La inteligencia artificial se enfrenta a una paradoja: cuanto más se utiliza, más cara resulta de mantener. La expansión de los centros de datos, los modelos cada vez más grandes y la llegada de los agentes están disparando las necesidades de computación y, con ellas, el consumo eléctrico. Hasta ahora, buena parte de la solución se ha buscado en el hardware, pero el software también puede marcar una diferencia importante.
“El hardware consume porque tiene un software que se está ejecutando”, explica Coral Calero, catedrática de Lenguajes y Sistemas Informáticos de la Universidad de Castilla-La Mancha. La investigadora resume así uno de los principios del llamado software verde: cuanto mejor aproveche un programa los recursos de la máquina, menos trabajo innecesario tendrá que realizar y menor será su consumo energético.
Menos precisión, menos recursos
Una de las vías que están estudiando los investigadores consiste en reducir la precisión de determinados cálculos. Verónica Bolón Canedo, investigadora de IA en la Universidade da Coruña y directora de la Cátedra UDC-INDITEX de IA en Algoritmos Verdes, explica que algunas operaciones pueden pasar de utilizar 64 bits a 16 u 8 bits. “Es como si perdiésemos decimales”, señala, pero esa simplificación permite reducir los recursos necesarios.
El problema es que no todas las aplicaciones pueden permitirse el mismo margen de error. Una recomendación cinematográfica puede tolerar cierta imprecisión; un sistema utilizado para apoyar un diagnóstico médico, no. Por eso el objetivo no consiste simplemente en utilizar menos bits, sino en modificar el algoritmo para compensar la pérdida de precisión y mantener el resultado dentro de unos límites aceptables.
La eficiencia también puede conseguirse haciendo que un modelo no tenga que utilizar toda su capacidad en cada consulta. Las arquitecturas de mezcla de expertos (MoE) permiten activar únicamente determinadas partes de una red neuronal dependiendo de la tarea. La irrupción de DeepSeek volvió a colocar esta técnica en el centro del debate sobre cómo construir modelos capaces sin obligar a toda la red a trabajar constantemente.
La factura crece con cada consulta
El entrenamiento de un modelo avanzado requiere enormes cantidades de computación, pero el gasto no termina cuando el sistema está listo. Cada vez que un usuario realiza una consulta comienza otra pequeña carga de trabajo: la inferencia.
Y el problema se multiplica con los agentes de IA, capaces de dividir una tarea en varios pasos, consultar información, utilizar herramientas y volver a procesar los resultados. “Las empresas están interesadas en que los modelos sean eficientes no porque estén especialmente preocupadas por el medio ambiente sino porque económicamente no les va a resultar viable”, apunta Calero.
La diferencia puede ser considerable. Un estudio publicado en Joule por investigadores de Microsoft calcula una mediana de 0,31 Wh por consulta optimizada, pero advierte de que las peticiones que requieren razonamientos largos pueden multiplicar el consumo por más de diez. El trabajo también apunta a un amplio margen de mejora: combinar avances en los propios modelos, en el software que los ejecuta y en el hardware podría reducir entre 8 y 20 veces la energía necesaria para una consulta.
La presión no es únicamente energética. También empieza a notarse en las cuentas de las empresas. El informe State of AI 2026 de McKinsey señala que alrededor de una quinta parte de las organizaciones limita el uso de la IA por sus costes operativos, incluidos los asociados al consumo de tokens. En paralelo, otro análisis de la consultora advierte de que la inferencia se convertirá en el principal tipo de carga de trabajo de IA en los centros de datos antes de 2030 y podría superar el 40% de la demanda total. Eso cambia completamente las prioridades. Optimizar un modelo para que necesite menos recursos cada vez que responde puede terminar siendo tan importante como reducir el coste de entrenarlo.
Una cuestión que también afecta a la red eléctrica
La dimensión del problema ayuda a entender por qué la eficiencia se ha convertido en una prioridad. Según la Agencia Internacional de la Energía (IEA), los centros de datos consumieron alrededor de 415 TWh de electricidad en 2024, aproximadamente el 1,5% del consumo eléctrico mundial. La cifra corresponde al conjunto de los centros de datos, no solo a los sistemas de IA, pero la expansión de la computación acelerada —impulsada principalmente por la inteligencia artificial— es uno de los grandes motores de ese crecimiento. En su escenario central, la IEA calcula que el consumo eléctrico de los centros de datos podría superar los 945 TWh en 2030, cerca del 3% de la demanda mundial.
Por eso optimizar el software puede tener un efecto acumulativo. Un pequeño ahorro en una única consulta puede parecer irrelevante, pero cuando un modelo procesa millones de peticiones al día la diferencia se multiplica. La eficiencia, además, permite reducir la presión sobre los propios centros de datos y sobre las redes que tienen que alimentarlos.
Sin embargo, la factura de la inteligencia artificial no termina en el enchufe. Una revisión publicada en Nature Reviews Clean Technology advierte de que también hay que contabilizar las emisiones asociadas a fabricar los chips y construir los centros de datos que hacen posible esta tecnología. En el caso de los grandes centros de datos de IA, esa huella incorporada puede representar más de la mitad de sus emisiones. La eficiencia del software, por tanto, no solo puede servir para reducir la electricidad necesaria para responder a una consulta: si permite hacer más con menos capacidad de cómputo, también puede ayudar a contener la necesidad de nueva infraestructura y los costes ambientales asociados a ella.
Hacer más con menos
La carrera de la inteligencia artificial entra así en una nueva fase. Las compañías siguen buscando modelos más capaces, fiables y seguros, pero cada vez tienen más incentivos para conseguir que esos modelos sean también baratos de ejecutar. No siempre será necesario recurrir al sistema más potente: muchas tareas pueden resolverse con modelos más pequeños o activando únicamente una parte de la arquitectura.
El objetivo que resume esta nueva tendencia es sencillo: hacer el mismo trabajo con menos computación. Y ahí el software puede convertirse en una pieza tan importante como los chips. Como recuerda Calero, medir el consumo y optimizar los recursos permite abordar la sostenibilidad desde el propio diseño de las aplicaciones, una línea de investigación que también se está impulsando desde la UCLM.
Ya existen resultados que muestran que ese ahorro puede conseguirse desde el propio software. Una investigación publicada en 2026 probó un sistema de optimización automática sobre Llama 3.2 y logró reducir un 13,5% el consumo energético del modelo de 1.000 millones de parámetros en determinadas pruebas, además de recortar su tiempo de ejecución. El resultado no significa que cualquier modelo vaya a consumir un 13,5% menos, pero sí demuestra que optimizar la forma en la que se ejecuta una IA puede traducirse en ahorros medibles.
La IA necesita seguir creciendo, pero cada vez resulta más evidente que no podrá hacerlo únicamente a base de añadir potencia. El siguiente gran salto puede estar en conseguir que los algoritmos sean lo bastante inteligentes como para saber cuándo no necesitan utilizar toda esa potencia.
