El problema energético de la IA: un cerebro de 20 vatios frente a una central eléctrica
Google News destacó una comparación contundente el 30 de agosto: el cerebro humano funciona con aproximadamente 20 vatios, mientras que los principales sistemas de IA dependen de centros de datos de alto consumo energético. El contraste es memorable, pero también puede inducir a error. Un cerebro y un clúster de IA realizan tareas distintas mediante arquitecturas radicalmente diferentes.
La historia más importante no es si el silicio puede igualar a la biología vatio por vatio. Es que la electricidad se ha convertido en una limitación decisiva para la expansión de la IA. Los chips siguen siendo escasos y costosos, pero la generación eléctrica, las conexiones a la red, los sistemas de refrigeración y las ubicaciones adecuadas ahora determinan qué proyectos pueden operar.
Ese cambio sitúa a los hyperscalers, las compañías eléctricas, los desarrolladores de centros de datos y los mineros de Bitcoin en la misma carrera por la infraestructura. La eficiencia está mejorando a nivel de prompts y chips. Sin embargo, la demanda total sigue aumentando porque las empresas despliegan más modelos, atienden a más usuarios y asignan tareas más largas a los sistemas de IA.
Lo que acierta el titular de Google News
La comparación de los 20 vatios funciona como advertencia, pero no como referencia directa para la inteligencia artificial.
El cerebro humano representa alrededor del 2% del peso corporal, mientras consume aproximadamente el 20% del oxígeno en reposo. La literatura de neurociencia sitúa su demanda energética constante cerca de los 17 a 20 vatios, aunque las estimaciones dependen de cómo los investigadores traduzcan el metabolismo a unidades eléctricas.
Esa energía sostiene la percepción, la memoria, el movimiento, la regulación y la comunicación continua en un sistema nervioso vivo. No representa la electricidad necesaria para responder una pregunta o completar una tarea aislada.
Un centro de datos también es más que un cerebro digital. Incluye procesadores, memoria, almacenamiento, redes, refrigeración, conversión eléctrica, equipos de respaldo y capacidad sin utilizar reservada para la demanda máxima. Comparar su consumo total con un órgano mezcla infraestructura de todo el sistema con metabolismo biológico.
Aun así, el contraste revela algo importante. La biología opera bajo un límite térmico y metabólico estricto. El cráneo no puede disipar el calor producido por equipos de computación industrial, y el cuerpo no puede suministrar energía ilimitada al tejido neuronal.
Por ello, la evolución favoreció la comunicación dispersa, la memoria local, los circuitos especializados y la activación selectiva. La activación dispersa significa que solo una fracción del sistema realiza trabajo intensivo en un momento dado. Los diseñadores modernos de IA utilizan cada vez más ideas relacionadas, aunque el silicio las implemente de otra forma.
Los modelos de mezcla de expertos, por ejemplo, dirigen cada entrada a partes seleccionadas de una red neuronal en lugar de activar todos los parámetros. La computación de menor precisión representa números con menos bits, lo que reduce la electricidad y el ancho de banda de memoria necesarios para muchas operaciones.
La comparación deja de ser fiable cuando las publicaciones virales le atribuyen cifras sin respaldo. El análisis original rastreó una afirmación ampliamente compartida sobre la reproducción digital de un cerebro hasta un artículo de 2023. Esa estimación extrapolaba a partir de una simulación menor e incluía importantes limitaciones que publicaciones posteriores a menudo omitieron.
Según el análisis, el sistema simulado operaba unas 30.000 veces más lento que la biología. Eliminar ese detalle crea la impresión de que los investigadores compararon sistemas equivalentes con un rendimiento equivalente. No fue así.
El número de neuronas citado con frecuencia también requiere cautela. La cifra de 86.000 millones de neuronas es una estimación útil, no una especificación de ingeniería sin incertidumbre. Procedía de muestras biológicas limitadas, mientras que la eficiencia del cerebro depende de más factores que su número total de neuronas.
Las sinapsis, el cableado, los tipos celulares, la señalización química, la ubicación de la memoria y la sincronización de la actividad neuronal también importan. Contar neuronas y compararlas con parámetros de modelos no demuestra inteligencia ni carga de trabajo equivalentes.
