Dirección, edición y coordinación equipos internacionales: Loredana Claudia Valean Carpa
EL COSTE OCULTO DE LA INTELIGENCIA ARTIFICIAL
1. Introducción: la cara oculta de la inteligencia artificial
La inteligencia artificial se ha convertido en el motor de la innovación tecnológica del siglo XXI. Desde asistentes conversacionales hasta sistemas de diagnóstico médico, la IA permea prácticamente todos los ámbitos de la economía y la sociedad. Sin embargo, detrás de la promesa de una eficiencia sin precedentes se oculta una realidad preocupante: la infraestructura física que sustenta estos sistemas demanda cantidades colosales de agua, materias primas críticas y energía eléctrica. Este artículo analiza con datos el coste medioambiental de mantener en funcionamiento los centros de datos, los servidores GPU y los sistemas de refrigeración que hacen posible la IA, y construye un modelo predictivo para estimar cuándo la presión sobre estos recursos podría alcanzar un punto de colapso.
Cada consulta a un modelo de lenguaje grande como GPT-4 consume entre 3 y 50 mililitros de agua solo en refrigeración, según investigaciones de la Universidad de California Riverside. Si multiplicamos ese volumen por los miles de millones de peticiones diarias, el cálculo resulta escalofriante. La industria de la IA no solo compite por agua y electricidad con hogares y agricultura, sino que también depende de minerales cuya extracción genera impactos medioambientales devastadores en países del Sur Global.
2. Consumo de agua: la sed insaciable de los centros de datos
El agua es el recurso más invisible del ecosistema de la IA. Las torres de refrigeración de los centros de datos evaporan miles de millones de litros anuales para mantener las temperaturas de operación de los chips. Microsoft, por ejemplo, consumió 8.500 millones de litros de agua en 2023, un incremento del 34% respecto al año anterior, impulsado principalmente por el despliegue masivo de infraestructura para IA. Google elevó su consumo un 20% en el mismo periodo, alcanzando los 6.600 millones de litros.
La huella hídrica no se limita a la fase de operación. La fabricación de un único oblea de silicio de 300 mm requiere aproximadamente 2.200 litros de agua ultrapura. Cada GPU de última generación, como la NVIDIA H100, precisa entre 5.700 y 9.500 litros a lo largo de su ciclo de vida completo, desde la extracción de materias primas hasta su eliminación. En regiones como Arizona o Chile, donde se concentran grandes centros de datos y fábricas de semiconductores, esta demanda compite directamente con el abastecimiento agrícola y urbano, agravando las tensiones hídricas ya existentes.
3. Materias primas: los minerales que alimentan la inteligencia.
Los servidores de IA son auténticas máquinas de demanda mineral. El silicio, base de todos los semiconductores, representa aproximadamente el 28% del peso material de un servidor, pero su refinado exige energía intensiva y agua ultrapura. El cobre, indispensable para las interconexiones eléctricas de alta velocidad, constituye el 22% restante, y su extracción genera enormes cantidades de residuos tóxicos. Las tierras raras —neodimio, disprosio, iterbio— son esenciales para los imanes permanentes de los sistemas de refrigeración y los discos de almacenamiento, y su explotación se concentra en China, lo que introduce riesgos geopolíticos considerables.
El litio y el cobalto, críticos para las baterías de respaldo de los centros de datos, presentan cadenas de suministro especialmente problemáticas. El 70% del cobalto mundial proviene de la República Democrática del Congo, donde la minería artesanal emplea a niños y genera contaminación generalizada. La plata, necesaria para los contactos eléctricos de precisión, y el níquel, empleado en aleaciones resistentes a la corrosión, completan un panorama de dependencia mineral que amenaza la sostenibilidad a largo plazo de toda la cadena de valor de la IA.
4. Energía: la factura eléctrica de la inteligencia.
El consumo energético de los centros de datos se ha duplicado con creces en los últimos cinco años, y la IA es el principal responsable de esta aceleración. En 2025, se estima que los centros de datos globales consumieron aproximadamente 680 TWh, de los cuales casi 195 TWh se destinaron exclusivamente a cargas de trabajo de inteligencia artificial. Para ponerlo en perspectiva: ese consumo equivale al uso eléctrico total anual de un país como Argentina o Sudáfrica.
Un servidor equipado con ocho GPU H100 puede consumir hasta 10 kW, frente a los 0,5 kW de un servidor convencional. Esto significa que un clúster de IA de tamaño medio requiere la misma potencia eléctrica que un barrio residencial entero. Las proyecciones de la Agencia Internacional de la Energía (IEA) indican que, si las tendencias actuales se mantienen, los centros de datos podrían representar el 8% del consumo eléctrico global en 2030, frente al 2% actual. La transición a fuentes renovables no avanza al mismo ritmo que el crecimiento de la demanda, lo que implica un aumento neto de las emisiones de gases de efecto invernadero asociadas a la IA.
