La paradoja de la IA generativa: ¿drenaje de recursos o catalizador de soluciones climáticas?

¿Qué es la paradoja de la IA generativa?

La paradoja de la IA generativa es el hecho constatado de que la IA generativa consume volúmenes crecientes de electricidad, agua dulce y materiales críticos y al mismo tiempo constituye uno de los aceleradores más potentes disponibles para la mitigación climática, la optimización de las redes eléctricas y la innovación en materiales. Ambas mitades se apoyan en datos públicos medidos y ninguna anula a la otra. La Agencia Internacional de la Energía (AIE) informa de que la demanda mundial de electricidad de los centros de datos creció un 17 % en 2025 hasta los 485 teravatios-hora (TWh) y estima, por separado, que el despliegue amplio de las aplicaciones de IA existentes podría evitar 1.400 millones de toneladas (Mt) de dióxido de carbono en 2035. Para un directivo, la paradoja de la IA generativa no es un debate que ganar, sino un problema de asignación que arbitrar: cada despliegue conlleva un coste de recursos medible y un beneficio condicional de emisiones evitadas, y solo una medición disciplinada establece cuál es mayor. Este artículo expone cómo emitir ese juicio caso por caso, en lugar de adoptar una posición general a favor o en contra de las innovaciones en IA.

¿Cuánta electricidad y agua consume la IA generativa?

El consumo de recursos de la IA generativa se mide ya en lugar de estimarse, y las cifras publicadas son enormes en agregado aunque sigan siendo pequeñas por solicitud. El informe de la AIE Key Questions on Energy and AI, publicado el 16 de abril de 2026, indica que la demanda mundial de electricidad de los centros de datos creció un 17 % en 2025 hasta los 485 TWh y proyecta unos 950 TWh para 2030 —en torno al 3 % de la demanda mundial de electricidad—, mientras que el consumo eléctrico de los centros de datos centrados en IA se disparó un 50 % en 2025 y se prevé que se triplique para 2030. En el plano de una única solicitud, el artículo técnico de Google Measuring the Environmental Impact of Delivering AI at Google Scale, publicado el 21 de agosto de 2025, señala que la consulta de texto mediana en Gemini Apps consume 0,24 vatios-hora de energía, emite 0,03 gramos de CO2 equivalente y consume 0,26 mililitros de agua. Ambas escalas deben leerse conjuntamente, porque solicitudes individualmente insignificantes se agregan hasta convertirse en una demanda eléctrica de escala nacional.

¿Qué miden realmente las publicaciones sobre la huella de la IA?

Las publicaciones sobre la huella de la IA cubren ya cuatro categorías de impacto distintas —energía, carbono, agua y materiales—, pero aplican límites del sistema diferentes, de modo que sus cifras no son directamente comparables. Google midió el impacto operativo del servicio: aceleradores, sistemas anfitriones, capacidad ociosa y sobrecoste del centro de datos. Mistral AI encargó un análisis de ciclo de vida completo que abarca la construcción del centro de datos, la fabricación del hardware, el entrenamiento del modelo y 18 meses de inferencia, realizado con Carbone 4 y la agencia francesa de transición ecológica ADEME y publicado el 22 de julio de 2025. Esa diferencia de límite explica por qué Mistral declara 45 mililitros de agua para una respuesta de 400 tokens mientras Google declara 0,26 mililitros para una consulta mediana: las dos cifras responden a preguntas distintas. La tabla siguiente reúne las principales publicaciones que un directivo puede citar, cada una con su editor, su fecha y su alcance, para que una afirmación sobre la huella pueda rastrearse hasta una fuente en lugar de repetirse de segunda mano.

¿Dónde es la IA generativa un catalizador real de soluciones climáticas?

La IA generativa y los sistemas de aprendizaje automático asociados aportan valor climático medible en cuatro ámbitos donde ya existe evidencia publicada: la operación de sistemas eléctricos, la planificación de las conexiones a la red, la eficiencia energética industrial y el descubrimiento de materiales. El informe de la AIE Energy and AI, publicado en abril de 2025, cuantifica tres de ellos. Aplicar la IA a la operación y el mantenimiento de centrales eléctricas podría generar ahorros de costes de hasta 110.000 millones de dólares anuales para 2035; podrían liberarse hasta 175 gigavatios (GW) de capacidad de transporte adicional en las líneas existentes; y la industria ligera, como la fabricación de electrónica y maquinaria, podría lograr un 8 % de ahorro energético para 2035. En el conjunto de los sectores de uso final, el escenario de adopción generalizada de la AIE sitúa las emisiones evitadas en 1.400 Mt de CO2 en 2035, entre tres y cuatro veces el total de emisiones de los centros de datos en sus propios escenarios. Las aplicaciones siguientes muestran dónde se persiguen hoy esas ganancias:

