La intel·ligència artificial s'enfronta a una paradoxa: com més s'utilitza, més cara resulta de mantenir. L'expansió dels centres de dades, els models cada vegada més grans i l'arribada dels agents estan disparant les necessitats de computació i, amb elles, el consum elèctric. Fins ara, bona part de la solució s'ha buscat en el maquinari, però el programari també pot marcar una diferència important.
“El maquinari consumeix perquè té un programari que s'està executant”, explica Coral Calero, catedràtica de Llenguatges i Sistemes Informàtics de la Universitat de Castella-la Manxa. La investigadora resumeix així un dels principis de l'anomenat programari verd: com millor aprofiti un programa els recursos de la màquina, menys feina innecessària haurà de realitzar i menor serà el seu consum energètic.
Menys precisió, menys recursos
Una de les vies que estan estudiant els investigadors consisteix a reduir la precisió de determinats càlculs. Verónica Bolón Canedo, investigadora d'IA a la Universidade da Coruña i directora de la Càtedra UDC-INDITEX d'IA en Algorismes Verds, explica que algunes operacions poden passar d'utilitzar 64 bits a 16 o 8 bits. “És com si perdéssim decimals”, assenyala, però aquesta simplificació permet reduir els recursos necessaris.
El problema és que no totes les aplicacions poden permetre's el mateix marge d'error. Una recomanació cinematogràfica pot tolerar certa imprecisió; un sistema utilitzat per donar suport a un diagnòstic mèdic, no. Per això l'objectiu no consisteix simplement a utilitzar menys bits, sinó a modificar l'algorisme per compensar la pèrdua de precisió i mantenir el resultat dins d'uns límits acceptables.
L'eficiència també pot aconseguir-se fent que un model no hagi d'utilitzar tota la seva capacitat en cada consulta. Les arquitectures de barreja d'experts (MoE) permeten activar únicament determinades parts d'una xarxa neuronal depenent de la tasca. La irrupció de DeepSeek va tornar a col·locar aquesta tècnica en el centre del debat sobre com construir models capaços sense obligar tota la xarxa a treballar constantment.
La factura creix amb cada consulta
L'entrenament d'un model avançat requereix enormes quantitats de computació, però la despesa no acaba quan el sistema està llest. Cada vegada que un usuari realitza una consulta comença una altra petita càrrega de treball: la inferència.
I el problema es multiplica amb els agents d'IA, capaços de dividir una tasca en diversos passos, consultar informació, utilitzar eines i tornar a processar els resultats. “Les empreses estan interessades que els models siguin eficients no perquè estiguin especialment preocupades pel medi ambient sinó perquè econòmicament no els resultarà viable”, apunta Calero.
La diferència pot ser considerable. Un estudi publicat a Joule per investigadors de Microsoft calcula una mitjana de 0,31 Wh per consulta optimitzada, però adverteix que les peticions que requereixen raonaments llargs poden multiplicar el consum per més de deu. El treball també apunta a un ampli marge de millora: combinar avenços en els mateixos models, en el programari que els executa i en el maquinari podria reduir entre 8 i 20 vegades l'energia necessària per a una consulta.
La pressió no és únicament energètica. També comença a notar-se en els comptes de les empreses. L'informe State of AI 2026 de McKinsey assenyala que al voltant d'una cinquena part de les organitzacions limita l'ús de la IA pels seus costos operatius, inclosos els associats al consum de tokens. En paral·lel, una altra anàlisi de la consultora adverteix que la inferència es convertirà en el principal tipus de càrrega de treball d'IA en els centres de dades abans de 2030 i podria superar el 40% de la demanda total. Això canvia completament les prioritats. Optimitzar un model perquè necessiti menys recursos cada vegada que respon pot acabar sent tan important com reduir el cost d'entrenar-lo.
Una qüestió que també afecta la xarxa elèctrica
La dimensió del problema ajuda a entendre per què l'eficiència s'ha convertit en una prioritat. Segons l'Agència Internacional de l'Energia (IEA), els centres de dades van consumir al voltant de 415 TWh d'electricitat el 2024, aproximadament l'1,5% del consum elèctric mundial. La xifra correspon al conjunt dels centres de dades, no només als sistemes d'IA, però l'expansió de la computació accelerada —impulsada principalment per la intel·ligència artificial— és un dels grans motors d'aquest creixement. En el seu escenari central, la IEA calcula que el consum elèctric dels centres de dades podria superar els 945 TWh el 2030, prop del 3% de la demanda mundial.
Per això optimitzar el programari pot tenir un efecte acumulatiu. Un petit estalvi en una única consulta pot semblar irrellevant, però quan un model processa milions de peticions al dia la diferència es multiplica. L'eficiència, a més, permet reduir la pressió sobre els mateixos centres de dades i sobre les xarxes que han d'alimentar-los.
No obstant això, la factura de la intel·ligència artificial no acaba a l'endoll. Una revisió publicada a Nature Reviews Clean Technology adverteix que també cal comptabilitzar les emissions associades a fabricar els xips i construir els centres de dades que fan possible aquesta tecnologia. En el cas dels grans centres de dades d'IA, aquesta petjada incorporada pot representar més de la meitat de les seves emissions. L'eficiència del programari, per tant, no només pot servir per a reduir l'electricitat necessària per a respondre a una consulta: si permet fer més amb menys capacitat de còmput, també pot ajudar a contenir la necessitat de nova infraestructura i els costos ambientals associats a ella.
Fer més amb menys
La cursa de la intel·ligència artificial entra així en una nova fase. Les companyies continuen buscant models més capaços, fiables i segurs, però cada vegada tenen més incentius per a aconseguir que aquests models siguin també barats d'executar. No sempre caldrà recórrer al sistema més potent: moltes tasques es poden resoldre amb models més petits o activant únicament una part de l'arquitectura.
L'objectiu que resumeix aquesta nova tendència és senzill: fer la mateixa feina amb menys computació. I aquí el programari pot convertir-se en una peça tan important com els xips. Com recorda Calero, mesurar el consum i optimitzar els recursos permet abordar la sostenibilitat des del propi disseny de les aplicacions, una línia d'investigació que també s'està impulsant des de la UCLM.
Ja existeixen resultats que mostren que aquest estalvi pot aconseguir-se des del propi programari. Una investigació publicada el 2026 va provar un sistema d'optimització automàtica sobre Llama 3.2 i va aconseguir reduir un 13,5% el consum energètic del model de 1.000 milions de paràmetres en determinades proves, a més de retallar el seu temps d'execució. El resultat no significa que qualsevol model hagi de consumir un 13,5% menys, però sí que demostra que optimitzar la forma en què s'executa una IA pot traduir-se en estalvis mesurables.
La IA necessita seguir creixent, però cada vegada resulta més evident que no podrà fer-ho únicament a base d'afegir potència. El següent gran salt pot estar a aconseguir que els algorismes siguin prou intel·ligents com per saber quan no necessiten utilitzar tota aquesta potència.