El informe de BAN sobre residuos electrónicos de IA afirma que las estimaciones anteriores omiten la mayor parte del hardware de los centros de datos
Basel Action Network afirma que las estimaciones previas de residuos electrónicos de IA omitían una parte importante del hardware que sustenta los centros de datos. Su nuevo análisis proyecta entre 395 millones y 617 millones de toneladas métricas de equipos impulsados por IA retirados entre 2025 y 2050.
Esa previsión es entre 40 y 60 veces mayor que una estimación ampliamente citada para 2030. Sin embargo, la comparación reúne varias categorías distintas, incluida la infraestructura de centros de datos y dispositivos fuera de esas instalaciones.
Por tanto, el conflicto no trata simplemente de cuál previsión es correcta. Se refiere a dónde trazan los analistas el límite de los residuos electrónicos de los centros de datos de IA y qué retiradas atribuyen a la IA.
BAN incluye servidores, aceleradores, equipos de red, equipos eléctricos, sistemas de respaldo e infraestructura de refrigeración. También añade equipos de consumo, empresariales y de telecomunicaciones que la adopción de IA podría impulsar a un reemplazo más temprano.
Los estudios académicos anteriores usaban límites más acotados, centrados en servidores o aceleradores de IA. Esos estudios calcularon un flujo de residuos menor, pero también hicieron menos supuestos sobre la obsolescencia indirecta.
El informe de BAN sobre residuos electrónicos de IA obliga a los hyperscalers, proveedores de equipos, compradores corporativos y recicladores a afrontar una cuestión contable más amplia. ¿Qué debe figurar en el balance material de la IA?
BAN amplía el límite de los residuos electrónicos de IA
La medida central de BAN consiste en contabilizar todo el sistema del centro de datos, no solo las máquinas que realizan los cálculos de IA.
Basel Action Network publicó en septiembre de 2026 la primera entrega de su serie de cuatro partes, The Coming AI Waste Wave. El fundador Jim Puckett elaboró el documento de 46 páginas.
El análisis de infraestructura completa de BAN parte de la capacidad proyectada de los centros de datos. Después estima la masa de equipos asociada a cada gigavatio y aplica periodos de reemplazo específicos por categoría.
El documento divide los equipos de los centros de datos en cinco grandes grupos. Estos abarcan hardware informático, redes, distribución eléctrica, energía de respaldo y sistemas de refrigeración.
Los servidores y aceleradores representan cerca del 13 por ciento de esa infraestructura electromecánica modelada. BAN sostiene que las estimaciones anteriores de residuos electrónicos de IA pasaron por alto en gran medida el 87 por ciento restante.
Esa parte no contabilizada incluye conmutadores, cableado de cobre, transformadores, baterías, equipos de refrigeración y otros sistemas de apoyo. Gran parte de ella cumple las definiciones convencionales de equipos eléctricos o electrónicos.
BAN asigna unas 70.000 toneladas métricas de equipos instalados a cada gigavatio de capacidad. Después estima que se retiran anualmente alrededor de 14.000 toneladas métricas por cada gigavatio instalado.
Esos valores dependen de las vidas útiles asumidas. BAN utiliza 2,5 años para aceleradores, 3,5 años para equipos de red y ocho años para equipos de distribución eléctrica.
Su escenario base asigna una vida útil de cinco años a los sistemas de energía de respaldo y refrigeración. El resultado ponderado alimenta un modelo que se extiende hasta 2050.
Bajo ese marco, la infraestructura de centros de datos por sí sola produce cerca de 2,8 millones de toneladas métricas de residuos anuales en 2030. La estimación aumenta a 15,2 millones de toneladas métricas al año para 2050.
El documento también adopta una previsión considerable de crecimiento de capacidad. Proyecta que la capacidad total de los centros de datos aumentará de aproximadamente 122 gigavatios en 2024 a 202 gigavatios en 2030.
El modelo de largo plazo de BAN alcanza los 1.093 gigavatios en 2050. Esa cifra lejana conlleva mucha más incertidumbre que sus puntos de partida a corto plazo.
El auge de los centros de datos en sí no es especulativo. La Agencia Internacional de la Energía espera que el consumo mundial de electricidad de los centros de datos supere los 900 teravatios-hora en 2030.
Su perspectiva eléctrica indica que el consumo debería más que duplicarse respecto a los niveles actuales. La IA es el principal impulsor, junto con otros servicios digitales.