5. Refrigeración: el desafío térmico.
La gestión térmica es uno de los cuellos de botella más críticos de la infraestructura de IA. Las GPU de última generación generan densidades de calor de hasta 100 W/cm², superiores a las de la superficie del sol. Los sistemas tradicionales de refrigeración por aire forzado requieren entre 95 y 120 kW por rack y ofrecen valores PUE (Power Usage Effectiveness) de 1,5 a 1,8, lo que significa que por cada vatio dedicado a computación se añaden entre 0,5 y 0,8 vatios solo en refrigeración.
Las tecnologías de refrigeración líquida —ya sea directa, por inmersión monofásica o difásica— representan una mejora sustancial. La inmersión difásica, que utiliza fluidos dieléctricos que se evaporan al contactar con los chips, alcanza valores PUE próximos a 1,02, reduciendo la energía de refrigeración a apenas 22 kW por rack. Sin embargo, la adopción de estas tecnologías es aún minoritaria: en 2024, solo el 5% de los centros de datos globales empleaban refrigeración líquida, debido a los altos costes de reequipamiento y la falta de estándares consolidados.
6. Modelo predictivo: ¿hacia el colapso?.
Para construir un modelo predictivo del crecimiento del consumo energético de la IA y estimar una posible fecha de colapso, hemos considerado tres escenarios de crecimiento compuesto anual, partiendo de los 85 TWh estimados para 2020. El escenario optimista asume una tasa del 12% anual, que contempla mejoras significativas en eficiencia energética de chips y una desaceleración en el despliegue de nuevos modelos. El escenario moderado aplica un 22% anual, coherente con las tendencias recientes de inversión en infraestructura y el crecimiento del mercado de GPU. El escenario pesimista proyecta un 35% anual, considerando la proliferación de modelos multimodales, agentes autónomos y la posible generalización de la inferencia en tiempo real a escala global.
Hemos definido el umbral crítico de colapso en 4.000 TWh anuales, un nivel en el que la demanda eléctrica de la IA superaría la capacidad de expansión de la red eléctrica global, compitiendo insosteniblemente con necesidades básicas como iluminación, calefacción y transporte. Bajo el escenario optimista, este umbral se alcanzaría en torno a 2047; bajo el moderado, en 2038; y bajo el pesimista, tan pronto como 2032. Estos plazos no son especulación gratuita: reflejan las consecuencias de no alterar la trayectoria actual de crecimiento exponencial.
Es importante señalar que el colapso no se manifiesta necesariamente como un apagón súbito, sino como una degradación progresiva: encarecimiento de la electricidad, racionamiento de recursos hídricos, interrupciones en el suministro de minerales críticos y, en última instancia, la incapacidad de mantener operativos los sistemas de IA con la fiabilidad que la sociedad espera. La señal más preocupante es que, incluso en el escenario más favorable, el crecimiento de la demanda supera con creces la capacidad de la industria energética para construir nueva infraestructura de generación, que típicamente requiere de 5 a 10 años de planificación y construcción.
7. Conclusiones.
El análisis presentado en este artículo revela que la inteligencia artificial, lejos de ser una entidad inmaterial que flota en la nube, tiene pies de barro: depende de miles de millones de litros de agua, toneladas de minerales críticos y cantidades de electricidad que crecen a un ritmo exponencial. El modelo predictivo sugiere que, si no se adoptan medidas correctoras ambiciosas, el sistema podría alcanzar su límite entre 2032 y 2047, dependiendo del escenario.
Las soluciones pasan por tres ejes: la eficiencia algorítmica (reducir la computación necesaria por tarea), la eficiencia hardware (chips más eficientes y refrigeración líquida generalizada) y la descarbonización del suministro eléctrico (acelerando la transición renovable y nuclear). Sin embargo, ninguna de estas vías por sí sola será suficiente; se requiere una combinación sinérgica de las tres, acompañada de una regulación que internalice los costes medioambientales de la IA. De lo contrario, la promesa de una inteligencia que mejora la vida humana podría convertirse en una carga insostenible para el planeta que la sostiene.
ACERCA DEL CORRESPONSAL
FRANCISCO JAVIER MARíN MAURI
Me lincencié en psicología por la Universidad de Sevilla. estudios de virología por la Universidad jhons Hopkins y estudios de virus respiratorios emergentes por la O.M.S. Doctorado en neuropsicología por la Universidad de Sevilla. Especialista en Violencia sobre la mujer y en mediación de conflictos sociales.
Llevo desde 1987 ejerciendo la psicología y cada vez pienso más que muchas personas se van de este mundo sin quitarla el sello de fábrica de sus cerebros. Anduve durante casi dos años por varios países africanos para poder realizar mi tesis doctoral sobre el VIH. Ahí aprendes que el poder de la ciencia consiste en tener la suficiente humildad para ejercitar el sentido común que es, por cierto, el menos común de los sentidos.