La investigación sobre el presupuesto energético del cerebro complica aún más la analogía. Gran parte de la energía cerebral sostiene la comunicación, el mantenimiento y procesos que van más allá de la actividad eléctrica que la gente denomina informalmente computación.
Eso hace que el titular sea valioso por una razón. Invita a examinar la huella física de la IA. No debería convertirse en prueba de que un cerebro y un superordenador son máquinas intercambiables.
La pregunta útil es más acotada: ¿por qué la demanda agregada de IA sigue creciendo cuando los cálculos individuales son cada vez más baratos? La respuesta está en la escala de despliegue, el crecimiento de las cargas de trabajo y la infraestructura que rodea a cada acelerador.
La eficiencia de las consultas de IA mejora, pero las cargas de trabajo crecen más rápido
Un prompt de texto típico puede consumir mucha menos energía de lo que sugieren las estimaciones virales, mientras que las cargas de trabajo de razonamiento y agentes eliminan gran parte de ese alivio.
A principios de 2025, Epoch AI estimó que una consulta típica de ChatGPT utilizaba alrededor de 0,3 vatios-hora. Su cálculo combinó el tiempo de los aceleradores, la energía del servidor y la utilización esperada, en lugar de medir cada componente dentro de un despliegue de producción específico.
Esa estimación estaba muy por debajo de afirmaciones anteriores que sostenían que cada consulta de IA consumía varios vatios-hora. Sin embargo, Epoch AI también mostró por qué una única media puede ocultar grandes variaciones.
Su estimación de consultas situó una solicitud con una entrada larga de 10.000 tokens cerca de los 2,5 vatios-hora. Una entrada próxima a los 100.000 tokens elevaba la estimación a casi 40 vatios-hora.
Los tokens son pequeñas unidades de texto que los modelos de lenguaje procesan al leer o generar contenido. Más tokens requieren operaciones aritméticas y movimiento de memoria adicionales, especialmente cuando un modelo examina repetidamente un contexto extenso.
Un estudio sobre inferencia revisado por pares en 2026 llegó a un resultado similar para consultas corrientes a modelos de frontera. Estimó una mediana de 0,31 vatios-hora, con un rango intercuartílico de 0,16 a 0,60 vatios-hora.
La misma investigación concluyó que las solicitudes de razonamiento que producían unos 5.000 tokens de salida utilizaban aproximadamente 13 veces más energía que las consultas estándar. Esa diferencia importa porque el mercado avanza hacia tareas más largas y autónomas.
Un chatbot que responde una sola frase no es la carga de trabajo para la que las empresas de infraestructura se están preparando. Los agentes de IA pueden buscar documentos, llamar herramientas de software, escribir código, evaluar su propia salida y repetir pasos que no tuvieron éxito.
Cada acción adicional activa más inferencia. Algunos sistemas también ejecutan varias soluciones candidatas y emplean otro modelo para seleccionar la mejor respuesta. Por tanto, una instrucción sencilla del usuario puede generar una cadena considerable de computación oculta.
Google ha informado de que un prompt de texto mediano de Gemini consumía 0,24 vatios-hora en 2025. OpenAI citó alrededor de 0,34 vatios-hora para una consulta media de ChatGPT. Estas cifras sugieren que los proveedores han logrado mejoras significativas de eficiencia a escala de producción.
No demuestran que cada consulta, modelo o centro de datos tenga la misma huella. Los proveedores utilizan hardware, arquitecturas de modelos, sistemas de refrigeración, fuentes de energía y límites contables diferentes.
Una medición podría incluir únicamente la electricidad de los aceleradores. Otra podría incluir las pérdidas de redes, refrigeración y conversión eléctrica. Una tercera podría promediar prompts sencillos junto con tareas de razonamiento más largas.
Este problema de delimitación hace que muchas comparaciones en línea sean poco fiables. Una cifra puede ser matemáticamente correcta dentro de una definición y resultar engañosa cuando se presenta como el coste energético de la “IA” en general.
Los lectores de Google News también deberían distinguir entre potencia y energía. La potencia, medida en vatios, describe la tasa de consumo en un momento concreto. La energía, medida a menudo en vatios-hora, describe el consumo a lo largo del tiempo.