• Planificación de conexiones a la red — PJM Interconnection, que da servicio a 67 millones de personas en 13 estados de Estados Unidos y el Distrito de Columbia, anunció el 10 de abril de 2025 una colaboración plurianual con Google y Tapestry para aplicar la IA a su proceso de conexión de generación y reducir los plazos de revisión de solicitudes.
• Capacidad de transporte — clasificación dinámica de líneas y previsión de congestión, que la AIE estima podrían liberar hasta 175 GW de capacidad adicional en las líneas de transporte existentes.
• Operación y mantenimiento de centrales — mantenimiento predictivo y optimización del despacho, valorados por la AIE en hasta 110.000 millones de dólares de ahorro anual para 2035 gracias al combustible evitado y a menores costes.
• Optimización de procesos industriales — 8 % de ahorro energético para 2035 en industria ligera, como la fabricación de electrónica y maquinaria, en el escenario de adopción generalizada de la AIE.
• Descubrimiento de materiales — MatterGen, publicado en Nature (volumen 639, páginas 624-632, 16 de enero de 2025), genera estructuras cristalinas inorgánicas con más del doble de probabilidad de ser nuevas y estables que las de modelos generativos anteriores, acortando la búsqueda de materiales para baterías, imanes y catalizadores.
• Trabajo con datos de sostenibilidad — extracción, conciliación y detección de lagunas en cuestionarios de proveedores y conjuntos de datos de reporte, lo que comprime el ciclo de reporte sin sustituir la revisión humana ni el aseguramiento externo.

¿Anula el beneficio climático el coste en recursos?

El beneficio climático no anula automáticamente el coste en recursos, porque ese beneficio es un escenario modelizado mientras que el consumo ya se está produciendo. La AIE es explícita al respecto: afirma que actualmente no existe ninguna dinámica capaz de asegurar la adopción generalizada de estas aplicaciones de IA, y señala el acceso a los datos, las infraestructuras, la regulación y los efectos rebote como barreras capaces de contrarrestar las ganancias modelizadas. El lado del consumo, en cambio, se observa. Los centros de datos representaban alrededor del 0,5 % de las emisiones mundiales por combustión en el momento del informe Energy and AI de la AIE en abril de 2025, cifra que asciende al 1 % en su escenario base y al 1,4 % en su escenario Lift-Off para 2030, y la actualización de abril de 2026 de la AIE sitúa las emisiones de los centros de datos en torno a 350 Mt en 2035, aproximadamente el 2 % de las emisiones mundiales del sector eléctrico. Un directivo que contabiliza el beneficio de 1.400 Mt sin haber asegurado las condiciones de adopción está registrando una previsión como un logro: las emisiones evitadas son un objetivo condicional que se gana despliegue a despliegue, no un crédito ya ingresado.

¿Qué prácticas de Green AI reducen la huella?

Las prácticas de Green AI reducen la huella de un despliegue de IA sin esperar a la regulación, y cada una de ellas es una decisión de gestión más que un problema de investigación. La mayor palanca individual es el dimensionamiento del modelo: ajustar la capacidad del modelo a la tarea en lugar de dirigir cada solicitud al modelo más grande disponible. La segunda es separar el entrenamiento de la inferencia en la contabilidad, porque un modelo entrenado una vez puede atender miles de millones de solicitudes, y la AIE señala que aplicaciones emergentes como la generación de vídeo consumen cientos o miles de veces más energía que una simple consulta de texto. La eficiencia de las instalaciones es medible y comparable mediante la eficacia en el uso de la energía (PUE) y la eficacia en el uso del agua (WUE), mientras que las emisiones a nivel de software pueden cuantificarse con la especificación Software Carbon Intensity, normalizada como ISO/IEC 21031:2024. Las prácticas siguientes corresponden a una política de compras y operación de IA, no a un backlog de ingeniería:

• Dimensionar el modelo — dirigir cada tarea al modelo más pequeño que alcance el umbral de calidad, y medir la diferencia de calidad en lugar de presuponerla.
• Separar entrenamiento e inferencia en la contabilidad — declarar la huella de entrenamiento amortizada y la huella de inferencia marginal como dos cifras distintas, con sus límites explicitados.
• Programar las cargas flexibles en ventanas de red bajas en carbono — los procesos por lotes, el ajuste fino y las ejecuciones de evaluación pueden seguir la intensidad de carbono de la red en lugar del horario de oficina.
• Fijar umbrales de PUE y WUE en los contratos con proveedores — el Uptime Institute registró un PUE medio ponderado del sector de aproximadamente 1,54 en 2025, de modo que una eficiencia superior a la media debe especificarse, no darse por supuesta.
• Exigir la divulgación de la huella en las cláusulas de compra — solicitar energía, carbono y agua por unidad de servicio, con el límite del sistema y la metodología recogidos en el contrato.
• Aplicar prácticas circulares al hardware — la modelización de Nature Computational Science indica que los enfoques circulares a lo largo de la cadena de valor de la IA generativa podrían reducir los residuos electrónicos entre un 16 y un 86 %.
• Medir la intensidad de carbono del software conforme a ISO/IEC 21031:2024 para que las afirmaciones de eficiencia sean comparables entre versiones y entre proveedores.