El crecimiento de capacidad no se traduce directamente en equipos desechados. Aun así, cada nueva instalación incorpora activos físicos que eventualmente requieren reutilización, reacondicionamiento, reciclaje, almacenamiento o eliminación.
El informe de BAN sobre residuos electrónicos de IA cambia el debate al considerar esos activos de apoyo como parte de la huella de la IA. Esto crea un numerador mucho mayor antes de que los residuos indirectos entren en el cálculo.
Por qué los residuos electrónicos de los centros de datos de IA van más allá de las GPU
Un centro de datos es un sistema industrial interconectado, por lo que medir solo sus procesadores excluye los equipos necesarios para mantenerlos en funcionamiento.
La cobertura sobre IA suele centrarse en las unidades de procesamiento gráfico, o GPU, que son procesadores especializados para cálculos paralelos. Estos chips entrenan modelos y atienden solicitudes tras su despliegue.
Las GPU son costosas, visibles y se actualizan con frecuencia. También son solo una capa física dentro de una instalación operativa.
Los racks de IA de alta densidad requieren equipos de distribución eléctrica capaces de gestionar cargas concentradas. También necesitan conmutadores de red y conexiones ópticas que muevan datos entre aceleradores.
Las baterías y generadores de respaldo protegen las cargas de trabajo frente a interrupciones. Los equipos de refrigeración eliminan el calor producido por racks que consumen cantidades extraordinarias de electricidad.
Algunos de esos sistemas pueden durar más que un acelerador. Otros requieren rediseño cuando cambian la densidad de los racks, los métodos de refrigeración o los requisitos eléctricos.
Un componente no necesita fallar antes de ser retirado. Los operadores pueden retirar equipos funcionales cuando una nueva arquitectura vuelve ineficiente o incompatible la configuración existente.
Aquí es donde BAN conecta las operaciones en la nube con la rotación de materiales. Las plataformas modernas tratan la capacidad informática como infraestructura estandarizada y reemplazable, en lugar de máquinas mantenidas individualmente.
La expresión “cattle, not pets” describía originalmente las instancias de software y la resiliencia operativa. No indicaba a los operadores que desecharan servidores físicos cada vez que fallara una instancia.
Sin embargo, BAN sostiene que esta cultura operativa influye en la gestión de activos físicos. Las flotas estandarizadas pueden favorecer el reemplazo masivo, la reparación limitada de componentes y calendarios de renovación previsibles.
Esa interpretación exige cautela. La intercambiabilidad lógica no demuestra que los operadores destruyan hardware funcional.
Los hyperscalers pueden trasladar servidores antiguos a cargas de trabajo menos exigentes. También pueden revender máquinas, recuperar componentes o devolver equipos mediante programas de proveedores.
Sin embargo, la reutilización solo retrasa los residuos salvo que el equipo entre en un mercado secundario duradero. Los cambios de propiedad no eliminan las necesidades eventuales de recolección, reciclaje y eliminación.
El rápido desarrollo de aceleradores crea otra complicación. Una GPU de generación anterior puede seguir funcionando mientras pierde competitividad para entrenar modelos de vanguardia.
Aun así, podría servir para inferencia, investigación, renderizado o modelos más pequeños. Sigue siendo una cuestión empírica abierta si esa demanda secundaria absorbe la oferta disponible.
La mezcla de materiales también importa. Una unidad de refrigeración, un banco de baterías o un transformador no pueden tratarse como un servidor durante la recuperación.
Cada categoría tiene requisitos de mantenimiento, mercados de reventa, componentes peligrosos y economías de reciclaje diferentes. Una única etiqueta de “hardware de IA” puede ocultar esas distinciones.
Esta visión más amplia aporta un valor real al modelo de BAN. Pide a los operadores que revelen inventarios y retiradas de toda la instalación.
Sin embargo, ese mismo límite dificulta la atribución. Los sistemas de refrigeración y energía respaldan bases de datos, transmisión de video, almacenamiento en la nube y aplicaciones empresariales ordinarias junto con la IA.
La producción total de residuos de una instalación no puede asignarse automáticamente a la IA. Los analistas necesitan proporciones de cargas de trabajo, métodos de asignación de equipos y periodos de reporte coherentes.
BAN considera a la IA como la principal fuerza detrás de la expansión prevista de los centros de datos. Eso respalda una atribución parcial, pero no resuelve el porcentaje exacto.
