores, podremos estimar la huella ambiental de 2026 directamente, como la energía primaria necesaria para el consumo eléctrico de los datos. Para otros sectores, inferiremos su huella ambiental de 2026 por medios indirectos, generalmente calculando primero su huella ambiental a lo largo de su ciclo de vida y asignando una parte de ese total a este año en particular. Los analistas del sector prevén que entre 2026 y 2030 se incorporarán aproximadamente 100 GW de nueva capacidad de centros de datos. ⁶⁴ JLL ha estimado que, solo en Norteamérica, en 2026 se encuentran en construcción más de 35 GW de nueva capacidad de centros de datos. ⁶⁵ Estas cifras implican que, a nivel mundial, al menos 65 GW de capacidad de centros de datos se encuentran en diversas fases de construcción, más de la mitad del total operativo en 2025. Es evidente, a partir de estos datos, que el auge de la infraestructura de IA se concentra en los últimos años, lo que implica que una gran parte del ciclo de vida total de cualquier sector se concentra en 2025 y 2026.

Y eso es solo una pequeña parte de la historia. La parte más importante es que los componentes más recientes de los centros de datos tienen una intensidad energética mucho mayor que los anteriores, considerando la transición de los últimos años hacia la refrigeración líquida, los microchips de alto rendimiento como las GPU y otros dispositivos de alto consumo energético. Por estas razones, y las mencionadas anteriormente, destinaremos entre el 50 y el 60 por ciento del ciclo de vida total del sector al año 2026. Esta es la premisa básica que mantendremos en nuestro análisis.

^{Para estimar las emisiones de GEI asociadas a la difusión global de} la IA, decidimos adoptar en gran medida los estándares del Protocolo de GEI, una metodología ampliamente utilizada.⁶⁶ Esto significa que nuestro objetivo es realizar un seguimiento de las emisiones de Alcance 1, Alcance 2 y Alcance 3, con ciertas salvedades y ajustes que se explican a lo largo del proceso. El objetivo es obtener un análisis integral del ciclo de vida del impacto de las emisiones de todas las redes energéticas globales y las cadenas de suministro industriales involucradas en la creación y construcción de la infraestructura física necesaria para el despliegue y la difusión de la IA.

Seguir el Protocolo de GEI garantiza que no nos perdamos en los detalles de las compensaciones de carbono u otras artimañas de ecoblanqueo de las grandes tecnológicas. Contabilizamos las emisiones operativas y del ciclo de vida, y nada más. Las emisiones de Alcance 1 son las emisiones directas vinculadas a las actividades principales de una empresa o un hogar. Pensemos en la energía que utiliza una empresa manufacturera en sus fábricas para producir bienes. Las emisiones de Alcance 2 son las emisiones indirectas asociadas a la energía generada para mantener operativa una empresa o un hogar, como las emisiones necesarias para generar la electricidad que las empresas y las familias utilizan para tener luz. Las emisiones de Alcance 3 son las emisiones ascendentes y descendentes a lo largo de la cadena del ciclo de vida. Pensemos en las emisiones causadas por los empleados de una gran empresa cuando se desplazan al trabajo. Esas emisiones se asignan a esa empresa según el Protocolo de GEI, ya que los horarios y requisitos laborales de la empresa son la razón fundamental por la que los empleados se desplazan en primer lugar.

Nuestro análisis abre nuevos caminos en áreas que no han recibido mucha atención, desde las emisiones derivadas del cambio de uso del suelo causadas por la construcción de centros de datos hasta los efectos indirectos de la adopción de la IA. La IA no se limita a los centros de datos; afecta a la logística, la manufactura, el comercio minorista, la banca y muchos otros sectores económicos en todo el mundo. Por primera vez, cuantificaremos el impacto en muchos de estos sectores a escala global, reiterando que, por necesidad, estamos realizando estimaciones razonables y que estos cálculos deben interpretarse en consecuencia.

Análisis cuantitativo

En las secciones siguientes, calculamos la huella energética y de emisiones de los distintos sectores e industrias impulsadas por la IA, y al final sumamos todos los datos para obtener los totales globales.

Energía primaria del consumo eléctrico del centro de datos

La Agencia Internacional de Energía ofrece una amplia gama de evaluaciones sobre qué porcentaje de la capacidad total de los centros de datos se dedica a las operaciones de IA y reconoce la incertidumbre inherente a la determinación de esta cifra dada la escasez de datos disponibles. ⁶⁷ Una fuente ampliamente citada es el informe insignia de 2024 del Laboratorio Nacional Lawrence Berkeley sobre la demanda de electricidad de los centros de datos, que sugirió que aproximadamente un tercio de la capacidad total de los centros de datos en los Estados Unidos se dedica a la IA, aunque con grandes incertidumbres en torno a las estimaciones. ⁶⁸ Pero independientemente de la fuente, lo que casi todos tienen en común es que rastrean la cantidad de electricidad consumida por los servidores acelerados por GPU, la dividen por la cantidad total de electricidad consumida por los centros de datos (o la escalan con un PUE de toda la instalación, que es prácticamente lo mismo) y lo llaman la proporción de consumo de IA. Pero este enfoque es muy engañoso por varias razones.

En primer lugar, la preparación de los datos de entrenamiento para el desarrollo de modelos de IA, desde la extracción y deduplicación de texto hasta el etiquetado y la tokenización, generalmente depende de servidores y computadoras con procesadores. ⁶⁹ En segundo lugar, la computación de IA en los centros de datos modernos está ampliamente distribuida entre varios nodos y servidores, lo que requiere conmutadores de red complejos para transmitir datos entre ellos. Además, la transmisión de todas estas señales requiere transceptores ópticos, que consumen mucha electricidad. En tercer lugar, escalar las cargas de GPU con un PUE estandarizado ignora la dinámica no lineal de las demandas de computación de IA, que pueden presentar una volatilidad extraordinaria. Existen otras preocupaciones, pero todas conducen a la misma conclusión: la proporción del consumo eléctrico de los centros de datos que corresponde a la IA es mucho mayor de lo que aparece en las fuentes tradicionales. Esto es especialmente cierto si consideramos lo que se avecina en los próximos años, cuando se espera que la mayor parte del crecimiento de la demanda de energía de los centros de datos provenga de las cargas de trabajo de IA. ⁷⁰

Teniendo en cuenta lo anterior, asumimos que el 40 % de la capacidad global de los centros de datos se destina a la IA. Reconocemos la incertidumbre inherente a esta suposición y creemos que existen argumentos sólidos para afirmar que la proporción de IA debería ser aún mayor. En cualquier caso, no es una cifra que pueda demostrarse de forma concluyente con los datos disponibles actualmente, en gran medida porque los proveedores de servicios en la nube a gran escala y muchas otras empresas de centros de datos ocultan deliberadamente la información necesaria para que los investigadores puedan determinar con mayor precisión estas distribuciones.

La intensidad de carbono promedio de la red eléctrica mundial es de 460 gramos de CO2-eq por kWh. ⁷¹ Dado el consumo de electricidad de los centros de datos mundiales estimado a continuación en 788 TWh, las emisiones directas del sector de los centros de datos representarían alrededor de 362 millones de toneladas métricas de emisiones de CO2 en 2026, y el sector de la IA específicamente asciende a aproximadamente 145 millones de toneladas de emisiones de CO2 (40 por ciento del total de los centros de datos), una suma enorme equivalente a las emisiones anuales de aproximadamente 30 millones de automóviles a gasolina.

A finales de 2025, existían aproximadamente 12.000 centros de datos operativos en todo el mundo, con una capacidad máxima global total de aproximadamente 122 GW en el primer trimestre de 2025 (equivalente a 122.000 MW), pero asumiremos una capacidad de 125 GW para tener en cuenta el tiempo transcurrido desde el primer trimestre del año pasado. ⁷² Para una métrica restringida que solo considera las instalaciones de centros de datos comerciales, el consumo energético total de los centros de datos en todo el mundo en 2025 se ha estimado en aproximadamente 470 TWh, aunque está aumentando rápidamente y, dadas las trayectorias actuales, sin duda será mayor en 2026. ⁷³ Una métrica más amplia de S&P Global que incluye microcentros de datos, salas de servidores empresariales, centros de datos modulares, instalaciones de criptografía y que también tiene en cuenta los principales puntos de inflexión en 2025, incluida la avalancha de servidores acelerados por IA que se pondrán en línea, sitúa el consumo total de electricidad de los centros de datos globales en 788 TWh en 2025. ⁷⁴ Es esta cifra de 788 TWh la que servirá como nuestro punto de partida base para el consumo mundial de electricidad de los centros de datos en 2026, simplemente porque es más precisa y completa que los datos de la IEA, que se centran principalmente en el consumo de los centros de datos de hiperescala y de coubicación. Partiendo de la base de que el 40 % de la capacidad global de los centros de datos se destinará a cargas de trabajo de IA en 2026, el componente estimado del consumo global de centros de datos impulsado por IA es de 315 TWh (el 40 % de 788 TWh). Teniendo en cuenta que el consumo total de electricidad a nivel mundial ronda los 32 000 TWh, nuestra estimación sitúa la participación de los centros de datos de IA en el 1 % del consumo global total.

Se estima que la industria de las criptomonedas consume anualmente alrededor de 140 TWh de electricidad para la minería de Bitcoin. ⁷⁵ Sin embargo, una porción cada vez mayor de este consumo ahora cubre las cargas de trabajo de la IA, ya que la industria de las criptomonedas está realizando un esfuerzo concertado para redirigir capacidad adicional hacia la IA. ⁷⁶ El punto culminante de este cambio estructural fue el acuerdo de 10 mil millones de dólares que la minera de Bitcoin IREN firmó con Microsoft el año pasado, comprometiéndose a proporcionar GPU de NVIDIA para las necesidades de computación de IA de alto rendimiento. ⁷⁷ La marcada distinción que antes existía entre las instalaciones de minería de criptomonedas y los centros de datos comerciales se está desvaneciendo rápidamente, y por primera vez tiene sentido agruparlos en la misma categoría de consumo de electricidad. El componente estimado de consumo de electricidad para la IA que se muestra arriba incluye implícitamente también al sector de las criptomonedas.

