La huella energética y de emisiones global de la difusión de la IA

 Erald Kolasi y Jesse Damiani 

(Vía Anarchist Federation)

(Euskara) (English)

El auge de la IA supone un momento revolucionario para las redes energéticas y las cadenas de suministro globales. El crecimiento del sector de la IA ha sido tan rápido e intenso que los analistas se apresuran a publicar una previsión impactante tras otra. Un estudio del FMI de 2025 estimaba que el consumo anual de electricidad impulsado por la IA podría alcanzar unos 1.500 TWh para 2030, lo que equivale al consumo actual de la India, un país con 1.400 millones de habitantes.¹ La consultora global McKinsey cree que podría superar incluso esa cifra, hasta superar los 2.000 TWh.² Esta onda de choque de difusión global se ve impulsada por un auge histórico y sin precedentes de las infraestructuras en centros de datos, centrales eléctricas, instalaciones de recuperación de agua, fábricas de semiconductores (fabs), subestaciones eléctricas, redes de transmisión, almacenes robotizados y mucho más (véase la figura 1).

Los centros de datos proliferaron por primera vez con el auge de la computación en la nube de las décadas de 2000 y 2010, cuando muchas empresas pasaron de los almacenes de datos locales a la nube con el objetivo de reducir costes y aumentar la eficiencia. Pero la ola de IA de última generación que siguió al lanzamiento de ChatGPT en 2022 ha generado un increíble aumento de la construcción de nuevos centros de datos y un entramado de infraestructuras de apoyo. Aunque, efectivamente, se está gestando una oleada de oposición local contra la expansión de la IA, las clases dirigentes mundiales se han obsesionado con una fórmula sencilla: primero la energía, las preguntas después. A pesar del amplio debate sobre los impactos energéticos, medioambientales y materiales del auge de la IA, seguimos careciendo de evaluaciones rigurosas y objetivas que tengan en cuenta la compleja dinámica del ciclo de vida de la difusión de la IA a escala global.

Y ese es precisamente el objetivo principal de este artículo: contar la historia de la IA y la energía a escala global, ampliando el alcance más allá de lo que cualquier otro análisis haya hecho hasta ahora. Los sistemas de IA como Gemini y ChatGPT consumen enormes cantidades de electricidad, pero la expansión del universo de la IA afecta a las redes energéticas y las cadenas de suministro de todo el mundo. El auge de la IA es, sin duda, una historia sobre la electricidad, pero también es una historia sobre la energía, el agua, los metales, los materiales y la termodinámica. Para construir centros de datos hay que producir acero y cemento. Es necesario tender cables de fibra óptica para transmitir datos e información desde los centros de datos a las empresas y los consumidores. Los chips informáticos deben fabricarse con algunas de las máquinas más avanzadas que el ser humano haya diseñado jamás. Y estas máquinas son tan delicadas y complejas que deben desmontarse para su transporte y volver a montarse con mucho cuidado in situ.

El gigante holandés de los semiconductores ASML envía cientos de máquinas de litografía avanzadas cada año. Para una sola máquina de ultravioleta extremo (EUV), ASML necesita, de media, 3 aviones de carga, 40 contenedores de mercancías y 20 camiones para transportar los componentes desmontados a Taiwan Semiconductor Manufacturing Company (TSMC) en Taiwán, que utiliza estos dispositivos para producir los chips más avanzados del mundo.³ La red eléctrica de Taiwán está dominada por el carbón y el gas natural, y dado que solo TSMC consume aproximadamente el 10 % de la electricidad de la isla, la industria de los semiconductores en Taiwán es muy intensiva en carbono.⁴

Estas cuestiones nos llevaron a empezar a indagar en los detalles y a llevar a cabo la investigación necesaria para responder a algunas preguntas fundamentales. ¿Cuánta energía está consumiendo la humanidad debido a la adopción y difusión generalizadas de los sistemas de IA en la economía global? ¿Qué porcentaje del consumo energético mundial en 2026 debería atribuirse a la IA? ¿Qué se considera, en primer lugar, un sistema de IA? ¿Qué volumen de emisiones globales de gases de efecto invernadero (GEI) se genera a raíz de la adopción y difusión de la IA? ¿Cómo está afectando el auge de la IA a las redes energéticas mundiales y a las cadenas de suministro industriales? ¿Hacia dónde se dirige toda esta expansión energética y qué efectos podría tener sobre la biosfera planetaria durante la próxima década?

Figura 1: Los centros de datos son el ejemplo físico por excelencia de la onda expansiva de la IA. Esta imagen muestra un complejo de AWS en Oregón. Las hileras de objetos oscuros en la parte superior de estos centros de datos son una mezcla de unidades de tratamiento de aire y unidades de refrigeración por evaporación, alineadas casi con toda seguridad con la distribución de las filas de servidores en el interior del propio centro de datos. Los contenedores blancos que rodean los centros de datos albergan sistemas de generación de energía de reserva y de gestión de la energía, como generadores diésel, bancos de baterías y módulos de conmutación. La mayoría de los centros de datos obtienen su energía de la red eléctrica pública y suelen contar también con una subestación eléctrica cercana. La fuente de la imagen se encuentra aquí.

Este es el primer análisis cuantitativo del que tenemos constancia que intenta desglose la huella energética y de emisiones a nivel mundial de la difusión de la IA para un único año (2026), así como para aportar las pruebas y el contexto necesarios para un análisis exhaustivo del ciclo de vida. Los estudios de investigación sobre la IA y la energía son innumerables, pero, como veremos en breve, suelen limitarse a diversas piezas de un rompecabezas más amplio sin llegar a encajarlas todas. Este artículo se centrará en los impactos del ciclo de vida que tiene la difusión de la IA a escala global. Cuando los investigadores calculan la huella hídrica de la carne de vacuno, no se limitan al agua que se consume en el McDonald’s local. Tienen en cuenta el agua utilizada para criar a la vaca, el agua empleada para cultivar los cereales con los que se alimenta la vaca y otras partes de la cadena de suministro, a partir de lo cual concluyen que el 98 % de la huella hídrica de los productos cárnicos puede atribuirse al agua utilizada para el cultivo de los piensos.⁵ Realizan análisis similares cuando quieren calcular la huella de emisiones de las centrales térmicas de carbón o de las tecnologías de energía renovable. El sector de la IA no debería ser diferente, pero con demasiada frecuencia el discurso público y académico sobre el tema puede parecer una caricatura aleatoria de lo que realmente está ocurriendo.

Esto se debe a que muchos investigadores académicos y el público en general suelen ver la IA como un producto en lugar de como un sector. Los productos están localizados espacialmente y aislados. La hamburguesa está aquí mismo, en tus manos. ChatGPT te envía una respuesta personalizada directamente a tu dispositivo. Cuando lo único que ves son unidades aisladas y desconectadas, las consecuencias resultantes también parecen pequeñas y aisladas, casi por definición. Pero cuando cambias de perspectiva y ves la IA como una industria global, empiezas a darte cuenta de que cuenta con cadenas de suministro interdependientes, economías de escala, efectos de red, integración tecnológica y aglomeración industrial. Ahora ya no es algo aislado. Es una megamáquina global que devora todo a su paso. Precisamente porque la IA es, en realidad, una industria con una amplia gama de productos y servicios, podemos someterla al mismo tipo de análisis del ciclo de vida que se utiliza para otras industrias.

La industria de la IA tiene una enorme huella medioambiental que puede describirse a través de dos componentes básicos: las emisiones operativas y las incorporadas. Las emisiones operativas son las emisiones de gases de efecto invernadero que se derivan directamente de la electricidad consumida por los sistemas de IA para el entrenamiento, la inferencia o cualquier otra operación habitual. Por el contrario, las emisiones incorporadas son todas las emisiones del ciclo de vida producidas por la fabricación, el transporte, la construcción, la instalación, el reciclaje y el desmantelamiento del hardware físico y la infraestructura que sustentan el ecosistema de la nube en su conjunto, incluidas actividades como la fundición de acero, la mezcla de hormigón, la limpieza de obleas de silicio y muchas otras. Del mismo modo, el consumo de energía también puede describirse en términos operativos e incorporados.

Las empresas tecnológicas y los investigadores favorables a la tecnología se han centrado tradicionalmente en el carbono operativo y el consumo energético porque son fáciles de medir y aún más fáciles de ocultar mediante compensaciones de carbono, créditos y otros mecanismos de lavado verde (greenwashing) que no contribuyen prácticamente en nada a abordar los problemas ecológicos fundamentales derivados del despliegue global de la IA, entre los que se incluyen el enorme consumo de agua y los cambios radicales en el uso del suelo con implicaciones de gran alcance.⁶ Como mostrará este análisis, las emisiones de carbono operativas y el consumo energético del uso eléctrico de la IA son solo una pieza significativa de un rompecabezas mucho más amplio. El impacto real se produce tanto antes como después de las operaciones in situ, desde todas las cadenas de suministro globales que producen a un ritmo frenético el hardware informático y la infraestructura física que constituyen los cimientos del despliegue de la IA, hasta los efectos rebote y las consecuencias posteriores en los hogares, las empresas y los gobiernos que están utilizando sistemas de IA a un ritmo sin precedentes.

Utilizamos el término «onda de choque» para hacer hincapié en los enormes niveles de inversión que están impulsando la expansión y la difusión de las tecnologías de IA. No nos pronunciamos aquí sobre si las tecnologías en sí mismas son impresionantes o revolucionarias. Las tecnologías pueden difundirse por todo tipo de razones, a veces porque son verdaderamente revolucionarias y otras porque simplemente son impuestas a la sociedad por las clases dominantes. Hay características de los modelos de IA que sin duda son impresionantes y que cambiarán la naturaleza del trabajo y de la sociedad humana en general, pero, al mismo tiempo, estos modelos también presentan debilidades fundamentales o problemas potenciales que pueden limitar su difusión y universalidad en el futuro, entre ellos las alucinaciones, los «muros de datos», las barreras de abstracción y muchos más.⁷ En cualquier caso, este artículo no se centra en las ventajas y desventajas de la adopción de la IA. Su enfoque principal se centra estrictamente en la contabilidad energética y de emisiones, con el fin de ofrecer al público y a los investigadores una mejor idea de la escala y el alcance de la difusión de la IA, así como de la presión que está ejerciendo sobre los recursos del Planeta. Los autores de este artículo creen que la especulación financiera en torno al sector de la IA se ha convertido en una burbuja y que, al igual que todas las burbujas anteriores, esta también acabará, lo que provocará una caída vertiginosa de la escala de las inversiones globales. Sin embargo, cuándo podría ocurrir eso y qué repercusión podría tener en esta evaluación también quedan fuera del alcance de este artículo.

Según nuestro análisis, en 2026 la difusión y el despliegue de la IA representarán hasta un 1,1 % de toda la demanda energética mundial, una cifra considerablemente superior a la que sugieren la mayoría de las estimaciones convencionales más simplistas. Por ejemplo, un análisis simplista de Our World in Data afirma que la difusión de la IA representa solo el 0,2 % de la demanda mundial de energía primaria. ⁸Tal y como argumentamos de forma exhaustiva en este artículo, este tipo de evaluaciones suelen ser menos útiles porque se centran exclusivamente en el consumo de electricidad e ignoran la dinámica energética más amplia del ciclo de vida que impulsa la difusión de la IA a nivel mundial. En realidad, demostramos que el consumo energético mundial impulsado por la IA probablemente ya sea superior al consumo energético de todo el Reino Unido. También estimamos que la IA será responsable de aproximadamente el 1,2 % de todas las emisiones globales de gases de efecto invernadero de este año. Se trata de cifras sorprendentes que desmienten los argumentos habituales sobre la relativa insignificancia de la IA en el consumo energético mundial.

No pretendemos que los resultados aquí presentados sean las respuestas definitivas a las preguntas que hemos planteado. De hecho, queremos reconocer abiertamente desde el principio que nuestra metodología y nuestros cálculos, que se exponen en detalle a continuación, contienen diversas deficiencias, omisiones y supuestos simplificadores, casi todos ellos necesarios dado el alcance de este análisis y las correspondientes limitaciones de los datos. Estas cuestiones se tratarán en detalle, con lo que pretendemos ahorrar a nuestros críticos una gran cantidad de tinta malgastada. Los resultados de este análisis deben considerarse una aproximación de primer orden y una puerta de entrada a futuras investigaciones, de modo que evaluaciones detalladas de segundo y tercer orden puedan ofrecer respuestas más precisas en el futuro.

La cantidad de trabajo que queda por hacer en este ámbito es considerable. Nuestros principales objetivos con este artículo son los siguientes.

Queremos impulsar un cambio en la forma en que la gente común, los investigadores académicos, las grandes empresas y los gobiernos hablan de la IA y su impacto en el consumo energético, las emisiones de gases de efecto invernadero y la biosfera planetaria. Esto implica, ante todo, explicar por qué los discursos actuales son lamentablemente insuficientes y, a continuación, ofrecer mejores alternativas sobre cómo abordar los problemas a los que nos enfrentamos.

Esperamos impulsar la investigación continua en este ámbito para que otros grupos puedan llegar a respuestas mejores que las que hemos presentado aquí.

Esperamos que este artículo pueda servir de marco de referencia para futuras acciones políticas destinadas a ejercer un mayor control público y democrático sobre el alcance, la escala y la velocidad de la onda de choque de la difusión de la IA que actualmente se extiende por gran parte del mundo.

IA y energía: una introducción

El término «inteligencia artificial» suscita muchas opiniones e interpretaciones. El primer punto de partida de este análisis es determinar qué entendemos por IA. En este contexto, definimos la IA como cualquier sistema generativo, agente, de software o robótico basado, total o parcialmente, en la lógica simbólica clásica (como la visión artificial, la correspondencia de patrones geométricos, etc.), el aprendizaje profundo con redes neuronales o alguna combinación de ambos. Quedan excluidos de esta definición los modelos, sistemas y procesos basados en técnicas como la regresión logística, los bosques aleatorios o el refuerzo de gradientes. Lo que sí se incluye en esta definición son los grandes modelos de lenguaje (LLM, por sus siglas en inglés), como ChatGPT, Claude, Copilot y Gemini, pero también los agentes de IA, los vehículos autónomos, los robots industriales, los robots autónomos, el software de toma de decisiones empresariales —como los sistemas de apoyo a la toma de decisiones clínicas en los hospitales— y mucho más. En pocas palabras: si dependes de la lógica simbólica o de las redes neuronales de cualquier forma, se te clasifica como IA a efectos de este análisis. Los debates filosóficos sobre qué constituye la inteligencia y si los LLM o los agentes de IA son realmente seres conscientes o intelectuales quedan fuera del alcance de este análisis.

La mayoría de los usuarios interactúan con los sistemas de IA y suelen ignorar todas las condiciones de fondo necesarias para su creación. Pero antes de que se pueda implementar cualquier modelo o sistema de IA, este debe ser entrenado y desarrollado. Eso requiere almacenar enormes cantidades de datos en la nube. Esto requiere el despliegue de equipos especializados como unidades de procesamiento gráfico (GPU), aceleradores, chips de memoria, racks de servidores, conmutadores de red, transceptores ópticos, cables de fibra óptica, enfriadores, torres de refrigeración y mucho más. Para satisfacer las exigencias de la computación de IA de alto rendimiento, se conectan entre sí miles de GPU para que funcionen como un superordenador de facto, a menudo con el apoyo de chips de memoria de alto ancho de banda (HBM) apilados verticalmente justo al lado de las GPU. Las GPU reciben entradas e instrucciones del mundo exterior y las utilizan para realizar cálculos rápidos, en forma de multiplicaciones matriciales que implementan las arquitecturas de redes neuronales que constituyen el núcleo de los sistemas modernos de IA (véase la figura 2). Todos estos elementos deben fabricarse, transportarse, instalarse, repararse y mantenerse en funcionamiento continuo para garantizar que puedan respaldar adecuadamente la difusión y el despliegue de la IA. Y una vez que los modelos de IA se han entrenado y desplegado, los usuarios envían consultas y comandos como entradas y reciben diversos resultados, desde texto escrito y diagramas hasta imágenes y vídeos.

Figura 2: El nuevo corazón de la revolución de la IA, la arquitectura Blackwell de NVIDIA, muestra dos GPU Blackwell conectadas a una CPU Grace. Una sola GPU Blackwell contiene más de 200.000 millones de transistores, lo que la convierte en el microchip más rápido y potente del Planeta Tierra. Grace se encarga del procesamiento y la coordinación de datos, actuando como director de orquesta, mientras que las GPU tocan frenéticamente todos los instrumentos. La fuente de la imagen se encuentra aquí.