La conclusión más sólida es más acotada que la cifra del titular. Las estimaciones existentes de residuos electrónicos de IA no describen todos los sistemas físicos que respaldan la computación acelerada.
El informe de BAN sobre residuos electrónicos de IA añade el “contagio de residuos”
La mayor diferencia procede de equipos fuera de los centros de datos, donde BAN introduce su supuesto más trascendental y menos verificado.
BAN denomina esta categoría “AI waste contagion”. El término abarca computadoras, teléfonos, dispositivos de borde y hardware de telecomunicaciones retirados porque la IA eleva los requisitos de software o hardware.
Un ejemplo conocido es una computadora que no puede admitir una nueva función local de IA. Su propietario podría reemplazar el dispositivo antes de lo previsto.
Los despliegues corporativos pueden producir el mismo efecto a mayor escala. Una empresa podría renovar laptops cuando las aplicaciones requeridas exigen unidades de procesamiento neuronal más recientes.
Los operadores de redes también podrían actualizar equipos para gestionar cambios en el tráfico, la latencia y los requisitos de computación de borde. BAN clasifica parte de esa rotación como inducida por la IA.
El modelo estima el contagio mediante escenarios conservadores y agresivos. Proyecta entre 5,8 millones y 10,3 millones de toneladas métricas anuales de residuos por contagio en 2030.
Para 2050, ese intervalo crece de 16,2 millones a 30,7 millones de toneladas métricas cada año. Esas cifras superan la estimación de residuos de centros de datos del modelo.
La combinación de ambas categorías produce entre 8,6 millones y 13,1 millones de toneladas métricas de retiradas anuales impulsadas por IA en 2030. El intervalo para 2050 pasa a ser de 31,4 millones a 46 millones de toneladas métricas.
En todo el periodo de 2025 a 2050, BAN calcula entre 395 millones y 617 millones de toneladas métricas. Esta cifra acumulada impulsa las comparaciones más contundentes del informe.
El informe especializado en reciclaje describe ese volumen como suficiente para llenar entre 15 millones y 23 millones de contenedores marítimos estándar de 40 pies.
La categoría de contagio también explica por qué la cifra de BAN no debería compararse a la ligera con investigaciones centradas únicamente en servidores. Las estimaciones responden a preguntas sustancialmente distintas.
Una pregunta cuánto residuo crean los servidores de IA. La otra pregunta cuánto retiro global de equipos podría acelerar la IA de forma directa o indirecta.
Ambas son preguntas útiles. No son mediciones equivalentes.
BAN reconoce abiertamente una base de evidencia limitada para el contagio. El documento afirma que existen pocos datos para cuantificar este segmento e invita a los investigadores a mejorar sus estimaciones.
Esa admisión es importante. El contagio es un marco de atribución propuesto, no una categoría de residuos observada y seguida por las estadísticas nacionales.
Un dispositivo con un reemplazo compatible con IA no demuestra que la IA haya causado la compra. El soporte de seguridad, la degradación de la batería, el daño físico, los requisitos del sistema operativo y el marketing también influyen en el reemplazo.
Los desarrolladores de software también pueden reducir el efecto. El procesamiento en la nube puede llevar funciones de IA a dispositivos antiguos, mientras que modelos más pequeños pueden ejecutarse en hardware menos capaz.
Los usuarios podrían ignorar funciones que requieren nuevos chips. Las empresas pueden extender los ciclos de reemplazo cuando los presupuestos, las políticas de compras o los objetivos de sostenibilidad favorecen las flotas existentes.
Por el contrario, la preocupación de BAN es plausible cuando el soporte de software crea umbrales estrictos de compatibilidad. Las herramientas empresariales obligatorias pueden convertir una función opcional en un requisito de compra.
El desafío de investigación consiste en separar esos casos. Los analistas necesitan encuestas, registros de flotas, datos de compras y motivos de retiro a nivel de dispositivo.
Sin esa evidencia, el intervalo de contagio sigue siendo un escenario. Debe orientar la investigación, pero no debería informarse como tonelaje medido.
Esta incertidumbre no vuelve irrelevante la categoría. Identifica una vía que los estudios centrados en servidores no pueden observar.
También desplaza la atención hacia las empresas de software. Los residuos de hardware pueden originarse en requisitos de producto redactados lejos de una planta de reciclaje.
Por qué las estimaciones anteriores de residuos electrónicos de la IA eran menores
La comparación de 40 a 60 veces refleja diferencias en los límites del sistema más que una simple corrección de un cálculo erróneo.
