Cómo interpretar las cifras de consumo de energía y agua en inteligencia artificial sin errores

Los cálculos difundidos acerca del gasto energético que demanda una única petición a un sistema de inteligencia artificial oscilan enormemente, abarcando desde 0,24 vatios-hora hasta prácticamente 30, lo cual abarca más de tres órdenes de magnitud. Esto no ocurre porque existan falsedades o certezas absolutas, sino debido a que los parámetros evaluados varían por completo. Este texto analiza minuciosamente, apoyándose en investigaciones originales y validadas por la comunidad científica, el impacto real de la inteligencia artificial tanto en recursos hídricos como eléctricos, explicando además el motivo de la contradicción entre las estadísticas habituales y enseñando a interpretar críticamente cualquier noticia al respecto. Se incorporan las estadísticas globales aportadas por la Agencia Internacional de la Energía junto con el Lawrence Berkeley National Laboratory, los registros operativos obtenidos directamente de Google, la primera evaluación integral sobre el ciclo de vida de un sistema comercial como Mistral, y diversos estudios académicos dedicados a medir la huella de agua. Como cierre, se proporciona un repertorio bibliográfico dotado de DOI para facilitar la comprobación independiente de cada información.

Resumen en 30 segundos: las ocho cifras clave

Si únicamente vas a ojear un fragmento de este artículo, asegúrate de que sea esta tabla. Cada una de las filas detalla la procedencia junto al año, puesto que, careciendo de dichos datos, la cifra carece de sentido por completo.

Esto es lo que vas a descubrir en el artículo

• Por qué los datos oficiales no resultan equiparables entre sí, además de los cinco factores que conviene definir previamente a cualquier análisis.

• Los datos consolidados de gasto energético, acompañados de sus respectivos contextos y márgenes de variación.

• El consumo por consulta: todas las mediciones disponibles puestas en la misma tabla, con su metodología.

• El agua: los tres «grifos» distintos que casi nadie distingue y que explican la mayor parte de las discrepancias.

• Entrenamiento frente a inferencia: dónde se sitúa actualmente el gasto real.

• Por qué el inconveniente no resulta global sino local, analizando las situaciones de Virginia del Norte, Irlanda, Oregón y São Paulo.

• Qué palancas reducen el impacto de verdad, cuantificadas.

• Una lista de comprobación de seis preguntas para auditar cualquier titular sobre consumo de IA.

Por qué las cuentas no cuadran: cinco parámetros que nadie fija

En julio de 2025 se produjo un acontecimiento revelador. Sam Altman, el máximo responsable de OpenAI, dio a conocer que una petición promedio en ChatGPT gasta 0,34 Wh y aproximadamente 0,32 mililitros de agua. Poco después, Mistral AI dio a conocer el primer análisis sobre el ciclo de vida global de un modelo de lenguaje comercial y cifró el agua de una respuesta de 400 tokens en 45 mililitros. Dos compañías de un mismo ámbito, durante el transcurso del mismo mes, con una brecha superior a cien veces en idéntica variable.

Ninguna de las dos está necesariamente equivocada. Están midiendo cosas distintas, y ahí está el verdadero problema de este debate. Una revisión sistemática de 88 estudios revisados por pares publicada en Renewable and Sustainable Energy Reviews encontró que la energía por tarea en inferencia abarca más de tres órdenes de magnitud en la literatura científica, con la generación de imágenes consumiendo alrededor de 1.450 veces más que una tarea básica de clasificación de texto [3].

Antes de comparar dos cifras sobre consumo de IA hay que comprobar que coinciden en estos cinco parámetros:

A esto se suma una traba estructural en materia de transparencia. Un estudio dado a conocer en Patterns en 2025 lo señala con total claridad: los reportes ecológicos de los administradores de centros de datos no diferencian el tráfico de inteligencia artificial del resto de demandas, por lo que el impacto ambiental de la IA únicamente se calcula mediante estimaciones basadas en indicadores globales de las instalaciones; además, con frecuencia los datos difundidos ni siquiera posibilitan calcular el consumo global de la empresa [1].