La cifra de 315 TWh mencionada anteriormente es bastante significativa, pero no es la respuesta definitiva. Esto se debe a que se necesita energía primaria para producir electricidad, y es esta energía primaria la que realmente nos interesa. Dado que una parte importante de la electricidad de los centros de datos proviene de centrales eléctricas de carbón y gas, así como de centrales nucleares, necesitamos determinar la energía primaria asociada a ese consumo. Según los promedios de la red eléctrica mundial, el 60 por ciento de la electricidad mundial se produjo a partir de combustibles fósiles, el 31 por ciento de energías renovables y el 9 por ciento de energía nuclear. ⁷⁸ Vamos a suponer que esta distribución también se aplica al consumo de electricidad de los centros de datos.

Ahora podemos calcular las primeras cifras importantes que hemos estado buscando todo este tiempo. De los 788 TWh globales, la mezcla anterior significa que 473 TWh provinieron de combustibles fósiles, 244 TWh provinieron de energías renovables y 71 TWh provinieron de energía nuclear. Con base en investigaciones previas de la IEA, vamos a asumir una eficiencia tradicional del 36 por ciento para las centrales de combustibles fósiles y del 33 por ciento para las centrales nucleares. ⁷⁹ Esto implica que el componente de combustibles fósiles del consumo de electricidad de los centros de datos tiene una huella de energía primaria de 1314 TWh, el componente renovable se mantiene igual en 244 TWh (ya que estamos usando el método de contenido físico) y el componente nuclear llega a 215 TWh. En total, la huella de energía primaria global del uso de electricidad de los centros de datos es de 1773 TWh. Asignar el 40 por ciento de esa suma total a la IA significa que el consumo de energía primaria impulsado por IA para el uso de electricidad de los centros de datos es de 709 TWh a nivel mundial . Esta es nuestra primera cifra concreta importante, y ya representa el 0,42 por ciento del consumo energético mundial total, ya que este último se situó en aproximadamente 166.670 TWh en 2025, y estimamos que alcanzará unos 168.000 TWh en 2026 para tener en cuenta el crecimiento previsto. ⁸⁰ Aunque esta cifra es un componente importante de la cantidad total, todavía nos queda un largo camino por recorrer.

Acero y hormigón

La industria siderúrgica mundial es responsable de aproximadamente entre el 7 y el 9 por ciento de las emisiones globales de GEI, tal vez un poco más. ⁸¹ Los centros de datos hiperescalables a menudo requieren 10 000 toneladas métricas de acero o más. ⁸² Sin embargo, la mayoría de los centros de datos del mundo no son instalaciones gigantescas, por lo que asumimos que el centro de datos promedio incorpora aproximadamente 2000 toneladas métricas de acero. Según la Asociación Mundial del Acero, producir cada tonelada de acero genera la emisión de 2,18 toneladas métricas de CO2-eq. ⁸³ Y cada tonelada de acero requirió 21,27 GJ de energía en promedio para su producción. ⁸⁴ Utilizando estas cifras, estimamos que las emisiones totales del ciclo de vida de los centros de datos provenientes del acero son aproximadamente 52 millones de toneladas métricas y la energía total requerida para todo ese acero es de 142 TWh. Asignar el 40 por ciento a la IA produce 57 TWh de energía y 21 millones de toneladas métricas de emisiones. Para la huella de carbono de 2026, suponemos el 60 por ciento del total del ciclo de vida, lo que resulta en 34 TWh y 13 millones de toneladas métricas de emisiones, respectivamente.

Los centros de datos contienen enormes cantidades de hormigón, que es una mezcla de arena, grava, agua y cemento. La gran mayoría de las emisiones del hormigón provienen del cemento, por lo que nos centraremos en él. Según informes del sector en Estados Unidos, un centro de datos estadounidense típico contiene aproximadamente 1700 toneladas de cemento incorporado. ⁸⁵ Pero considerando que un centro de datos estadounidense típico es más grande que uno típico en el resto del mundo, asumimos que el promedio mundial de cemento incorporado por centro de datos es de aproximadamente 1200 toneladas. Con 12 000 centros de datos, esto implica una huella de carbono total del cemento a lo largo de su vida útil de poco más de 14 millones de toneladas. Utilizando datos de la EPA, que generalmente indican que cada tonelada de cemento producida libera aproximadamente 0,78 toneladas métricas de CO2 equivalente, estimamos que la huella de carbono total del ciclo de vida del cemento de los centros de datos es de aproximadamente 11,2 millones de toneladas métricas. ⁸⁶

Metales y materiales

Los centros de datos están repletos de metales, desde cobre y aluminio hasta estaño y grafito. Por ejemplo, el cobre se utiliza ampliamente para el cableado y el grafito para la gestión térmica. Comencemos con el cobre como una pequeña introducción a nuestro enfoque analítico más amplio. Según cifras de centros de datos en Estados Unidos, estimamos que un centro de datos promedio contiene aproximadamente 12 toneladas de cobre por MW. ⁸⁷ Con una capacidad máxima asignada estimada de 133 000 MW a nivel mundial en 2026, esto implica una huella de cobre incorporada total de 1,6 millones de toneladas. ⁸⁸ Según las evaluaciones del ciclo de vida realizadas para la producción de cobre en China, y considerando la mejora de la eficiencia en la producción de cobre, estimamos que se necesitan aproximadamente 60 GJ para producir una tonelada de cobre en promedio. ⁸⁹ Al convertir esto a TWh para todo el cobre incorporado en los centros de datos globales, la huella energética total del ciclo de vida asciende a aproximadamente 25 TWh.

Los datos del Foro Económico Mundial muestran que la huella típica de metales en los centros de datos es de aproximadamente 70 toneladas por MW. ⁹⁰ Para evitar realizar un análisis separado para docenas de metales y materiales diferentes, vamos a seguir un enfoque similar al que explicamos para el cobre anteriormente, solo que a nivel agregado para todos los metales y materiales. Dada la capacidad de potencia total anterior, la huella de masa estimada final para todos los metales en los centros de datos globales es de aproximadamente 9,3 millones de toneladas, pero podemos restar los 1,6 millones de toneladas del cobre anterior para evitar la doble contabilización, por lo que la huella de masa real de metales para la que necesitamos medir el consumo de energía y las emisiones es de aproximadamente 7,7 millones de toneladas.

Suponiendo una producción promedio de 50 GJ por tonelada, la huella energética total del ciclo de vida es de 128 TWh. Si a esto le sumamos los 25 TWh del cobre, obtenemos un total de 153 TWh para la huella energética de todos los metales utilizados en centros de datos a nivel mundial. Asignando el 40 por ciento de ese total a la IA, la participación de la IA en la huella energética de los metales para centros de datos se sitúa en aproximadamente 61 TWh. Suponemos nuevamente que el 60 por ciento del total del ciclo de vida provendrá solo de este año, por lo que se asignan 37 TWh de energía a la producción de metales y minerales impulsada por IA. Estimamos la huella de emisiones de estos 37 TWh de energía en aproximadamente 17 millones de toneladas métricas de CO2-eq, asumiendo que la intensidad de carbono de la red eléctrica global también se aplica a la intensidad de carbono de la producción de metales y minerales.

Fabricación de semiconductores

Los envíos mundiales de obleas de silicio totalizaron casi 13 000 millones de pulgadas cuadradas en 2025. ⁹¹ Se ha estimado que la intensidad de electricidad del ciclo de vida de las fábricas de semiconductores es aproximadamente 1,43 kWh por centímetro cuadrado. ⁹² Después de convertir a centímetros cuadrados, multiplicar por 1,43 y convertir de kWh a TWh, la huella eléctrica total de la producción de semiconductores en 2025 resulta ser aproximadamente 120 TWh. Considerando que el consumo total de electricidad mundial fue aproximadamente 31 780 TWh en 2025, eso significa que aproximadamente el 0,4 por ciento de todo el consumo de electricidad mundial se dedica solo a producir semiconductores. ⁹³ Asignamos el 40 por ciento de este total a la IA, por lo que la participación de la IA en el consumo de semiconductores es 48 TWh. Se ha estimado que la huella de emisiones de CO2 global de la industria de semiconductores será de aproximadamente 190 millones de toneladas métricas para 2026. ⁹⁴ Asignar el 40 por ciento de este total a la IA significa que la proporción de emisiones de semiconductores de la IA es de aproximadamente 76 millones de toneladas métricas de CO2.

Pero ciertamente aún no hemos terminado, porque el consumo de electricidad en el sitio es solo un aspecto de la huella energética y de emisiones de la industria de semiconductores. Por ejemplo, antes de que cualquier oblea de silicio sea procesada en las fábricas, las obleas primero deben producirse, y eso requiere métodos intensivos en energía como el proceso Czochralski (ver Figura 4). El Departamento de Energía ha estimado que hasta el 60 por ciento de la huella de fabricación de una industria se encuentra antes de las operaciones directas en el sitio. ⁹⁵ Suponemos un 60 por ciento para la industria de semiconductores, lo que significa que su huella energética global total asciende a 300 TWh en 2026. Deloitte ha estimado que las ventas de chips enfocados en IA por sí solas representarán aproximadamente la mitad de todos los ingresos de la industria de semiconductores en 2026. ⁹⁶ No deberíamos asignar la mitad completa de la huella energética a la IA basándonos en este resultado, ya que las ventas de chips de IA tienen márgenes de ganancia extraordinarios debido a la oferta limitada y el poder de monopolio. Sin embargo, consideramos razonable destinarle un 40%, sobre todo porque la producción de semiconductores avanzados para la industria de la IA consume mucha más energía que la producción de microcontroladores u otros dispositivos más sencillos. Partiendo de esta premisa, la proporción del consumo energético de la industria de semiconductores en 2026 que corresponde a la IA es de 120 TWh. Esta cifra es elevada, pero probablemente sea conservadora y subestimada.