Un estudio de 2024 publicado en Nature Computational Science estimó que la IA generativa podría acumular entre 1,2 millones y 5 millones de toneladas métricas de residuos electrónicos hasta 2030.
Esa estimación anterior sobre IA se centró en los equipos informáticos de IA generativa. Modeló varios escenarios de desarrollo y examinó intervenciones de economía circular.
Sus autores calcularon que tales estrategias podrían reducir los residuos entre un 16 % y un 86 %. Entre ellas figuraban una vida útil más larga, la reutilización, la remanufactura y una mayor eficiencia.
Un artículo de 2026 de Alex de Vries-Gao revisó los supuestos. Utilizó restricciones de fabricación y vidas útiles de hardware más largas para elaborar una previsión menor.
Esa recalibración revisada por pares proyectó entre 131.000 y 224.800 toneladas métricas anuales de residuos de servidores de IA para 2030.
La estimación de De Vries-Gao sigue siendo considerable. En el extremo superior, la producción de un año se asemeja a los residuos electrónicos anuales generados por algunos países europeos más pequeños.
La recalibración también pone de relieve lo fácilmente que cambian las proyecciones. La vida útil del hardware, la producción de chips, el número de servidores instalados y la asignación de cargas de trabajo influyen en el resultado.
BAN acepta parte de esa crítica. Su informe considera que el modelado sujeto a restricciones de suministro es una mejora metodológica respecto de las proyecciones de demanda desvinculadas de la capacidad de fabricación.
Luego sostiene que la recalibración sigue siendo incompleta. De Vries-Gao examina los servidores, no la infraestructura electromecánica completa.
BAN también añade la categoría de contagio, que los artículos anteriores no intentaron medir. Esta combinación genera la diferencia de 40 a 60 veces.
Por tanto, los lectores deberían evitar una interpretación engañosa. BAN no ha demostrado que una estimación revisada por pares contuviera un error aritmético de 60 veces.
En cambio, BAN creó un límite analítico más amplio y aplicó un modelo de crecimiento diferente. Gran parte de la brecha parece existir porque su definición incluye más equipos.
La comparación resulta más informativa cuando se separa por capas.
La capa más estrecha abarca los aceleradores de IA y sus servidores. Tiene la relación más directa con el entrenamiento y la inferencia de modelos.
Una segunda capa cubre la infraestructura de redes, almacenamiento, energía, respaldo y refrigeración. Estos activos respaldan la IA, pero a menudo también sirven a otras cargas de trabajo.
Una tercera capa incluye dispositivos fuera de los centros de datos que la adopción de IA podría impulsar hacia una retirada anticipada. Esta capa presenta la atribución directa más débil.
Cada capa merece su propia estimación, intervalo de confianza y método de validación. Combinarlas puede ilustrar la exposición total, pero oculta diferencias en la calidad de la evidencia.
BAN proporciona pruebas de sensibilidad para su modelo interno de centros de datos. Es un paso útil porque muestra qué supuestos importan más.
Cambiar la vida útil de los aceleradores tiene un efecto moderado dentro del modelo. Alterar el crecimiento de la capacidad produce una variación mucho mayor.
Con una tasa anual de crecimiento de la capacidad del cuatro por ciento, la estimación de centros de datos para 2050 cae de forma pronunciada. Con un crecimiento del 12 %, se más que duplica respecto de la referencia de BAN.
Cambiar la masa de equipos por gigavatio también modifica sustancialmente el resultado. Estas pruebas muestran que la previsión a largo plazo es condicional, no inevitable.
El escenario totalmente conservador produce 3,8 millones de toneladas métricas anuales de residuos de centros de datos en 2050. El escenario agresivo produce 35,5 millones de toneladas métricas.
Ese amplio intervalo es más revelador que una sola cifra central. Muestra cómo el diseño de la infraestructura, el crecimiento y la vida útil pueden remodelar el resultado.
Para el debate público, la afirmación mejor respaldada de BAN es que las estimaciones centradas solo en servidores omiten la infraestructura física. Su afirmación más incierta se refiere a la escala de la retirada inducida de equipos de consumo y empresariales.
Mantener separadas esas conclusiones preserva la advertencia del informe sin tratar cada resultado modelado como un hecho previsto.