Cuánta electricidad consumen los centros de datos

Aquí las cifras resultan más firmes, ya que se apoyan en fuentes institucionales con metodologías transparentes. La Agencia Internacional de la Energía (AIE) encabeza estas estimaciones: en su reporte Energy and AI, publicado en abril de 2025, calculó una demanda mundial de los centros de datos de aproximadamente 945 TWh en 2030, una cantidad equivalente al gasto eléctrico anual de Japón. Por su parte, la edición de Electricity 2026 ubica la base de 2025 cerca de los 485 TWh, lo que equivale al 1,5 % de la energía global, de los cuales unos 155 TWh se destinan exclusivamente a infraestructuras de IA.

Hay dos lecturas compatibles de esta tabla. La primera: en términos agregados, la IA sigue siendo una fracción modesta del sistema eléctrico mundial —en torno al 0,5 % hoy, camino del 1 % al 1,2 % en 2030 según la estimación más conservadora [10]—. La segunda: el ritmo de crecimiento no tiene precedente reciente en el sector eléctrico, y la infraestructura de red se planifica en plazos de siete a diez años mientras un centro de datos se construye en dos.

Un dato que refleja dicha desproporción: un modelo de dinámica de sistemas difundido en Sustainable Futures y enfocado en Virginia del Norte —el principal mercado mundial de centros de datos, zona que actualmente absorbe cerca del 25 % de la energía eléctrica local— revela que el margen de reserva proyectado descenderá por debajo del umbral de referencia del 17,7 % en un plazo de tres a cinco años, al tiempo que la proporción correspondiente a los centros de datos se elevaría hasta el 36 %-40 % del gasto energético regional para el año 2031 [17].

Cuánto demanda una única petición

Esta es la cifra que más circula y la menos fiable. Durante años las estimaciones se construyeron desde fuera, con supuestos sobre hardware y utilización. En agosto de 2025 se publicó la primera medición en un entorno de producción real: Google instrumentó la infraestructura que sirve a Gemini y cifró la consulta de texto mediana en 0,24 Wh de energía y 0,26 ml de agua, el equivalente a ver nueve segundos de televisión y a cinco gotas de agua [23].

Dicha labor cobra relevancia por un par de motivos que van más allá de la simple cifra. Por un lado, su delimitación sistémica abarca el gasto energético del acelerador operativo, la plataforma anfitriona, el margen ocioso de los equipos y el sobrecosto eléctrico del centro de datos; en otras palabras, constituye un balance exhaustivo y no una estimación complaciente centrada únicamente en la GPU. Por otro lado, registra un descenso de 33 veces en energía y 44 veces en huella de carbono por consulta mediana en el transcurso de un único año, un logro derivado tanto de la optimización del software como de la adquisición de electricidad verde. En consecuencia, cualquier dato previo a 2024 sobre el gasto energético por consulta queda completamente desfasado por un orden de magnitud considerable.

La conclusión práctica no es «consume poco» ni «consume mucho». Es que la elección de modelo y la forma de servirlo pesan más que el hecho de usar IA o no usarla. Un estudio empírico sobre H100 encontró que la estructuración temporal de la llegada de peticiones puede reducir la energía por petición hasta cien veces, y que la mejora por usar precisión reducida solo aparece en regímenes limitados por cómputo [20]. Otro trabajo sobre 14 modelos abiertos de 6.000 a 34.000 millones de parámetros concluyó que aumentar el tamaño del modelo eleva mucho el consumo sin mejoras proporcionales de precisión, y que en bastantes tareas los modelos medianos igualan o superan a los grandes con mucha menos energía [21].

Hay además un descubrimiento contraintuitivo que resulta útil tener presente: durante un análisis multilingüe enfocado en NVIDIA H200 que superó las 5.100 ejecuciones, el consumo energético experimentó variaciones de hasta tres veces entre opciones con idénticas cargas de trabajo, la vinculación entre gasto de energía y desempeño lógico demostró ser escasa (ρ de Spearman = 0,109; p = 0,386), y el idioma de la consulta se comportó como un parámetro medible de despliegue: las lenguas romances requirieron en promedio un menor gasto energético que el inglés en diversos modelos [5].