¿Cómo decidir cuándo la IA generativa es positiva neta?

Un caso de uso de IA generativa es positivo neto cuando su coste medido en recursos es menor que el uso de recursos que desplaza de forma demostrable, y cuando ambas cifras resisten el escrutinio externo. Ese juicio exige una secuencia y no una opinión, y cada paso produce un documento que un consejo, un auditor o un regulador pueden inspeccionar. La secuencia siguiente se aplica por igual a un canal de datos ESG, a una herramienta de escenarios climáticos y a un asistente interno, y sitúa deliberadamente la medición antes que la ambición: un despliegue cuya huella nunca se ha cuantificado no puede describirse como una solución climática, sea cual sea su objeto. Los directivos que aplican esta secuencia suelen rechazar de plano una minoría de los casos de uso propuestos, redimensionar una proporción mayor hacia modelos más pequeños o alcances más estrechos, y aprobar el resto con condiciones de seguimiento explícitas. Los seis pasos se ejecutan en orden, y ninguno puede omitirse porque un paso anterior haya arrojado una respuesta incómoda:

1. Cuantificar la huella del despliegue —energía, carbono, agua y hardware— con un límite del sistema declarado y una metodología publicada como ISO 14040/14044 o el Greenhouse Gas Protocol Product Standard.
2. Nombrar el contrafactual: ¿qué proceso, con qué año base y qué uso de recursos medido, sustituye realmente este despliegue?
3. Calcular el efecto neto y publicarlo como un rango con su incertidumbre, en lugar de como una única cifra tranquilizadora.
4. Someter a prueba la gobernanza de datos —procedencia, trazabilidad, conservación, minimización y documentación— frente al Reglamento europeo de IA y a la norma ISO/IEC 42001:2023 antes del despliegue, no después de un incidente.
5. Someter a prueba la comunicación: ¿puede justificarse ante un auditor cada cifra que se pretende publicar, con un alcance, un año base, una metodología y un estado de verificación?
6. Volver a medir a los seis o doce meses para detectar efectos rebote, porque el crecimiento del uso puede borrar por completo una ganancia de eficiencia unitaria.

¿Cómo hace la gestión responsable de datos que la IA generativa sea gobernable?

La gestión responsable de datos es la capa de control que hace auditable una afirmación sobre la huella de la IA, y hoy tiene fuerza legal. La procedencia de los datos registra de dónde proceden los datos de entrenamiento y de entrada, la trazabilidad registra cómo se transformaron esos datos, y la conservación y la minimización limitan cuánto se almacena y durante cuánto tiempo, siendo el almacenamiento en sí mismo un coste energético continuo. Conforme al Reglamento de Inteligencia Artificial de la Unión Europea, los proveedores de modelos de IA de uso general (GPAI) deben mantener documentación técnica que incluya el consumo energético conocido del modelo, o una estimación derivada de los recursos computacionales utilizados, en virtud del artículo 53(1)(a) y del anexo XI. La norma ISO/IEC 42001:2023, primer estándar internacional de sistema de gestión de la inteligencia artificial, aporta el andamiaje de gobernanza circundante: evaluación de impacto, trazabilidad, supervisión humana y mejora continua. La tabla siguiente detalla qué instrumento crea qué obligación, a quién vincula y desde cuándo se aplica.

¿Por qué la comunicación sobre IA decide si tu relato climático resiste el escrutinio?

La comunicación sobre IA —la disciplina de convertir el análisis generado por máquina en un relato apto para la decisión— determina si una afirmación climática sobrevive al contacto con un regulador, y es donde la IA generativa crea el riesgo reputacional más agudo. Un modelo generativo produce prosa fluida y segura con independencia de la calidad de los datos subyacentes, lo que significa que una salida de IA sin procedencia puede parecer más autorizada que un análisis humano cuidadosamente matizado. Los reguladores ya han empezado a vigilar las afirmaciones resultantes. La Comisión de Bolsa y Valores de Estados Unidos (SEC) emprendió sus primeras acciones sancionadoras por AI-washing el 18 de marzo de 2024, resolviendo cargos contra dos asesores de inversión por declaraciones falsas y engañosas sobre su uso de la inteligencia artificial, con 400.000 dólares en sanciones civiles conjuntas. El 20 de febrero de 2025 ese mismo regulador creó una Cyber and Emerging Technologies Unit con las conductas indebidas relacionadas con la IA explícitamente dentro de su ámbito. El storytelling y la comunicación de impacto significan hoy, por tanto, publicar la procedencia junto al hallazgo.