Emma Strubell y sus colaboradores publicaron en 2019 un importante artículo que llamó la atención del mundo sobre los modelos de IA de alto consumo energético que se estaban desarrollando en aquel momento.⁹ Por ejemplo, el artículo concluía que entrenar un modelo de IA inicial con una metodología de búsqueda de arquitectura neuronal emitiría el equivalente a 272.155 kgs de dióxido de carbono, aproximadamente lo que emiten 30.000 coches en EE. UU. en un solo día en condiciones de conducción normales. Aunque el artículo fue pionero, marcó el inicio de la desafortunada tendencia a analizar la demanda energética de la IA principalmente a través del prisma del consumo eléctrico operativo, una tendencia que ha persistido en muchos de los últimos estudios de investigación, de los que se extraen datos de carácter anecdótico como «el entrenamiento del GPT-4 de OpenAI costó más de 100 millones de dólares y consumió 50 gigavatios-hora de energía, suficiente para abastecer a San Francisco durante tres días».¹⁰ El énfasis en analizar las demandas y la capacidad operativas ha supuesto que la mayor parte de la literatura académica sobre el tema haya ignorado en gran medida la dinámica del ciclo de vida, como los procesos previos y posteriores afectados por la implantación de la IA. A estas alturas, todo el mundo ha oído que una consulta típica en ChatGPT puede consumir hasta diez veces más electricidad que una búsqueda habitual en Google.¹¹ Pero el consumo eléctrico es solo un aspecto de esta historia, y ni siquiera el más importante.

Udit Gupta y sus colaboradores cuestionaron el enfoque centrado en el consumo operativo en un innovador artículo de 2021 que demostró que las emisiones incorporadas superan con creces a las emisiones operativas en los sistemas informáticos modernos.¹² Se han realizado varios estudios que examinan los vínculos a lo largo del ciclo de vida entre los modelos de IA y la energía y las emisiones. Sasha Luccioni y su equipo estimaron las emisiones totales a lo largo del ciclo de vida del entrenamiento del modelo de IA BLOOM en un artículo de 2022.¹³ Confirmando los resultados de Gupta y otros, los investigadores demostraron que el carbono incorporado del hardware informático superaba con creces las emisiones operativas derivadas del propio entrenamiento del modelo.

En un famoso artículo de 2023, Alex de Vries demostró que los requisitos de inferencia de la IA pronto eclipsarían el consumo eléctrico utilizado para el entrenamiento.¹⁴ El artículo modeló varios escenarios futuros de consumo eléctrico, y el peor de los casos a corto plazo mostraba que el consumo eléctrico de Google se dispararía hasta alcanzar el mismo nivel que el de Irlanda. Sin embargo, el análisis se centró únicamente en el consumo eléctrico e ignoró los efectos de red y la dinámica del ciclo de vida del despliegue de la IA. Otros investigadores han demostrado que los sistemas de IA pueden tener huellas de emisiones radicalmente diferentes dependiendo de dónde, cuándo y cómo se ejecuten, especialmente cuando carecen de suficiente almacenamiento en baterías y se ven afectados por las fluctuaciones de la energía eólica y solar.¹⁵ Por ejemplo, ciertas cargas de trabajo de IA podrían transmitirse a centros de datos alimentados con energías renovables, reduciendo así sus emisiones.

Los centros de datos y otras infraestructuras de IA se basan fundamentalmente en minerales y materias primas críticos extraídos de la Tierra. El cobre se utiliza para el cableado, el litio para las baterías y los elementos de tierras raras se emplean en imanes industriales que se utilizan para ventiladores de refrigeración y discos duros. Todos estos minerales y elementos críticos proceden de una variedad de cadenas de suministro globales entrelazadas y extractivas.¹⁶ Las operaciones mineras necesarias para obtener estas materias primas tienen una huella de emisiones significativa, ya que acaban destruyendo los sumideros de carbono y los paisajes locales, por no mencionar las emisiones operativas derivadas del funcionamiento de gigantescos vehículos y máquinas propulsados por diésel, como las perforadoras rotativas de explosivo. El procesamiento de una sola tonelada de metales de tierras raras produce aproximadamente 2000 toneladas de residuos tóxicos.¹⁷ En Baotou (China), a lo largo de los años se ha formado un enorme lago de lodos tóxicos como consecuencia del procesamiento de tierras raras, lo que ha arruinado la calidad del agua local y ha devastado las comunidades de la zona.

La industria de los semiconductores es el corazón de la expansión de los centros de datos. Los semiconductores se fabrican en plantas de fabricación, o «fabs». Muchas empresas consideradas del sector de los semiconductores no fabrican en realidad sus propios chips o dispositivos. En su lugar, subcontratan la producción a fabricantes externos. El fabricante de semiconductores más importante del mundo es Taiwan Semiconductor Manufacturing Company (TSMC). TSMC opera según un modelo de negocio de fundición, lo que significa que no diseña nada; solo fabrica los dispositivos y componentes físicos. Otras empresas, como NVIDIA o AMD, son empresas de software que se encargan del trabajo de diseño y, a continuación, envían los diseños a TSMC para que esta pueda producir los chips correspondientes. En sentido estricto, TSMC es un fabricante de chips y una empresa como NVIDIA es una diseñadora de chips.

Y estas empresas apenas rozan la superficie de la industria de los semiconductores. Los microchips se fabrican mediante un proceso muy complejo que implica pasos como el grabado, la fotolitografía, la deposición, las pruebas y el montaje, todos los cuales requieren algunas de las máquinas y dispositivos de fabricación más avanzados que el ser humano haya creado jamás. La empresa holandesa ASML fabrica las máquinas de litografía más avanzadas del mundo, que utilizan sensores y láseres avanzados para grabar patrones complejos en obleas de silicio. Applied Materials produce algunos de los sistemas de deposición más avanzados del mundo. Estos chips de IA se ven respaldados además por un ecosistema físico compuesto por bastidores de servidores, conmutadores de red, transceptores ópticos, sistemas de refrigeración y cables de fibra óptica (véase la figura 3). Los propios bastidores de servidores requieren grandes cantidades de acero y aluminio, ambos procedentes de industrias que consumen mucha energía y emiten enormes cantidades de dióxido de carbono.

En 2023, los centros de datos de EE. UU. representaban alrededor del 4,4 % del consumo eléctrico nacional, es decir, 180 TWh, aproximadamente lo mismo que todo Tailandia y unas cuatro veces más que la ciudad de Nueva York.¹⁸ En el año 2000, solo consumían el 0,1 % del consumo eléctrico total, por lo que su porcentaje del consumo eléctrico nacional ha aumentado un 4000 % en menos de 25 años.¹⁹ En otros países, la participación de los centros de datos en el consumo eléctrico nacional es aún mayor; en 2021 representaron más del 10 % de la producción total de electricidad de Irlanda, y es probable que en la actualidad se sitúen en torno al 20 % del consumo total de electricidad del país.²⁰

Dediquemos un momento a explicar nuestro enfoque respecto a las unidades en este análisis. La unidad más habitual que utilizamos es el teravatio-hora (TWh), una unidad de energía. Para ponerlo en perspectiva, 1 TWh de energía puede abastecer de electricidad a unos 100.000 hogares estadounidenses medios durante un año. También haremos referencia a otras unidades en función de las que se utilicen en las fuentes originales que citamos, como los megajulios (MJ) o los exajulios (EJ), que son ambas unidades de energía. Asimismo, utilizaremos unidades como el gigavatio (GW), una unidad de potencia. La potencia no es más que energía por unidad de tiempo. Para ponerlo en contexto, 1 GW de capacidad de potencia puede cubrir el consumo de aproximadamente 750.000 hogares estadounidenses, aunque en determinadas circunstancias puede llegar a casi 1 millón.²¹ Dado que utilizamos tantos tipos diferentes de unidades, realizaremos conversiones entre ellas en numerosas ocasiones. El objetivo de este análisis es reducir al mínimo los cálculos y las ecuaciones, por lo que no mostraremos todos los pasos de conversión implicados.

Figura 3: Esquema de un centro de datos típico, que es una instalación especializada que alberga vastas filas y matrices de hardware informático. Dado que este hardware se calienta mucho mientras está en funcionamiento, los centros de datos cuentan con sofisticados sistemas de refrigeración para garantizar que el exceso de calor se expulse al exterior, lo que permite que los servidores sigan funcionando sin problemas y realizando su trabajo.
Imagen extraída del libro *In the Datacenter as a Computer: An Introduction to the Design of Warehouse-Scale Machines*. Véase aquí.

La eficiencia de los centros de datos ha aumentado considerablemente con el tiempo. El índice de eficiencia en el uso de la energía (PUE) mide la energía total consumida por un centro de datos dividida por la energía consumida por su equipo informático. Por definición, siempre será superior a 1, y cuanto más se acerque a 1, más eficiente se considera que es el centro de datos. Hace unos 15 años, el PUE de los centros de datos se situaba en una media de alrededor de 2²². Hoy en día, los principales centros a hiperescala suelen alcanzar valores de entre 1,1 y 1,2, mientras que las medias generales del parque de instalaciones se sitúan más cerca de 1,4-1,6, lo que representa una mejora significativa en la eficiencia media.²³ Este aumento de la eficiencia formaba parte de una tendencia más amplia en el ámbito de la informática reflejada en la Ley de Koomey, según la cual el número de cálculos por julio de energía disipada se ha duplicado aproximadamente cada dos años.

A pesar de este increíble aumento de la eficiencia, el consumo total de electricidad de los centros de datos se ha disparado, tal y como hemos explicado anteriormente. Se trata de un ejemplo canónico de la paradoja de Jevons en acción. La paradoja, que lleva el nombre del economista británico William Stanley Jevons (quien observó en el siglo XIX que el consumo agregado de carbón seguía aumentando en Gran Bretaña a pesar de que las máquinas de vapor eran cada vez más eficientes), establece que, cuanto más eficientes se vuelven los sistemas industriales y tecnológicos bajo el capitalismo, más energía consumen, ya que los costes de producción disminuyen, los productos se abaratan o se vuelven más rentables y, como resultado, la demanda aumenta. Las pruebas empíricas que lo respaldan son abrumadoras.²⁴

Más allá de los centros de datos, se pueden encontrar numerosos ejemplos de ello en la historia moderna. La producción de acero se disparó después de que el proceso Bessemer hiciera más eficiente su fabricación.²⁵ La producción de fertilizantes se disparó tras la invención del el proceso Haber-Bosch que hizo que la producción de amoníaco fuera mucho más eficiente.²⁶ El consumo de agua en la agricultura mundial se disparó a finales del siglo XX con la introducción de métodos de riego más eficientes.²⁷ Y la lista sigue y sigue. Tal y como se explica en “La física del capitalismo” y en esta entrada, el cambio tecnológico bajo el capitalismo suele orientarse hacia la expansión de la exergía, es decir, el trabajo útil máximo que puede extraerse de un sistema cuando alcanza el equilibrio con su entorno. En otras palabras, los capitalistas buscan habitualmente ampliar la escala del sistema energético mediante la construcción de dispositivos que consumen más energía; a continuación, aprovechan cualquier ganancia de eficiencia resultante para impulsar una mayor producción y consumo, ya que todo el sistema está orientado estructuralmente hacia el crecimiento biofísico.

Este fenómeno también es fácil de observar a nivel de los dispositivos. Un chip típico de IA Hopper de NVIDIA consume aproximadamente 700 W.²⁸ El chip Blackwell de próxima generación es mucho más eficiente, en el sentido de que puede realizar más cálculos por cada unidad de energía consumida, pero también funciona a unos 1200 W.²⁹ Los chips más nuevos, como Rubin, serán aún más eficientes, pero es probable que eso siga conduciendo a una mayor adopción y difusión y, por lo tanto, a un mayor consumo de energía. Puede que los chips de IA sean cada vez más eficientes, pero también consumen más energía por unidad.³⁰ Esto es lo que ocurrió también con las máquinas de vapor durante la Revolución Industrial (véase la entrada anterior y también esta otra para más detalles). Las primeras máquinas de vapor podían generar mucha menos energía mecánica que las versiones posteriores, por lo que no solo se hicieron más eficientes, sino que también se hicieron más grandes, más complejas y más intensivas en energía.

Los sistemas complejos pueden ampliarse en escala porque se vuelven más eficientes, pero también puede darse el caso de que las perturbaciones exógenas en su escala energética obliguen o incentiven a los componentes del sistema a ser más eficientes. Estas son algunas de las mismas dinámicas que impulsan la expansión de la infraestructura de IA en todo el mundo: el impulso por mejorar coincide con el impulso por crecer, lo que incluye chips más grandes, robots más grandes, centros de datos a hiperescala, etcétera. Este frenesí de infraestructura también está impulsado en parte por las denominadas «leyes de escalabilidad de la IA», que han convencido a gran parte del mundo tecnológico de que aportar más datos y más recursos informáticos a las redes neuronales mejorará significativamente su rendimiento con el tiempo.³¹ Una de las grandes incógnitas para el futuro de la expansión de la infraestructura de IA es en qué dirección avanzará la industria tecnológica si estas leyes de escalabilidad comienzan a toparse con barreras y límites insuperables. Uno de los insumos biofísicos más limitados para la industria de la IA es el agua, pero también es uno de los temas más malinterpretados en el contexto más amplio de la energía para la IA, por lo que debemos desarrollar una comprensión clara de cómo encaja con todo lo demás.

La IA y el nexo entre calor y agua

Esta sección trata sobre el agua y el calor, y cómo se relacionan con la producción de energía para la IA. Pero, aunque el agua y la electricidad acaparan la mayor parte de la atención, el calor es quizás el aspecto más importante del panorama energético de la IA. Muchos centros de datos obtienen su electricidad de centrales eléctricas que queman combustibles fósiles, como el carbón y el gas natural. Sin embargo, resulta que la electricidad producida por las centrales de carbón y gas representa menos del 40 % de la energía total liberada al quemar combustibles fósiles. El resto de la energía es calor residual que se vierte al entorno exterior. Las leyes de la termodinámica implican que ningún motor térmico del mundo real puede convertir el calor en trabajo mecánico con una eficiencia del 100 %, por lo que siempre debe rechazarse parte del calor residual hacia un entorno exterior más frío.

Cuando se queman combustibles fósiles en una central eléctrica, estos convierten el agua en vapor caliente y a presión, que luego se utiliza para accionar una turbina que produce electricidad. A continuación, el vapor debe enfriarse y volver a convertirse en líquido, para que pueda reciclarse y reutilizarse en el siguiente ciclo que comienza en la caldera. Pero ese calor transportado por el vapor tiene que eliminarse de la central de alguna manera, y el circuito de refrigeración que realiza esa tarea es el responsable de la gran mayoría del consumo de agua en las centrales eléctricas. La mayoría de las centrales eléctricas de Estados Unidos utilizan actualmente sistemas de recirculación que consumen grandes cantidades de agua y que evaporan directamente a la atmósfera gran parte del agua que extraen de las cuencas hidrográficas locales.³² El Servicio Geológico de Estados Unidos estimó en 2019 que aproximadamente el 57 % del agua extraída de los sistemas de recirculación se evapora y se consume.³³

Los equipos informáticos de los centros de datos pueden alcanzar temperaturas muy elevadas debido al calentamiento por efecto Joule (o calentamiento resistivo), que es el calor que se genera cuando una corriente eléctrica atraviesa un conductor. Dado que los transistores son, básicamente, interruptores eléctricos de encendido y apagado, generan colectivamente grandes cantidades de calor y corren el riesgo de provocar fallos graves. Como consecuencia, es necesario eliminar este calor de los servidores del interior del centro de datos, y se han desarrollado muchos métodos para lograrlo. Durante la mayor parte de su historia, los centros de datos han dependido de sistemas de refrigeración por aire, ya fueran ventiladores gigantes que impulsaban aire a través de la sala de servidores o unidades de aire acondicionado de uso industrial que insuflaban aire frío a través de grandes rejillas de ventilación. Sin embargo, con el auge de la computación en la nube y la IA generativa, cada vez más centros de datos han adoptado sistemas de refrigeración por líquido, que son más eficientes a la hora de eliminar el calor que sus homólogos basados en aire.³⁴

Los métodos más habituales de disipación de calor entre los sistemas de refrigeración por líquido son la refrigeración por evaporación y la refrigeración adiabática. Ambos aprovechan una propiedad fundamental del cambio de estado del agua: cuando el agua pasa del estado líquido al gaseoso, absorbe energía del entorno. Es el mismo principio básico que subyace a la sudoración en un caluroso día de verano: a medida que el sudor se evapora de la piel, absorbe calor y ayuda a mantener el cuerpo fresco. En el enfriamiento por evaporación, el agua recoge el calor de los servidores del interior del centro de datos y, a continuación, se envía a las torres de refrigeración situadas en el exterior del centro de datos. Parte de esta agua caliente se pulveriza y se expone al aire, con lo que se evapora y absorbe calor de su entorno inmediato. El agua más fría se devuelve entonces al centro de datos para iniciar otro ciclo de enfriamiento. En días especialmente calurosos con exceso de humedad, muchos centros de datos recurren a la refrigeración mecánica con enfriadores en lugar del «refrigeración libre» por evaporación.

