Las emisiones ocultas de carbono de la IA escapan a la contabilidad climática corporativa

Google News destacó una investigación de Sierra Club con un conflicto llamativo: las mayores emisiones de carbono de la IA podrían estar fuera de las cifras que reportan las empresas tecnológicas.

El informe del 31 de agosto examina las «emisiones habilitadas», es decir, la contaminación adicional creada cuando la IA hace más productiva la extracción, el refinado o la generación de combustibles fósiles. Estas emisiones difieren de la electricidad utilizada por los centros de datos. Surgen de lo que los clientes logran con la IA después de su implementación.

Esta distinción amplía considerablemente el debate climático. Microsoft, Google, Amazon y Meta publican cifras operativas y de cadena de suministro, aunque los límites de sus informes varían. Esas divulgaciones rara vez atribuyen cambios en la producción mundial a servicios concretos de IA.

Un estudio revisado por pares publicado en agosto estima que la productividad asistida por IA en toda la economía energética aumenta las emisiones anuales de dióxido de carbono en todos los escenarios equilibrados de adopción que analizó. El incremento modelado alcanza entre 0,47 y 1,8 gigatoneladas.

El resultado no demuestra que todas las aplicaciones de IA aumenten las emisiones. Muestra por qué medir únicamente los servidores puede pasar por alto un efecto económico mayor. La IA puede optimizar parques eólicos y, al mismo tiempo, ayudar a los productores de petróleo a localizar reservas, gestionar pozos y reducir los costes de extracción.

Por tanto, el conflicto principal no es la computación eficiente frente a la ineficiente. Es la contabilidad climática corporativa frente a las actividades del mundo real que los productos de IA facilitan.

Lo que el informe de Sierra Club añade a Google News

El informe desplaza la atención de las máquinas que ejecutan la IA a la producción industrial que esas máquinas pueden ampliar.

Gran parte de la cobertura ambiental sobre la IA comienza con los centros de datos. Ese enfoque tiene sentido porque las instalaciones de computación consumen electricidad, requieren agua y contienen equipos intensivos en carbono. Algunas instalaciones también dependen de turbinas de gas o generadores diésel.

La investigación de Sierra Club sostiene que esta huella conocida está incompleta. Señala la contaminación derivada de la producción de combustibles fósiles asistida por IA, que normalmente queda fuera de los inventarios reportados por las empresas tecnológicas.

Esta segunda capa es más difícil de observar. Un proveedor de nube puede estimar la electricidad que consume una carga de trabajo. También puede asignar a un cliente parte de la huella de fabricación de un servidor.

Por lo general, el proveedor no puede determinar cuánto petróleo adicional llegó al mercado porque su sistema mejoró la exploración o el rendimiento de una refinería. Incluso cuando se conoce esa relación, los registros de carbono establecidos no ofrecen un lugar estándar para incluirla.

El estudio subyacente denomina a este efecto emisiones habilitadas. El término describe los gases de efecto invernadero adicionales que resultan de los aumentos de productividad que la IA aporta a industrias intensivas en carbono.

Las emisiones habilitadas no son lo mismo que las emisiones de Alcance 3. El Alcance 3 cubre la contaminación indirecta de la cadena de valor, incluidos los equipos adquiridos, los materiales de construcción, los viajes de negocios y determinados usos de productos vendidos.

El inventario de Alcance 3 de una empresa tecnológica puede incluir la fabricación de servidores sin incluir todas las consecuencias económicas posteriores de su software. El límite contable sigue relaciones corporativas definidas, no cada respuesta del mercado.

Esta diferencia explica por qué la historia atrajo atención a través de Google News. Cuestiona las cifras utilizadas en los anuncios corporativos de sostenibilidad sin afirmar que esas cifras sean necesariamente falsas.

Una empresa puede seguir las normas contables actuales y aun así presentar una imagen incompleta de las consecuencias climáticas de su tecnología. El cumplimiento y la exhaustividad son cuestiones distintas.

La historia también surge cuando la oposición a los centros de datos ha ido más allá de las organizaciones ambientales. Empresas de servicios públicos, reguladores, residentes y defensores de los contribuyentes cuestionan cada vez más quién suministra la nueva electricidad y quién paga las mejoras de la red.

Sin embargo, la energía operativa es solo una parte del problema. Si la IA también abarata la producción de combustibles fósiles, sus efectos continúan mucho más allá de la instalación que presta servicio al modelo.