Robótica industrial

Los robots son la cúspide de la IA física (véase la Figura 5). En 2024, había aproximadamente 4,6 millones de robots industriales operativos en todo el mundo. ⁹⁷ Estimamos que en 2026 habrá aproximadamente 5 millones de robots industriales en funcionamiento a nivel mundial. Los datos de la industria de la década anterior muestran que el robot promedio consume aproximadamente 22 000 kWh de electricidad al año. ⁹⁸ Si bien es cierto que los robots más nuevos han logrado una mayor eficiencia energética, el auge de la fabricación sin supervisión también ha significado que funcionan durante más tiempo en promedio cada día, por lo que seguiremos utilizando la cifra promedio citada anteriormente. Para 5 millones de robots, ese consumo promedio a nivel de unidad implica aproximadamente 110 TWh de consumo global agregado de electricidad. Dado que la intensidad de carbono promedio de la red eléctrica global es de 460 gramos de CO2-eq por kWh, la huella de emisiones operativas totales de los robots industriales asciende a aproximadamente 51 millones de toneladas métricas de CO2-eq al año.

Suponiendo que los robots y los centros de datos se alimentan con la misma combinación global de combustibles (véase más arriba), la energía primaria asociada a esta generación de electricidad equivale aproximadamente a 248 TWh. Dado que definimos los robots como IA física, esta suma total se incluye en el balance energético de la IA. Se trata de una cantidad de energía asombrosa que la mayoría de la gente no tiene en cuenta al hablar de IA, porque la entienden de forma muy limitada, reduciéndola únicamente a redes neuronales y modelos de lógica descriptiva. Aquí podemos ver que incluso una ligera ampliación del concepto tiene importantes implicaciones en cómo evaluamos su huella energética y de emisiones global.

Redes de transmisión y telecomunicaciones

Además de los centros de datos, las redes de transmisión de datos que incluyen torres de telefonía celular, centros de conmutación y nodos de inyección de fibra óptica también consumen grandes cantidades de electricidad, al menos 360 TWh en 2025, si no mucho más. ⁹⁹ Estas redes son absolutamente cruciales para los flujos de trabajo de IA, ya que sin ellas no se podrían enviar instrucciones a los modelos de IA ni entregar respuestas a los usuarios finales. Utilizando datos de Cisco sobre la proporción del tráfico de red destinado a la inferencia de IA, estimamos que aproximadamente el 1 % de estos 360 TWh se dedica específicamente a las operaciones de IA, lo que significa que las implementaciones de IA consumen anualmente alrededor de 3 TWh de electricidad en todo el mundo solo a través de las redes de transmisión de datos. ¹⁰⁰ No es una cifra muy grande, pero quisimos destacarla para que la gente la conozca porque esperamos que aumente rápidamente en los próximos años.

Transporte y logística

Los sectores manufactureros que impulsan el desarrollo de la infraestructura de IA tienen cadenas de suministro extendidas globalmente. Los minerales se extraen primero en un lugar determinado, luego pueden enviarse a la otra punta del mundo para su refinación, luego a otro lugar para el ensamblaje final, y el producto terminado se envía nuevamente a la otra punta del mundo para ser vendido a los consumidores en un país determinado. El sector del transporte total representa aproximadamente el 30 por ciento del consumo energético mundial, lo que equivale a unos 50.400 TWh para 2026. ¹⁰¹ Lo que realmente nos interesa es el transporte de mercancías y la logística, y eso representa aproximadamente el 40 por ciento del sector del transporte mundial, o unos 20.160 TWh en 2026. ¹⁰² Suponemos que la participación global de energía primaria para el uso de electricidad de los centros de datos, aproximadamente el 1 por ciento, también debería asignarse a esta huella energética logística, por lo que eso significa que aproximadamente 201 TWh de energía de la industria logística en 2026 se dedicaron al envío y movimiento de componentes de materiales y hardware informático para centros de datos, incluidos acero, hormigón, minerales y microchips. Si se destina el 40 por ciento de ese consumo a la IA, significa que la huella energética de la logística impulsada por la IA en 2026 fue de aproximadamente 80 TWh.

Para realizar una verificación de cordura en esta cifra, elegiremos una metodología alternativa. Los centros de datos tenían una capacidad de energía global total de aproximadamente 125 000 MW en 2025, y nos ceñiremos a esta cifra más conservadora para el análisis en lugar de los 133 000 MW de capacidad que estimamos para 2026. Un rack de servidor típico consume alrededor de 1000 W, lo que implica que 125 millones de unidades de hardware, desde racks de servidores hasta matrices de almacenamiento, están operando en centros de datos globales a partir de este año. ¹⁰³ La investigación indica que transportar un solo servidor tiene una huella de emisiones de aproximadamente 25 kg de emisiones de CO2-eq. ¹⁰⁴ Transportar una matriz de almacenamiento más pesada requiere hasta 486 kg de emisiones de CO2-eq. Suponemos un promedio combinado de 300 kg de emisiones de CO2-eq, lo que implica una huella de carbono total de 37 500 millones de kg de emisiones de CO2-eq. Tomaremos el combustible diésel como nuestro indicador para determinar la huella energética del transporte de mercancías a partir de estas emisiones de carbono. Los estudios muestran que el factor de emisión del diésel es aproximadamente 0,074 kg CO2/MJ, lo que en lenguaje sencillo significa que la combustión de 1 MJ de combustible libera 0,074 kg de emisiones de carbono. ¹⁰⁵ Otra forma de decir lo mismo es que por cada kilogramo de carbono emitido, se liberan 13,5 MJ de energía. Dada la huella de carbono anterior (37.500 millones de kilogramos), la huella energética total asciende a unos 506.000 millones de MJ, lo que equivale aproximadamente a 141 TWh.

Esta cifra es algo inferior a la oficial mencionada anteriormente, pero al menos ambas se encuentran en un rango similar. Nuestra metodología alternativa probablemente arrojaría una estimación mayor si se considerara la distribución de los canales logísticos, como el transporte aéreo, ferroviario o marítimo, y la duración del trayecto en cada uno de ellos. Utilizando el factor de emisión de diésel mencionado anteriormente, un consumo energético de 80 TWh proveniente del componente de IA de la industria de transporte y logística generaría aproximadamente 21 millones de toneladas métricas de CO2 equivalente en emisiones anuales.

Fabricación de energías renovables

Fuentes más antiguas sostenían que las energías renovables proporcionaban poco más del 25 por ciento del consumo mundial de electricidad de los centros de datos, pero esta proporción es casi con seguridad mucho mayor para 2026, por lo que mantendremos la suposición del 31 por ciento utilizada anteriormente. ¹⁰⁶ Considerando que tantos sistemas de energía renovable se están construyendo rápidamente específicamente para facilitar la expansión de los centros de datos, tiene sentido incluirlos como parte de la huella del ciclo de vida de la IA. ¹⁰⁷ Si bien los sistemas renovables como los paneles solares y las turbinas eólicas tienen una huella de emisiones insignificante durante su fase operativa, se necesita energía para producirlos en primer lugar, y ese proceso de fabricación sí libera emisiones significativas. Como calculamos al principio de la sección, las energías renovables fueron responsables de aproximadamente 244 TWh del consumo mundial de electricidad de los centros de datos.

Las evaluaciones del ciclo de vida de 2024 sugirieron que la demanda energética acumulada de los sistemas fotovoltaicos promedio en los Estados Unidos era de aproximadamente 13 000 MJ (equivalente de petróleo) por kW. ¹⁰⁸ Suponiendo que esa cifra promedio se mantiene a nivel mundial y convirtiéndola a TWh por GW, obtenemos alrededor de 3,6 TWh por GW de demanda energética del ciclo de vida necesaria para producir sistemas fotovoltaicos. Según la Agencia Internacional de Energía, las adiciones anuales globales de capacidad de energía renovable alcanzaron los 800 GW en 2025, de los cuales el 75 por ciento provino solo de la energía solar. ¹⁰⁹ Eso implica que 600 GW de nueva capacidad se debieron a la energía solar, y utilizando la huella citada anteriormente (3,6 TWh por GW), estimamos que se requirieron 2160 TWh de energía para producir todos estos componentes solares. Utilizando una huella de carbono muy conservadora de 0,5 TWh por GW para los sistemas eólicos y de baterías en conjunto (el 25 por ciento restante), estimamos que se necesitaron aproximadamente 100 TWh de energía para producir la nueva capacidad anual de energía eólica y de baterías instalada en 2025. El total final de la demanda energética del ciclo de vida para producir toda la nueva capacidad renovable instalada en 2025 es de 2260 TWh. Para completar este cálculo y teniendo en cuenta el crecimiento adicional en 2026, suponemos que la huella energética anual total de la fabricación de energía renovable es de 2300 TWh.