La refrigeración por evaporación requiere un gran consumo de agua de servicio, por lo que muchos centros de datos recurren a la refrigeración adiabática para ahorrar agua en sus operaciones in situ. En los sistemas de refrigeración adiabática, el aire es el principal método de disipación del calor, no el agua. No obstante, el agua puede utilizarse para enfriar el aire en días muy calurosos de verano, cuando el aire entrante es claramente insuficiente para enfriar realmente el fluido refrigerante. Lo que ocurre a nivel mecánico es que el aire se impulsa a través de paneles de agua que rocían el aire caliente. A medida que el agua rociada se evapora, absorbe calor y enfría el aire, que finalmente se impulsa a través de los serpentines sellados que contienen el fluido refrigerante. En este método, ni el agua ni el aire entran en contacto con el fluido refrigerante sellado. En termodinámica, un proceso adiabático es aquel en el que no hay intercambio neto de calor entre un sistema y su entorno, por lo que este proceso de refrigeración se denomina adiabático porque la entalpía total (contenido de calor) de la mezcla de aire y agua permanece constante. El calor simplemente se traslada de una fuente a otra.

Los métodos de refrigeración adiabática están ganando popularidad porque su configuración de circuito cerrado permite a las empresas de hiperescala afirmar que se toman en serio la conservación del agua, pero el problema es que los ventiladores que realizan gran parte de la refrigeración necesitan electricidad para seguir funcionando, y las investigaciones han demostrado que la huella hídrica indirecta asociada a esa generación de electricidad puede ser mucho mayor que el propio consumo de agua in situ.³⁵ Por lo tanto, es poco probable que muchos métodos de refrigeración adiabática y de ciclo seco resuelvan los problemas fundamentales de consumo y conservación del agua relacionados con el auge de la infraestructura de IA.

El entrenamiento de modelos de IA requiere grandes cantidades de agua. Los investigadores han estimado que el entrenamiento del GPT-3 de OpenAI en los centros de datos de Microsoft consumió directamente unos 700.000 litros de agua, y esa cifra se dispara hasta 5 millones de litros de agua una vez incluida la huella hídrica total, lo que equivale al consumo diario de agua de unos 14000 estadounidenses.³⁶ Sin embargo, a medida que la IA se expande a escala mundial en diferentes sectores, serán las inferencias para tareas rutinarias, consultas y solicitudes las que constituirán la mayor parte de su huella hídrica global.

La huella hídrica operativa directa de un centro de datos típico no es nada sorprendente la mayoría de los días, pero puede aumentar drásticamente durante los calurosos días de verano, lo que supone una grave presión sobre los recursos hídricos locales. Un problema importante de los métodos de refrigeración por evaporación es que simplemente expulsan y evaporan grandes cantidades de agua, retirando de forma permanente un recurso precioso de las cuencas hidrográficas locales.³⁷ Hay muchas otras industrias que consumen directamente más agua que los centros de datos, pero muchas de ellas, como la agricultura, devuelven gran parte del agua que consumieron inicialmente a las cuencas hidrográficas locales. Los centros de datos son una de las principales razones por las que las facturas del agua están aumentando en gran parte de Estados Unidos.³⁸ Ante los problemas políticos y de recursos que se avecinan, algunas grandes empresas de hiperescala han comenzado a construir instalaciones de recuperación de agua para reutilizar las aguas residuales en la refrigeración de los centros de datos, en lugar de verterlas a los ríos locales y otros hábitats. En el condado de Douglas (Georgia), el complejo de centros de datos de Google obtiene más del 95 % del agua de refrigeración a partir de agua no potable tratada en instalaciones de recuperación de agua financiadas por la propia empresa.³⁹ Pero, a pesar de todos los problemas reales relacionados con su huella hídrica operativa directa, los mayores problemas, con diferencia, se encuentran en las fases previas, en las demandas indirectas y del ciclo de vida que son necesarias para mantener en funcionamiento los centros de datos en primer lugar.

En 2021, los investigadores estimaron que aproximadamente el 75 % de la huella hídrica de un centro de datos era indirecta, lo que significa que la mayor parte del consumo de agua atribuido a los centros de datos correspondía a generar la electricidad necesaria para su funcionamiento.⁴⁰ La gran mayoría de la electricidad procedía de centrales de carbón, gas y nucleares. Sin embargo, una vez que se tiene en cuenta la fabricación de chips y dispositivos, ese porcentaje se eleva a más del 90 %. En otras palabras, la gran mayoría del consumo de agua necesario para crear y mantener un centro de datos es indirecto o incorporado. Es totalmente acertado afirmar que el agua utilizada para refrigerar un centro de datos típico, en sí misma, es en gran medida insignificante en el contexto general. Pero una vez que se tiene en cuenta el análisis del consumo a lo largo del ciclo de vida, la huella hídrica total de un centro de datos típico se vuelve enorme.

Para ponerlo en perspectiva, la huella hídrica total de los centros de datos de Estados Unidos ya había superado la huella hídrica global total de Coca-Cola a mediados de la década de 2010.⁴¹ A fecha de esta publicación, en el verano de 2026, es casi seguro que los centros de datos estadounidenses tienen una huella hídrica mucho mayor que la de todos los campos de golf del país, que solían superarlos a principios de la década (véanse más detalles a continuación). Dadas las fenomenales tasas de crecimiento previstas para los próximos años, los centros de datos están abocados a convertirse en una de las industrias más engullidoras de agua de todo el Planeta, llegando incluso a rivalizar con todo el sistema agrícola mundial en una década, a menos que estalle la burbuja de la IA y el desarrollo de infraestructuras se detenga en seco.

Hace unos meses, el director ejecutivo de Anthropic, Dario Amodei, publicó un ensayo titulado «La adolescencia de la tecnología».⁴² El tema central de su ensayo (que la difusión de la IA conlleva muchos riesgos importantes, pero que podemos mantener esos riesgos bajo control) no es el tema principal de este artículo. En el ensayo, Amodei descarta indirectamente las preocupaciones ecológicas y energéticas relacionadas con la IA al sugerir que el consumo de agua de los centros de datos no es en absoluto un problema real; aunque él mismo no defiende abiertamente esta postura, sí incluye un enlace a un análisis cuantitativo de la empresa de investigación tecnológica SemiAnalysis.⁴³ En dicho análisis, la empresa de investigación comparó el consumo de agua del Colossus 2 de Elon Musk en Memphis con el consumo de agua a lo largo de todo el ciclo de vida de un local de In-N-Out Burger, y concluyó que el Colossus 2 solo consume tanta agua como unos 2,5 locales de In-N-Out Burger.

La primera instalación, Colossus 1, consumía inicialmente casi 4 millnes de litros de agua al día.⁴⁴ La capacidad prevista podría elevar este consumo hasta los cinco millones de galones de agua al día, lo que equivale al consumo diario de agua de unas 10.000 personas en EE. UU., o de unos 3.500 hogares.⁴⁵ La instalación utiliza un sistema de refrigeración líquida de circuito cerrado de Supermicro para los servidores internos, pero luego transfiere el calor a un circuito exterior que emplea refrigeración por evaporación, por lo que gran parte del agua que extrae de las fuentes locales de Memphis no vuelve realmente a las cuencas hidrográficas locales.⁴⁶ Sin embargo, Colossus 2 se alimenta en gran medida mediante turbinas de gas aeroderivadas, que normalmente no consumen agua mientras están en funcionamiento.

Esta comparación de SemiAnalysis adolece de graves deficiencias en múltiples niveles. En primer lugar, la gran mayoría de los centros de datos de Estados Unidos obtienen su energía de la red eléctrica convencional, no de turbinas de gas aeroderivadas ni de generadores diésel.⁴⁷ Eso significa que su huella hídrica es en gran medida indirecta. Utilizar Colossus 2 como ejemplo de eficiencia hídrica en los centros de datos es, por lo tanto, una completa cortina de humo, ya que en realidad no es representativo de cómo funcionan la mayoría de los centros de datos. En segundo lugar, SemiAnalysis no tuvo ningún problema en realizar una evaluación del consumo de agua a lo largo del ciclo de vida de la carne de vacuno utilizada en las hamburguesas de In-n-Out, pero, curiosamente, ignoró su propia metodología en el otro lado de la balanza, prefiriendo centrarse en el consumo operativo de agua de las turbinas de gas, que, convenientemente para ellos, resulta ser cero. Pero es obvio que se necesitan enormes cantidades de agua para fabricar las turbinas de gas en primer lugar. Se necesita agua para extraer las materias primas y también se utiliza mucha agua en el proceso de fabricación, entre otros puntos de la cadena de suministro.

Un generador de gas natural típico de Colossus pesa aproximadamente 91 toneladas métricas, y actualmente hay 46 de ellos en funcionamiento.⁴⁸ Los componentes estructurales predominantes en cuanto a masa son el acero y el hierro, aunque en la mayoría de los generadores de gas natural también se utilizan muchos otros metales, como el cobre y el níquel. Basándonos en los datos del inventario de agua de fabricación de 2005, asumiremos un consumo conservador de 6 metros cúbicos de agua por tonelada métrica.⁴⁹ Un metro cúbico equivale aproximadamente a 264 galones, lo que se traduce en un consumo de 1.585 galones por tonelada métrica. La huella hídrica incorporada de un generador de gas natural en Colossus es, por lo tanto, de unos 545.000 litros, y el total de los 46 generadores asciende a aproximadamente 25 millones de litros de agua. Un hogar estadounidense típico consume 1135,5 litros de agua al día, lo que, en términos per cápita, supone unos 378,5 litros al día.⁵⁰ Esto significa que la huella hídrica incorporada de las turbinas de gas Colossus por sí solas equivale al consumo diario de agua de casi 70.000 estadounidenses. Este análisis, por supuesto, omite por completo la huella hídrica incorporada del acero y el hormigón utilizados en el propio centro de datos, por no hablar de la enorme huella hídrica incorporada del hardware informático. Una vez tenido en cuenta todo eso, las comparaciones de SemiAnalysis resultarían francamente ridículas.

Los conceptos erróneos en torno a la verdadera magnitud del consumo de agua de los centros de datos también aparecen constantemente en los medios de comunicación populares. Un análisis reciente de CBS News pretendía demostrar que muchos sectores económicos habituales en Estados Unidos, como los campos de golf, consumían más agua que los centros de datos estadounidenses: unos 870.644 millones de litros en el caso de estos últimos, frente a los 2 billones de litros de los primeros.⁵¹ Este análisis no aportaba ninguna idea original. Se trataba, en gran medida, de un resumen de investigaciones anteriores con gráficos atractivos. El análisis de la CBS se basaba en cifras de 2023, que, como es lógico, hoy en día están desactualizadas. Para un sector en el que las emisiones y la huella hídrica prácticamente se duplican cada dos años, lo que ocurrió hace tres años es historia antigua.

El análisis también partía de la hipótesis de que el único componente de la huella hídrica indirecta era el agua consumida por las centrales eléctricas para producir la electricidad destinada a los centros de datos. En realidad, la huella hídrica indirecta es mucho mayor, ya que incluye el agua consumida por la industria de los semiconductores para fabricar chips y otro hardware informático, el agua consumida por la industria siderúrgica para producir el acero destinado a las líneas de servidores y otras infraestructuras, el agua consumida para producir aluminio y otros metales esenciales, etcétera. Teniendo en cuenta algunas de las proyecciones a partir de 2023 que figuran en el propio análisis de CBS, es muy probable que la huella hídrica total de los centros de datos en Estados Unidos supere con creces a la de los campos de golf en 2026. Por supuesto, la agricultura y algunos otros sectores siguen consumiendo mucha más agua que los centros de datos, como hemos mencionado anteriormente. Pero estos sectores no se acercan ni de lejos a la asombrosa tasa de crecimiento de los centros de datos y, por lo tanto, no tienen el mismo nivel de impacto marginal en la ecología global. Además, sectores como la agricultura y los campos de golf recuperan grandes cantidades de agua. Según los datos que figuran en el informe de CBS, los 2 billones de litros de consumo anual de agua atribuidos a los campos de golf se reducen a cerca de billón y medio (1,5) de litros una vez que se incluye en el análisis el agua recuperada. A ese nivel, en 2026 no hay absolutamente ninguna comparación entre los campos de golf y los centros de datos; estos últimos ganan con facilidad una vez que se incluye su huella total incorporada.

Esta enorme demanda de agua ejerce una presión ingente sobre las empresas públicas locales de suministro de agua, sobre todo porque los centros de datos suelen estar concentrados geográficamente y las infraestructuras locales no se construyeron para satisfacer las desmesuradas demandas de agua de las redes informáticas modernas. Como ejemplo concreto, pensemos en el condado de Loudoun, en el norte de Virginia, líder mundial en la construcción de centros de datos. Loudoun Water es la empresa pública que abastece a más de 300.000 residentes del condado. Investigaciones han estimado que Loudoun Water sería incapaz de satisfacer la demanda total de los clientes en algunos de los días más calurosos del verano, cuando los centros de datos necesitan utilizar más agua para refrigerar sus sistemas y las instalaciones locales podrían verse tentadas a activar la refrigeración por evaporación.⁵²

Satisfacer esta creciente demanda de agua requiere la construcción de nuevas tuberías, plantas e infraestructuras, cuyos costes suelen recaer sobre las comunidades locales, a menudo a través de facturas de agua más elevadas. A esto se suma que muchas empresas de centros de datos e hiperescaladores suelen exigir a los gobiernos locales que firmen acuerdos de confidencialidad sobre las futuras demandas y requisitos energéticos.⁵³ Muchos detalles críticos sobre el consumo de agua in situ nunca se comunican, lo que dificulta que las empresas públicas de suministro de agua comprendan exactamente cuánta agua deben suministrar y reservar. Como consecuencia de toda esta incertidumbre, muchos pueblos y ciudades se resisten ahora con firmeza a la expansión de los centros de datos en sus comunidades locales. Recientemente, los centros de datos han sido rechazados en todas partes, desde Minnesota hasta Arizona, y se estima que las comunidades locales bloquearon proyectos de centros de datos por valor de 130.000 millones de dólares en el primer trimestre de 2026.⁵⁴

Uno de los principales consumidores de agua del mundo es la industria de los semiconductores, que consume enormes cantidades de agua en sus plantas de fabricación. Esto se debe a que las obleas de silicio, que constituyen la base de todos los microchips, deben mantenerse extremadamente limpias en todo momento. Prácticamente cualquier impureza, incluso en cantidades mínimas, sabotearía las propiedades eléctricas deseadas. Como resultado, se lavan habitualmente con agua en diversas fases de la producción. El agua ultrapura (UPW) utilizada en las fábricas modernas se produce mediante extensos sistemas de filtración en las plantas de tratamiento de agua municipales. Una gran fábrica puede consumir millones de litros de agua en un solo día, y casi 15 mil millones de litros al año.⁵⁵ Cuando Taiwán sufrió una sequía histórica en 2021, el Gobierno tuvo que salvar a la industria de los semiconductores privando prácticamente de agua a casi todos los demás sectores económicos.⁵⁶ La industria mundial de los semiconductores consume 1 billón de litros de agua al año, al menos según datos de 2022.⁵⁷ Es probable que las cifras recientes sean mucho más elevadas. Eso equivale al consumo total de agua de Hong Kong, una ciudad alfa de 8 millones de habitantes.⁵⁸ La huella hídrica indirecta del auge de las infraestructuras de IA se entrelaza, por tanto, con múltiples industrias y cadenas de suministro a nivel mundial.

Supuestos metodológicos

El objetivo principal del resto del artículo es calcular el consumo energético mundial y las emisiones de gases de efecto invernadero causadas específicamente por la difusión y la adopción de la IA, pero primero debemos exponer los principales supuestos y marcos teóricos que guían nuestro análisis. No existen normas mágicas para medir la huella energética y de emisiones de un país o un sector, y las distintas organizaciones han utilizado normas diferentes a lo largo de los años. ¿Deberíamos adoptar la sustitución parcial o el método del contenido físico a la hora de medir la energía primaria? ¿Cómo deberíamos distribuir el consumo de sectores geográficamente dispersos? Si un avión despega de París y aterriza en Nueva York, ¿deberían atribuirse las emisiones del avión a Francia, a Estados Unidos, a ambos o a ninguno? ¿Cuáles son las mejores formas de medir las emisiones derivadas de los cambios en el uso del suelo? Si se talan sumideros de carbono de gran capacidad, como turberas y humedales, para construir ciudades, plantaciones de palma o centros de datos, ¿cómo debemos medir las emisiones resultantes? ¿Cuáles son los puntos inicial y final de un análisis del ciclo de vida? ¿Qué etapas intermedias deben incluirse en el análisis? ¿Dónde se trazan exactamente los límites? Se obtendrán respuestas diferentes dependiendo de cómo se responda a esa pregunta. Estas son solo algunas de las miles de preguntas importantes que cabría plantearse.