¿Cómo debe construirse un relato de sostenibilidad asistido por IA para un consejo de administración?

Un relato de sostenibilidad asistido por IA se gana la confianza del consejo y del regulador cuando se ensambla en un orden fijo que separa la evidencia de la interpretación. Presentar los componentes en la secuencia siguiente reproduce el modo en que un comité de auditoría interroga una divulgación climática, y hace visible el eslabón débil pronto y no en el turno de preguntas:

1. La pregunta que responde el análisis, enunciada en una frase antes de mostrar ningún resultado.
2. Los datos utilizados, con su fuente, su periodo de cobertura y sus lagunas conocidas.
3. El método, indicando qué modelo o herramienta produjo qué parte del análisis y dónde intervino una persona.
4. El hallazgo, expresado como un rango con su incertidumbre y no como una cifra única.
5. La decisión solicitada, junto con lo que tendría que ser cierto para que esa decisión resultara errónea.
6. El estado de verificación —revisado internamente, asegurado externamente o ninguno de los dos—, expresado con claridad.

¿Qué competencias necesitan los directivos para gobernar la huella de la IA generativa?

Gobernar la huella de la IA generativa exige dos familias de competencias que rara vez aparecen en la misma descripción de puesto: la gestión responsable de datos y la comunicación de impacto. La gestión responsable de datos abarca procedencia, trazabilidad, conservación, minimización y los deberes de documentación creados por el Reglamento europeo de IA y la norma ISO/IEC 42001, y es la misma disciplina que sustenta un reporte ambiental, social y de gobernanza (ESG) creíble. El storytelling y la comunicación de impacto abarcan la traducción de esa evidencia en un relato sobre el que un consejo, un regulador y el público puedan actuar sin ser inducidos a error. Las prácticas de Green AI se sitúan entre ambas, porque dimensionar un modelo es simultáneamente una decisión de ingeniería, una decisión de compras y una decisión de divulgación. La tabla siguiente asocia cada competencia al documento que un directivo debe saber producir, que es también la forma en que reclutadores y auditores la evalúan.

¿Qué itinerario de SUMAS encaja con tu perfil?

SUMAS enseña finanzas sostenibles e innovaciones en IA a través de cuatro itinerarios que difieren en nivel de acceso, duración y formato más que en contenido, de modo que la elección parte de tu titulación actual y del tiempo de estudio del que realmente dispones. Los cuatro se imparten en inglés por SUMAS — Sustainability Management School, que opera un campus Lake Geneva en Gland (Suiza) y un campus urbano en Milán (Italia), y cuenta con la acreditación ACBSP. La docencia de IA en SUMAS está dirigida por el profesor Jan Erik Meidell, Ph.D., cuyos cursos incluyen Estadística y aprendizaje automático, IA aplicada a la empresa, Blockchain y finanzas descentralizadas, y el Capstone: AI for Good, y cuyo propio trabajo aplica la IA y la ciencia de datos a problemas de sostenibilidad y gobernanza ESG. AI for Good es un curso de capstone y no una titulación aparte, por lo que quienes lo busquen deberían preguntar a admisiones qué itinerario lo incluye actualmente. La tabla compara los cuatro itinerarios según los criterios que deciden la elección en la práctica.

¿Cómo desarrollar competencias en Green AI y gestión responsable de datos con SUMAS?

Desarrollar las competencias para gobernar la IA generativa parte de una pregunta más estrecha que la elección de una titulación: ¿cuál de los documentos enumerados antes no serías capaz de producir hoy? La medición de la huella y el análisis de impacto neto se construyen mediante práctica técnica repetida sobre conjuntos de datos reales, mientras que la gestión responsable de datos y la comunicación de impacto se construyen mediante proyectos aplicados bajo restricciones organizativas reales y mediante la disciplina de defender una cifra ante un público capaz de cuestionarla. SUMAS desarrolla ambas a través de los Sustainability Industry Projects realizados con organizaciones asociadas y del trabajo de capstone, y declara una tasa de empleo del 90 % de sus titulados en el conjunto de sus programas. Quienes valoren un cambio pueden leer también nuestras guías sobre carreras en gestión de la sostenibilidad y sobre estrategias de economía circular, que tratan con mayor profundidad los itinerarios y los conceptos de eficiencia de recursos. El siguiente paso práctico es elegir el itinerario cuya duración y formato te permitan construir más rápido el documento que te falta.