Los hyperscalers y los recicladores se enfrentan ahora a una prueba de divulgación
La presión inmediata no consiste en aceptar la estimación máxima de BAN, sino en publicar los datos operativos necesarios para ponerla a prueba.
Amazon, Google, Meta, Microsoft, Oracle y otros grandes operadores controlan registros detallados sobre los equipos desplegados. Esos registros rara vez se hacen públicos con un nivel de detalle útil por categoría.
Los operadores conocen las fechas de instalación, las tasas de fallos, los calendarios de renovación, los volúmenes de reventa y los destinos de los componentes. Pueden distinguir la reutilización del almacenamiento, el reciclaje y la eliminación.
Sin esos registros, los investigadores externos deben inferir la renovación de equipos a partir de la capacidad, los informes financieros, los envíos de proveedores y divulgaciones de sostenibilidad dispersas.
Esta opacidad deja margen tanto para la subestimación como para la sobreestimación. Los estudios acotados pueden pasar por alto sistemas de soporte importantes, mientras que los modelos amplios pueden atribuir a la IA demasiada renovación ordinaria.
Un marco de información creíble debería divulgar los equipos que entran y salen de servicio por categoría. También debería mostrar la antigüedad, el peso, el destino y si los equipos siguen operativos.
“Reutilización” necesita una definición precisa. Un servidor trasladado entre instalaciones es distinto de uno vendido a una cadena de exportación desconocida.
La recuperación de componentes también exige una contabilidad independiente. Recuperar memoria o procesadores no explica qué ocurre con el chasis, las placas, las baterías y el hardware de refrigeración.
Los recicladores afrontan sus propias oportunidades y riesgos. Los ciclos de renovación más rápidos pueden generar valiosos flujos de servidores, cobre, baterías y equipos de red.
Los equipos operativos pueden trasladarse a centros de datos de menor nivel o a tareas de inferencia menos exigentes. Los reacondicionadores pueden prolongar la vida útil cuando la compatibilidad y el rendimiento energético lo permiten.
Sin embargo, una transacción de reventa puede trasladar la responsabilidad en lugar de resolver el problema. El propietario final puede operar donde la capacidad de reciclaje seguro y la aplicación de la normativa siguen siendo débiles.
El sistema mundial ya tiene dificultades con los productos electrónicos convencionales. La referencia mundial de residuos registró 62 millones de toneladas métricas de residuos electrónicos en 2022.
Solo el 22,3 % se documentó como recogido y reciclado formalmente a través de canales ambientalmente adecuados. El informe prevé 82 millones de toneladas métricas en 2030.
Estas cifras hacen relevante la advertencia de BAN incluso si sus escenarios más altos nunca se producen. Los residuos electrónicos adicionales de los centros de datos de IA entran en un sistema de recogida con importantes carencias existentes.
El material en sí no es uniforme. Las placas de servidor pueden contener metales recuperables, mientras que las baterías y los equipos de refrigeración introducen distintos peligros y requisitos de manipulación.
Algunos activos tienen un alto valor de reventa inmediatamente después de su retirada. Otros dejan de ser rentables cuando se incorporan al cálculo los costes de transporte, pruebas, destrucción de datos, reparación y cumplimiento normativo.
La eficiencia energética plantea otra disyuntiva. Mantener servidores antiguos en servicio evita fabricar sustitutos, pero las máquinas ineficientes pueden consumir más electricidad por unidad de trabajo.
Una decisión sensata requiere análisis del ciclo de vida, no una regla universal. La reutilización es favorable cuando el equipo restante proporciona trabajo útil sin trasladar cargas inaceptables de energía o eliminación.
El diseño modular puede mejorar esa ecuación. Los aceleradores reemplazables, las piezas estandarizadas, el acceso para reparaciones y un soporte de software más prolongado pueden evitar la retirada de sistemas completos.
Los contratos de adquisición también pueden asignar responsabilidades. Los compradores pueden exigir a los proveedores que informen de los destinos de recuperación y que mantengan piezas disponibles más allá del período de servicio inicial.
Los gobiernos disponen de varias palancas posibles. La responsabilidad ampliada del productor puede obligar a los fabricantes a financiar la recogida y el tratamiento al final de la vida útil del producto.
Las normas sobre el derecho a reparar pueden mejorar el acceso a piezas y documentación. La aplicación de controles a la exportación puede limitar los envíos etiquetados falsamente como equipos reutilizables.
Ninguna de estas medidas depende de aceptar la previsión completa de BAN. Responden a los residuos existentes y reducen la exposición bajo múltiples escenarios de crecimiento.