Este replanteamiento importa porque los informes climáticos corporativos suelen separar las aplicaciones beneficiosas para clientes de las perjudiciales. Las empresas destacan la optimización de la red, la previsión de energías renovables y la eficiencia energética como emisiones evitadas.

Rara vez publican una estimación equivalente para la IA utilizada en perforación, refinado, producción petroquímica o generación fósil. El desequilibrio puede hacer visibles los beneficios mientras deja los perjuicios fuera del marco.

El informe de Sierra Club convierte esa omisión en el acontecimiento central de la noticia. Pide a los lectores que evalúen la IA por sus consecuencias económicas, no solo por los medidores de electricidad.

El registro de carbono se detiene en el centro de datos

Los informes actuales pueden contabilizar la electricidad de un servidor y, aun así, omitir la producción adicional generada por el software que se ejecuta en él.

Los inventarios de gases de efecto invernadero dividen las emisiones en tres grandes alcances. El Alcance 1 cubre las emisiones directas de fuentes controladas por una empresa. El Alcance 2 cubre las emisiones asociadas con la electricidad adquirida y energía similar.

El Alcance 3 recoge otras emisiones indirectas a lo largo de la cadena de valor. Puede incluir la construcción de centros de datos, la fabricación de hardware, el transporte, los servicios adquiridos y el uso final de los productos vendidos.

Para los proveedores de IA, cada categoría implica mediciones difíciles. La electricidad puede proceder de múltiples redes, mientras que las compras contractuales de energía renovable pueden producir totales distintos de los cálculos basados en la ubicación.

El hardware plantea otro desafío. Los aceleradores avanzados requieren una fabricación de semiconductores intensiva en energía, memoria especializada, equipos de red, sistemas de refrigeración, acero, hormigón y reemplazos frecuentes de equipos.

La Unión Internacional de Telecomunicaciones define las emisiones incorporadas como la contaminación del ciclo de vida derivada de la adquisición de materiales, la producción y el tratamiento al final de la vida útil. Sus directrices de evaluación de IA recomiendan informar por separado sobre el entrenamiento y la inferencia.

Esta orientación mejora las comparaciones, pero sigue dependiendo de los límites del sistema. Una evaluación del ciclo de vida puede ampliar esos límites, aunque finalmente debe decidir qué consecuencias corresponden al producto.

Google Cloud ahora describe el carbono incorporado del hardware dentro de su metodología de huella de clientes. La metodología de carbono de la empresa incluye la extracción de materiales, el transporte y la fabricación de equipos.

AWS también incluye las emisiones incorporadas del hardware y de ciertos edificios dentro de su límite de informes para clientes. Son mejoras relevantes porque los clientes necesitan más que estimaciones de electricidad.

Ningún enfoque captura automáticamente las emisiones habilitadas a escala de mercado. Una empresa petrolera podría utilizar varios proveedores de nube, sistemas internos y modelos de terceros en un mismo programa de producción.

Entonces, los analistas necesitarían un contrafactual creíble. Deben estimar cuánta producción habría ocurrido sin IA y cómo respondieron los mercados energéticos a la oferta adicional.

La tarea no es imposible, pero difiere de la atribución convencional. Requiere modelado económico, información sobre el uso por parte de los clientes y supuestos sobre precios, sustitución, demanda y políticas.

La brecha informativa aumenta cuando los proveedores describen la IA como un servicio de propósito general. Un servicio general puede respaldar la previsión de energías renovables en una cuenta y el modelado de yacimientos en otra.

Los proveedores de nube también pueden carecer de visibilidad completa sobre las cargas de trabajo de los clientes. Las protecciones de privacidad, los límites contractuales y los servicios de software por capas pueden ocultar la aplicación final.

Esto crea un problema real de medición, más que un simple fallo de divulgación. Las empresas no pueden informar una cifra de manera fiable cuando las normas, los datos y las reglas de atribución siguen sin estar definidos.

Aun así, la incertidumbre no justifica tratar el efecto como cero. Esa es la presión clave que genera la historia de Sierra Club.

Los informes corporativos pueden reconocer la categoría, divulgar relaciones conocidas con el sector de los combustibles fósiles y publicar escenarios. También pueden separar las emisiones medidas de las consecuencias modeladas.

Sin estas incorporaciones, los lectores podrían confundir una huella operativa calculada con precisión con el impacto climático completo de la IA. La precisión dentro de un límite estrecho no hace que ese límite sea exhaustivo.