En esta sección, vamos a explicar los principales supuestos teóricos y las decisiones prácticas que guían nuestros cálculos, así como cómo hemos llegado a nuestras cifras finales, todas ellas expuestas de forma explícita en la siguiente sección. Sin duda, nuestras decisiones pueden ser cuestionadas, precisamente porque en algunos casos existen diferentes enfoques válidos y porque en otros hemos abierto nuevos caminos metodológicos a la hora de evaluar cuestiones que se llevan debatiendo desde hace décadas. El primer supuesto importante es que, salvo excepciones señaladas, estamos midiendo la energía primaria asociada a la IA, aunque sin duda no se trata de una métrica perfecta. No obstante, tomamos esta decisión para ser coherentes con la forma en que las principales organizaciones internacionales, como la Agencia Internacional de la Energía (AIE) y The Energy Institute, llevan a cabo la contabilidad energética. Esto significa que nuestras cifras específicas sobre la IA pueden expresarse como una proporción del total mundial, lo que permite ofrecer un contexto adicional y realizar comparaciones.

La energía primaria representa el uso directo de las fuentes de energía sin conversiones ni transformaciones previas.⁵⁹ El consumo primario incluye actividades como la quema de carbón en una central eléctrica y la destilación de petróleo crudo en una refinería. Las formas primarias de energía no son útiles por sí mismas, por lo que se convierten y transforman en formas secundarias de energía. Por ejemplo, quemamos carbón para poder convertir la energía del vapor resultante en electricidad, y destilamos petróleo crudo para producir gasolina. El carbón y el petróleo crudo son formas de energía primaria, mientras que la electricidad y la gasolina se consideran formas secundarias. Las fuentes secundarias también pueden convertirse en otras tareas y usos finales, conocidos colectivamente como fuentes terciarias.

Una de las principales dificultades teóricas en la contabilidad de la energía primaria ha sido cómo medir el consumo energético de los sistemas de energía renovable, como los paneles solares y las turbinas eólicas. Existen dos métodos habituales para medir la energía primaria: el método de sustitución parcial y el método del contenido de energía física.⁶⁰ Analicémoslos con algunos ejemplos. Cuando una central eléctrica quema carbón, la energía primaria equivale simplemente a la energía del carbón que se consume en la combustión. En el caso de los combustibles fósiles, pues, la cosa es bastante sencilla: se registra la cantidad de materia que se quema y se denomina energía primaria. Pero la situación es más complicada en el caso de las fuentes de energía renovables, como la eólica, la solar y la hidroeléctrica, ya que no se quema nada mientras estas fuentes generan electricidad. Aquí es donde entran en juego los dos métodos mencionados anteriormente.

En el método del contenido energético físico, simplemente contabilizamos la energía eléctrica producida por estas fuentes como energía primaria, aunque la electricidad sea, obviamente, una forma de energía transformada. Este es el método que utiliza la Agencia Internacional de la Energía para medir el consumo de energía de las fuentes renovables. En el método de sustitución parcial, se simula que la electricidad producida procede de una hipotética central térmica y, a continuación, se asume un determinado índice de eficiencia para dicha central. La idea subyacente a este método es que las fuentes de energía renovables están sustituyendo a una central de carbón o gas que habría generado esa misma cantidad de electricidad. Por ejemplo, si la central tuviera una eficiencia hipotética del 20 %, multiplicaríamos la electricidad generada por las energías renovables por un factor de cinco. En este caso, la energía primaria necesaria para producir esa electricidad es cinco veces mayor. La empresa British Petroleum adoptó históricamente este método de sustitución parcial en sus populares informes anuales sobre energía a nivel mundial, pero tras ceder el control de la elaboración de dichos informes a The Energy Institute, una organización británica, esta última tomó la decisión de pasar también al método del contenido físico, alineándose con la ONU y la AIE.⁶¹ La razón principal por la que estas diferencias son importantes es que pueden dar lugar a estimaciones divergentes del consumo de energía, especialmente en el caso de los países que dependen en gran medida de las energías renovables. Por ejemplo, el consumo energético de Noruega es aproximadamente un 60 % mayor cuando se mide mediante el método de sustitución parcial, dada su importante dependencia de la energía hidroeléctrica.⁶²

Aunque nuestro objetivo es medir la energía primaria de forma coherente con otras organizaciones, este método de contabilización plantea importantes problemas conceptuales, tal y como explica Erald Kolasi en The Physics of Capitalism⁶³. En esa obra, y en esta entrada de Substack, Kolasi explica cómo los sistemas económicos funcionan como redes de conversión (o «coronets», por sus siglas en inglés), lo que significa que convierten continuamente la energía en diferentes formas a través de redes altamente organizadas y estratificadas. Esta visión en red desestabiliza fundamentalmente cualquier punto de partida y cualquier límite rígido para el análisis energético. Es difícil afirmar que la quema del carbón en la central eléctrica sea lo realmente primario y fundamental, cuando ese carbón tuvo que ser primero extraído de la mina, refinado parcialmente y transportado hasta el lugar de uso antes de que pudiera servir para nada. Y todo ese proceso de extracción y transporte dependía de toda una serie de otras conversiones de energía y aportaciones de mano de obra, que a su vez estaban integradas en una serie de conversiones adicionales, y así sucesivamente. Considerar los sistemas económicos como «coronets» pone de relieve la interdependencia de las cadenas de suministro globales y la importancia de los efectos mariposa y la dinámica no lineal a la hora de comprender sus sistemas energéticos subyacentes. Por ese motivo, podemos ajustar ciertos cálculos más allá de la energía primaria y, para determinados sectores, centrarnos en el consumo de energía en las fases posteriores de la cadena, evitando un cálculo completo de la energía primaria. Todas estas situaciones se tratan caso por caso, tal y como se muestra en la siguiente sección.

Para el análisis energético, adoptamos un enfoque híbrido agregado del ciclo de vida, lo que significa que llevamos a cabo un análisis de insumo-producto a lo largo de las diversas cadenas de suministro e industriales necesarias para hacer realidad las operaciones de IA. Concretamente, partimos de la hipótesis de que el resultado final del proceso es la energía total consumida por los centros de datos y otras instalaciones en 2026, ajustada en función del impacto que pueda atribuirse específicamente a la IA. Nuestro objetivo es estimar el consumo energético total a lo largo del ciclo de vida y las emisiones de gases de efecto invernadero derivadas de la adopción y difusión de la IA en 2026. Normalmente, se podría medir o estimar únicamente el consumo energético relacionado con los centros de datos y otras instalaciones que se produzca en ese año. Esto significaría contabilizar la electricidad consumida por los centros de datos en 2026, el acero y el cemento producidos en 2026 para dichos centros, el agua consumida en 2026 por la industria de los semiconductores durante la fabricación de chips para los centros de datos, los cables de fibra óptica tendidos en 2026, etcétera. A continuación, se atribuiría una parte de todo este consumo energético específicamente a la IA, ya que no toda la capacidad de los centros de datos está destinada a la IA.

Pero este método plantea enormes retos. Es necesario determinar el estado de finalización de diversos centros de datos, centrales eléctricas y otras instalaciones en todo el mundo, y luego desentrañar las cadenas de suministro que les proporcionan materiales y recursos. Obtener los datos para este tipo de análisis resulta bastante difícil, por lo que optamos por un enfoque diferente, caso por caso. Para determinados sectores, podremos estimar directamente la huella de 2026, como la energía primaria necesaria para el consumo eléctrico de los centros de datos. Para otros sectores, deduciremos su huella de 2026 por medios indirectos, normalmente calculando primero su huella a lo largo del ciclo de vida y asignando una parte de ese total general a este año en concreto. Los analistas del sector prevén que entre ahora y 2030 entrarán en funcionamiento aproximadamente 100 GW de nueva capacidad de centros de datos.⁶⁴ JLL ha estimado que, solo en Norteamérica, en 2026 habrá más de 35 GW de nueva capacidad de centros de datos en construcción.⁶⁵ Estas cifras implican que, a nivel mundial, al menos 65 GW de capacidad de centros de datos se encuentran en diversas fases de construcción, lo que supone más de la mitad del total operativo en 2025. De estas cifras se desprende claramente que el auge de la infraestructura de IA se concentra en los últimos años, lo que implica que una gran parte del total del ciclo de vida a nivel sectorial se concentra en 2025 y 2026.

Y eso es solo una pequeña parte de la historia. La parte más importante es que los componentes más recientes de los centros de datos tienen una intensidad energética mucho mayor que los anteriores, teniendo en cuenta el cambio que se ha producido en los últimos años hacia la refrigeración líquida, los microchips de alto rendimiento como las GPU y otros dispositivos que consumen mucha energía. Por estas razones y las mencionadas anteriormente, asignaremos entre el 50 % y el 60 % de la huella total del ciclo de vida a nivel sectorial únicamente al periodo hasta 2026. Esta es la hipótesis básica con la que continuaremos en nuestro análisis.

Para estimar las emisiones de GEI asociadas a la difusión mundial de la IA, hemos decidido adoptar en gran medida las normas del Protocolo de GEI, una metodología ampliamente utilizada.⁶⁶ Esto significa que nuestro objetivo es hacer un seguimiento de las emisiones de Alcance 1, Alcance 2 y Alcance 3, con ciertas salvedades y ajustes que se explicarán a lo largo del análisis. El objetivo es realizar un análisis exhaustivo del ciclo de vida del impacto de las emisiones procedentes de todas las redes energéticas y cadenas de suministro industriales a nivel mundial que participan en la creación y construcción de la infraestructura física necesaria para el despliegue y la difusión de la IA.

Seguir el Protocolo de GEI garantiza que no nos perdamos en detalles superfluos sobre compensaciones de carbono u otras artimañas de greenwashing por parte de las grandes empresas tecnológicas. Contabilizamos las emisiones operativas y del ciclo de vida, y nada más. Las emisiones de Alcance 1 son emisiones directas vinculadas a las actividades principales de una empresa o de un hogar. Piensa en la energía que utiliza una empresa manufacturera en sus fábricas para producir bienes. Las emisiones de Alcance 2 son emisiones indirectas asociadas a la energía generada para mantener en funcionamiento una empresa o un hogar, como las emisiones necesarias para generar la electricidad que las empresas y las familias utilizan para tener luz. Las emisiones de Alcance 3 son emisiones aguas arriba y aguas abajo a lo largo de la cadena del ciclo de vida. Pensemos, por ejemplo, en las emisiones generadas por los empleados de una gran empresa al desplazarse en coche al trabajo. Según el Protocolo de Gases de Efecto Invernadero (GHG Protocol), esas emisiones se atribuyen a dicha empresa, ya que los horarios y requisitos laborales de la misma son la razón fundamental por la que los empleados se desplazan en coche.

Nuestro análisis abre nuevos caminos en muchas áreas que no han recibido mucha atención, desde las emisiones derivadas del cambio en el uso del suelo causadas por la construcción de centros de datos hasta los efectos rebote posteriores a la adopción de la IA. La IA no se limita a los centros de datos. Afecta a la logística, la fabricación, el comercio minorista, la banca y muchos otros sectores económicos de todo el mundo. Por primera vez, vamos a cuantificar el impacto en muchos de estos sectores a escala global, al tiempo que reiteramos que, por necesidad, estamos realizando estimaciones razonables y que estos cálculos deben interpretarse en consecuencia.

Análisis cuantitativo

En las secciones siguientes, calculamos las distintas huellas energéticas y de emisiones impulsadas por la IA de diferentes industrias y sectores; a continuación, sumamos todo al final para obtener nuestros totales globales.

Energía primaria del consumo eléctrico de los centros de datos:
La Agencia Internacional de la Energía ofrece una amplia gama de evaluaciones sobre qué porcentaje de la capacidad total de los centros de datos se dedica a operaciones de IA y reconoce la incertidumbre inherente a la determinación de esta cifra, dada la escasez de datos disponibles.⁶⁷ Una fuente ampliamente citada es el emblemático informe de 2024 del Laboratorio Nacional Lawrence Berkeley sobre la demanda eléctrica de los centros de datos, que sugería que aproximadamente un tercio de la capacidad total de los centros de datos en Estados Unidos se dedica a la IA, aunque con grandes incertidumbres en torno a las estimaciones.⁶⁸ Pero, independientemente de la fuente, lo que casi todas tienen en común es que registran la cantidad de electricidad consumida por los servidores acelerados por GPU, la dividen entre la cantidad total de electricidad consumida por los centros de datos (o la escalan con un PUE de toda la instalación, lo que en la práctica es lo mismo) y denominan a ese resultado la cuota de consumo correspondiente a la IA. Sin embargo, este enfoque resulta muy engañoso por varias razones.En primer lugar, la preparación de los datos de entrenamiento para el desarrollo de modelos de IA (desde la extracción de texto y la deduplicación hasta el etiquetado y la tokenización) suele depender de servidores y ordenadores que funcionan con CPU.⁶⁹ En segundo lugar, la computación de IA en los centros de datos modernos está ampliamente distribuida entre diversos nodos y servidores, lo que requiere conmutadores de red complejos para retransmitir los datos entre los distintos servidores. Además, el traslado de todas estas señales también requiere transceptores ópticos, que por sí mismos consumen mucha electricidad. En tercer lugar, escalar las cargas de las GPU con un PUE estandarizado pasa por alto la dinámica no lineal de las demandas de computación de la IA, que pueden presentar una volatilidad extraordinaria. Existen otras preocupaciones adicionales, pero todas ellas conducen a la misma conclusión: la proporción que representa la IA en el consumo eléctrico de los centros de datos es mucho mayor de lo que indican las fuentes tradicionales. Esto es especialmente cierto si tenemos en cuenta lo que está por venir en los próximos años, cuando se espera que la mayor parte del crecimiento de la demanda energética de los centros de datos venga impulsada por las cargas de trabajo de IA.⁷⁰

Teniendo en cuenta las consideraciones anteriores, suponemos que el 40 % de la capacidad global de los centros de datos se dedica a la IA. Reconocemos la incertidumbre inherente a esta hipótesis y creemos que hay argumentos de peso para sostener que la proporción correspondiente a la IA debería ser aún mayor. En cualquier caso, no se trata de una cifra que pueda demostrarse de forma definitiva con los datos disponibles actualmente, en gran parte porque los hiperescaladores y muchas otras empresas de centros de datos ocultan y distorsionan deliberadamente la información necesaria que permitiría a los investigadores determinar con mayor precisión estas distribuciones.

La intensidad media de carbono de la red eléctrica mundial es de 460 gramos de CO₂-eq por kWh.⁷¹ Teniendo en cuenta los 788 TWh de consumo eléctrico mundial de los centros de datos estimados a continuación, las emisiones directas del sector de los centros de datos supondrían unas 362 millones de toneladas métricas de emisiones de CO₂ en 2026, y el sector de la IA, en concreto, supondría unas 145 millones de toneladas de emisiones de CO₂ (el 40 % del total de los centros de datos), una cifra enorme equivalente a las emisiones anuales de unos 30 millones de coches de gasolina.

A finales de 2025 había aproximadamente 12.000 centros de datos operativos en todo el mundo, con una capacidad máxima de potencia global total de unos 122 GW a fecha del primer trimestre de 2025 (equivalente a 122 000 MW), pero asumiremos una capacidad de 125 GW para tener en cuenta el tiempo transcurrido desde el primer trimestre del año pasado.⁷² Si se utiliza una métrica más restrictiva que solo tiene en cuenta las instalaciones de centros de datos comerciales, el consumo energético total de los centros de datos en todo el mundo en 2025 se ha estimado en aproximadamente 470 TWh, aunque está aumentando rápidamente y, dadas las tendencias actuales, sin duda será mayor en 2026.⁷³ Una métrica más amplia de S&P Global, que incluye microcentros de datos, salas de servidores empresariales, centros de datos modulares, instalaciones de criptomonedas, y que también tiene en cuenta los principales puntos de inflexión de 2025 (incluida la avalancha de servidores acelerados por IA que entrarán en funcionamiento), sitúa el consumo eléctrico total de los centros de datos a nivel mundial en 788 TWh en 2025.⁷⁴ Es esta cifra de 788 TWh la que nos servirá como punto de partida de referencia para el consumo eléctrico de los centros de datos a nivel mundial en 2026, simplemente porque es más precisa y exhaustiva que los datos de la AIE, que se centran principalmente en el consumo de los centros de datos a hiperescala y de coubicación. Teniendo en cuenta nuestra hipótesis de que el 40 % de la capacidad mundial de los centros de datos se destinará a cargas de trabajo de IA en 2026, el componente estimado del consumo mundial de los centros de datos impulsado por la IA es de 315 TWh (el 40 % de 788 TWh). Teniendo en cuenta que el consumo eléctrico mundial total se sitúa en aproximadamente 32 000 TWh, nuestra estimación sitúa la cuota de los centros de datos de IA, por sí sola, en el 1 % del consumo mundial total.