Un cerebro de 20 vatios funcionando durante una hora utiliza unos 20 vatios-hora. Una respuesta breve de IA podría consumir una fracción de un vatio-hora, pero el centro de datos que la respalda puede atender millones de solicitudes mientras entrena otros modelos.
El desafío del sector procede de la multiplicación. Una pequeña cantidad de energía por consulta se vuelve considerable a través de miles de millones de interacciones. Los prompts más largos, la generación de vídeo, los agentes autónomos y las funciones de IA siempre activas elevan ese total.
La eficiencia también reduce el coste de utilizar IA. Los costes más bajos animan a los desarrolladores a incorporar modelos en motores de búsqueda, aplicaciones de oficina, sistemas operativos, herramientas de atención al cliente y entornos de desarrollo de software.
Los economistas llaman a esto comportamiento rebote: hacer más eficiente un recurso puede aumentar su consumo total al hacer asequibles usos adicionales. En la IA, una inferencia más barata permite cargas de trabajo que las empresas nunca habrían ejecutado con costes anteriores.
Por eso, mejorar la energía por prompt no reduce automáticamente la demanda total de electricidad. El sistema se vuelve más eficiente y después se expande hacia más productos y realiza más trabajo.
La red eléctrica se está convirtiendo en el verdadero cuello de botella de la IA
Los desarrolladores de IA pueden pedir más aceleradores, pero no pueden crear una línea de transmisión o una conexión a la red con los plazos del software.
El cambio es visible en los datos nacionales de electricidad. El Laboratorio Nacional Lawrence Berkeley estimó que los centros de datos de Estados Unidos consumieron 176 teravatios-hora en 2023, equivalentes al 4,4% del uso nacional de electricidad.
Ese total había aumentado desde los 58 teravatios-hora de 2014. El informe sobre centros de datos del laboratorio proyectó que el consumo estadounidense podría alcanzar entre 325 y 580 teravatios-hora en 2028.
El intervalo es amplio porque la demanda futura depende de la adopción de modelos, la eficiencia del hardware, los calendarios de construcción y la disponibilidad de electricidad. Incluso el extremo inferior representaría una importante carga nueva que llegaría en un periodo corto.
La Agencia Internacional de la Energía informó de que la demanda eléctrica mundial de los centros de datos aumentó un 17% en 2025. La demanda de instalaciones centradas en IA creció todavía más rápido, mientras que la demanda eléctrica mundial total aumentó un 3%.
La agencia espera que el uso de electricidad de los centros de datos aumente de unos 485 teravatios-hora en 2025 a aproximadamente 950 teravatios-hora en 2030. Las instalaciones centradas en IA representan la parte de crecimiento más rápido.
Su perspectiva mundial de la electricidad también identifica cuellos de botella en turbinas de gas, transformadores, chips avanzados, conexiones a la red y aprobaciones regulatorias. Estas limitaciones restringen la rapidez con que los campus anunciados se convierten en infraestructura operativa.
Un centro de datos propuesto no es lo mismo que uno energizado. Los desarrolladores deben asegurar terrenos, permisos, conexiones de fibra, capacidad de refrigeración, transformadores y una fuente fiable de electricidad.
Las compañías eléctricas deben determinar si la red local puede soportar una carga grande y concentrada. Es posible que necesiten nuevas subestaciones, líneas de transmisión, generación o almacenamiento antes de conectarla.
Estos proyectos avanzan con calendarios distintos. Los modelos de IA pueden cambiar en cuestión de meses. La capacidad de fabricación de semiconductores tarda años en ampliarse. Las grandes centrales eléctricas y los proyectos de transmisión pueden tardar todavía más.
Este desajuste presiona a hyperscalers como Google, Microsoft, Amazon y Meta. Sus estrategias de IA dependen de asegurar suficiente capacidad de cómputo, pero añadir servidores sin electricidad no produce ningún servicio utilizable.
También presiona a las compañías eléctricas. Deben planificar cargas que pueden asemejarse a instalaciones industriales, al tiempo que deciden quién paga la infraestructura si un proyecto de centro de datos cambia de dirección o nunca alcanza su plena capacidad.
Las comunidades enfrentan otro cálculo. Un gran campus puede generar actividad de construcción e ingresos fiscales, pero podría crear menos empleos permanentes que una fábrica convencional que consuma una cantidad comparable de energía.