Las emisiones habilitadas invierten la narrativa climática habitual sobre la IA

El balance climático de la IA cambia cuando la productividad de los combustibles fósiles y la de las energías renovables entran en el mismo modelo económico.

El modelo climático revisado por pares se publicó en npj Climate Action el 4 de agosto de 2026. Sus autores modelan la IA como un amplificador de productividad en vías energéticas en competencia.

El estudio aplica ganancias de productividad a la extracción, el refinado y la generación de combustibles fósiles, la electricidad renovable, la infraestructura de red y actividades seleccionadas del lado de la demanda. Después estima las respuestas de toda la economía.

En los escenarios de adopción paralela, el modelo produce un aumento neto anual de entre 0,47 y 1,8 gigatoneladas de dióxido de carbono. Esto equivale entre el 1,2 y el 4,8 por ciento de las emisiones relacionadas con la energía de 2024.

Los investigadores estiman emisiones habilitadas aisladas de entre 0,6 y 2,4 gigatoneladas anuales. Comparan ese intervalo con 0,18 gigatoneladas procedentes de centros de datos en la estimación de referencia de 2025.

Sobre esa base, los efectos modelados del sector de los combustibles fósiles alcanzan entre 3,3 y 13,3 veces las emisiones citadas de los centros de datos. La comparación aporta escala, pero las dos estimaciones no deberían sumarse sin más.

El estudio trata explícitamente la cifra de los centros de datos como una referencia externa. Su modelo de toda la economía aborda efectos de producción de segundo orden, mientras que la referencia cubre emisiones operativas directas.

El resultado más importante se refiere a la asimetría. La productividad renovable debe mejorar entre cuatro y cinco veces más rápido que la productividad fósil antes de que las emisiones netas modeladas alcancen el equilibrio.

Esto ocurre porque las ganancias de productividad operan dentro de un sistema energético que sigue dominado por los combustibles fósiles. Hacer más eficiente una cadena de suministro consolidada e intensiva en carbono puede expandir rápidamente la producción.

La IA puede ayudar a interpretar datos sísmicos, identificar ubicaciones de perforación, automatizar la supervisión de equipos y mejorar la programación de refinerías. Cada aplicación puede reducir costes o disminuir las interrupciones operativas.

Algunas de estas mejoras pueden reducir las emisiones por barril. Sin embargo, unos costes de producción menores también pueden aumentar la oferta total, prolongar la vida útil de los activos y hacer rentables reservas adicionales.

Se trata de un efecto rebote, que ocurre cuando la eficiencia reduce los costes lo suficiente como para aumentar el consumo o la producción totales. Una unidad más limpia no garantiza una huella total menor.

Los sistemas renovables también se benefician de la IA. La previsión puede mejorar la integración en la red, el mantenimiento predictivo puede reducir el tiempo de inactividad y una mejor planificación puede respaldar el despliegue de almacenamiento.

El modelo no niega esos beneficios. En cambio, los analiza junto con las aplicaciones de IA en combustibles fósiles, en lugar de presentarlos por separado.

Bajo los supuestos del estudio, las mejoras de red y de eficiencia seleccionadas reducen las emisiones anuales en aproximadamente 0,1 gigatoneladas en el escenario más sólido de neutralidad de combustible. No revierten el resultado del lado de la oferta.

Esta inversión cuestiona una narrativa corporativa común. Las empresas tecnológicas suelen presentar la demanda eléctrica de la IA como un coste a corto plazo que futuras aplicaciones climáticas pueden compensar.

El estudio no encuentra una compensación automática. El resultado depende de dónde se produzcan las ganancias de productividad, qué industrias las adopten y de si las políticas limitan la expansión intensiva en carbono.

Esa conclusión sigue siendo un resultado modelizado, no una medición directa de todos los sistemas desplegados. Su rango refleja supuestos sobre adopción, productividad, mercados y respuestas económicas.

Aun así, el mecanismo es lo bastante creíble como para exigir atención. Las ganancias de productividad influyen en la producción, los precios, la inversión y el consumo en un mercado energético interconectado.

Por tanto, las emisiones de carbono de la IA no pueden entenderse únicamente a través de la eficiencia de los chips. Un modelo más eficiente aún puede incrementar la contaminación total si acelera una actividad con altas emisiones.