El agua: un trío de grifos diferentes

El agua representa el punto donde más se enreda la discusión pública, y el motivo resulta evidente: coexisten tres corrientes diferentes y casi nunca se especifica a cuál de ellas se hace referencia.

1. Agua directa (alcance 1). La que se evapora en las torres de refrigeración del propio centro de datos. Es la que suele aparecer en los titulares y la única que el operador controla directamente.

2. Agua indirecta (alcance 2). Aquella empleada en producir la electricidad que abastece las instalaciones informáticas: refrigeración en plantas térmicas y atómicas, además de la evaporación en pantanos hidroeléctricos. Habitualmente supera a la directa. Dentro del clúster de São Paulo, el cual cuenta con una capacidad de cálculo cercana a los 550 MW y un gasto hídrico anual calculado en 16,1 millones de m³, más del 46 % corresponde a «agua virtual» gastada durante la producción hidroeléctrica[7].

3. Agua incorporada (alcance 3). La de la fabricación de semiconductores y del resto de la cadena de suministro del hardware.

Esta distinción explica por qué una red eléctrica baja en carbono no es automáticamente baja en agua, un punto que el informe de Aczel et al. subraya expresamente [14]. Y explica también una paradoja geográfica: la hidroelectricidad, bandera de la descarbonización, genera un bucle de realimentación en el que la demanda del centro de datos presiona sistemas de agua y energía ya comprometidos por el cambio climático [7].

Nótese la diferencia entre la primera y la segunda fila: un orden de magnitud. No se trata de un fallo en ninguna de las dos labores, sino de que la primera calcula la retirada y la segunda la huella atribuida a cargas de IA. Todo texto que equipare ambas como si fueran idénticas magnitudes carece de rigor.

La ubicación cuenta más que la cantidad total sumada. Dos terceras partes de las recientes instalaciones de procesamiento de datos en Estados Unidos se ubican en áreas que padecen escasez de agua [18], mientras que una investigación difundida en PLOS Water señala cuatro inquietudes registradas en procesos judiciales y documentos oficiales en Estados Unidos: el debilitamiento de la gestión democrática del recurso hídrico, una explotación desmedida acompañada de alzas en las tarifas, la reducción del margen de maniobra en la gestión del agua, y una mayor demanda hídrica impulsada por el crecimiento del consumo eléctrico [13].

Entrenamiento frente a inferencia: dónde está el coste real

Durante años el relato se centró en el entrenamiento: las cifras espectaculares de un modelo frontera entrenándose durante semanas. Ese marco está desfasado. Los informes del sector indican que la inferencia, no el entrenamiento, concentra más del 90 % del consumo total de energía de un servicio de IA en explotación [19], y una síntesis en Open Praxis recoge un estudio que estima la huella de carbono de la fase de uso en 25 veces la del entrenamiento inicial [18].

Esto acarrea tres efectos que transforman por completo el debate:

• El coste es proporcional al uso, no al desarrollo. Un modelo eficiente usado mil millones de veces al día pesa más que un modelo ineficiente entrenado una vez.

• El cuello de botella se desplaza a la ingeniería de servicio. La cuantización, la dimensión de los lotes, la calendarización de solicitudes y la selección del motor de inferencia son capaces de disminuir la energía global en hasta un 73 % en comparación con un ajuste carente de optimización [4].

• Aparece el efecto rebote. La paradoja de Jevons se documenta explícitamente en esta literatura: las mejoras de eficiencia abaratan el servicio y aumentan la demanda total [18]. Jegham et al. lo formulan como «una paradoja creciente: a medida que la IA se vuelve más barata y más rápida, la adopción global impulsa un consumo de recursos desproporcionado» [11].

Adicionalmente, existe un aspecto de ingeniería eléctrica poco divulgado que resulta clave para la organización de la red: la demanda energética durante la fase de entrenamiento no es constante. A través de un monitoreo exhaustivo basado en series temporales, se detectaron fluctuaciones que van desde el 15 % hasta el 85 % de la capacidad máxima de los equipos, lo cual genera repercusiones desfavorables para la estructuración a gran escala [22].