Se ha estimado que el propio sector de las criptomonedas consume anualmente unos 140 TWh de electricidad para la minería de bitcoines.⁷⁵ Sin embargo, una parte cada vez mayor de este consumo se destina ahora a cargas de trabajo de IA, ya que el sector de las criptomonedas está realizando un esfuerzo concertado para destinar capacidad adicional a la IA.⁷⁶ El punto álgido de este cambio estructural fue el acuerdo de 10.000 millones de dólares que la empresa minera de bitcoins IREN firmó con Microsoft el año pasado, por el que se comprometía a suministrar GPU de NVIDIA para satisfacer las necesidades de computación de IA de alto rendimiento.⁷⁷ La marcada distinción que antes existía entre las instalaciones de minería de criptomonedas y los centros de datos comerciales se está desvaneciendo rápidamente y, por primera vez en la historia, tiene sentido agruparlos en la misma categoría de consumo eléctrico. El componente estimado de IA en el consumo eléctrico que se muestra más arriba incluye, por tanto, implícitamente también al sector de las criptomonedas.

La cifra de 315 TWh mencionada anteriormente es considerable, pero no es la respuesta definitiva. Esto se debe a que se necesita energía primaria para producir electricidad, y es esta energía primaria la que realmente nos interesa. Dado que una parte importante de la electricidad de los centros de datos procede de centrales eléctricas de carbón y gas, así como de centrales nucleares, debemos determinar la energía primaria asociada a ese consumo. Según los promedios de la red eléctrica mundial, el 60 % de la electricidad mundial se produjo a partir de combustibles fósiles, el 31 % a partir de energías renovables y el 9 % a partir de energía nuclear.⁷⁸ Vamos a suponer que esta distribución también se aplica al consumo eléctrico de los centros de datos.

Ahora podemos calcular las primeras cifras importantes que hemos estado buscando desde el principio. De los 788 TWh a nivel mundial, la combinación anterior significa que 473 TWh procedían de combustibles fósiles, 244 TWh de energías renovables y 71 TWh de energía nuclear. Basándonos en investigaciones previas de la AIE, vamos a suponer una eficiencia tradicional del 36 % para las centrales de combustibles fósiles y del 33 % para las centrales nucleares.⁷⁹ Esto implica que el componente de combustibles fósiles del consumo eléctrico de los centros de datos tiene una huella de energía primaria de 1.314 TWh, el componente renovable se mantiene igual en 244 TWh (ya que estamos utilizando el método del contenido físico) y el componente nuclear asciende a 215 TWh. En total, la huella energética primaria global del consumo eléctrico de los centros de datos es de 1 773 TWh. Asignar el 40 % de esa suma total a la IA significa que el consumo de energía primaria impulsado por la IA para el uso eléctrico de los centros de datos es de 709 TWh a nivel mundial. Esta es nuestra primera cifra concreta importante, y ya representa el 0,42 % del consumo energético mundial total, ya que este último se situó en aproximadamente 166.670 TWh en 2025, y estimamos que alcanzará unos 168.000 TWh en 2026 para tener en cuenta el crecimiento previsto.⁸⁰ Aunque esta cifra constituye un componente importante del total, aún nos queda un largo camino por recorrer.

Acero y hormigón:
La industria siderúrgica mundial es responsable de aproximadamente entre el 7 % y el 9 % de las emisiones globales de gases de efecto invernadero, quizá algo más.⁸¹ Los centros de datos a hiperescala suelen requerir 10.000 toneladas métricas de acero o más.⁸² Sin embargo, la mayoría de los centros de datos del mundo no son instalaciones gigantescas, por lo que suponemos que un centro de datos medio contiene aproximadamente 2.000 toneladas métricas de acero. Según la Asociación Mundial del Acero, la producción de cada tonelada de acero genera una emisión de 2,18 toneladas métricas de CO₂-eq.⁸³ Además, la producción de cada tonelada de acero requiere una media de 21,27 GJ de energía.⁸⁴ A partir de estas cifras, estimamos que las emisiones totales del ciclo de vida de los centros de datos derivadas del acero ascienden a unos 52 millones de toneladas métricas, y que la energía total necesaria para producir todo ese acero es de 142 TWh. Si asignamos un 40 % a la IA, el resultado es de 57 TWh de energía y 21 millones de toneladas métricas de emisiones. Para la huella de 2026, suponemos un 60 % del total del ciclo de vida, lo que da como resultado 34 TWh y 13 millones de toneladas métricas de emisiones, respectivamente.Los centros de datos contienen enormes cantidades de hormigón, que es una mezcla de arena, grava, agua y cemento. La gran mayoría de la huella de emisiones del hormigón proviene del componente de cemento, por lo que nos centraremos en él. Según informes del sector en Estados Unidos, un centro de datos estadounidense típico contiene aproximadamente 1.700 toneladas de cemento incorporado.⁸⁵ Sin embargo, teniendo en cuenta que el centro de datos estadounidense típico es más grande que el típico del resto del mundo, suponemos que la media global de cemento incorporado por centro de datos es de aproximadamente 1.200 toneladas. Con 12.000 centros de datos, esto supone una huella de carbono total del cemento a lo largo de su vida útil de algo más de 14 millones de toneladas. Utilizando datos de la EPA, que suelen indicar que cada tonelada de cemento producida libera aproximadamente 0,78 toneladas métricas de gases equivalentes a CO₂, estimamos que la huella de carbono total del ciclo de vida del cemento de los centros de datos es de unas 11,2 millones de toneladas métricas.⁸⁶
Metales y materiales:
Los centros de datos están repletos de metales, desde el cobre y el aluminio hasta el estaño y el grafito. Por ejemplo, el cobre se utiliza ampliamente para el cableado y el grafito se emplea de forma generalizada para la gestión térmica. Comencemos por el cobre como una pequeña introducción a nuestro enfoque analítico más amplio. Basándonos en cifras de centros de datos de Estados Unidos, estimamos que un centro de datos medio contiene aproximadamente 12 toneladas de cobre por MW.⁸⁷ Con una capacidad máxima asignada estimada de 133.000 MW a nivel mundial en 2026, esto implica una huella total de cobre incorporado de 1,6 millones de toneladas.⁸⁸ Basándonos en evaluaciones del ciclo de vida realizadas para la producción de cobre en China, y teniendo en cuenta la mejora de la eficiencia en dicha producción, estimamos que se necesitan aproximadamente 60 GJ para producir una tonelada de cobre de media.⁸⁹ Al convertir esa cifra a TWh para todo el cobre incorporado en los centros de datos mundiales, la huella energética total del ciclo de vida asciende a unos 25 Twh.Los datos del Foro Económico Mundial muestran que la huella típica de los metales en los centros de datos es de aproximadamente 70 toneladas por MW.⁹⁰ Para evitar realizar un análisis por separado de docenas de metales y materiales diferentes, vamos a seguir un enfoque similar al que hemos explicado anteriormente para el cobre, pero a nivel agregado para todos los metales y materiales. Teniendo en cuenta la capacidad energética total indicada anteriormente, la huella de masa estimada final para todos los metales de los centros de datos de todo el mundo es de aproximadamente 9,3 millones de toneladas, pero podemos restar las 1,6 millones de toneladas del cobre mencionadas anteriormente para evitar la doble contabilización, por lo que la huella de masa real de los metales para la que debemos medir el consumo energético y las emisiones es de unos 7,7 millones de toneladas.

Suponiendo un consumo medio de energía de 50 GJ por tonelada, la huella energética total del ciclo de vida es de 128 TWh. Si sumamos esa cifra a los 25 TWh del cobre, obtenemos un total de 153 TWh para la huella energética de todos los metales de los centros de datos a nivel mundial. Al asignar el 40 % de ese total a la IA, la parte correspondiente a la IA en la huella energética de los metales de los centros de datos se sitúa en unos 61 TWh. Volvemos a suponer que el 60 % del total del ciclo de vida corresponderá únicamente a este año, por lo que se asignan 37 TWh de energía a la producción de metales y minerales impulsada por la IA. Estimamos que la huella de emisiones de estos 37 TWh de energía es de aproximadamente 17 millones de toneladas métricas de CO₂-eq, partiendo de la hipótesis de que la intensidad de carbono de la red eléctrica mundial también se aplica a la intensidad de carbono de la producción de metales y minerales.
Fabricación de semiconductores:
Los envíos mundiales de obleas de silicio ascendieron a casi 13.000 millones de pulgadas cuadradas en 2025.⁹¹ Se ha estimado que la intensidad eléctrica a lo largo del ciclo de vida de las fábricas de semiconductores es de aproximadamente 1,43 kWh por centímetro cuadrado.⁹² Tras convertir a centímetros cuadrados, multiplicar por 1,43 y convertir de kWh a TWh, la huella eléctrica total de la producción de semiconductores en 2025 asciende a unos 120 TWh. Teniendo en cuenta que el consumo total de electricidad a nivel mundial fue de aproximadamente 31.780 TWh en 2025, Esto significa que, aproximadamente, el 0,4 % del consumo total de electricidad del mundo se destina exclusivamente a la producción de semiconductores.⁹³ Asignamos el 40 % de este total a la IA, por lo que la parte correspondiente a la IA en el consumo de semiconductores es de 48 TWh. La huella de emisiones de CO₂ a nivel mundial de la industria de los semiconductores se ha estimado en aproximadamente 190 millones de toneladas métricas para 2026.⁹⁴ Si asignamos el 40 % de este total a la IA, la parte correspondiente a la IA en las emisiones de los semiconductores es de aproximadamente 76 millones de toneladas métricas de CO₂.Pero, desde luego, aún no hemos terminado, ya que el consumo de electricidad in situ es solo un aspecto de la huella energética y de emisiones de la industria de los semiconductores. Por ejemplo, antes de que las obleas de silicio se procesen en las fábricas, estas deben fabricarse en primer lugar, y eso requiere métodos que consumen mucha energía, como el proceso de Czochralski (véase la figura 4). El Departamento de Energía ha estimado que hasta un 60 % de la huella de fabricación de una industria se sitúa en las fases previas a las operaciones directas en las instalaciones.⁹⁵ Suponemos un 60 % para la industria de los semiconductores, lo que significa que su huella energética global total ascenderá a 300 TWh en 2026. Deloitte ha estimado que solo las ventas de chips destinados a la IA representarán aproximadamente la mitad de todos los ingresos de la industria de los semiconductores en 2026.⁹⁶ No deberíamos asignar la mitad completa de la huella energética a la IA basándonos en este resultado, ya que las ventas de chips de IA generan márgenes de beneficio extraordinarios debido a la oferta limitada y al poder de monopolio. No obstante, creemos que es razonable asignarle un 40 %, sobre todo porque la producción de semiconductores avanzados para la industria de la IA consume mucha más energía que la de microcontroladores u otros dispositivos más sencillos. Partiendo de esa hipótesis, la parte correspondiente a la IA de la huella energética de la industria de los semiconductores en 2026 es de 120 TWh. Se trata de una cifra elevada, pero es probable que sea conservadora y esté subestimada.

Figura 4: El proceso de Czochralski es un proceso industrial que consume mucha energía y que convierte el silicio policristalino natural en silicio monocristalino homogéneo, necesario para la producción de semiconductores de grado industrial. Es necesario porque gran parte del silicio procedente de las canteras de cuarcita es demasiado impuro y complejo, con una estructura cristalina mixta que presenta bandas prohibidas muy volátiles, lo que dificulta que los electrones salten de la banda de valencia a la banda de conducción. El silicio monocristalino puro tiene una magnífica estructura cúbica de diamante con una banda prohibida «perfecta» que permite a los electrones obtener la energía justa para saltar a la banda de conducción, lo que da lugar a las propiedades de un semiconductor. La imagen anterior muestra el producto final del proceso de Czochralski: un lingote de silicio puro conocido como «boule». A continuación, los fabricantes cortan este «boule» en obleas de silicio ultrafinas, que luego se envían a todo el mundo a diversas fábricas e instalaciones de semiconductores para su posterior procesamiento, producción y montaje final de los chips informáticos que acaban en nuestros dispositivos. La fuente de la imagen se encuentra aquí.

Robótica industrial
Los robots representan la cúspide de la IA física (véase la figura 5). En 2024 había unos 4,6 millones de robots industriales en funcionamiento en todo el mundo.⁹⁷ Estimamos que en 2026 habrá aproximadamente 5 millones de robots industriales en funcionamiento en todo el mundo. Los datos del sector correspondientes a la década anterior muestran que un robot consume de media unos 22 000 kWh de electricidad al año.⁹⁸ Aunque es cierto que los robots más modernos han logrado una mayor eficiencia energética, el auge de la fabricación sin intervención humana también ha supuesto que funcionen más horas de media cada día, por lo que seguiremos utilizando la cifra media citada anteriormente. Para 5 millones de robots, ese consumo medio por unidad implica un consumo eléctrico global agregado de aproximadamente 110 TWh. Dado que la intensidad media de carbono de la red eléctrica mundial es de 460 gramos de CO₂-eq por kWh, la huella total de emisiones operativas de los robots industriales asciende a aproximadamente 51 millones de toneladas métricas de CO₂-eq al año.

Figura 5: Robots industriales paletizando productos alimenticios en una panadería de Alemania. Fuente original aquí.

Suponiendo que los robots y los centros de datos se alimenten de la misma combinación global de combustibles (véase más arriba), la energía primaria asociada a esta generación de electricidad equivale aproximadamente a 248 TWh. Dado que definimos a los robots, por naturaleza, como IA física, toda esta suma se incluye en el balance energético de la IA. Se trata de una cantidad asombrosa de energía en la que la mayoría de la gente no piensa cuando se habla de IA, ya que han llegado a entender la IA en términos muy limitados, como si se tratara únicamente de redes neuronales y modelos de lenguaje grande (LLM). Aquí podemos ver que incluso ampliar ligeramente el alcance del concepto tiene importantes implicaciones en cómo evaluamos su huella energética y de emisiones a nivel mundial.

Redes de transmisión y telecomunicaciones
Además de los centros de datos, las redes de transmisión de datos que incluyen torres de telefonía móvil, centros de conmutación y nodos de inyección de fibra óptica también consumen enormes cantidades de electricidad, al menos 360 TWh en 2025, si no mucho más.⁹⁹ Estas redes son absolutamente fundamentales para los flujos de trabajo de la IA, ya que las instrucciones destinadas a los modelos de IA ya que, sin ellas, no se podrían enviar instrucciones a los modelos de IA ni se podrían proporcionar respuestas a los usuarios finales. Utilizando datos de Cisco sobre la proporción del tráfico de red dedicada a la inferencia de IA, estimamos que aproximadamente el 1 % de estos 360 TWh se destina específicamente a operaciones de IA, lo que significa que las implementaciones de IA consumen anualmente unos 3 TWh de electricidad en todo el mundo solo a través de las redes de transmisión de datos.¹⁰⁰ No es una cifra muy elevada, pero queríamos sacarla a la luz para llamar la atención del público, ya que prevemos que aumentará rápidamente en los próximos años.
Transporte y logística
Los sectores manufactureros que impulsan la expansión de la infraestructura de IA cuentan con cadenas de suministro que se extienden a escala mundial. Los minerales se extraen primero en una ubicación determinada; a continuación, pueden transportarse al otro lado del mundo para su refinado, enviarse a otro lugar para el montaje final y, posteriormente, el producto acabado se envía de nuevo al otro lado del mundo para venderse a los consumidores de un país concreto. El sector del transporte en su conjunto representa aproximadamente el 30 % del consumo energético mundial, lo que supone unos 50.400 TWh para 2026.¹⁰¹ Lo que realmente nos interesa es el transporte de mercancías y la logística, que representan alrededor del 40 % del sector del transporte mundial, es decir, unos 20.160 TWh en 2026.¹⁰² Suponemos que la cuota mundial de energía primaria correspondiente al consumo eléctrico de los centros de datos (aproximadamente el 1 %) también debería asignarse a esta huella energética de la logística, lo que significa que, en 2026, unos 201 TWh de energía del sector logístico se dedicaron al envío y traslado de componentes materiales y hardware informático para centros de datos, incluidos acero, hormigón, minerales y microchips. Asignar el 40 % de esa cantidad a la IA implica que la huella energética impulsada por la IA para la logística en 2026 fue de unos 80 Twh.Para verificar la plausibilidad de esta cifra, elegiremos una metodología alternativa. Los centros de datos tenían una capacidad energética global total de aproximadamente 125.000 MW en 2025, y nos ceñiremos a esta cifra más conservadora para el análisis, en lugar de los 133.000 MW de capacidad que estimamos para 2026. Una línea de servidores típica consume unos 1.000 W, lo que implica que, a fecha de este año, hay 125 millones de unidades de hardware (desde racks de servidores hasta matrices de almacenamiento) en funcionamiento en los centros de datos de todo el mundo.¹⁰³ Las investigaciones indican que el transporte de un solo servidor genera una huella de emisiones de aproximadamente 25 kg de CO₂-eq.¹⁰⁴ El transporte de una matriz de almacenamiento más pesada genera hasta 486 kg de CO₂-eq. Suponemos una media combinada de 300 kg de emisiones de CO₂-eq, lo que implica una huella de carbono total de 37.500 millones de kg de emisiones de CO₂-eq. Tomaremos el gasóleo como indicador para determinar la huella energética del transporte de mercancías a partir de estas emisiones de carbono. Los estudios muestran que el factor de emisión del gasóleo es de aproximadamente 0,074 kg de CO₂/MJ, lo que en lenguaje sencillo significa que la quema de 1 MJ de combustible libera 0,074 kg de emisiones de carbono.¹⁰⁵ Otra forma de expresar lo mismo es que, por cada kilogramo de carbono emitido, se liberan 13,5 MJ de energía. Teniendo en cuenta la huella de carbono anterior (37.500 millones de kilogramos), la huella energética total asciende a unos 506.000 millones de MJ, lo que equivale aproximadamente a 141 Twh.