Las Big Tech se enfrentan a una prueba entre promesas y realidad

Las empresas tecnológicas afrontan ahora presión para conciliar sus compromisos climáticos con las ventas de IA a industrias que amplían el suministro de combustibles fósiles.

Las cuatro mayores empresas de nube y plataformas han asumido importantes compromisos climáticos. También han invertido fuertemente en instalaciones de computación, aceleradores, contratos energéticos y servicios de IA orientados al cliente.

Estas estrategias están chocando. La demanda de IA incrementa el uso de electricidad y las emisiones de construcción, al tiempo que abre nuevas oportunidades comerciales en energía, manufactura, transporte y extracción de recursos.

Microsoft ha descrito el objetivo de alcanzar emisiones netas negativas en 2030. Google ha perseguido operaciones y cadenas de valor con cero emisiones netas, mientras que Amazon y Meta mantienen sus propios objetivos climáticos.

Las divulgaciones corporativas ya muestran que el rápido crecimiento de la infraestructura complica esos objetivos. Los materiales de construcción, el hardware adquirido y la electricidad pueden crecer más rápido de lo que las medidas de eficiencia reducen las emisiones en otros ámbitos.

Google informó de que sus emisiones totales de gases de efecto invernadero aumentaron un 48 por ciento entre 2019 y 2023. Vinculó ese incremento en parte a la energía de los centros de datos y a las emisiones de la cadena de suministro.

Microsoft informó anteriormente de que sus emisiones habían aumentado respecto de su línea de base de 2020 a medida que se expandía la construcción de centros de datos. El acero, el hormigón, los chips y la electricidad contribuyeron a esa presión.

Estas cifras se refieren a inventarios corporativos reconocidos. Las emisiones habilitadas plantean una segunda prueba porque conectan las ventas de IA con las decisiones de producción de los clientes.

La industria del petróleo y el gas lleva décadas utilizando análisis avanzados. El aprendizaje automático moderno amplía la escala, la velocidad y la accesibilidad del análisis geológico, el mantenimiento predictivo y la optimización de procesos.

Los proveedores pueden sostener razonablemente que las herramientas digitales mejoran la seguridad y reducen las fugas de metano. Una mejor monitorización puede identificar fallos de los equipos y respaldar operaciones más eficientes.

Los representantes del sector también rechazan la premisa de que una mayor producción de energía y menores emisiones sean inherentemente incompatibles. Subrayan la eficiencia, la gestión del carbono y el aumento de la demanda mundial.

Esa respuesta aborda la intensidad de emisiones, que mide la contaminación por unidad de producción. En cambio, la nueva investigación pone el énfasis en las emisiones totales después de que los cambios de productividad afecten a la oferta y la demanda.

Ambas medidas importan, pero responden a preguntas distintas. Un productor puede reducir las emisiones por unidad mientras aumenta su contaminación agregada mediante una mayor producción.

La presión sobre las Big Tech se refiere tanto a la gobernanza como a la medición. Los proveedores deciden qué clientes reciben equipos especializados, modelos personalizados, apoyo de infraestructura y casos de estudio públicos.

También establecen políticas para usos de alto riesgo en seguridad, vigilancia y armamento. Las aplicaciones intensivas en carbono rara vez reciben un escrutinio comparable.

Una respuesta creíble exigiría más que otro chip eficiente. Las empresas tendrían que clasificar las aplicaciones posteriores, describir sus vínculos con el sector fósil y establecer reglas de evaluación coherentes.

Tales políticas conllevarían costes comerciales. Rechazar o restringir determinados proyectos podría ceder ingresos a competidores con compromisos climáticos más débiles.

Esa tensión explica por qué la divulgación voluntaria puede avanzar lentamente. Las empresas que afrontan la cuestión contable también se benefician financieramente de las actividades evaluadas.

La regulación podría acabar estandarizando la presentación de informes, pero la atribución sigue siendo difícil. Los responsables políticos necesitarían límites comparables, auditables y resistentes a la doble contabilización.

Las empresas tecnológicas no deberían asumir automáticamente todas las emisiones generadas por cada cliente. Al mismo tiempo, las emisiones evitadas que un proveedor atribuye a la IA exigen un tratamiento simétrico de la contaminación habilitada.

El estándar central debería ser la coherencia. Si una empresa atribuye a la IA la ayuda para que un cliente evite emisiones, debería examinar evidencia comparable cuando la IA amplía una producción intensiva en carbono.