Los residentes y los reguladores también quieren saber si los costos de nueva generación se trasladarán a las facturas domésticas. La respuesta depende de los contratos de las empresas de servicios públicos, las estructuras tarifarias locales, las mejoras de la red y de si la infraestructura presta servicio a otros clientes.
Las cargas de trabajo de AI añaden complicaciones operativas. El entrenamiento y la inferencia pueden producir cambios rápidos en la demanda de electricidad. Una red diseñada en torno a un consumo comercial predecible debe responder a cargas de computación concentradas que varían según la actividad del software.
El almacenamiento en baterías puede suavizar algunos cambios y proporcionar respaldo. La generación in situ puede reducir la dependencia de conexiones a la red que se demoran. Ninguno de los dos enfoques elimina las dudas sobre el suministro de combustible, las emisiones, los permisos y la asignación de costos.
Por ello, la industria está explorando acuerdos de energía nuclear, generación con gas natural, proyectos renovables, sistemas geotérmicos y almacenamiento de energía. Cada opción resuelve una parte diferente del problema e introduce su propio calendario de construcción.
La electricidad no es simplemente otro insumo junto a los chips. Se está convirtiendo en un factor decisivo. Una empresa con capital y aceleradores puede aun así perder tiempo si no dispone de un emplazamiento energizado.
Los mineros de Bitcoin tienen electricidad, pero AI necesita más que megavatios
Los sitios de minería de Bitcoin ofrecen un acceso escaso a la red, pero solo una proporción limitada puede satisfacer las exigencias de fiabilidad, refrigeración y conectividad de la computación de AI.
La historia de Google News vincula la carrera de AI por la electricidad con un proveedor de infraestructura inesperado: los mineros de criptomonedas. Muchos ya controlan sitios con conexiones a la red, acuerdos de suministro eléctrico, subestaciones y equipos eléctricos operativos.
Estos activos se volvieron valiosos porque las colas de interconexión pueden retrasar durante años los nuevos proyectos de centros de datos. Adquirir un sitio existente ya energizado puede acortar una parte del proceso de desarrollo.
La lógica estratégica es directa. Los ingresos de la minería de Bitcoin cambian con los precios de las criptomonedas, la dificultad de la red, la eficiencia de los equipos y los costos de electricidad. Los contratos de alojamiento de AI a largo plazo pueden aportar un perfil de ingresos distinto.
Mientras tanto, las empresas de AI necesitan terrenos energizados. Un minero que pueda reconvertir su instalación podría obtener más valor al arrendar energía e infraestructura que al seguir produciendo Bitcoin.
Esta posibilidad ha impulsado acuerdos en los que participan Core Scientific, Galaxy Digital, TeraWulf, IREN, Riot Platforms y Hut 8. El análisis de la fuente estimó que los mineros cotizados habían anunciado contratos de AI por un valor agregado superior a $70 mil millones.
El valor anunciado no debe confundirse con capacidad entregada. Según el mismo análisis, las divulgaciones del segundo trimestre de 2026 mostraron unos 750 megavatios energizados en el conjunto de empresas que examinó.
Core Scientific representaba unos 437 megavatios. El sitio Helios de Galaxy aportaba 133 megavatios, mientras que TeraWulf, IREN y Riot informaron cantidades energizadas menores.
Estas cifras muestran tanto la oportunidad como la brecha de implementación. Los contratos describen relaciones comerciales futuras. La capacidad energizada mide infraestructura que ha alcanzado una etapa operativa más concreta.
Una instalación minera no se convierte automáticamente en un centro de datos de AI. Las máquinas de Bitcoin pueden tolerar interrupciones, ya que los mineros pueden pausar operaciones cuando la electricidad se encarece o la red se encuentra bajo presión.
Los clientes de AI, por lo general, esperan suministro eléctrico firme y niveles de servicio estrictos. Una carga de trabajo en la nube no puede desaparecer cada vez que una empresa de servicios públicos pide al sitio reducir el consumo.
Los aceleradores de AI también concentran mucha más capacidad de computación en cada rack. Esa densidad genera exigentes requisitos de refrigeración. La reconversión puede requerir refrigeración líquida, nuevos sistemas de agua, una distribución eléctrica rediseñada e infraestructura de edificios más robusta.