Dado que las empresas tecnológicas estadounidenses por sí solas impulsan casi 50 GW de demanda de nueva capacidad de energía renovable para centros de datos, es razonable suponer que 60 GW de nueva capacidad de energía renovable están destinados a centros de datos a nivel mundial, lo que representa aproximadamente el 7,5 por ciento del total de 800 GW mencionado anteriormente. ¹¹⁰ Aplicando este porcentaje a la huella total de fabricación renovable de 2300 TWh se obtienen 172 TWh. Asignando el 40 por ciento de eso a la IA significa que la huella energética impulsada por IA de la fabricación de energía renovable en 2026 es de 70 TWh. Suponiendo que la misma intensidad de carbono que el promedio de la red global se aplica a esta huella energética, estimamos que la huella de emisiones de energía renovable impulsada por IA para 2026 fue de aproximadamente 32 millones de toneladas métricas de CO2. Una nota de precaución importante sobre este análisis: hemos decidido excluir la huella energética y de emisiones ascendente de los aproximadamente 80 GW de centrales eléctricas de gas natural en construcción en los Estados Unidos que están destinadas a respaldar la expansión de los centros de datos. Los datos presentaban demasiado ruido e incertidumbre, y en cualquier caso, esta huella de carbono no será tan grande para 2026, probablemente no supere los 20 TWh. Sin embargo, queremos señalarlo como un problema importante de cara al futuro, ya que estas plantas consumirán enormes cantidades de energía una vez que entren en funcionamiento.

emisiones por cambio de uso del suelo

Los centros de datos ocupan una enorme superficie, y dicha superficie suele estar habitada por plantas y fauna silvestre antes de que comience la construcción. Muchos centros de datos se construyen sobre humedales, marismas y turberas sensibles que almacenan grandes cantidades de dióxido de carbono. Los ecólogos estiman que las turberas del mundo almacenan el doble de carbono que todos los bosques del planeta juntos, por lo que construir centros de datos en estas zonas ecológicamente sensibles es una idea especialmente nefasta. ¹¹¹ Cuando estos hábitats naturales prístinos se destruyen, el carbono subyacente queda repentinamente expuesto al oxígeno atmosférico, lo que desencadena una ola de emisiones de dióxido de carbono que puede durar años. Las turberas dañadas representan aproximadamente el 5 % de todas las emisiones antropogénicas globales de CO2 al año, por lo que su conservación es de vital importancia para la ecología global. ¹¹²

Comencemos nuestra estimación de las emisiones derivadas del cambio de uso del suelo impulsado por la IA en los 12 000 centros de datos operativos en 2025. Los centros de datos hiperescalables más grandes pueden superar las 50 hectáreas, pero la mayoría de los centros de datos en todo el mundo son mucho más pequeños (normalmente solo unas pocas hectáreas). Sin embargo, adoptaremos una perspectiva de ciclo de vida, por lo que también incluiremos la huella de suelo de los sistemas de energía renovable y las centrales eléctricas de gas natural que se están construyendo o que ya se han construido específicamente para dar soporte al desarrollo de los centros de datos. Con esto en mente, adoptaremos una huella de suelo promedio de 100 hectáreas por centro de datos en nuestro análisis, lo que da como resultado una huella de suelo global total de 1,2 millones de hectáreas (o 486 000 hectáreas). Además de la huella de suelo fuera del sitio durante el ciclo de vida, esta huella global incluye no solo la huella directa de las instalaciones, sino también el terreno ocupado por instalaciones e infraestructuras adyacentes, como aparcamientos, estanques de retención y subestaciones eléctricas.

Para simplificar nuestros cálculos, asumiremos que toda esta tierra fue deforestada de manera uniforme durante los últimos 20 años, lo cual sabemos que es inexacto, ya que la construcción de centros de datos aumentó significativamente a principios de la década de 2020. También asumiremos, por simplicidad, que el carbono total secuestrado en estos entornos afectados ingresa a la atmósfera en bloques anuales iguales a lo largo del tiempo, lo cual también es inexacto, ya que las investigaciones han demostrado que alrededor del 50-60 por ciento de las emisiones de CO2 en un año determinado provenientes de conversiones forestales provienen específicamente de conversiones de tierras que ocurrieron en ese año. ¹¹³ Pero como primeras aproximaciones, estas servirán.

A continuación, asumiremos que una hectárea típica de terreno afectada por la construcción de centros de datos contiene plantas y suelos que, en conjunto, secuestran 450 toneladas métricas de CO2, según estudios de investigación sobre biomas forestales y otros entornos. ¹¹⁴ Esto implica una liberación anual de 22,5 toneladas de dióxido de carbono por hectárea al año provenientes de terrenos típicos y biomasa regular. Sin embargo, las turberas no son regulares en ningún sentido. Almacenan muchísimo más carbono que la mayoría de los biomas vegetales sobre el suelo, por lo que asumiremos que liberan aproximadamente 45 toneladas de dióxido de carbono por hectárea al año (el doble que la cifra anterior para la biomasa regular). También asumiremos que la construcción de centros de datos refleja las características de la superficie terrestre global, lo que significa que el 3 % de la superficie de los centros de datos se encuentra en suelos de turberas (14.600 hectáreas) y el 97 % en terrenos regulares (471.400 hectáreas). En resumen, observamos que las emisiones derivadas del cambio de uso del suelo por la biomasa convencional contribuyeron con aproximadamente 10,6 millones de toneladas de emisiones de CO2 en 2026 (471 400 multiplicadas por 22,5, como se mencionó anteriormente), mientras que las emisiones derivadas del uso del suelo por las turberas fueron de aproximadamente 660 000 toneladas de dióxido de carbono (14 600 hectáreas multiplicadas por 45, como se mencionó anteriormente). En definitiva, estimamos que las emisiones globales derivadas del cambio de uso del suelo para 2026 como resultado de los centros de datos ascendieron a aproximadamente 11,3 millones de toneladas de CO2, una cifra asombrosa equivalente a las emisiones anuales de más de dos millones de automóviles.

Huella de la industria de la construcción

La industria de la construcción es un componente importante del desarrollo de infraestructura impulsado por IA. El gasto total de EE. UU. para la construcción de centros de datos probablemente alcanzará aproximadamente $29 mil millones este año. ¹¹⁵ Dado que EE. UU. tiene aproximadamente la mitad de los centros de datos del mundo, asumiremos que el gasto global total alcanzará $59 mil millones. La intensidad energética global promedio fue de aproximadamente 3,87 MJ/USD en 2022. ¹¹⁶ Vamos a asumir que es de alrededor de 3 MJ/USD para la industria de la construcción, por lo que con esa suposición obtenemos una huella energética estimada de 177 mil millones de MJ para la construcción global de centros de datos en 2026, lo que equivale a 49 TWh. Asignar el 40 por ciento a la IA significa que la huella energética de la construcción de centros de datos impulsados ​​por IA fue de 20 TWh en 2026. Dado que la maquinaria de construcción, como las excavadoras, las retroexcavadoras y los rodillos tándem, utiliza mayoritariamente motores diésel, que tienen una intensidad de emisiones de aproximadamente 265 gramos de CO2 por kilovatio-hora (kWh) de energía (265 000 toneladas métricas por TWh), esto implica que la huella de emisiones total de la construcción de centros de datos en 2026 fue de aproximadamente 13 millones de toneladas métricas. ¹¹⁷

Consumo posterior y efectos rebote

Hasta ahora, hemos hablado de los factores previos necesarios para la difusión de la IA: minería, producción industrial, logística, etc. Pero aún no hemos considerado los efectos posteriores. Una vez que los hogares, las empresas y los gobiernos adoptan sistemas de IA, también pueden adoptar comportamientos y estrategias diferentes que requieren energía para su implementación. Si bien la IA puede usarse para optimizar las redes inteligentes y las rutas de transporte, investigadores como Lynn Kaak y otros han señalado que también puede usarse para acelerar la exploración y extracción de petróleo y gas, junto con otras actividades de alto consumo energético. ¹¹⁸ El objetivo ahora es estimar la huella energética y de emisiones asociada con estas actividades posteriores y los efectos de rebote.

Es evidente, a partir de la investigación que ya citamos al hablar de la paradoja de Jevons (también conocida como efecto rebote en economía), que las industrias intensivas en capital suelen generar tasas de recuperación superiores al 100 % con el tiempo. Por lo tanto, la verdadera pregunta no es si la IA conducirá a un mayor consumo energético global neto con el tiempo, sino cuánto . Para comprenderlo, primero debemos tener una idea del ahorro energético esperado derivado del despliegue de la IA. Utilizando datos de GeSI, adoptamos un factor de reducción de 10 para nuestro análisis, lo que significa que por cada unidad de energía consumida por el sector de la IA, esperamos que se ahorren 10 unidades de energía durante los siguientes cinco años, en ausencia de efectos rebote. ¹¹⁹ Esta suposición de reducción bruta también está respaldada por cifras de Boston Consulting Group, que estimó que la IA podría «mitigar entre el 5 % y el 10 % de las emisiones globales de gases de efecto invernadero para 2030». ¹²⁰ Con una huella de aproximadamente el 1 por ciento, eso sugeriría una reducción bruta de alrededor del 10. Por supuesto, creemos que se materializará un fuerte efecto de retroceso de los despliegues globales de IA, por lo que la siguiente tarea es proporcionar una estimación para ello. Según la investigación para los sectores industriales en todo el mundo y en los Estados Unidos, los efectos de rebote macroeconómico pueden variar desde el 110 por ciento hasta el 800 por ciento en diferentes escalas de tiempo. ¹²¹ Vamos a adoptar una tasa de rebote inferior del 140 por ciento durante los próximos cinco años. Esta es en realidad una cifra bastante conservadora, dado el creciente entrelazamiento de la IA con prácticamente todas las industrias y actividades económicas en todo el mundo; el efecto de retroceso real durante los próximos cinco años probablemente será mayor.

