Mientras la conversación pública sobre inteligencia artificial gira en torno a su consumo eléctrico, un frente mucho menos visible empieza a generar preocupación: el agua. Un reciente análisis publicado por Towards AI pone cifras concretas al rastro hídrico que deja cada interacción con modelos de lenguaje y sistemas generativos, y los resultados invitan a una reflexión incómoda.

La aritmética que nadie quiere ver

Detrás de cada respuesta de un asistente conversacional hay un proceso que combina entrenamiento y computación en inferencia. Ambas fases requieren refrigeración en centros de datos, y esa refrigeración, en buena parte del mundo, se resuelve con agua. El artículo original desgrana cuánto líquido se consume, directa e indirectamente, en cada consulta promedio y cómo varía según el proveedor, la región del datacenter y el tipo de tarea solicitada.

Las cifras oscilan en un rango que muchos profesionales del sector desconocían: desde fracciones de litro hasta varios cientos de mililitros por interacción, dependiendo del modelo y la complejidad del prompt. Multiplicado por los miles de millones de consultas diarias que reciben plataformas como ChatGPT, Claude o Gemini, el volumen total adquiere dimensiones comparables al consumo hídrico de pequeñas ciudades.

Por qué importa más de lo que parece

El dato aislado puede parecer menor: un vaso de agua por aquí, otro por allá. El problema surge al escalar. Los proveedores hyperscale ya no construyen granjas de servidores; construyen auténticas centrales industriales con потреблением energético que rivaliza con el de países enteros. Y donde hay densidad de cómputo, hay demanda térmica, y donde hay demanda térmica, hay torres de refrigeración trabajando a pleno rendimiento.

Además, existe un componente de estrés hídrico regional que rara vez se menciona. No es lo mismo refrigerar un centro de datos en Escandinavia, donde la electricidad es hidroeléctrica y el agua abunda, que hacerlo en Arizona, donde los acuíferos llevan años bajo presión. La métrica de "litros por consulta" esconde una variable crítica: la disponibilidad local del recurso.

La opacidad como estrategia

Otro punto incómodo que señala el análisis es la falta de transparencia. Pocos proveedores publican datos auditados sobre su consumo hídrico, y cuando lo hacen, suelen ser estimaciones agregadas que no permiten desagregar por modelo, región o momento del día. La presión regulatoria empieza a cambiar este panorama: la directiva europea de eficiencia energética de centros de datos y las exigencias de reporting ESG están obligando a las grandes tecnológicas a abrir sus libros de operación.

Para los profesionales tech hispanohablantes, esto abre una agenda de trabajo concreta:

  • Auditoría de proveedores: ¿qué métricas hídricas exigen sus organizaciones a AWS, Azure o Google Cloud?
  • Optimización de prompts: consultas más cortas y modelos más ligeros pueden reducir hasta un 70% el consumo por tarea.
  • Arquitectura edge: acercar la inferencia al usuario reduce la necesidad de refrigeración centralizada en ciertos casos.
  • Criterios de procurement: incluir el Water Usage Effectiveness (WUE) junto al PUE en los contratos cloud.

El contexto que falta en el debate

Conviene no caer en el alarmismo simplista. La IA también aporta herramientas para optimizar el uso agrícola del agua, modelar sequías o gestionar redes de distribución urbana. El equilibrio entre coste y beneficio sigue inclinándose, probablemente, hacia el lado positivo. Pero ese cálculo solo es honesto si incluye todos los costes, y durante demasiado tiempo el hídrico ha sido el convidado de piedra.

La próxima vez que un proveedor anuncie un modelo más potente, una pregunta debería formar parte del due diligence: ¿cuánta agua cuesta cada mil millones de parámetros? La industria empieza a responderla, aunque a regañadientes.

Conclusión

El agua desperdiciada en cada interacción con IA no es una curiosidad técnica; es un indicador temprano de los retos de sostenibilidad que definirán la próxima década del sector. Para los equipos de tecnología que diseñan, contratan o despliegan sistemas de IA en empresas hispanohablantes, ignorar esta variable dejará de ser una opción: los reguladores, los inversores y, cada vez más, los propios clientes, exigirán respuestas.