El inconveniente no es global, sino local

Si uno mira solo los agregados mundiales, el impacto de la IA parece manejable. El problema es que la infraestructura no está repartida: Norteamérica, Europa Occidental y Asia-Pacífico concentran más del 90 % de la capacidad de cómputo proyectada[10], y dentro de esas regiones la concentración vuelve a producirse en un puñado de nodos.

Conviene prestar atención al último renglón debido a que desafía el sentido común. El rastro de una petición idéntica cambia notablemente dependiendo del territorio en que se realice, y no siempre en el sentido previsible. El emplazamiento del centro de datos y la arquitectura de su climatización condicionan la huella ecológica tanto como la eficiencia del hardware[25].

Qué mitiga el impacto realmente

Esta es la parte de la literatura menos citada en prensa y la más útil. Las magnitudes están cuantificadas:

El trabajo sobre simbiosis entre centros de datos y depuradoras merece mención aparte por su escala: construye una geobase de más de 4.775 centros de datos y 57.547 depuradoras municipales en 98 países, y encuentra una fuerte coocurrencia espacial entre ambos tipos de instalación que permitiría emparejamientos optimizados a escala nacional [9]. Es el tipo de solución que no requiere ningún avance tecnológico pendiente, solo planificación.

El contrapunto es igual de importante: el análisis de Nature Sustainability concluye que, aun aplicando las mejores prácticas, el sector de servidores de IA difícilmente alcanzará sus objetivos de cero neto en 2030 sin recurrir a mecanismos de compensación de carbono y de restauración hídrica de efectividad muy incierta[6].

Cómo auditar cualquier titular sobre consumo de IA

Seis preguntas. Si un titular o un informe no permite responderlas, el dato no es utilizable:

1. ¿De qué año es la medición? Google documentó una mejora de 33 veces en energía por consulta en doce meses. Una cifra de 2023 no describe 2026.

2. ¿Qué incluye la frontera del sistema? ¿Acaso abarca únicamente la GPU, o también engloba el servidor, el margen de capacidad ociosa, el coeficiente PUE de las instalaciones y la propia producción del hardware?

3. En agua, ¿retirada o consumo? ¿Y de qué alcance: refrigeración, generación eléctrica o fabricación de chips?

4. ¿Qué tarea concreta se midió? Una consulta breve de texto y la creación de un vídeo no representan la misma unidad de análisis.

5. ¿Es medición, estimación o declaración? Hay tres niveles de evidencia muy distintos: medición instrumentada en producción, inferencia estadística desde datos públicos de API, y declaración corporativa sin metodología.

6. ¿Está normalizada por utilidad? Energía por consulta sin decir qué calidad de respuesta se obtiene no permite comparar. De ahí la propuesta de métricas compuestas tipo AI Energy Score, que capturan calidad de razonamiento por unidad de energía [5].

Lo que todavía no sabemos

Un artículo honesto tiene que decir dónde se acaba la evidencia. En este campo, las lagunas son grandes y están documentadas:

• No hay mediciones de extremo a extremo revisadas por pares de los modelos de razonamiento ni de la IA agéntica. La revisión sistemática de 88 estudios lo señala expresamente: son una modalidad emergente sin mediciones completas publicadas [3]. Dado que estos sistemas generan muchos más tokens por tarea, es probablemente la laguna más relevante hoy.

• No existen datos fiables de ciclo de vida de las GPU, ni factores de evaluación ampliamente disponibles, ni un estándar establecido de análisis de ciclo de vida para modelos de lenguaje. Lo reconoce la propia Mistral en su auditoría.

• Los operadores no desglosan cargas de IA frente a cargas convencionales en sus informes ambientales, lo que impide atribuir impactos con precisión [1].

• Los datos locales de consumo de agua rara vez son públicos. Las administraciones municipales y las compañías suministradoras no siempre los publican, por lo que resulta necesario pedirlos mediante los mecanismos de transparencia [13].

• La atribución transfronteriza está sin resolver. Se ha propuesto un marco híbrido que asigne la huella operativa a los Estados anfitriones y los impactos incorporados y de servicio a los Estados consumidores, pero no existe acuerdo [24].

