La inteligencia artificial necesita electricidad. Esa premisa, aparentemente obvia, esconde una cifra que debería alarmar a cualquier directivo, regulador o ciudadano que use ChatGPT antes de desayunar.\n\nSegún un cálculo publicado por Sasha Luccioni, investigadora postdoctoral en Inteligencia Artificial en Mila, un solo data center de entrenamiento de grandes modelos de lenguaje consume una cantidad de energía que equivale a detonar 23 bombas nucleares cada día. No es una metáfora retórica. Es un ejercicio de ingeniería energética que conecta los vatios consumidos en rack tras rack de servidores con la carga térmica y ambiental de un evento atómico.\n\nY lo más perturbador: estas instalaciones no son una rareza. Son el estándar de la industria.\n\nEl efecto Gigawatt\nLa industria de los centros de datos lleva años creciendo a ritmos de doble dígito. Pero el auge de los modelos fundacionales ha cambiado la ecuación. Entrenar un modelo como GPT-4 o Llama 3 exige cientos de miles de horas de cómputo en clusters de GPU de última generación, operando 24 horas al día durante semanas. Los costes de energía no son un dato menor: se estima que el ciclo completo de entrenamiento de un modelo frontera puede superar los 100 millones de dólares solo en electricidad.\n\nLo que Luccioni ha descompuesto es precisamente esa cifra en términos comprensibles. Si un solo data center de entrenamiento consume, por ejemplo, 2 gigavatios-hora diarios, esa demanda térmica equivale a la liberación de energía de veintitrés armas nucleares de 60 kilotones cada una. El paralelismo es provocador, pero la matemática lo sostiene.\n\nLa paradoja de la desregulación\nAquí entra un factor clave que la industria prefiere no discutir: la mayoría de los grandes operadores cloud han cerrado contratos de energía renovable a precios fijos para los próximos diez años. En teoría, eso debería garantizar una huella de carbono controlada. En la práctica, la demanda actual supera con creces la capacidad comprometida.\n\nLos proveedores como Google, Microsoft y Amazon han firmado acuerdos para operar con energías limpias. Pero esos contratos cubren capacidad instalada, no demanda puntual. Cuando un entrenamiento masivo se activa, los data centers recurren a la red eléctrica general, que en muchas regiones sigue dependiendo de gas natural o carbón.\n\nAdemás, existe una brecha regulatoria notable. La Unión Europea ha avanzado con su AI Act, pero la regulación energética de los data centers sigue fragmentada. En Estados Unidos, la EPA apenas tiene herramientas para medir la intensidad de carbono por inferencia de modelo, y mucho menos para imponer límites.\n\n¿Y qué pasa con la inferencia?\Hay un segundo problema que el titular no menciona pero que es igual de grave: la inferencia, es decir, el momento en que un usuario consulta a un modelo, también consume energía. Y ahora que millones de personas usan herramientas de IA a diario, esa demanda constante genera un gasto acumulado que podría superar al del entrenamiento en términos de volumen anual.\n\nCada prompt enviado a ChatGPT enciende una cadena de servidores que procesa la solicitud, consulta el modelo y devuelve una respuesta. Ese ciclo, repetido miles de millones de veces al mes, constituye una carga eléctrica permanente que la industria calcula con precisión, pero que rara vez aparece en los comunicados de sostenibilidad.\n\nEl dilema del crecimiento\nLa posición dominante entre investigadores y operadores es que la IA, a largo plazo, puede optimizar el consumo energético de otras industrias: logística, energía, manufactura. Pero ese argumento, conocido como la paradoja de Jevons, requiere que la ganancia neta sea positiva. Y hoy, con la demanda de cómputo doblando año tras año, esa balance todavía no se ha demostrado en cifras.\n\nLo que sí está demostrado es que la conversación sobre el coste ambiental de la inteligencia artificial necesita salir del ámbito académico y entrar en las mesas de estrategia empresarial. Por cada modelo que se lanza al mercado, existe una factura energética que alguien debe pagar. Y si esa factura se carga al planeta, conviene al menos saber cuánto cuesta.\n\nEl mensaje de Luccioni no es antitechnología. Es un llamado a la transparencia numérica en una industria que todavía mide el éxito en parámetros de rendimiento y margen, pero que ignora sistemáticamente el precio que la sociedad paga por cada token generado.