Cualquier cosa menos que eso crea un balance unidireccional. Los beneficios entran en el cálculo, mientras los daños siguen siendo responsabilidad de otra persona.

Lo que las cifras aún no pueden demostrar

La estimación de emisiones habilitadas expone un riesgo desatendido, pero sus límites superior e inferior son escenarios, no totales observados.

El estudio utiliza un modelo de equilibrio general computable, que representa cómo las industrias, los consumidores, los precios y el comercio responden a los cambios económicos. Este enfoque capta interacciones que cálculos más simples pasan por alto.

También depende de supuestos. Los investigadores deben elegir la magnitud de los shocks de productividad impulsados por IA, las tasas de adopción, las elasticidades de mercado, la demanda energética de referencia y las condiciones regulatorias.

Los pequeños cambios pueden propagarse por un modelo global. Por eso el rango resultante de 0,47 a 1,8 gigatoneladas es amplio.

El modelo no rastrea cada contrato de nube hasta un yacimiento petrolero específico. No puede demostrar que el despliegue de un modelo causara un volumen preciso de producción adicional.

En cambio, estima consecuencias plausibles para todo el sistema cuando la IA mejora la productividad en sectores definidos. Los lectores deberían tratar los resultados como evidencia basada en escenarios, no como una factura de emisiones corporativas.

Los autores también tienen una vinculación con la defensa de esta causa. Varios están afiliados a la Enabled Emissions Campaign, una organización sin ánimo de lucro centrada en las consecuencias climáticas de la IA y la gobernanza tecnológica.

Declaran esa afiliación como un interés competidor no financiero. La revisión por pares refuerza el trabajo, pero no elimina la incertidumbre ni resuelve todas las cuestiones sobre los límites.

El tratamiento de la innovación en el modelo presenta otra limitación. Las capacidades de IA, las tecnologías energéticas y los patrones de adopción pueden cambiar más rápido que las líneas de base económicas.

Las aplicaciones renovables podrían superar los supuestos actuales. Las aplicaciones de combustibles fósiles podrían enfrentarse a regulación, limitaciones físicas, baja adopción o una demanda decreciente.

También es posible lo contrario. Un despliegue más rápido en exploración, refinado y generación podría hacer que los supuestos intermedios del estudio sean conservadores.

La fijación de precios del carbono reduce el desequilibrio modelizado, pero no lo elimina en los niveles evaluados. Ese hallazgo depende de cómo respondan los productores y consumidores a los precios.

Otra cuestión se refiere a la causalidad. Las empresas petroleras ya persiguen la automatización y mejoras de productividad. Los analistas deben distinguir las mejoras habilitadas específicamente por IA del progreso técnico ordinario.

También deben elegir un contrafactual. La producción sin un sistema de IA podría llevarse a cabo mediante otro proveedor, software convencional o mano de obra adicional.

Estos problemas hacen que las emisiones habilitadas sean más difíciles de auditar que el uso de electricidad. No convierten la categoría en irrelevante.

La contabilidad ambiental ya se apoya en el razonamiento contrafactual para las emisiones evitadas, las compensaciones, los proyectos renovables y la evaluación de políticas. El desafío consiste en aplicar un rigor comparable a los resultados perjudiciales.

Otro riesgo es la doble contabilización. El mismo combustible adicional puede aparecer en la cadena de valor de un productor, en las emisiones por combustión de un consumidor y en la influencia modelizada de un proveedor tecnológico.

Un marco responsable debe etiquetar claramente estas cifras. Las emisiones habilitadas deberían complementar los inventarios establecidos, en lugar de añadirse silenciosamente a ellos.

La investigación tampoco debería borrar las aplicaciones útiles de la IA. Los sistemas que detectan fugas de metano, optimizan redes o mejoran la previsión de renovables pueden aportar beneficios medibles.

La cuestión es si esos beneficios superan la contaminación adicional incentivada en otros ámbitos. La respuesta del estudio es negativa bajo sus escenarios de adopción equilibrada.

La evidencia futura puede reforzar o debilitar esa conclusión. Mejores datos a nivel de cliente, casos de estudio verificados de forma independiente y mediciones transparentes de productividad reducirían la incertidumbre.

Por ahora, la respuesta correcta no es ni el rechazo ni la aceptación incuestionada. El estudio identifica un riesgo material que los informes corporativos existentes no evalúan adecuadamente.