Preguntas frecuentes

¿Cuánta energía demanda una consulta realizada en ChatGPT o Gemini?

Google proporciona la única medición instrumentada disponible en un entorno productivo para Gemini: 0,24 Wh energéticos y 0,26 ml hídricos por cada consulta textual mediana, considerando un perímetro sistémico que abarca el acelerador, el servidor central, el margen operativo inactivo y el gasto general del centro de datos [23]. Por su parte, OpenAI reportó 0,34 Wh y aproximadamente 0,32 ml en relación con ChatGPT, omitiendo los detalles metodológicos. Investigaciones independientes registran cifras superiores a 29 Wh cuando se trata de peticiones extensas y arquitecturas exigentes [11]. Carecemos de un valor universal aplicable, pues este varía en función de la arquitectura, la extensión de la contestación y la infraestructura de despliegue.

¿Es cierto que la inteligencia artificial gasta demasiada agua?

Depende de qué se cuente. Por consulta individual, las mediciones van de 0,26 ml (Gemini, medición en producción) a 45 ml (Le Chat, análisis de ciclo de vida de 400 tokens). En agregado, las proyecciones para la IA mundial se mueven entre 0,31-0,76 miles de millones de m³ en 2025 según Patterns[1] y 4.200-6.600 millones de m³ anuales de retirada en 2027 según Li et al. [2]. La diferencia principal no es de magnitud real sino de definición: retirada frente a consumo, y alcance directo frente a indirecto.

¿Qué pesa más, entrenar un modelo o usarlo?

Usarlo. La inferencia concentra más del 90 % del consumo energético de un servicio en explotación[19], mientras que diversos cálculos documentados en la bibliografía especializada indican que la huella de carbono generada durante la fase operativa multiplica por 25 la del entrenamiento inicial [18]. Si se analiza el caso concreto de Mistral Large 2, el 91 % del agua consumida y el 85,5 % de las emisiones de gases de efecto invernadero provienen, de forma combinada, de ambas etapas de entrenamiento e inferencia.

¿Cuál es la proporción de electricidad global que demanda la inteligencia artificial?

En conjunto, las instalaciones de servidores demandaron alrededor de 485 TWh durante 2025, lo que equivale más o menos al 1,5 % de la energía eléctrica a nivel global, y de esa cifra cerca de 155 TWh recayeron en centros enfocados en inteligencia artificial. Dicho de otro modo, la IA ronda el 0,5 % del consumo eléctrico mundial. Hacia 2030, la AIE prevé que el gasto energético total de estas infraestructuras alcance aproximadamente 945 TWh, lo que significará cerca del 3 %, con una mayor cuota de protagonismo por parte de la inteligencia artificial.

¿Las mejoras de eficiencia resuelven el problema?

Solo de manera parcial. Los análisis de escenarios reflejan que, a pesar de que el rendimiento operativo experimenta un progreso considerable, el requerimiento global asciende cerca de un orden de magnitud debido al incremento en la utilización [12]. Hablamos del efecto rebote o paradoja de Jevons, constatado de manera clara en dichos estudios [18]. Aquellas proyecciones que consiguen abatir más las emisiones integran una menor cantidad de arquitecturas junto con un cambio hacia fuentes eléctricas con baja huella de carbono, rebasando por encima de 20 puntos porcentuales el impacto que la sola eficiencia es capaz de alcanzar [12].

¿Es capaz la energía renovable de satisfacer la demanda de la inteligencia artificial?

En esencia sí, aunque sujeto a condiciones. Tras analizar sistemáticamente 88 investigaciones, se determina que dicha meta resulta factible únicamente si se dinamiza la implantación, se transita del balance anual de energía limpia al emparejamiento por hora —conocido como energía libre de carbono 24/7— y se implementan normativas específicas para cada región. Los mecanismos de adquisición energética difieren notablemente: el abismo de la adicionalidad separa los certificados sueltos de la sincronización horaria auténtica [3].

¿Qué puede hacer una empresa que usa IA para reducir su huella?