Utilizamos la siguiente ecuación, donde R es el efecto rebote estimado (140 por ciento), para calcular el consumo neto de energía adicional:

nortemitdoonortestúmetropagtionorte=miincógnitapagmidotmidSavinortegramos∗(1−R)

Estimamos que el consumo energético primario global de electricidad generada por IA asciende a 709 TWh. Según lo indicado anteriormente, aplicamos un factor de reducción de 10 durante los próximos 5 años. Esto significa que prevemos que la IA generará un ahorro energético global de aproximadamente 7100 TWh en los próximos cinco años. Sin embargo, dado que se espera que la implementación de la IA tenga un efecto contraproducente, el consumo energético global adicional neto durante los próximos cinco años será de aproximadamente 2840 TWh, considerando la fórmula de recuperación anterior y una tasa de recuperación del 140 % (por lo que R es 1,4). Pero no podemos simplemente añadir esto al total de 2026. Primero hay que anualizarlo, lo que arroja 568 TWh de consumo energético adicional impulsado por IA debido al efecto rebote en 2026. Utilizando la intensidad de carbono promedio de la red eléctrica global mencionada anteriormente (460 gramos de CO2 por kWh, o 460 000 toneladas métricas por TWh), estimamos que la huella de emisiones total de los efectos rebote impulsados ​​por IA para 2026 será de aproximadamente 261 millones de toneladas métricas de CO2.

Es cierto que los efectos rebote de cualquier despliegue tecnológico generalmente no se escalan de forma lineal con el tiempo. Puede haber mejoras en la eficiencia al principio y luego los rebotes se manifiestan hacia el final del período de observación en cuestión. Probablemente esto también ocurra con la IA, por lo que desde esa perspectiva podría parecer injusto asignar esos 568 TWh a 2026. Pero argumentamos que esta preocupación se ve mitigada por el hecho de que este año se están produciendo rebotes reales asociados con despliegues de IA de años anteriores . La IA no surgió mágicamente en 2026 con gigavatios de capacidad de la nada. La industria de la IA ya estaba madura en muchos aspectos mucho antes de 2026, y toda esa difusión ha producido inevitablemente importantes rebotes hasta ahora.

Se podría objetar que estas emisiones adicionales que hemos calculado podrían haber ocurrido de todos modos, ya sea parcial o totalmente, incluso si la IA nunca se hubiera inventado. Supongamos que usted tiene una idea de qué preparar para la cena y le pregunta a un sistema de IA sobre los ingredientes, la receta, a qué supermercado ir, etc. Ir al supermercado consume energía de su automóvil y también produce emisiones por el tubo de escape. Cocinar la comida puede requerir el uso de una estufa u horno, y estos también consumen energía y generan una huella de carbono. La pregunta entonces es: ¿a qué sector deberían asignarse estas consecuencias? Si sus acciones y comportamientos están impulsados ​​por la información que recibió del sistema de IA, creemos que hay argumentos sólidos para atribuir la huella energética y de emisiones a la IA. Por supuesto, usted podría haber ido al supermercado a comprar los ingredientes para la cena incluso sin usar la IA, y esa actividad podría haber consumido la misma cantidad de energía y causado las mismas emisiones. Pero eso no representa ningún problema. En ese caso, la huella energética y de emisiones debería asignarse a algún otro sector.

La cuestión fundamental no radica únicamente en el total agregado, sino en la distribución entre los sectores que, en conjunto, determinan dicho total. En pocas palabras: si una actividad se llevó a cabo gracias a la IA, la huella energética y de emisiones de esa actividad debería atribuirse al sector de la IA, ya sea como un impacto directo o como un efecto indirecto. Entendemos que algunos investigadores, incluidos los críticos de la industria de la IA, puedan discrepar de esta conclusión, pero creemos que es totalmente coherente con las normas contables establecidas por las principales organizaciones internacionales, en especial el Protocolo de Gases de Efecto Invernadero (GEI).

Resultados finales y conclusiones

Sumando todo, estimamos que el sector de la IA es responsable de casi 1900 TWh de consumo energético mundial en 2026. Y tras tener en cuenta factores adicionales que no analizamos explícitamente, como la construcción de nuevas subestaciones eléctricas, almacenes robotizados, plantas de tratamiento de aguas residuales y otras infraestructuras diseñadas específicamente para dar soporte a la expansión de los centros de datos, es probable que la demanda energética mundial total impulsada por la IA ya se acerque a los 2000 TWh. Incluso con 1900 TWh, la participación de la IA en el consumo energético mundial total en 2026 sería de aproximadamente el 1,1 % . También estimamos, tras sumar todas las cifras sectoriales y llegar a aproximadamente 650 millones de toneladas métricas de emisiones de CO2 impulsadas por IA, que la participación de la IA en las emisiones globales de GEI en 2026 se sitúa en torno al 1,2 % , con un total de emisiones globales anuales de aproximadamente 55 gigatoneladas de CO2-eq, si bien con una amplia gama de cifras desde EDGAR hasta el PNUMA (entre 53 y 58 gigatoneladas, dependiendo de una amplia gama de supuestos diferentes). Como ya hemos comentado, estas cifras son mucho más elevadas que las que muchos otros en los medios de comunicación y el mundo académico han estimado basándose en cálculos simplistas y suposiciones ingenuas.

Las proyecciones hasta 2030 son obviamente mucho peores e implican un impacto catastrófico en la estabilidad ecológica global. Solo ChatGPT procesa aproximadamente 2.500 millones de solicitudes diarias en todo el mundo.^¹²² La magnitud del crecimiento y la difusión de la IA a nivel mundial es realmente asombrosa, y la huella ecológica correspondiente de la industria pronto rivalizará con la de países importantes como la India. No es descabellado pensar que la participación de la IA en la demanda energética global total podría aumentar hasta un 5 % para 2030, rivalizando e incluso superando en algunos casos la huella de las industrias dominantes ya establecidas. Las posibles consecuencias de esta presión adicional sobre los recursos en la biodiversidad, el calentamiento global, la escasez de agua dulce y los ciclos biogeoquímicos podrían ser absolutamente impactantes y devastadoras para la estabilidad de la civilización moderna.

Hay algunos factores que podrían alterar esta trayectoria, por lo demás desalentadora. Primero, la presión política podría intensificarse y obligar a la industria de la IA a estabilizarse o reducir su tamaño. Segundo, en ausencia de una presión política efectiva, la propia industria podría ralentizarse o colapsar si las leyes de escalabilidad comienzan a fallar. Tercero, las inversiones podrían disminuir incluso si los modelos de IA continúan progresando rápidamente, especialmente si los retornos y las ganancias simplemente no aparecen, como ha sucedido hasta ahora con las principales empresas de vanguardia en IA. Nada de esto significa que la IA vaya a desaparecer. En este punto, es una característica permanente de nuestras vidas en diversos grados. Pero sí significa que la onda expansiva de la infraestructura de IA podría ralentizarse significativamente, y con todos los desafíos ecológicos que se avecinan en el resto del siglo, sostenemos que la humanidad debe reconsiderar sus prioridades.

La reciente ola de cambios en infraestructura ya está contribuyendo significativamente al consumo energético global y a las emisiones de gases de efecto invernadero. ¿En qué momento las sociedades o los gobiernos evaluarán la relación coste-beneficio a largo plazo del crecimiento descontrolado de este sector? La IA podría algún día estar a la altura de los ideales que defienden sus promotores, pero ese valor se pone en entredicho hoy en día por el simple hecho de que también está contribuyendo a crear condiciones que harán que la Tierra sea hostil —incluso inhabitable— para miles de millones de personas en los próximos años. A menos que nuestras sociedades y gobiernos cooperen y regulen o controlen eficazmente esta industria, tememos que toda la humanidad pague un precio muy alto.

Notas

1. Christian Bogmans et al., “Power Hungry: How AI Will Drive Energy Demand”, Fondo Monetario Internacional, 22 de abril de 2025. https://www.elibrary.imf.org/view/journals/001/2025/081/article-A001-en.xml .

2. “Cómo los hiperescaladores están impulsando la carrera por la energía limpia las 24 horas del día, los 7 días de la semana”, McKinsey & Company, 18 de diciembre de 2024. https://www.mckinsey.com/industries/electric-power-and-natural-gas/our-insights/how-hyperscalers-are-fueling-the-race-for-24-7-clean-power .

3. ASML, “Desmintiendo mitos sobre ASML”, 2022. https://www.asml.com/en/news/stories/2022/busting-asml-myths .

4. Sean M. Davis, “Implicaciones de la dependencia de Taiwán de la energía importada”, Universidad de Lehigh, 29 de octubre de 2025. https://preserve.lehigh.edu/system/files/derivatives/coverpage/460057.pdf .

5. Arjen Y. Hoekstra, “El uso oculto de los recursos hídricos detrás de la carne y los lácteos” , Animal Frontiers , vol. 2, abril de 2012, pp. 3-8. https://academic.oup.com/af/article/2/2/3/4638610?login=false .

6. Miriam Aczel, et al., “Costo ambiental del uso de energía de la IA”, Instituto para el Agua, el Medio Ambiente y la Salud, Naciones Unidas, 2026. https://collections.unu.edu/eserv/UNU:10647/UNU-INWEH-Report-The_Env_Cost_of_AI-2026.pdf .

7. Para un análisis exhaustivo de estos temas, consulte Google DeepMind, “From AGI to ASI”, 12 de junio de 2026. https://deepmind.google/research/publications/239142/ .

8. Hannah Ritchie, “¿Cuánta energía consumen los centros de datos y la inteligencia artificial?”, Our World in Data, 20 de julio de 2026. https://ourworldindata.org/how-much-energy-do-data-centers-and-artificial-intelligence-use .