Para los compradores empresariales de tecnología, la lección es igualmente práctica. La adquisición de IA debería incluir las consecuencias para la vida útil y la eliminación de los dispositivos, no solo la capacidad y el coste operativo.
Los requisitos de software merecen escrutinio antes de grandes sustituciones de flotas. Una función que obliga a adquirir nuevo hardware debería justificar el cambio material que genera.
Los historiales precisos de los activos importan aquí. Las organizaciones necesitan registros consultables de adquisición, mantenimiento, seguridad y eliminación antes de poder auditar decisiones de sustitución.
La carga no puede recaer únicamente en los usuarios finales. Los desarrolladores de plataformas y los hyperscalers determinan muchos umbrales de compatibilidad que configuran la demanda de equipos.
El informe de BAN incorpora esas decisiones ocultas al debate ambiental. Esa es su contribución más duradera, independientemente del tonelaje final.
Tres señales pondrán a prueba la estimación de residuos electrónicos de la IA
La próxima evidencia debería determinar qué parte de la advertencia de BAN refleja una renovación medible y qué parte sigue siendo un escenario de alto crecimiento.
La primera señal es la divulgación de información a nivel de equipo por parte de los hyperscalers. Los informes útiles separarían aceleradores, servidores, redes, baterías, equipos eléctricos y sistemas de refrigeración.
Deberían identificar la edad media de retirada de cada categoría. También deberían distinguir entre redistribución, reventa, recuperación de piezas, reciclaje certificado y eliminación.
Estos datos pondrían a prueba directamente los supuestos de BAN sobre la vida útil. Vidas útiles documentadas más largas debilitarían su proyección central, mientras que ciclos más cortos la reforzarían.
La segunda señal es la evidencia del contagio de residuos de IA. Los investigadores necesitan registros de adquisición que muestren si los requisitos de IA realmente aceleran la sustitución de dispositivos.
Un estudio sólido compararía organizaciones similares con distintas tasas de adopción de IA. Controlaría el soporte del sistema operativo, la política de seguridad, la antigüedad de los dispositivos y los ciclos de compra habituales.
Las encuestas a consumidores por sí solas no bastarán. Los compradores suelen citar varias razones para sustituir dispositivos, y el marketing puede difuminar la causa decisiva.
Los registros de activación y entrega de dispositivos usados podrían aportar mejor evidencia. Las bases de datos corporativas de gestión de activos podrían revelar si las máquinas compatibles con IA desplazan equipos funcionales antes de la retirada programada.
Si esos datos muestran una sustitución anticipada generalizada, la mayor categoría nueva de BAN gana credibilidad. Si los ciclos de renovación se mantienen estables, sus totales superiores se debilitan considerablemente.
La tercera señal es el resultado de los programas de reutilización cuando el hardware de IA actual deja de prestar servicio de vanguardia. La medida crítica es la vida útil adicional, no el volumen de envíos.
Los investigadores deberían rastrear si los aceleradores retirados ejecutan cargas de trabajo productivas en otros lugares. También deberían documentar el uso de energía, las tasas de fallos, los destinos de exportación y el reciclaje final.
BAN planea nuevos artículos sobre reutilización, toxicidad y mitigación. Esas entregas deberían facilitar la evaluación de sus supuestos y vincular el tonelaje con el daño real.
La industria no necesita esperar una previsión perfecta. Puede mejorar los inventarios, publicar datos de retirada, respaldar equipos modulares y verificar ahora los procesadores posteriores.
Al mismo tiempo, los responsables políticos deberían evitar tratar un escenario amplio como residuos medidos. Las mejores normas comienzan con definiciones claras e informes comparables.
El informe de BAN sobre residuos electrónicos de IA logra exponer un punto ciego. Los centros de datos contienen mucho más que GPU, y cada sistema de soporte termina por llegar al final de su vida útil.
Su comparación de 40 a 60 veces sigue siendo condicional porque combina una infraestructura más amplia con una nueva teoría de obsolescencia inducida. Esa distinción debería orientar cada titular y respuesta política.
La pregunta decisiva ya puede responderse con registros operativos: ¿las inversiones en IA están ampliando la capacidad informática útil o acelerando la sustitución en toda la pila tecnológica?
Operadores, compradores y recicladores deberían exigir esos registros antes de que la próxima oleada de hardware se convierta en otro flujo invisible de residuos.