Esta cifra es algo inferior a la cifra oficial que hemos mencionado anteriormente, pero al menos ambas se sitúan en el mismo orden de magnitud. Nuestra metodología alternativa probablemente arrojaría una estimación más elevada si tuviéramos en cuenta la distribución de los canales logísticos (como el transporte aéreo, ferroviario o marítimo) y la duración de los trayectos en cada uno de esos componentes. Utilizando el factor de emisión del diésel mencionado anteriormente, un consumo energético de 80 TWh correspondiente al componente de IA del sector del transporte de mercancías y la logística generaría aproximadamente 21 millones de toneladas métricas de CO₂-eq en emisiones anuales.
Producción de energía renovableFuentes más antiguas sostenían que las energías renovables aportaban algo más del 25 % del consumo eléctrico global de los centros de datos, pero es casi seguro que esta proporción será mucho mayor en 2026, por lo que nos ceñiremos a la hipótesis del 31 % utilizada anteriormente.¹⁰⁶ Teniendo en cuenta que se están construyendo rápidamente numerosos sistemas de energía renovable específicamente para facilitar la expansión de los centros de datos, tiene sentido incluirlos como parte de la huella del ciclo de vida de la IA.¹⁰⁷ Aunque los sistemas renovables, como los paneles solares y las turbinas eólicas, tienen una huella de emisiones insignificante durante su fase operativa, se necesita energía para fabricarlos en primer lugar, y ese proceso de fabricación sí que genera emisiones significativas. Tal y como calculamos al principio de esta sección, las energías renovables fueron responsables de unos 244 TWh del consumo eléctrico global de los centros de datos.
Las evaluaciones del ciclo de vida realizadas en 2024 sugirieron que la demanda energética acumulada de los sistemas fotovoltaicos medios en Estados Unidos era de aproximadamente 13.000 MJ (equivalentes en petróleo) por kW.¹⁰⁸ Suponiendo que esa cifra media se mantenga a nivel mundial y convirtiéndola a TWh por GW, obtenemos unos 3,6 TWh por GW de demanda energética del ciclo de vida necesaria para producir sistemas fotovoltaicos. Según la Agencia Internacional de la Energía, las incorporaciones anuales mundiales de capacidad de energía renovable alcanzaron los 800 GW en 2025, de los cuales el 75 % procedía únicamente de la energía solar.¹⁰⁹ Eso implica 600 GW de la nueva capacidad se debió a la energía solar y, utilizando el consumo energético mencionado anteriormente (3,6 TWh por GW), estimamos que se necesitaron 2.160 TWh de energía para producir todos estos componentes solares. Utilizando una huella energética muy conservadora de 0,5 TWh por GW para los sistemas eólicos y de baterías en conjunto (el 25 % restante), estimamos que se necesitaron aproximadamente 100 TWh de energía para producir la nueva capacidad anual de energía eólica y de baterías instalada en 2025. El recuento final de la demanda energética a lo largo del ciclo de vida para producir toda la nueva capacidad renovable instalada en 2025 es de 2.260 TWh. Redondeando esta cifra y teniendo en cuenta el crecimiento adicional en 2026, suponemos que la huella energética total anual de la fabricación de energía renovable es de 2.300 Twh.

Dado que solo las empresas tecnológicas estadounidenses están impulsando casi 50 GW de nueva demanda de capacidad de energía renovable para centros de datos, es razonable suponer que 60 GW de nueva capacidad de energía renovable están destinados a centros de datos a nivel mundial, lo que supone aproximadamente el 7,5 % del total de 800 GW mencionado anteriormente.¹¹⁰ Al aplicar este porcentaje a la huella energética total de la fabricación de energías renovables de 2.300 TWh, se obtiene 172 TWh. Si se destina el 40 % de esa cifra a la IA, la huella energética impulsada por la IA de la producción de energía renovable en 2026 será de 70 TWh. Suponiendo que a esta huella energética se le aplique la misma intensidad de carbono que la media de la red eléctrica mundial, estimamos que la huella de emisiones de energía renovable impulsada por la IA para 2026 fue de aproximadamente 32 millones de toneladas métricas de CO₂.

Una advertencia importante sobre este análisis: hemos decidido excluir la huella energética y de emisiones en las fases previas de los aproximadamente 80 GW de centrales de gas natural en construcción en Estados Unidos, destinadas a respaldar la expansión de los centros de datos. Había demasiado ruido e incertidumbre en los datos y, en cualquier caso, esta huella concreta no será tan grande para 2026, probablemente no superará los 20 TWh. No obstante, queremos señalarlo como un problema importante de cara al futuro, ya que estas centrales consumirán enormes cantidades de energía una vez que entren en funcionamiento.
Emisiones derivadas del cambio de uso del suelo
Los centros de datos ocupan una enorme superficie, y esa tierra suele estar poblada de vegetación y fauna antes de que comience la construcción. Muchos centros de datos se construyen en humedales, marismas y turberas sensibles que almacenan grandes cantidades de dióxido de carbono. Los ecologistas estiman que las turberas del mundo almacenan el doble de carbono que todos los bosques del planeta juntos, por lo que construir centros de datos en estas zonas ecológicamente sensibles es una idea especialmente nefasta.¹¹¹ Cuando se destruyen estos hábitats naturales vírgenes, el carbono subyacente queda repentinamente expuesto al oxígeno atmosférico, lo que desencadena una oleada de emisiones de dióxido de carbono que puede prolongarse durante años. Las turberas dañadas representan aproximadamente el 5 % de todas las emisiones antropogénicas de CO₂ a nivel mundial al año, por lo que su conservación reviste una importancia capital para la ecología global.¹¹²Comencemos nuestra estimación de las emisiones derivadas del cambio en el uso del suelo impulsado por la IA en los 12.000 centros de datos operativos en 2025. Los centros de datos a hiperescala más grandes pueden superar en ocasiones las 20,23 hectáreas, pero la mayoría de los centros de datos de todo el mundo son mucho más pequeños (normalmente solo unas pocas hectáreas). Sin embargo, vamos a adoptar una perspectiva de ciclo de vida, por lo que también incluiremos la huella territorial de los sistemas de energía renovable y las centrales eléctricas de gas natural que se están construyendo, o que se han construido, específicamente para dar soporte a la expansión de los centros de datos. Teniendo esto en cuenta, en nuestro análisis adoptaremos una huella media de terreno a lo largo del ciclo de vida de 40,46 hectáreas por centro de datos, lo que da como resultado una huella global total de 486.000 hectáreas. Además de la huella fuera del emplazamiento a lo largo del ciclo de vida, esta huella global incluye no solo las huellas directas de las instalaciones, sino también el terreno ocupado por instalaciones e infraestructuras adyacentes, como aparcamientos, estanques de retención y subestaciones eléctricas.

Para simplificar nuestros cálculos, supondremos que todo este terreno se ha despejado de manera uniforme a lo largo de los últimos 20 años, lo cual sabemos que es inexacto, ya que la construcción de centros de datos se aceleró significativamente a principios de la década de 2020. Para simplificar, supondremos también que el carbono total secuestrado en estos entornos afectados se libera a la atmósfera en cantidades anuales iguales a lo largo del tiempo, lo cual tampoco es exacto, ya que las investigaciones han demostrado que entre el 50 % y el 60 % de las emisiones de CO₂ de un año concreto derivadas de la conversión de bosques provienen específicamente de las conversiones de suelo que tuvieron lugar en ese mismo año.¹¹³ No obstante, como primeras aproximaciones, estas suposiciones serán suficientes.

A continuación, supondremos que una hectárea típica de terreno afectada por la construcción de centros de datos alberga plantas y suelos que, en conjunto, capturan 450 toneladas métricas de CO₂, basándonos en estudios de investigación sobre biomas forestales y otros entornos.¹¹⁴ Esto implica una liberación anual de 22,5 toneladas de dióxido de carbono por hectárea y año procedentes de terrenos típicos y biomasa habitual. Pero las turberas no son «normales» en ningún sentido. Almacenan una cantidad de carbono mucho mayor que la mayoría de los biomas vegetales sobre el suelo, por lo que supondremos que emiten aproximadamente 45 toneladas de dióxido de carbono por hectárea al año ((el doble que la cifra anterior correspondiente a la biomasa convencional). Supondremos también que la construcción del centro de datos refleja las características de la superficie terrestre mundial, lo que significa que el 3 % de la huella territorial del centro de datos se encuentra en suelos de turbera (14.600 hectáreas) y el 97 % restante, en terrenos convencionales (471.400 hectáreas). Si lo resumimos todo, vemos que las emisiones derivadas del cambio en el uso del suelo procedentes de la biomasa habitual contribuyeron con aproximadamente 10,6 millones de toneladas de CO₂ en 2026 (471.400 multiplicado por 22,5, según lo indicado anteriormente), mientras que las emisiones derivadas del cambio en el uso del suelo procedentes de la turbera fueron de aproximadamente 660.000 toneladas de dióxido de carbono (14.600 hectáreas multiplicadas por 45, según lo indicado anteriormente). En resumen, estimamos que las emisiones globales derivadas del cambio en el uso del suelo en 2026 como consecuencia de los centros de datos ascendieron a unos 11,3 millones de toneladas de CO₂, una cifra asombrosa equivalente a las emisiones anuales de más de dos millones de coches.
Huella del sector de la construcciónEl sector de la construcción es un componente fundamental de la expansión de las infraestructuras impulsadas por la IA. Es probable que el gasto total de EE. UU. en la construcción de centros de datos alcance este año unos 29.000 millones de dólares.¹¹⁵ Dado que EE. UU. cuenta con aproximadamente la mitad de los centros de datos del mundo, supondremos que el gasto global total alcanzará los 59.000 millones de dólares. La intensidad energética media mundial fue de aproximadamente 3,87 MJ/USD en 2022.¹¹⁶ Vamos a suponer que es de unos 3 MJ/USD para el sector de la construcción, por lo que, con esa hipótesis, obtenemos una estimación de 177.000 millones de MJ para la huella energética mundial de la construcción de centros de datos en 2026, lo que equivale a 49 TWh. Si asignamos un 40 % a la IA, la huella energética de la construcción de centros de datos impulsada por la IA fue de 20 TWh en 2026. Dado que la maquinaria de construcción, como las excavadoras, las retroexcavadoras y los rodillos tándem, utiliza en su gran mayoría motores diésel (que tienen una intensidad de emisiones de unos 265 gramos de CO₂ por kilovatio-hora (kWh) de energía (265.000 toneladas métricas por TWh)), esto implica que la huella de emisiones total derivada de la construcción de centros de datos en 2026 fue de unos 13 millones de toneladas métricas.¹¹⁷
Consumo posterior y efectos rebote
Hasta ahora, hemos hablado de los factores previos necesarios para la difusión de la IA: la minería, la producción industrial, la logística, etc. Pero aún no hemos tenido en cuenta los efectos posteriores. Una vez que los hogares, las empresas y los gobiernos adopten sistemas de IA, también pueden adoptar comportamientos y estrategias diferentes cuya implementación requiera energía. Aunque la IA puede utilizarse para optimizar las redes eléctricas inteligentes y las rutas de transporte, investigadores como Lynn Kaak y otros han señalado que también puede emplearse para acelerar la exploración y extracción de petróleo y gas, junto con otras actividades que consumen mucha energía.¹¹⁸ El objetivo ahora es estimar la huella energética y de emisiones asociada a estas actividades posteriores y a los efectos rebote.De la investigación que ya hemos citado al abordar la paradoja de Jevons (también conocida como «efecto contraproducente» en economía) se desprende con toda claridad que las industrias intensivas en capital suelen producir tasas de rebote que superan el 100 % con el paso del tiempo. Por lo tanto, la verdadera pregunta no es si la IA conducirá a un mayor consumo energético global en las fases posteriores con el tiempo en términos netos, sino en qué medida. Para hacernos una idea de ello, primero debemos tener una idea del ahorro energético previsto gracias al despliegue de la IA. Utilizando datos de GeSI, adoptamos un factor de reducción de 10 para nuestro análisis, lo que significa que, por cada unidad de energía consumida por el sector de la IA, esperamos que se ahorren 10 unidades de energía durante los cinco años siguientes, siempre que no se produzcan efectos contraproducentes.¹¹⁹ Esta hipótesis de reducción bruta también se ve respaldada por las cifras del Boston Consulting Group, que estimó que la IA podría «mitigar entre el 5 % y el 10 % de las emisiones globales de gases de efecto invernadero para 2030».¹²⁰ Con una huella de aproximadamente el 1 %, eso sugeriría una reducción bruta de alrededor del 10. Por supuesto, creemos que se producirá un fuerte efecto rebote derivado de los despliegues globales de IA, por lo que la siguiente tarea consiste en ofrecer una estimación al respecto. Según estudios realizados en sectores industriales de todo el mundo y de Estados Unidos, los efectos rebote macroeconómicos pueden oscilar entre el 110 % y el 800 % en distintos horizontes temporales.¹²¹ Vamos a adoptar una tasa de rebote en el extremo inferior, del 140 %, durante los próximos cinco años. En realidad, se trata de una cifra bastante conservadora, dada la creciente interrelación de la IA con prácticamente todas las industrias y actividades económicas de todo el mundo; es probable que el efecto rebote real durante los próximos cinco años sea mayor.

Utilizamos la siguiente ecuación, en la que R es el efecto rebote estimado (140 %), para calcular el consumo energético adicional neto:

Anteriormente estimamos que el consumo mundial de energía primaria para la electricidad de la IA ascendía a 709 TWh. Tal y como se ha indicado anteriormente, aplicamos un factor de reducción de 10 durante los próximos 5 años. Esto significa que esperamos que la IA genere un ahorro energético mundial de aproximadamente 7.100 TWh en los próximos cinco años. Sin embargo, dado que se prevé que el despliegue de la IA tenga un efecto contraproducente, el consumo energético global neto adicional durante los próximos cinco años es de aproximadamente 2.840 TWh, según la fórmula de rebote anterior y la tasa de rebote del 140 % (por lo que R es 1,4). Pero no podemos sumar esto sin más al total de 2026. Primero hay que anualizarla, lo que da como resultado un consumo energético adicional impulsado por la IA de 568 TWh debido al efecto rebote en 2026. Utilizando la intensidad media de carbono de la red eléctrica mundial indicada anteriormente (460 gramos de CO₂ por kWh, o 460.000 toneladas métricas por TWh), estimamos que la huella total de emisiones derivada de los efectos rebote impulsados por la IA para 2026 será de unos 261 millones de toneladas métricas de CO₂.

Es cierto que los efectos rebote derivados de cualquier implantación tecnológica no suelen evolucionar de forma lineal con el tiempo. Puede que al principio se produzcan mejoras en la eficiencia y que, posteriormente, los efectos rebote se manifiesten hacia el final del periodo de observación en cuestión. Es probable que este sea también el caso de la IA, por lo que, desde esa perspectiva, podría parecer injusto asignar la totalidad de esos 568 TWh al año 2026. Sin embargo, sostenemos que esta preocupación queda mitigada por el hecho de que este año ya se están produciendo efectos rebote reales asociados a las implantaciones de IA de años anteriores. La IA no comenzó por arte de magia en 2026 con gigavatios de capacidad apareciendo de la nada. El sector de la IA ya estaba maduro en muchos aspectos mucho antes de 2026, y toda esa difusión ha producido inevitablemente importantes rebotes a estas alturas.