9. Emma Strubell, Ananya Ganesh y Andrew McCallum, “Consideraciones energéticas y políticas para el aprendizaje profundo en PLN”, Actas de la 57.ª Reunión Anual de la Asociación de Lingüística Computacional , Florencia, Italia, Asociación de Lingüística Computacional, págs. 3645–3650. https://aclanthology.org/P19-1355/ .

10. Para un ejemplo importante, véase James O’Donnell y Casey Crownhart, “Hicimos los cálculos sobre la huella energética de la IA”. MIT Technology Review . 20 de mayo de 2025. https://www.technologyreview.com/2025/05/20/1116327/ai-energy-usage-climate-footprint-big-tech/

11. Josie Stewart, Brooke Tanner y Nicol Turner Lee, “A medida que aumentan las demandas de energía para la IA, también debería aumentar la transparencia de las empresas”, Brookings Institution, 14 de julio de 2025. https://www.brookings.edu/articles/as-energy-demands-for-ai-increase-so-should-company-transparency/ .

12. Udit Gupta et al., “Chasing Carbon: The Elusive Environmental Footprint of Computing”, 2021 IEEE International Symposium on High-Performance Computer Architecture, febrero de 2021. https://ieeexplore.ieee.org/abstract/document/9407142 .

13. Sasha Luccioni, Sylvain Viguier y Anne-Laure Ligozat, “Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model”, Journal of Machine Learning Research , 2023. https://www.jmlr.org/papers/v24/23-0069.html .

14. Alex de Vries, “La creciente huella energética de la inteligencia artificial”, Joule , vol. 7, 18 de octubre de 2023. https://www.cell.com/joule/fulltext/S2542-4351(23)00365-3 .

15. Jesse Dodge et al., “Medición de la intensidad de carbono de la IA en instancias en la nube”, Actas de la Conferencia ACM sobre equidad, responsabilidad y transparencia , 1877-1894, 20 de junio de 2022. https://dl.acm.org/doi/pdf/10.1145/3531146.3533234 .

16. Véase Kate Crawford, Atlas de la IA: Poder, política y los costos planetarios de la inteligencia artificial (New Haven: Yale University Press, 2022).

17. Jonathan Kaiman, “La minería de tierras raras en China: los sombríos costos sociales y ambientales”, The Guardian , 20 de marzo de 2014. https://www.theguardian.com/sustainable-business/rare-earth-mining-china-social-environmental-costs .

18. Miguel Yañez-Barnuevo, “Las necesidades energéticas de los centros de datos podrían trastocar las redes eléctricas y amenazar el clima”, Environmental and Energy Study Institute, 15 de abril de 2025. https://www.eesi.org/articles/view/data-center-energy-needs-are-upending-power-grids-and-threatening-the-climate?hl=en-US .

19. Allan Chen, “Uso de energía en centros de datos: verdad versus mito”, Berkeley Lab, 16 de julio de 2002. https://www2.lbl.gov/Science-Articles/Archive/data-center-energy-myth.html?hl=en-US .

20. Peter L. Borland, Kevin McDonnell y Mary Harty, “Evaluación del potencial para utilizar la energía térmica expulsada de un centro de datos típico en Irlanda para métodos agrícolas alternativos”, Energies , vol. 16, 2023. https://www.mdpi.com/1996-1073/16/18/6704 .

21. Huwan Peng et al., “Chiplet Cloud: Construyendo supercomputadoras de IA para servir a grandes modelos de lenguaje generativos”, arXiv, 2023. https://arxiv.org/pdf/2307.02666 .

22. Rich Miller, “Uptime Institute: El PUE promedio es 1.8”, Data Center Knowledge, 10 de mayo de 2011. https://www.datacenterknowledge.com/uptime/uptime-institute-the-average-pue-is-1-8?hl=en-US .

23. Google, “Aumentar el crecimiento de Internet reduciendo el consumo de energía”, Centros de datos. https://datacenters.google/efficiency/?hl=en-US .

24. Véase John M Polimeni, Kozo Mayumi, Mario Giampietro y Blake Alcott, El mito de la eficiencia de los recursos: La paradoja de Jevons (Nueva York: Taylor & Francis Group, 2009) pp. 141-172. Véase también Richard York y Alexander McGee, “Comprendiendo la paradoja de Jevons”, Sociología ambiental , 2015. https://www.researchgate.net/profile/Julius-Mcgee/publication/285643149_Understanding_the_Jevons_paradox/links/5bdb72704585150b2b982762/Understanding-the-Jevons-paradox.pdf?_sg percent5B0 percent5D=started_experiment_milestone&origin=journalDetail .

25. Robert B. Gordon. El hierro estadounidense, 1607-1900 (Baltimore: John Hopkins University Press, 2001).

26. Vaclav Smil, Enriqueciendo la Tierra: Fritz Haber, Carl Bosch y la transformación de la producción mundial de alimentos (Cambridge: MIT Press, 2001).

27. R. Quentin Grafton et al., “La paradoja de la eficiencia del riego”, Science, vol. 361, 748-750, 2018. https://www.science.org/doi/abs/10.1126/science.aat9314 .

28. Daiyaan Arfeen et al., “Nonuniform-Tensor-Parallelism: Mitigating GPU failure impact for Scaled-Up LLM Training,” arXiv, 8 de abril de 2025. https://arxiv.org/abs/2504.06095 .

29. Ibíd.

30. Para más detalles, véase Carly Davenport et al., “IA, centros de datos y el próximo aumento de la demanda de energía en EE. UU.”, Goldman Sachs, 28 de abril de 2024. https://www.goldmansachs.com/pdfs/insights/pages/generational-growth-ai-data-centers-and-the-coming-us-power-surge/report.pdf .

31. Jared Kaplan et al., “Leyes de escala para modelos de lenguaje neuronales”, arXiv, 2020. https://arxiv.org/pdf/2001.08361/1000 .

32. Hoy en Energía, “Muchas centrales eléctricas más nuevas tienen sistemas de refrigeración que reutilizan el agua”, Administración de Información Energética de EE. UU., 11 de febrero de 2014. https://www.eia.gov/todayinenergy/detail.php?id=14971 .

33. Área de Misión de Recursos Hídricos, “Uso de agua en energía termoeléctrica”, USGS, 1 de marzo de 2019. https://www.usgs.gov/mission-areas/water-resources/science/thermoelectric-power-water-use .

34. Resumen ejecutivo, “Estado del centro de datos”, AFCOM, 2026. https://cdn.ymaws.com/afcom.com/resource/resmgr/resource_center/whitepapers/afcom_stateofdatacenter26_ex.pdf .

35. Pengfei Li et al., “Haciendo que la IA sea menos ‘sedienta’: Descubriendo y abordando la huella hídrica secreta de los modelos de IA”, arXiv, 2023. https://arxiv.org/pdf/2304.03271 .

36. Pengfei Li et al., “Making AI Less Thirsty”, Communications of the ACM , vol. 68, 54-61. https://dl.acm.org/doi/full/10.1145/3724499?__cf_chl_f_tk=aT67DeeQZWK7Eun9sgl2ZplrYRA4U8X.MpTIk3l3Dfo-1783133058-1.0.1.1-QT25k9iDNKChv6P0mfhAZBb1izsPS5Cmxf56jAeeu3w .

37. Jon Gorey, “Drenaje de datos: Impactos en la tierra y el agua del auge de la IA”, Lincoln Institute of Land Policy, 17 de octubre de 2025. https://www.lincolninst.edu/publications/land-lines-magazine/articles/land-water-impacts-data-centers/ .

38. Terry Nguyen y Ben Green, “¿Qué sucede cuando los centros de datos llegan a la ciudad?”, Universidad de Michigan, 2025. https://stpp.fordschool.umich.edu/sites/stpp/files/2025-07/stpp-data-centers-2025.pdf .

39. Heather Clancy, “¿Beber a sorbos o a tragos? Así es como los centros de datos de Google usan el agua”, Trellis, 22 de noviembre de 2022. https://trellis.net/article/sip-or-guzzle-heres-how-googles-data-centers-use-water/ .

40. Md Abu Bakar Siddik, Arman Shehabi y Landon Marston, “La huella ambiental de los centros de datos en los Estados Unidos”, Environmental Research Letters , vol. 16, 21 de mayo de 2021. https://iopscience.iop.org/article/10.1088/1748-9326/abfba1?_sp=b48260d8-0a7b-4784-9d4b-0e1ac60ee727 .

41. Coca-Cola consumía aproximadamente 300 mil millones de litros de agua cada año, al menos hasta 2012, por lo que es probable que los totales actuales sean mayores. Véase Andrea Ubreziova et al., “The Corporate Social Responsibility: The Case Study of Water as a Strategic Commodity For the Future”, 2012. https://real.mtak.hu/26194/1/Managing_SMEs_2012dec12-FINAL-DOI_CrossRef-Chapter_4.2.pdf . Para 2014, aproximadamente en el mismo período que las cifras de Coca-Cola anteriores, los centros de datos de EE. UU. consumían aproximadamente 630 mil millones de litros de agua. Véase Lawrence Berkeley National Laboratory, “United States Data Center Energy Usage Report”, junio de 2016, https://www.osti.gov/servlets/purl/1372902/ .

42. Véase Dario Amodei, “La adolescencia de la tecnología”, https://www.darioamodei.com/essay/the-adolescence-of-technology .

43. Véase Nicolas Bontigui y Dylan Patel, “From Tokens to Burgers: A Water Footprint Face-Off”, SemiAnalysis, 15 de enero de 2026. El enlace al análisis está aquí .