La fibra presenta otra barrera. Los sitios de minería suelen ubicarse cerca de energía económica en zonas remotas. Las instalaciones de AI necesitan conexiones de red de alta capacidad y baja latencia para mover datos entre clústeres, regiones de nube y clientes.
Las normas de seguridad también difieren. Alojar datos empresariales o modelos propietarios exige controles físicos, monitoreo, redundancia y procedimientos de cumplimiento que una operación minera podría no tener.
La economía aún puede funcionar para propiedades seleccionadas. BeInCrypto citó estimaciones de VanEck que situaban los costos de conversión cerca de varios millones de dólares por megavatio, mientras que la nueva construcción requería mucho más capital.
Estas estimaciones varían según el sitio y no deben tratarse como precios universales. Una instalación con edificios adecuados, fibra y potencial de refrigeración difiere enormemente de un conjunto remoto de contenedores de minería.
La lección más amplia es que el acceso a la red se ha convertido en una ventaja estratégica negociable. Los mineros de Bitcoin pasaron años localizando electricidad barata y negociando el acceso. La demanda de AI ha cambiado el uso potencial de esos activos.
Sin embargo, las afirmaciones sobre una transformación completa de la minería hacia AI merecen escepticismo. Datos preliminares de una encuesta de Cambridge citados por la fuente sugirieron que solo alrededor del 10% de los mineros había asignado energía a AI en julio de 2026.
Esa proporción limitada concuerda con los obstáculos físicos. Muchas ubicaciones pueden minar criptomonedas de forma eficaz porque el equipo de minería tolera condiciones que un arrendatario empresarial de AI rechazaría.
Por tanto, los inversores deben distinguir tres categorías: contratos firmados, capacidad futura contratada y capacidad de AI operativa. Tratarlas como equivalentes puede exagerar la rapidez con la que llegarán los ingresos.
El cambio también plantea un conflicto práctico. Las cargas flexibles de minería pueden apagarse durante periodos de tensión en la red, lo que puede ayudar a equilibrar los sistemas eléctricos. Las cargas firmes de AI eliminan parte de esa flexibilidad, salvo que los operadores rediseñen las cargas de trabajo en función de las condiciones de la red.
Los investigadores están estudiando la computación flexible en materia de energía, en la que los centros de datos desplazan tareas no urgentes entre distintos momentos o ubicaciones. Los trabajos de entrenamiento, el procesamiento por lotes y algunas cargas de inferencia podrían pausarse sin perjudicar a los usuarios.
Sin embargo, los clientes comerciales decidirán cuánta interrupción aceptan. Una capacidad teórica para desplazar el trabajo no garantiza que los contratos, el software o las expectativas de servicio lo permitan.
La infraestructura minera puede acelerar proyectos seleccionados de AI. No puede eliminar la necesidad de mejores redes, nueva generación, refrigeración avanzada e informes transparentes.
Por qué unos chips mejores no pondrán fin a la historia de energía de Google News
La eficiencia cambia lo que AI puede hacer por vatio, mientras que la expansión de la demanda determina cuántos vatios totales consume la industria.
De 2010 a 2018, la actividad informática global de los centros de datos aumentó alrededor de un 550%, mientras que el uso de electricidad solo creció cerca de un 6%. Mejores servidores, virtualización, refrigeración y diseño de instalaciones absorbieron gran parte del crecimiento.
Esa historia respalda un argumento optimista. Los aceleradores de AI deberían volverse más eficientes, los modelos deberían utilizar menos parámetros activos y los desarrolladores deberían evitar cálculos innecesarios. La demanda total podría entonces estabilizarse.
El problema es que el consumo reciente de Estados Unidos ya se ha alejado del patrón anterior. El uso de electricidad de los centros de datos se triplicó entre 2014 y 2023, según las estimaciones de Berkeley Lab.
Los desarrolladores de AI también están utilizando las ganancias de eficiencia de otra manera. En lugar de ofrecer el mismo servicio con menos electricidad, suelen emplear hardware mejorado para entrenar sistemas más grandes o atender a más usuarios.
La computación en tiempo de prueba intensifica esta tendencia. Permite que un modelo dedique cálculo adicional al responder una solicitud difícil. El modelo puede generar alternativas, comprobar pasos intermedios y seguir razonando antes de presentar una respuesta.