Qué deberían vigilar a continuación los lectores de Google News

Tres señales mostrarán si las emisiones habilitadas se convierten en un estándar real de rendición de cuentas o siguen siendo un incómodo hallazgo de investigación.

La primera señal es la divulgación por parte de los principales proveedores de nube. Sus próximos informes ambientales deberían explicar si las aplicaciones posteriores de IA forman parte de alguna evaluación climática.

Una divulgación significativa identificaría categorías de aplicaciones, describiría los límites de evaluación y distinguiría los datos observados de los efectos modelizados. Una declaración genérica sobre la IA beneficiosa no respondería a la crítica.

Google, Microsoft, Amazon y Meta también deberían divulgar cómo tratan el trabajo especializado para clientes de combustibles fósiles. La cuestión relevante se refiere a los efectos sobre la producción, no solo a los nombres de los clientes.

Si un proveedor publica una metodología repetible, aumentará la presión sobre los competidores. Un método compartido reforzaría el argumento central del estudio de que la omisión puede abordarse.

El silencio continuado no refutaría las emisiones habilitadas. Mostraría que la contabilidad corporativa sigue centrada en los activos y la energía adquirida, en lugar de en los resultados económicos posteriores.

La segunda señal es la replicación independiente. Los investigadores necesitan probar el resultado con distintos modelos económicos, supuestos, datos regionales y estudios de caso sectoriales.

El rango de 0,47 a 1,8 gigatoneladas es lo bastante grande como para influir en la política climática. Una afirmación de esa escala merece un escrutinio sostenido por parte de economistas, expertos en ciclo de vida y analistas energéticos.

Los investigadores también deberían separar la exploración, la extracción, el refinado, el transporte y la generación. La IA podría afectar a cada etapa de forma distinta, y las regulaciones regionales pueden cambiar el resultado.

Los estudios de caso directos serían especialmente valiosos. Un estudio podría comparar operaciones similares con y sin IA, controlando los precios, la geología, los equipos y las políticas.

Una replicación cercana al rango publicado reforzaría el argumento a favor de normas formales de información. Resultados mucho menores reducirían la preocupación regulatoria sin eliminar el mecanismo subyacente.

La tercera señal es la regulación o las políticas de contratación. Los gobiernos y los grandes compradores corporativos pueden exigir evaluaciones del ciclo de vida que incluyan riesgos de aplicaciones posteriores.

La metodología de la UIT ya hace hincapié en límites transparentes, emisiones incorporadas, calidad de los datos y revisión independiente. Las normas específicas para IA pueden basarse en esa base.

Las normas de contratación podrían avanzar antes que la regulación nacional. Los grandes compradores pueden solicitar a los proveedores estimaciones a nivel de carga de trabajo sobre electricidad, hardware, agua e impacto de las aplicaciones.

Los reguladores financieros también podrían exigir una discusión más clara de los riesgos de transición climática. Las alianzas de IA que prolongan los activos fósiles pueden generar exposición más allá de los totales anuales de emisiones.

Estas políticas deben evitar una precisión falsa. Un rango transparente con supuestos explícitos es más creíble que una cifra única construida a partir de decisiones ocultas.

Para los desarrolladores y compradores empresariales, la lección inmediata es práctica. La eficiencia del modelo es importante, pero el diseño de la aplicación puede superar las ganancias de eficiencia.

Los equipos deberían preguntarse qué comportamiento modifica su sistema, qué actividad se expande y si unos costes más bajos incrementan el consumo total. Esas preguntas deben acompañar a las métricas de latencia y precisión.

Los trabajadores del conocimiento también deberían leer con atención las afirmaciones ambientales. “AI for climate” describe una categoría de aplicación, no el impacto neto de toda una cartera comercial.

La cobertura más reciente de Google News hace difícil ignorar esa distinción. El carbono dentro de un centro de datos es medible, visible y cada vez se informa más sobre él.

El carbono habilitado fuera de él sigue siendo objeto de debate, depende de los modelos y está en gran medida ausente de los registros corporativos. Precisamente esa incertidumbre hace que una investigación transparente sea importante.

El próximo informe climático de un gran proveedor de IA debería responder a una pregunta directa: ¿la empresa cuenta solo la infraestructura que opera o también la producción que su tecnología permite?

Hasta que esa pregunta reciba una respuesta cuantificable, las emisiones de carbono publicadas sobre la IA seguirán siendo un recuento parcial de un sistema mucho más amplio.