Se podría objetar que estas emisiones adicionales que hemos calculado podrían haber ocurrido de todos modos, ya sea en parte o en su totalidad, incluso si la IA nunca se hubiera inventado. Supongamos que tienes una idea de qué preparar para cenar y le preguntas a un sistema de IA sobre los ingredientes, la receta, a qué supermercado ir, etc. Ir al supermercado consume energía de tu coche y también genera emisiones de escape. Cocinar la comida puede requerir el uso de una cocina o un horno, y estos también consumen energía y tienen una huella de emisiones. La pregunta que surge entonces es: ¿a qué sector deben atribuirse estas consecuencias? Si tus acciones y comportamientos están motivados por la información que has recibido del sistema de IA, creemos que hay argumentos de peso para afirmar que la huella energética y de emisiones debe atribuirse a la IA. Por supuesto, es posible que hubieras conducido hasta la tienda de comestibles para comprar los ingredientes de la cena incluso sin utilizar la IA en absoluto, y esa actividad podría haber consumido la misma cantidad de energía y causado las mismas emisiones. Pero eso no supone ningún problema. En ese caso, la huella energética y de emisiones debería atribuirse a algún otro sector.

La cuestión fundamental no se refiere únicamente al total agregado, sino a la distribución entre los sectores que, en conjunto, determinan ese total. En pocas palabras: si hiciste algo debido a la IA, la huella energética y de emisiones de esa actividad debería atribuirse al sector de la IA, ya sea como impacto en las fases posteriores o como efecto rebote. Entendemos que algunos investigadores, incluidos los críticos de la industria de la IA, puedan oponerse a esta conclusión, pero creemos que es totalmente coherente con las normas de contabilidad establecidas por las principales organizaciones internacionales, especialmente el Protocolo de Gases de Efecto Invernadero (GHG Protocol).

Resultados finales y reflexiones finales

En resumen, estimamos que el sector de la IA será responsable de casi 1.900 TWh del consumo energético mundial en 2026. Y tras tener en cuenta factores adicionales que no hemos analizado explícitamente, como la construcción de nuevas subestaciones eléctricas, almacenes robotizados, instalaciones de recuperación de agua y otras infraestructuras diseñadas específicamente para respaldar la expansión de los centros de datos, es probable que la demanda energética mundial total impulsada por la IA ya se acerque a los 2.000 TWh. Incluso si se situara en 1.900 TWh, la cuota de la IA en el consumo energético mundial total en 2026 sería de aproximadamente el 1,1 %. También estimamos, tras sumar todas las cifras sectoriales y llegar a unos 650 millones de toneladas métricas de emisiones de CO₂ impulsadas por la IA, que la proporción de la IA en las emisiones globales de gases de efecto invernadero en 2026 se sitúe en torno al 1,2 %, con unas emisiones globales anuales totales de aproximadamente 55 gigatoneladas de CO₂-eq, aunque con un amplio rango de cifras que van desde EDGAR hasta el PNUMA (entre 53 y 58 gigatoneladas, dependiendo de una amplia gama de supuestos diferentes). Como ya hemos comentado, estas cifras son mucho más elevadas que las que muchos otros en los medios de comunicación y el ámbito académico han estimado basándose en cálculos simplistas y supuestos ingenuos.

Las proyecciones hasta 2030 son, obviamente, mucho peores e implican un impacto catastrófico para la estabilidad ecológica mundial. Solo ChatGPT «procesa aproximadamente 2.500 millones de solicitudes al día en todo el mundo».¹²² La magnitud del crecimiento y la difusión de la IA a nivel mundial es verdaderamente asombrosa, y la huella ecológica correspondiente a este sector pronto rivalizará con la de grandes países como la India. No es en absoluto descabellado pensar que la cuota de la IA en la demanda energética mundial total podría elevarse hasta algo así como el 5 % para 2030, rivalizando y, en algunos casos, superando la huella de industrias dominantes ya consolidadas. Las posibles consecuencias de esta presión adicional sobre los recursos (en lo que respecta a la biodiversidad, el calentamiento global, la escasez de agua dulce y los ciclos biogeoquímicos) podrían ser absolutamente abrumadoras y devastadoras para la estabilidad de la civilización moderna.

Hay algunos factores que podrían alterar esta trayectoria, por lo demás desastrosa. En primer lugar, la presión política podría ir en aumento y obligar al sector de la IA a estabilizarse o reducir su escala. En segundo lugar, en ausencia de una presión política efectiva, el propio sector podría ralentizarse o colapsar si las leyes de escalabilidad comienzan a fallar. En tercer lugar, las inversiones podrían disminuir incluso si los modelos de IA siguen avanzando rápidamente, sobre todo si los rendimientos y los beneficios simplemente no llegan, tal y como ha ocurrido hasta ahora con las principales empresas pioneras en IA. Nada de esto significa que la IA vaya a desaparecer. A estas alturas, forma parte de nuestras vidas de forma permanente en mayor o menor medida. Pero sí significa que la onda expansiva de la infraestructura de la IA podría ralentizarse significativamente y, con todos los retos ecológicos que se avecinan durante el resto del siglo, defendemos que la humanidad debe reconsiderar sus prioridades.

La última onda expansiva de la infraestructura ya está contribuyendo de forma significativa al consumo energético mundial y a las emisiones de gases de efecto invernadero. ¿En qué momento las sociedades o los gobiernos evaluarán la relación coste-beneficio a largo plazo del crecimiento descontrolado de este sector? Puede que algún día la IA sea capaz de estar a la altura de los ideales defendidos por sus promotores, pero ese valor se ve cuestionado hoy en día por el simple hecho de que también está contribuyendo a crear las condiciones que harán que la Tierra resulte hostil (incluso inhabitable) para miles de millones de personas en los próximos años. A menos que nuestras sociedades y gobiernos sean capaces de cooperar y regular o controlar eficazmente este sector, nos preocupa que toda la especie humana acabe pagando un alto precio.

Notas al pie

1Christian Bogmans et al., “Power Hungry: How AI Will Drive Energy Demand,” International Monetary Fund, April 22, 2025. https://www.elibrary.imf.org/view/journals/001/2025/081/article-A001-en.xml.

2Article, “How Hyperscalers are Fueling the Race for 24/7 Clean Power,” McKinsey & Company, December 18, 2024. https://www.mckinsey.com/industries/electric-power-and-natural-gas/our-insights/how-hyperscalers-are-fueling-the-race-for-24-7-clean-power.

3ASML, “Busting ASML myths,” 2022. https://www.asml.com/en/news/stories/2022/busting-asml-myths.

4Sean M. Davis, “Implications of Taiwan’s dependence on imported energy,” Lehigh University, October 29, 2025. https://preserve.lehigh.edu/system/files/derivatives/coverpage/460057.pdf.

5Arjen Y. Hoekstra, “The hidden water resource use behind meat and dairy,” Animal Frontiers, vol. 2, April 2012, pp. 3-8. https://academic.oup.com/af/article/2/2/3/4638610?login=false.

6Miriam Aczel, et al., “Environmental Cost of AI’s Energy Use,” Institute for Water, Environment, and Health, United Nations, 2026. https://collections.unu.edu/eserv/UNU:10647/UNU-INWEH-Report-The_Env_Cost_of_AI-2026.pdf.

7Miriam Aczel, et al., “Environmental Cost of AI’s Energy Use,” Institute for Water, Environment, and Health, United Nations, 2026. https://collections.unu.edu/eserv/UNU:10647/UNU-INWEH-Report-The_Env_Cost_of_AI-2026.pdf.

8Hannah Ritchie, “How much energy do data centers and artificial intelligence use?”, Our World in Data, July 20, 2026. https://ourworldindata.org/how-much-energy-do-data-centers-and-artificial-intelligence-use.

9Emma Strubell, Ananya Ganesh, and Andrew McCallum, “Energy and Policy Considerations for Deep Learning in NLP,” Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, Florence, Italy, Association for Computational Linguistics, pp. 3645–3650. https://aclanthology.org/P19-1355/.

10For a major example, see James O’Donnell and Casey Crownhart, “We did the math on AI’s energy footprint.” MIT Technology Review. May 20, 2025. https://www.technologyreview.com/2025/05/20/1116327/ai-energy-usage-climate-footprint-big-tech/

11Josie Stewart, Brooke Tanner, and Nicol Turner Lee, “As energy demands for AI increase, so should company transparency,” Brookings Institution, July 14, 2025. https://www.brookings.edu/articles/as-energy-demands-for-ai-increase-so-should-company-transparency/

12Udit Gupta et al., “Chasing Carbon: The Elusive Environmental Footprint of Computing,” 2021 IEEE International Symposium on High-Performance Computer Architecture, February 2021. https://ieeexplore.ieee.org/abstract/document/9407142

13Sasha Luccioni, Sylvain Viguier, and Anne-Laure Ligozat, “Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model,” Journal of Machine Learning Research, 2023. https://www.jmlr.org/papers/v24/23-0069.html

14Alex de Vries, “The growing energy footprint of artificial intelligence,” Joule, vol. 7, October 18, 2023. https://www.cell.com/joule/fulltext/S2542-4351(23)00365-3

15Jesse Dodge et al., “Measuring the Carbon Intensity of AI in Cloud Instances,” Proceedings of the ACM Conference, on Fairness, Accountability, and Transparency, 1877-1894, June 20, 2022. https://dl.acm.org/doi/pdf/10.1145/3531146.3533234

16See Kate Crawford, Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence (New Haven: Yale University Press, 2022).

17Jonathan Kaiman, “Rare earth mining in China: the bleak social and environmental costs,” The Guardian, March 20, 2014. https://www.theguardian.com/sustainable-business/rare-earth-mining-china-social-environmental-costs

18Miguel Yañez-Barnuevo, “Data Center Energy Needs Could Upend Power Grids and Threaten the Climate,” Environmental and Energy Study Institute, April 15, 2025. https://www.eesi.org/articles/view/data-center-energy-needs-are-upending-power-grids-and-threatening-the-climate?hl=en-US

19Allan Chen, “Data center energy use: truth versus myth,” Berkeley Lab, July 16, 2002. https://www2.lbl.gov/Science-Articles/Archive/data-center-energy-myth.html?hl=en-US

20Peter L. Borland, Kevin McDonnell, and Mary Harty, “Assessment of the Potential to Use the Expelled Heat Energy from a Typical Data Centre in Ireland for Alternative Farming Methods,” Energies, vol. 16, 2023. https://www.mdpi.com/1996-1073/16/18/6704

21Huwan Peng et al., “Chiplet Cloud: Building AI Supercomputers for Serving Large Generative Language Models,” arXiv, 2023. https://arxiv.org/pdf/2307.02666

22Rich Miller, “Uptime Institute: The Average PUE is 1.8,” Data Center Knowledge, May 10, 2011. https://www.datacenterknowledge.com/uptime/uptime-institute-the-average-pue-is-1-8?hl=en-US

23Google. “Growing the Internet while reducing energy consumption,” Data Centers. https://datacenters.google/efficiency/?hl=en-US

24Ver John M Polimeni, Kozo Mayumi, Mario Giampietro, y Blake Alcott, The Myth of Resource Efficiency: The Jevons Paradox (New York: Taylor & Francis Group, 2009) pp. 141-172. Ver Richard York and Alexander McGee, “Understanding the Jevons Paradox,” Environmental Sociology, 2015. https://www.researchgate.net/profile/Julius-Mcgee/publication/285643149_Understanding_the_Jevons_paradox/links/5bdb72704585150b2b982762/Understanding-the-Jevons-paradox.pdf?_sg%5B0%5D=started_experiment_milestone&origin=journalDetail.

25 Robert B. Gordon. American Iron, 1607-1900 (Baltimore: John Hopkins University Press, 2001)

26Vaclav Smil, Enriching the Earth: Fritz Haber, Carl Bosch, and the Transformation of World Food Production (Cambridge: MIT Press, 2001).

27R Quentin Grafton et al., “The paradox of irrigation efficiency,” Science, vol. 361, 748-750, 2018. https://www.science.org/doi/abs/10.1126/science.aat9314

28Daiyaan Arfeen et al., “Nonuniform-Tensor-Parallelism: Mitigating GPU failure impact for Scaled-Up LLM Training,” arXiv, April 8, 2025. https://arxiv.org/abs/2504.06095

29Ídem

30 Para más detalles ver Carly Davenport, “AI, data centers, and the coming US power demand surge,” Goldman Sachs, April 28, 2024. https://www.goldmansachs.com/pdfs/insights/pages/generational-growth-ai-data-centers-and-the-coming-us-power-surge/report.pdf

31Jared Kaplan et al., “Scaling Laws for Neural Language Models,” arXiv, 2020. https://arxiv.org/pdf/2001.08361/1000

32Today in Energy, “Many newer power plants have cooling systems that reuse water,” U.S Energy Information Administration, February 11, 2014. https://www.eia.gov/todayinenergy/detail.php?id=14971

33Water Resources Mission Area, “Thermoelectric Power Water Use,” USGS, March 1, 2019. https://www.usgs.gov/mission-areas/water-resources/science/thermoelectric-power-water-

34Executive Summary, “State of the Data Center,” AFCOM, 2026. https://cdn.ymaws.com/afcom.com/resource/resmgr/resource_center/whitepapers/afcom_stateofdatacenter26_ex.pdf

35Pengfei Li et al., “Making AI Less “Thirsty”: Uncovering and Addressing the Secret Water Footprint of AI Models,” arXiv, 2023. https://arxiv.org/pdf/2304.03271

36Pengfei Li et al., “Making AI Less Thirsty,” Communications of the ACM, vol. 68, 54-61. https://dl.acm.org/doi/full/10.1145/3724499?__cf_chl_f_tk=aT67DeeQZWK7Eun9sgl2ZplrYRA4U8X.MpTIk3l3Dfo-1783133058-1.0.1.1-QT25k9iDNKChv6P0mfhAZBb1izsPS5Cmxf56jAeeu3w

37Jon Gorey, “Data Drain: The Land and Water Impacts of the AI Boom,” Lincoln Institute of Land Policy, October 17, 2025. https://www.lincolninst.edu/publications/land-lines-magazine/articles/land-water-impacts-data-centers/

38Terry Nguyen and Ben Green, “What Happens When Data Centers Come To Town?”, University of Michigan, 2025. https://stpp.fordschool.umich.edu/sites/stpp/files/2025-07/stpp-data-centers-2025.pdf

39Heather Clancy, “Sip or guzzle? Here’s how Google’s data centers use water,” Trellis, November 22, 2022. trellis.ne

40Md Abu Bakar Siddik, Arman Shehabi, and Landon Marston, “The environmental footprint of data centers in the United States,” Environmental Research Letters, vol. 16, May 21, 2021. iopscience.iop.org

41Coca-Cola consumía aproximadamente 300 mil millones de litros de agua al año, al menos hasta 2012, por lo que es probable que las cifras actuales sean más altas. Véase Andrea Ubreziova et al., “The Corporate Social Responsibility: The Case Study of Water as a Strategic Commodity For the Future”, 2012. https://real.mtak.hu/26194/1/Managing_SMEs_2012dec12-FINAL-DOI_CrossRef-Chapter_4.2.pdf. Para 2014, aproximadamente en el mismo período que las cifras de Coca-Cola mencionadas anteriormente, los centros de datos de EE. UU. consumían aproximadamente 630 mil millones de litros de agua. Véase Lawrence Berkeley National Laboratory, “United States Data Center Energy Usage Report”, junio de 2016, https://www.osti.gov/servlets/purl/1372902

42See Dario Amodei, “The Adolescence of Technology,” https://www.darioamodei.com/essay/the-adolescence-of-technology

43See Nicolas Bontigui and Dylan Patel, “From Tokens to Burgers: A Water Footprint Face-Off,” SemiAnalysis, January 15, 2026. Link to analysis is here

44Protect Our Aquifer, “xAI Supercomputer,” https://www.protectouraquifer.org/issues/xai-supercomputer

45Protect Our Aquifer, “xAI And Water Reuse,” https://www.protectouraquifer.org/now

46Ver “xAI Colossus,” Supermicro, https://www.supermicro.com/en/featured/xai-colossus. También ver Patrick Kennedy, “Inside the 100k GPU xAI Colossus Colossus Cluster That Supermicro Helped Build for Elon Musk,” https://www.supermicro.com/CaseStudies/Success_Story_xAI_Colossus_Cluster.pdf

47Julia Koslowsky, “How Are Data Centers Affecting the U.S. Power Grid?”, Insight Global, June 12, 2026. https://insightglobal.com/blog/how-data-centers-affect-us-power-grid

48Diana DiGangi, “DOJ May Intervene in NAACP Lawsuit over xAI’s data center gas turbines,” Utility Dive, May 15, 2026. https://www.utilitydive.com/news/doj-may-intervene-in-naacp-lawsuit-over-xais-data-center-gas-turbines/820363/

49T. E. Norgate and R. R. Lovel, “Sustainable Water Use in Minerals and Metal Production,” Australasian Institute of Mining and Metallurgy, 2006. https://www.researchgate.net/publication/279549642_Sustainable_water_use_in_minerals_and_metal_production

50“How We Use Water,” Environmental Protection Agency. https://www.epa.gov/watersense/how-we-use-water

51“How We Use Water,” Environmental Protection Agency. https://www.epa.gov/watersense/how-we-use-water

52Yuelin Han et al., “Small Bottle, Big Pipe: Quantifying and Addressing the Impact of Data Centers on Public Water Systems,” arXiv, 2026. https://arxiv.org/abs/2603.02705

53Deanna Noel, “The Secret Data Center Buildout,” Public Citizen, July 8, 2026. https://www.citizen.org/news/the-secret-data-center-buildout-how-states-can-stop-big-techs-abuse-of-ndas/.