Este proceso puede mejorar el rendimiento en tareas de programación, matemáticas, investigación y planificación. También hace que el costo energético dependa de la dificultad de la solicitud y de la cantidad de razonamiento permitida.
El software agéntico extiende la computación a lo largo del tiempo. Un sistema que supervisa mensajes, actualiza bases de datos, investiga prospectos o mantiene código puede ejecutarse repetidamente sin que una persona inicie cada paso.
La unidad de valor pasa entonces de una solicitud a un flujo de trabajo completado. Un flujo de trabajo puede contener cientos de llamadas a modelos, búsquedas, validaciones y reintentos.
Esto hace que los informes por consulta sean menos informativos. Los proveedores necesitan mediciones que conecten la energía con la complejidad de la tarea, la calidad del modelo, el hardware, la ubicación y el volumen total del servicio.
Una cifra de solicitud mediana sigue teniendo valor. Corrige afirmaciones infladas y ofrece a los usuarios una escala aproximada. No puede explicar la infraestructura necesaria para una flota creciente de servicios autónomos.
Las afirmaciones de eficiencia también necesitan límites coherentes. La electricidad consumida por los aceleradores es solo un componente. La memoria, las redes, la refrigeración, el almacenamiento y los sistemas de respaldo contribuyen al total de la instalación.
La eficacia del uso de energía, o PUE, mide la energía total de la instalación dividida por la energía suministrada al equipo de computación. Un valor más próximo a uno indica menos sobrecarga, pero no revela si la computación en sí es eficiente.
El impacto de carbono añade otra capa. Un kilovatio-hora suministrado por generación baja en carbono tiene un perfil de emisiones diferente al de uno producido por una red con alta dependencia de combustibles fósiles.
El momento también importa. Un centro de datos que utiliza electricidad cuando la generación renovable es abundante puede generar un efecto distinto en la red que otro que demanda suministro firme durante un pico regional.
El uso de agua varía según la tecnología de refrigeración y el clima. Algunas instalaciones dependen en gran medida de la refrigeración evaporativa, mientras que otras utilizan refrigeración por aire o sistemas de circuito cerrado con distintos compromisos energéticos.
Ninguna cifra única puede captar todas estas dimensiones. Una mejor divulgación debería informar la energía de la instalación, la energía de computación, el tipo de carga de trabajo, la ubicación geográfica, la intensidad de carbono y el consumo de agua.
El cerebro humano sigue siendo una referencia de diseño instructiva. Combina estrechamente memoria y procesamiento, se comunica de forma selectiva y opera bajo un límite energético estricto.
Los procesadores modernos trasladan con frecuencia datos entre la memoria y las unidades de computación. Ese movimiento puede consumir más energía que la propia operación aritmética, especialmente en modelos grandes.
Técnicas como la cuantización, la dispersión, los modelos más pequeños y específicos para cada tarea, y un mejor empaquetado de memoria reducen ese costo. La computación neuromórfica también intenta imitar propiedades seleccionadas de los sistemas neuronales biológicos.
Ninguna ofrece una salida garantizada al crecimiento de la demanda agregada. Las empresas de software pueden usar cada vatio ahorrado para añadir usuarios, ampliar las ventanas de contexto, generar video o permitir que los agentes operen durante más tiempo.
Una reducción genuina de la demanda total requeriría que la eficiencia mejorara más rápido de lo que se expanden las cargas de trabajo. Las proyecciones actuales muestran lo contrario a nivel de industria, incluso cuando las operaciones individuales se abaratan.
La comparación con el cerebro ofrece, por tanto, una inversión. AI está aprendiendo varias lecciones de eficiencia de la biología, pero esas lecciones están permitiendo la expansión antes de reducir el consumo de electricidad.
Tres señales que mostrarán qué ocurre a continuación
La próxima fase se medirá mediante capacidad energizada, divulgación a nivel de carga de trabajo y contratos que hagan que AI responda a las condiciones de la red.
La primera señal es la brecha entre la capacidad de centros de datos anunciada y la capacidad que realmente entra en servicio. Los comunicados de prensa pueden describir gigavatios de proyectos futuros, pero los sitios energizados revelan si los desarrolladores obtuvieron equipos, permisos, refrigeración, fibra y electricidad.