44. Protect Our Aquifer, “xAI Supercomputer”, https://www.protectouraquifer.org/issues/xai-supercomputer .

45. Protect Our Aquifer, “xAI y reutilización del agua”, https://www.protectouraquifer.org/now .

46. ​​Véase “xAI Colossus”, Supermicro, https://www.supermicro.com/en/featured/xai-colossus . Véase también Patrick Kennedy, “Dentro del clúster xAI Colossus de 100.000 GPU que Supermicro ayudó a construir para Elon Musk”, https://www.supermicro.com/CaseStudies/Success_Story_xAI_Colossus_Cluster.pdf .

47. Julia Koslowsky, “¿Cómo afectan los centros de datos a la red eléctrica de EE. UU.?”, Insight Global, 12 de junio de 2026. https://insightglobal.com/blog/how-data-centers-affect-us-power-grid/ .

48. Diana DiGangi, “El Departamento de Justicia podría intervenir en la demanda de la NAACP sobre las turbinas de gas del centro de datos de xAI”, Utility Dive, 15 de mayo de 2026. https://www.utilitydive.com/news/doj-may-intervene-in-naacp-lawsuit-over-xais-data-center-gas-turbines/820363/ .

49. E. Norgate y RR Lovel, “Uso sostenible del agua en la producción de minerales y metales”, Instituto Australasiano de Minería y Metalurgia , 2006. https://www.researchgate.net/publication/279549642_Sustainable_water_use_in_minerals_and_metal_production .

50. “Cómo usamos el agua”, Agencia de Protección Ambiental. https://www.epa.gov/watersense/how-we-use-water .

51. John Kelly, Scott Pham y Steve Reilly, “¿Cuánta agua usa realmente la IA?”, CBS News, 9 de junio de 2026. https://www.cbsnews.com/projects/2026/how-much-water-ai-uses/.

52. Yuelin Han et al., “Botella pequeña, tubería grande: cuantificando y abordando el impacto de los centros de datos en los sistemas públicos de agua”, arXiv, 2026. https://arxiv.org/abs/2603.02705 .

53. Deanna Noel, “La construcción secreta del centro de datos”, Public Citizen, 8 de julio de 2026. https://www.citizen.org/news/the-secret-data-center-buildout-how-states-can-stop-big-techs-abuse-of-ndas/ .

54. Will McCurdy, “Informe: Proyectos de centros de datos por valor de 130 mil millones de dólares bloqueados en el primer trimestre de 2026”, PCMag, 14 de junio de 2026. https://www.pcmag.com/news/report-130-billion-worth-of-data-center-projects-blocked-in-q1-2026 .

55. “Cuestiones relacionadas con la naturaleza en el sector tecnológico”, Grupo de trabajo sobre divulgación financiera relacionada con la naturaleza. Febrero de 2026. https://tnfd.global/wp-content/uploads/2026/02/Case-study_Water-dependency-of-the-tech-sector_DIGITAL.pdf .

56. ArcGIS, “Cadena de suministro de Taiwán”, Estudio de caso 2023. https://experience.arcgis.com/experience/a1ec0d1276064ae387c863f2a14b11e1/page/Taiwan-Supply-Chain .

57. Shannon Davis, “Desafíos del suministro de agua para la industria de semiconductores”, Semiconductor Digest , 24 de octubre de 2022. https://www.semiconductor-digest.com/water-supply-challenges-for-the-semiconductor-industry/ .

58. Theresa Wing Ling Lam et al., “Contaminación por microplásticos del agua del grifo procedente de aguas superficiales en Hong Kong: un estudio preliminar”, Applied Sciences , vol. 10, 2020. https://www.mdpi.com/2076-3417/10/10/3463 .

59. Véase “Consumo de energía primaria”, Organización para la Cooperación y el Desarrollo Económicos, 20 de noviembre de 2001. Para obtener una lista de los elementos incluidos en el consumo primario en los Estados Unidos, consulte la entrada “Consumo de energía primaria” en el Glosario de la Administración de Información Energética de los Estados Unidos, https://www.eia.gov/tools/glossary/ .

60. Para una explicación de estos métodos, consulte los “Cuestionarios estadísticos” de la Agencia Internacional de Energía. https://www.iea.org/statistics-questionnaires-faq .

61. Informe, “Revisión estadística de la energía mundial”, The Energy Institute, 2026, pág. 81. https://www.energyinst.org/statistical-review .

62. Gregory Semieniuk e Isabella Weber, “Desigualdad en el consumo de energía: ¿equilibrio estadístico o una cuestión de convenciones contables?”, The European Physical Journal Special Topics , vol. 229, pp. 1705-1714, 2020. https://www.econstor.eu/bitstream/10419/227884/1/1681142201.pdf .

63. Erald Kolasi, La física del capitalismo (Nueva York: Monthly Review Press, 2025), págs. 188-189.

64. “Proyecciones de crecimiento de centros de datos que darán forma al período 2026-2030”, Avid Solutions, 2026. https://avidsolutionsinc.com/13-data-center-growth-projections-that-will-shape-2026-2030/ .

65. Andrew Batson, “Informe sobre centros de datos en Norteamérica, fin de año 2025”, JLL, 17 de febrero de 2026. https://www.jll.com/en-us/insights/market-dynamics/north-america-data-centers .

66. Véase “El Protocolo de Gases de Efecto Invernadero”, Instituto de Recursos Mundiales. https://ghgprotocol.org/sites/default/files/standards/ghg-protocol-revised.pdf .

67. Agencia Internacional de Energía, “Energía e IA”, 2024. https://www.iea.org/reports/energy-and-ai .

68. Laboratorio Nacional Lawrence Berkeley, “Informe de uso de energía de centros de datos de Estados Unidos de 2024”, Departamento de Energía. 20 de diciembre de 2024. https://www.energy.gov/articles/doe-releases-new-report-evaluating-increase-electricity-demand-data-centers .

69. David Wood et al., “Data-Prep-Kit: preparando sus datos para el desarrollo de aplicaciones LLM”, arXiv, 13 de noviembre de 2024. https://arxiv.org/pdf/2409.18164 .

70. Vivian Lee et al., “Rompiendo barreras para el crecimiento de los centros de datos”, Boston Consulting Group, 20 de enero de 2025. https://web-assets.bcg.com/pdf-src/prod-live/breaking-barriers-data-center-growth.pdf .

71. Sagar Shelare et al., “El papel de la energía geotérmica en la desalinización sostenible del agua: una revisión del estado actual, los parámetros y los desafíos”, Energies , vol. 16, 2023. https://www.mdpi.com/1996-1073/16/6/2901 .

72. Rasmus Leichter (2025). “Número de centros de datos por país (noviembre de 2025)”. Recuperado de https://www.cargoson.com/en/blog/number-of-data-centers-by-country .

73. Presenc AI, “Estadísticas de consumo energético de centros de datos de IA 2026”, mayo de 2026. https://presenc.ai/research/ai-data-center-energy-consumption-2026 .

74. Informe, “Revisión estadística de la energía mundial”, The Energy Institute, 2026. https://www.energyinst.org/statistical-review .

75. Alexander Neumueller et al., “Informe de la industria minera digital de Cambridge”, Centro de Finanzas Alternativas de Cambridge, Universidad de Cambridge. https://www.jbs.cam.ac.uk/wp-content/uploads/2025/04/2025-04-cambridge-digital-mining-industry-report.pdf .

76. Cointelegraph, “Bernstein: Los mineros de Bitcoin se convierten en proveedores críticos en la infraestructura de IA”, TradingView. https://www.tradingview.com/news/cointelegraph:e6666a483094b:0-bernstein-bitcoin-miners-becoming-critical-suppliers-in-ai-infrastructure .

77. IREN, “IREN firma un acuerdo de 9.700 millones de dólares con Microsoft para implementar infraestructura de nube de IA”, 3 de noviembre de 2025. ://iren.com/resources/blog/iren-signs97-billion-agreement-with-microsoft-to-deploy-ai-cloud-infrastructure .

78. Euan Graham, Nicolas Fulghum y Katye Altieri, “Global Electricity Review 2025”, Ember, 8 de abril de 2025. https://ember-energy.org/app/uploads/2025/04/Report-Global-Electricity-Review-2025.pdf .

79. Para el factor de eficiencia nuclear, véase «Cuestionarios estadísticos» de la Agencia Internacional de Energía. https://www.iea.org/statistics-questionnaires-faq . Para el factor de eficiencia de combustibles fósiles, véase Peter Taylor et al., «Indicadores de eficiencia energética para la producción pública de electricidad a partir de combustibles fósiles», Agencia Internacional de Energía, julio de 2008. https://iea.blob.core.windows.net/assets/acaecb98-4430-4395-a4fa-d1a4d5ccb3d3/EnergyEfficiencyIndicatorsforPublicElectricityProductionfromFossilFuels.pdf .

80. Informe, “Revisión estadística de la energía mundial”, The Energy Institute, 2026, pág. 23. https://www.energyinst.org/statistical-review .

81. Jinsoo Kim et al., “Descarbonización de la industria del hierro y el acero: una revisión sistemática de los sistemas sociotécnicos, las innovaciones tecnológicas y las opciones políticas”, Energy Research & Social Science, vol. 89, 2022. https://www.sciencedirect.com/science/article/abs/pii/S2214629622000706? .

82. Foro Económico Mundial, “Metales a gran escala para IA a gran escala: asegurando la infraestructura de materiales del centro de datos”, 10 de diciembre de 2025. https://www.weforum.org/stories/2025/12/securing-data-centre-materials/ .

83. Asociación Mundial del Acero, “Cambio climático y producción de hierro y acero”, https://worldsteel.org/climate-action/climate-change-and-the-production-of-iron-and-steel/ .