54Will McCurdy, “Report: $130 Billion Worth of Data Center Projects Blocked in Q1 2026,” PCMag, June 14, 2026. https://www.pcmag.com/news/report-130-billion-worth-of-data-center-projects-blocked-in-q1-2026

55“Nature-related issues in the technology sector,” Taskforce on Nature-related Financial Disclosures. February 2026. https://tnfd.global/wp-content/uploads/2026/02/Case-study_Water-dependency-of-the-tech-sector_DIGITAL.pdf

56ArcGIS, “Taiwan Supply Chain,” Case Study 2023. https://experience.arcgis.com/experience/a1ec0d1276064ae387c863f2a14b11e1/page/Taiwan-Supply-Chain

57ArcGIS, “Taiwan Supply Chain,” Case Study 2023. https://experience.arcgis.com/experience/a1ec0d1276064ae387c863f2a14b11e1/page/Taiwan-Supply-Chain

58Theresa Wing Ling Lam et al., “Microplastic Contamination of Surface-Water Sourced Tap Water in Hong Kong—A Preliminary Study,” Applied Sciences, vol. 10, 2020. https://www.mdpi.com/2076-3417/10/10/3463

59Ver “Primary Energy Consumption,” Organization for Economic Cooperation and Development, November 20, 2001. For a list of things included under primary consumption in the United States, see the entry “Primary Energy Consumption” in the Glossary of the U.S. Energy Information Administration, https://www.eia.gov/tools/glossary/

60Para una explicación de estos métodos ver “Statistics questionnaires” by the International Energy Agency. https://www.iea.org/statistics-questionnaires-faq

61Report, “Statistical Review of World Energy,” The Energy Institute, 2026, p. 81. https://www.energyinst.org/statistical-review

62Gregory Semieniuk and Isabella Weber, “Inequality in Energy Consumption: Statistical Equilibrium or a Question of Accounting Conventions?”, The European Physical Journal Special Topics, vol. 229, pp. 1705-1714, 2020. https://www.econstor.eu/bitstream/10419/227884/1/1681142201.pdf

63Erald Kolasi, The Physics of Capitalism (New York: Monthly Review Press, 2025), pp. 188-189

64“Data Center Growth Projections That Will Shape 2026-2030,” Avid Solutions, 2026. https://avidsolutionsinc.com/13-data-center-growth-projections-that-will-shape-2026-2030/

65Andrew Batson, “North American Data Center Report Year-End 2025,” JLL, February 17, 2026. https://www.jll.com/en-us/insights/market-dynamics/north-america-data-centers

66See “The Greenhouse Gas Protocol,” World Resources Institute. https://ghgprotocol.org/sites/default/files/standards/ghg-protocol-revised.pdf

67International Energy Agency, “Energy and AI,” 2024. https://www.iea.org/reports/energy-and-ai

68Lawrence Berkeley National Laboratory, “2024 United States Data Center Energy Usage Report,” Department of Energy. December 20, 2024. https://www.energy.gov/articles/doe-releases-new-report-evaluating-increase-electricity-demand-data-centers.

69Lawrence Berkeley National Laboratory, “2024 United States Data Center Energy Usage Report,” Department of Energy. December 20, 2024. https://www.energy.gov/articles/doe-releases-new-report-evaluating-increase-electricity-demand-data-centers

70Vivian Lee et al., “Breaking Barriers to Data Center Growth,” Boston Consulting Group, January 20, 2025. https://web-assets.bcg.com/pdf-src/prod-live/breaking-barriers-data-center-growth.pdf

71Sagar Shelare et al., “Role of Geothermal Energy in Sustainable Water Desalination—A Review on Current Status, Parameters, and Challenges,” Energies, vol. 16, 2023. https://www.mdpi.com/1996-1073/16/6/2901

72Rasmus Leichter (2025). “Number of Data Centers by Country (November 2025)”. Retrieved from https://www.cargoson.com/en/blog/number-of-data-centers-by-country

73Presenc AI, “AI Data Center Energy Consumption Statistics 2026,” May 2026. https://presenc.ai/research/ai-data-center-energy-consumption-2026

74Informe “Statistical Review of World Energy,” The Energy Institute, 2026. https://www.energyinst.org/statistical-review

75Alexander Neumueller et al., “Cambridge Digital Mining Industry Report,” Cambridge Centre for Alternative Finance, University of Cambridge. https://www.jbs.cam.ac.uk/wp-content/uploads/2025/04/2025-04-cambridge-digital-mining-industry-report.pdf

76Cointelegraph, “Bernstein: Bitcoin minters becoming critical suppliers in AI infrastructure,” TradingView. https://www.tradingview.com/news/cointelegraph:e6666a483094b:0-bernstein-bitcoin-miners-becoming-critical-suppliers-in-ai-infrastructure

77IREN, “IREN Signs $9.7 Billion Agreement with Microsoft to Deploy AI Cloud Infrastructure,” November 3, 2025. ://iren.com/resources/blog/iren-signs97-billion-agreement-with-microsoft-to-deploy-ai-cloud-infrastructur e

78Euan Graham, Nicolas Fulghum, and Katye Altieri, “Global Electricity Review 2025,” Ember, April 8, 2025. https://ember-energy.org/app/uploads/2025/04/Report-Global-Electricity-Review-2025.pdf

79Para el factor de eficiencia nuclear ver “Statistics questionnaires” by the International Energy Agency. https://www.iea.org/statistics-questionnaires-faq. Para el factor de eficiencia de combustible fósil ver Peter Taylor et al., “Energy Efficiency Indicators for Public Electricity Production from Fossil Fuels,” International Energy Agency, July 2008. https://iea.blob.core.windows.net/assets/acaecb98-4430-4395-a4fa-d1a4d5ccb3d3/EnergyEfficiencyIndicatorsforPublicElectricityProductionfromFossilFuels.pdf

80Informe “Statistical Review of World Energy,” The Energy Institute, 2026, p. 23. https://www.energyinst.org/statistical-review

81Jinsoo Kim et al., “Decarbonizing the iron and steel industry: A systematic review of sociotechnical systems, technological innovations, and policy options,” Energy Research & Social Science, vol. 89, 2022. https://www.sciencedirect.com/science/article/abs/pii/S2214629622000706?

82World Economic Forum, “Metals at scale for AI at scale: securing the data center materials backbone,” December 10, 2025. https://www.weforum.org/stories/2025/12/securing-data-centre-materials/

83World Steel Association, “Climate change and the production of iron and steel,” https://worldsteel.org/climate-action/climate-change-and-the-production-of-iron-and-steel

84World Steel Association, “Sustainability indicators of the steel industry,” https://worldsteel.org/data/world-steel-in-figures/world-steel-in-figures-2025

85Camillo Schmidt-Chiari, “Global Cement Industry,” Gabelli, October 23, 2025. https://gabelli.com/research/global-cement-industry

86Environmental Protection Agency, “U.S. Cement Industries Carbon Intensities,” October 2021. https://www.epa.gov/system/files/documents/2021-10/cement-carbon-intensities-fact-sheet.pdf

87World Economic Forum, “Metals at scale for AI at scale: securing the data center materials backbone,” December 10, 2025. https://www.weforum.org/stories/2025/12/securing-data-centre-materials/

88Andy Patrizio, “Gartner: Data center electricity consumption to grow 26% in 2026,” Network World, July 7, 2026. https://www.networkworld.com/article/4193996/gartner-data-center-electricity-consumption-to-grow-26-in-2026.html

89Ver Lingchen Liu et al., “Life Cycle Energy Consumption and GHG Emissions of the Copper Production in China and the Influence of Main Factors on the above Performance” Processes, vol. 19, 2022. https://www.mdpi.com/2227-9717/10/12/2715

90World Economic Forum, “Metals at scale for AI at scale: securing the data center materials backbone,” December 10, 2025. https://www.weforum.org/stories/2025/12/securing-data-centre-materials

91SEMI, “Silicon Wafer Shipment Statistics,” https://www.semi.org/en/products-services/market-data/materials/si-shipment-statistics

92Shihcheng Hu and Yew Khoy Chuah, “Power consumption of semiconductor fabs in Taiwan,” Energy, vol. 28, 2003, 895-907. https://www.sciencedirect.com/science/article/abs/pii/S0360544203000082

93Nicolas Fulghum et al., “Global Electricity Review 2026,” Ember, April 21, 2026. https://ember-energy.org/app/uploads/2026/04/Global-Electricity-Review-2026.pdf

94Report, “Semiconductor Emissions Are Exploding: What the Forecast Says About AI, 3D NAND, and the Global Grid,” Tech Insights, December 22, 2025. https://www.techinsights.com/blog/semiconductor-emissions-are-exploding-what-forecast-says-about-ai-3d-nand-and-global-grid

95U.S. Department of Energy, “Using Life Cycle Energy Analysis for Sustainable Manufacturing,” 2026. https://www.energy.gov/cmei/amo/articles/using-life-cycle-energy-analysis-more-sustainable-manufacturing?hl=en-US

96Jeroen Kusters et al., “2026 Global Semiconductor Industry Outlook,” Deloitte, February 5, 2026. https://www.deloitte.com/us/en/insights/industry/technology/technology-media-telecom-outlooks/semiconductor-industry-outlook.html

97Executive Summary, “World Robotics 2025,” IFR, 2025. https://ifr.org/img/worldrobotics/Executive_Summary_WR_2025_Industrial_Robots.pdf

98Nate Barnett, Dave Costenaro, and Ingrid Rohmund, “Direct and Indirect Impacts of Robots on Future Electricity Load,” Applied Energy Group. https://www.aceee.org/files/proceedings/2017/data/polopoly_fs/1.3687904.1501159084!/fileserver/file/790278/filename/0036_0053_000029.pdf

99International Energy Agency, “Data Centers and Data Transmission Networks,” 2023.

www.iea.org/energy-system/buildings/data-centres-and-data-transmission-networks

100Cisco Report 2026, “AI Impact on Wide Area Networks,” www.cisco.com/c/dam/en/us/solutions/collateral/artificial-intelligence/mass-scale-infrastructure/ai-network-traffic-report.pdf

101Lisa Winkler, “The effect of sustainable mobility transition policies on cumulative urban transport emissions and energy demand,” Nature Communications, vol. 14, 2023. https://www.nature.com/articles/s41467-023-37728-x

102Matteo Muratori et al., “Role of the Freight Sector in Future Climate Change Mitigation Scenarios,” Environmental Science & Technology, 2017. https://www.osti.gov/servlets/purl/1349019

103Taner Stewart, “Data Center Energy Consumption: How Much Electricity Does a Data Center Use?”, Texas Electric Broker, June 11, 2026. https://www.texaselectricbroker.com/blog/data-center-energy-consumption

104Tugana Aslan et al., “Toward climate neutral data centers: Greenhouse gas inventory, scenarios, and strategies,” CellPress, December 21, 2024. https://www.cell.com/action/showPdf?pii=S2589-0042%2824%2902864-5

105Nirmala Menikpura and Janya Sang-Arun, “Estimation Tool for Greenhouse Gas (GHG) Emissions from Municipal Solid Waste (MSW) Management in a Life Cycle Perspective,” Institute for Global Environmental Strategies, 2013. https://www.iges.or.jp/en/publication_documents/pub/data/en/3247/User_Manual_for_Simulation-_Version_II_%28edited%29-01_Oct_20

106“Energy supply for AI,” International Energy Agency. www.iea.org/reports/energy-and-ai/energy-supply-for-ai.

107“How Hyperscalers are Fueling the Race for 24/7 Clean Power,” McKinsey & Company, December 18, 2024. https://www.mckinsey.com/industries/electric-power-and-natural-gas/our-insights/how-hyperscalers-are-fueling-the-race-for-24-7-clean-power

108Brittany L. Smith et al., “An Updated Life Cycle Assessment of Utility-Scale Solar Photovoltaic Systems Installed in the United States,” National Renewable Energy Laboratory, March 2024. https://docs.nlr.gov/docs/fy24osti/87372.pdf.

109 “Global Energy Review 2026,” International Energy Agency, https://iea.blob.core.windows.net/assets/df903e1c-49c6-4757-8cbf-6fbcfe7611a0/GlobalEnergyReview2026.pdf

110Erhan Eren, “Gigawatt PPAs: How the Google-Total Energies Deal Redefined Hyperscaler Solar Procurement in 2026,” Enki, 2026. https://enkiai.com/solar/gigawatt-ppas-how-ai-redefined-hyperscaler-energy-in-2026

111Christian Dunn and Chris Freeman, “Peatlands: our greatest source of carbon credits?”, Carbon Management, vol. 2, 2011. https://www.tandfonline.com/doi/full/10.4155/cmt.11.23

112Issue Brief, “Peatlands and climate change,” International Union for Conservation of Nature, 2017. https://iucn.org/resources/issues-brief/peatlands-and-climate-change?hl=en-US

113IPCC, “Land-Use Change & Forestry,” https://www.ipcc-nggip.iges.or.jp/public/gl/guidelin/ch5ref1.pdf

114Heather Keith, Brendan G. Mackey, and David B. Lindenmayer, “Re-evaluation of forest biomass carbon stocks and lessons from the world’s most carbon-dense forests,” Proceedings of the National Academy of Sciences, vol. 106, July 14, 2009. https://www.pnas.org/doi/10.1073/pnas.0901970106

115“How much is the US spending on building data centers?”, Our World in Data, April 9, 2026. https://ourworldindata.org/how-much-is-the-us-spending-on-building-data-centers

116ESMAP, “Energy Efficiency,” https://trackingsdg7.esmap.org/sites/default/files/download-documents/chapter4_energyefficiency.pdf

117“Carbon dioxide emission factors,” Our World in Data, https://ourworldindata.org/grapher/carbon-dioxide-emissions-factor

118Lynn H. Kaak et al., “Aligning artificial intelligence with climate change mitigation,” Nature Climate Change, 2022. https://par.nsf.gov/servlets/purl/10469824

119GeSI, “The Opportunity,” https://smarter2030.gesi.org/the-opportunity

120Amane Dannouni et al., “Accelerating Climate Action with AI,” Boston Consulting Group, November 2023. https://web-assets.bcg.com/72/cf/b609ac3d4ac6829bae6fa88b8329/bcg-accelerating-climate-action-with-ai-nov-2023-rev.pdf

121Jeffrey B. Dahmus, “Can Efficiency Improvements Reduce Resource Consumption?”, Journal of Industrial Ecology, vol. 18, December 2014. https://web.mit.edu/ebm/www/Publications/JIE%20-%20Dahmus%20-%20Can%20Efficiency%20Improvements%20Reduce%20Resource%20Consumption%20-%202014%20copy.pdf

122Miriam Aczel, et al., “Environmental Cost of AI’s Energy Use,” Institute for Water, Environment, and Health, United Nations, 2026. https://collections.unu.edu/eserv/UNU:10647/UNU-INWEH-Report-The_Env_Cost_of_AI-2026.pdf

La huella energética y de emisiones global de la difusión de la IA

IA y energía: una introducción

La IA y el nexo entre calor y agua

Supuestos metodológicos

Resultados finales y reflexiones finales

Notas al pie

Follow Blog via Email

Categorías

Albisteak / Noticias

Etiquetas

Suscríbete al blog por correo electrónico

Naufragio

IA y energía: una introducción

La IA y el nexo entre calor y agua

Supuestos metodológicos

Resultados finales y reflexiones finales

Notas al pie

Comparte esto:

Follow Blog via Email

Categorías

Albisteak / Noticias

Etiquetas

Suscríbete al blog por correo electrónico

Naufragio