Los inversores y clientes deberían seguir los acuerdos de interconexión con las empresas de servicios públicos, los hitos de construcción y la capacidad operativa divulgada. Una brecha cada vez menor mostraría que la inversión en infraestructura está superando los cuellos de botella actuales.
Una brecha creciente debilitaría las previsiones de crecimiento agresivas. Sugeriría que la escasez de transformadores, las disputas por permisos, las limitaciones de la red o la economía de los proyectos están ralentizando el despliegue.
Los mineros de Bitcoin ofrecen una prueba útil. Si sus conversiones a AI comienzan a atender a inquilinos según lo previsto, quedará demostrado el valor del acceso existente a la energía. Si las fechas se retrasan, el mercado verá cuánta infraestructura adicional requieren esos sitios.
La segunda señal es una mejor divulgación energética por parte de los proveedores de modelos. Google, OpenAI, Microsoft e investigadores independientes han publicado estimaciones útiles a nivel de prompt, pero sus métodos y límites siguen siendo difíciles de comparar.
Los informes deberían diferenciar la generación de texto ordinaria de las cargas de trabajo de razonamiento, imagen, video y agentes. También deberían distinguir el consumo de los aceleradores de la electricidad total de las instalaciones.
Una divulgación coherente ayudaría a los compradores empresariales a comparar modelos para implementaciones de gran volumen. También permitiría a las empresas de servicios públicos prever la demanda utilizando patrones reales de carga de trabajo en lugar de supuestos generales.
Observe si los proveedores publican distribuciones en lugar de un único promedio. La diferencia entre una respuesta breve y un flujo de trabajo largo con agentes importa más que una sola mediana.
La tercera señal es si los operadores de AI firman acuerdos que flexibilicen la computación. Los centros de datos pueden programar parte del entrenamiento, la inferencia por lotes y el trabajo de evaluación durante períodos de abundante electricidad.
Si los operadores despliegan baterías y desplazan cargas de trabajo significativas, pueden reducir la presión durante los picos de la red. La IEA estima que los centros de datos podrían albergar entre 20 y 25 gigavatios de almacenamiento en baterías a nivel mundial para 2030.
Ese resultado reforzaría la idea de que las instalaciones de AI pueden convertirse en participantes más cooperativos de la red. No eliminaría su consumo anual de electricidad, pero podría reducir el costo y el riesgo de atender cargas concentradas.
Si los clientes siguen exigiendo un funcionamiento ininterrumpido para casi todas las cargas de trabajo, las empresas de servicios públicos necesitarán más generación firme y capacidad de red. Ese camino incrementa la importancia de los contratos eléctricos a largo plazo y de la aprobación local.
Para desarrolladores y trabajadores del conocimiento, la cuestión energética influirá en mucho más que las afirmaciones medioambientales. La escasez de infraestructura puede afectar la disponibilidad de los modelos, los límites de uso, la latencia y las funciones que los proveedores pueden ofrecer de forma económicamente viable.
Las empresas que crean flujos de trabajo de AI deberían medir el valor de una tarea completada, no solo el número de prompts. Pueden reducir el desperdicio seleccionando modelos más pequeños para el trabajo rutinario, limitando el contexto innecesario y revisando las acciones repetidas de los agentes.
Mantener información reutilizable dentro de una base de conocimiento personal organizada también puede reducir las búsquedas repetidas y los prompts sobredimensionados. Es una mejora del flujo de trabajo, no una respuesta completa a la demanda de los centros de datos.
El titular de Google News funciona porque condensa un conflicto de infraestructura en una imagen memorable. Tu cerebro opera dentro de un presupuesto energético implacable. Históricamente, las empresas de AI operaban dentro de un presupuesto de capital que se ampliaba cada vez que los inversores esperaban mayores capacidades.
La electricidad está haciendo más difícil mantener esa distinción. La pregunta decisiva ya no es si una respuesta de AI consume más energía que un pensamiento humano. Ninguno de los dos lados de esa comparación cuenta con una unidad limpia y universal.
Observe qué se vuelve operativo, qué divulgan los proveedores y si las cargas de trabajo se adaptan a la red. Esas señales mostrarán si la AI aprende a operar bajo un límite físico o sigue buscando una central eléctrica más grande.