84. Asociación Mundial del Acero, “Indicadores de sostenibilidad de la industria siderúrgica”, https://worldsteel.org/data/world-steel-in-figures/world-steel-in-figures-2025/ .

85. Camillo Schmidt-Chiari, “Industria mundial del cemento”, Gabelli, 23 de octubre de 2025. https://gabelli.com/research/global-cement-industry/ .

86. Agencia de Protección Ambiental, “Intensidades de carbono de las industrias cementeras de EE. UU.”, octubre de 2021. https://www.epa.gov/system/files/documents/2021-10/cement-carbon-intensities-fact-sheet.pdf .

87. Foro Económico Mundial, “Metales a gran escala para IA a gran escala: asegurando la infraestructura de materiales del centro de datos”, 10 de diciembre de 2025. https://www.weforum.org/stories/2025/12/securing-data-centre-materials/ .

88. Andy Patrizio, “Gartner: El consumo de electricidad de los centros de datos crecerá un 26 por ciento en 2026”, Network World, 7 de julio de 2026. https://www.networkworld.com/article/4193996/gartner-data-center-electricity-consumption-to-grow-26-in-2026.html .

89. Véase Lingchen Liu et al., “Consumo de energía del ciclo de vida y emisiones de GEI de la producción de cobre en China y la influencia de los principales factores en el rendimiento mencionado” , Processes , vol. 19, 2022. https://www.mdpi.com/2227-9717/10/12/2715 .

90. Foro Económico Mundial, “Metales a gran escala para IA a gran escala: asegurando la infraestructura de materiales del centro de datos”, 10 de diciembre de 2025. https://www.weforum.org/stories/2025/12/securing-data-centre-materials/ .

91. SEMI, “Estadísticas de envío de obleas de silicio”, https://www.semi.org/en/products-services/market-data/materials/si-shipment-statistics .

92. Shihcheng Hu y Yew Khoy Chuah, “Consumo de energía de las fábricas de semiconductores en Taiwán”, Energy, vol. 28, 2003, 895-907. https://www.sciencedirect.com/science/article/abs/pii/S0360544203000082 .

93. Nicolas Fulghum et al., “Global Electricity Review 2026”, Ember, 21 de abril de 2026. https://ember-energy.org/app/uploads/2026/04/Global-Electricity-Review-2026.pdf .

94. Informe, “Las emisiones de semiconductores están explotando: lo que dice el pronóstico sobre la IA, la memoria 3D NAND y la red eléctrica global”, Tech Insights, 22 de diciembre de 2025. https://www.techinsights.com/blog/semiconductor-emissions-are-exploding-what-forecast-says-about-ai-3d-nand-and-global-grid .

95. Departamento de Energía de EE. UU., “Uso del análisis energético del ciclo de vida para la fabricación sostenible”, 2026. https://www.energy.gov/cmei/amo/articles/using-life-cycle-energy-analysis-more-sustainable-manufacturing?hl=en-US .

96. Jeroen Kusters et al., “2026 Global Semiconductor Industry Outlook”, Deloitte, 5 de febrero de 2026. https://www.deloitte.com/us/en/insights/industry/technology/technology-media-telecom-outlooks/semiconductor-industry-outlook.html .

97. Resumen ejecutivo, “World Robotics 2025”, IFR, 2025. https://ifr.org/img/worldrobotics/Executive_Summary_WR_2025_Industrial_Robots.pdf .

98. Nate Barnett, Dave Costenaro e Ingrid Rohmund, “Impactos directos e indirectos de los robots en la carga eléctrica futura”, Applied Energy Group. https://www.aceee.org/files/proceedings/2017/data/polopoly_fs/1.3687904.1501159084!/fileserver/file/790278/filename/0036_0053_000029.pdf .

99. Agencia Internacional de Energía, “Centros de datos y redes de transmisión de datos”, 2023. https://www.iea.org/energy-system/buildings/data-centres-and-data-transmission-networks .

100. Informe de Cisco 2026, “Impacto de la IA en las redes de área amplia”, https://www.cisco.com/c/dam/en/us/solutions/collateral/artificial-intelligence/mass-scale-infrastructure/ai-network-traffic-report.pdf .

101. Lisa Winkler, “El efecto de las políticas de transición a la movilidad sostenible en las emisiones acumuladas del transporte urbano y la demanda de energía”, Nature Communications , vol. 14, 2023. https://www.nature.com/articles/s41467-023-37728-x .

102. Matteo Muratori et al., “El papel del sector de carga en los escenarios futuros de mitigación del cambio climático”, Environmental Science & Technology , 2017. https://www.osti.gov/servlets/purl/1349019 .

103. Taner Stewart, “Consumo de energía en centros de datos: ¿Cuánta electricidad utiliza un centro de datos?”, Texas Electric Broker, 11 de junio de 2026. https://www.texaselectricbroker.com/blog/data-center-energy-consumption .

104. Tugana Aslan et al., “Hacia centros de datos climáticamente neutros: inventario de gases de efecto invernadero, escenarios y estrategias”, CellPress , 21 de diciembre de 2024. https://www.cell.com/action/showPdf?pii=S2589-0042 percent2824 percent2902864-5 .

105. Nirmala Menikpura y Janya Sang-Arun, “Herramienta de estimación de emisiones de gases de efecto invernadero (GEI) de la gestión de residuos sólidos municipales (RSM) en una perspectiva de ciclo de vida”, Instituto de Estrategias Ambientales Globales, 2013. https://www.iges.or.jp/en/publication_documents/pub/data/en/3247/User_Manual_for_Simulation-_Version_II_ percent28edited percent29-01_Oct_2013.pdf .

106. “Suministro de energía para la IA”, Agencia Internacional de Energía. https://www.iea.org/reports/energy-and-ai/energy-supply-for-ai .

107. “Cómo los hiperescaladores están impulsando la carrera por la energía limpia 24/7”, McKinsey & Company, 18 de diciembre de 2024. https://www.mckinsey.com/industries/electric-power-and-natural-gas/our-insights/how-hyperscalers-are-fueling-the-race-for-24-7-clean-power .

108. Brittany L. Smith et al., “Una evaluación actualizada del ciclo de vida de los sistemas solares fotovoltaicos a escala de servicios públicos instalados en los Estados Unidos”, Laboratorio Nacional de Energías Renovables, marzo de 2024. https://docs.nlr.gov/docs/fy24osti/87372.pdf .

109. “Informe mundial sobre la energía 2026”, Agencia Internacional de Energía, https://iea.blob.core.windows.net/assets/df903e1c-49c6-4757-8cbf-6fbcfe7611a0/GlobalEnergyReview2026.pdf.

110. Erhan Eren, “Gigawatt PPAs: Cómo el acuerdo entre Google y Total Energies redefinió la adquisición de energía solar por parte de hiperescaladores en 2026”, Enki, 2026. https://enkiai.com/solar/gigawatt-ppas-how-ai-redefined-hyperscaler-energy-in-2026/ .

111. Christian Dunn y Chris Freeman, “Turberas: ¿nuestra mayor fuente de créditos de carbono?”, Carbon Management , vol. 2, 2011. https://www.tandfonline.com/doi/full/10.4155/cmt.11.23 .

112. Informe temático, “Turberas y cambio climático”, Unión Internacional para la Conservación de la Naturaleza, 2017. https://iucn.org/resources/issues-brief/peatlands-and-climate-change?hl=en-US .

113. IPCC, “Cambio de uso de la tierra y silvicultura”, https://www.ipcc-nggip.iges.or.jp/public/gl/guidelin/ch5ref1.pdf .

114. Heather Keith, Brendan G. Mackey y David B. Lindenmayer, “Reevaluación de las reservas de carbono de la biomasa forestal y lecciones de los bosques con mayor densidad de carbono del mundo”, Actas de la Academia Nacional de Ciencias , vol. 106, 14 de julio de 2009. https://www.pnas.org/doi/10.1073/pnas.0901970106 .

115. “¿Cuánto gasta Estados Unidos en la construcción de centros de datos?”, Our World in Data, 9 de abril de 2026. https://ourworldindata.org/how-much-is-the-us-spending-on-building-data-centers .

116. ESMAP, “Eficiencia energética”, https://trackingsdg7.esmap.org/sites/default/files/download-documents/chapter4_energyefficiency.pdf .

117. “Factores de emisión de dióxido de carbono”, Our World in Data, https://ourworldindata.org/grapher/carbon-dioxide-emissions-factor .

118. Lynn H. Kaak et al., “Alineando la inteligencia artificial con la mitigación del cambio climático”, Nature Climate Change , 2022. https://par.nsf.gov/servlets/purl/10469824 .

119. GeSI, “La oportunidad”, https://smarter2030.gesi.org/the-opportunity/ .

120. Amane Dannouni et al., “Acelerar la acción climática con IA”, Boston Consulting Group, noviembre de 2023. https://web-assets.bcg.com/72/cf/b609ac3d4ac6829bae6fa88b8329/bcg-accelerating-climate-action-with-ai-nov-2023-rev.pdf .

121. Jeffrey B. Dahmus, “¿Pueden las mejoras de eficiencia reducir el consumo de recursos?”, Journal of Industrial Ecology , vol. 18, diciembre de 2014. https://web.mit.edu/ebm/www/Publications/JIE percent20- percent20Dahmus percent20- percent20Can percent20Efficiency percent20Improvements percent20Reduce percent20Resource percent20Consumption percent20- percent202014 percent20copy.pdf

122. Miriam Aczel, et al., “Costo ambiental del uso de energía de la IA”, Instituto para el Agua, el Medio Ambiente y la Salud, Naciones Unidas, 2026. https://collections.unu.edu/eserv/UNU:10647/UNU-INWEH-Report-The_Env_Cost_of_AI-2026.pdf .