Cuatro decisiones con impacto cuantificable, dispuestas según su repercusión: optar por la versión más ligera que ejecute el cometido de manera eficiente en vez de la alternativa más avanzada[21]; consolidar los requerimientos en lotes y organizar su emisión en lugar de lanzarlos de forma individual [20]; escoger la localización y el proveedor basándose en la huella de carbono y la escasez hídrica local, y no únicamente atendiendo a la velocidad de respuesta y la tarifa [25]; así como demandar al suministrador métricas de consumo hídrico y eléctrico por cada petición mediante procedimientos transparentes, evitando métricas globales.

Enfoque y alcance de este texto

Este artículo se ha construido a partir de literatura revisada por pares localizada mediante búsqueda semántica en bases de datos académicas (Semantic Scholar, OpenAlex y PubMed a través de Consensus), complementada con tres tipos de fuentes primarias no académicas: informes de organismos públicos (Agencia Internacional de la Energía, Lawrence Berkeley National Laboratory por encargo del Departamento de Energía de Estados Unidos), análisis de ciclo de vida publicados por fabricantes con revisión externa (Mistral AI con Carbone 4, ADEME, Resilio y Hubblo), y mediciones en producción publicadas por operadores (Google).

Tres límites que el lector debe tener presentes:

• Los datos correspondientes a 2030 y años venideros representan escenarios hipotéticos, no predicciones absolutas. Si se mencionan horquillas extensas, se debe a que la volatilidad es innegable y viene reflejada de origen, descartando cualquier discrepancia analítica.

• Las declaraciones corporativas que carecen de una metodología publicada se señalan explícitamente y no se consideran equivalentes a las mediciones instrumentadas ni a los análisis de ciclo de vida verificados.

• El campo se mueve muy rápido: la mejora de 33 veces documentada por Google en doce meses implica que cualquier cifra por consulta debe fecharse. Este artículo refleja la evidencia disponible a 3 de noviembre de 2026.

Referencias

1. The carbon and water footprints of data centers and what this could mean for artificial intelligence — Patterns, 2025. DOI: 10.1016/j.patter.2025.101430

2. Barnett-Itzhaki, Z. The water footprint of artificial intelligence: Emerging solutions and governance imperatives — Water Research, 2026. DOI: 10.1016/j.watres.2026.125866

3. Yoo, S. et al. Can renewable energy meet the surging power demand of artificial intelligence? A systematic review — Renewable and Sustainable Energy Reviews, 2026. DOI: 10.1016/j.rser.2026.117213

4. Fernandez, J. et al. Energy Considerations of Large Language Model Inference and Efficiency Optimizations — 2025. DOI: 10.48550/arxiv.2504.17674

5. de Zarzà, I. et al. Energy-Aware Multilingual Evaluation of Large Language Models — Electronics, 2026. DOI: 10.3390/electronics15071395

6. Xiao, T. et al. Environmental impact and net-zero pathways for sustainable artificial intelligence servers in the USA — Nature Sustainability, 2025. DOI: 10.1038/s41893-025-01681-y

7. Liang, G.-D. The Cloud’s Thirst: Quantifying AI’s Water Footprint and its Impact on the Water-Energy Nexus in São Paulo, Brazil — Cambridge Prisms: Water, 2026. DOI: 10.1017/wat.2026.10020

8. Fan, Y. V. et al. Data Centre Energy Demand Projections within Shared Socioeconomic Pathways — Energy and Climate Change, 2026. DOI: 10.1016/j.egycc.2026.100253

9. Wang, A.-J. et al. Global data–water symbiosis reduces AI infrastructure’s carbon and water footprint — Environmental Science and Ecotechnology, 2026. DOI: 10.1016/j.ese.2026.100702

10. Chen, D.-B. et al. Artificial intelligence data centers could reach one percent of global electricity demand by 2030 — Communications Sustainability, 2026. DOI: 10.1038/s44458-026-00152-5

11. Jegham, N. et al. How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference — 2025. DOI: 10.48550/arxiv.2505.09598

12. Turkay, B. M. et al. Scenario-based forecasting of the global energy demand and carbon footprint of artificial intelligence — PLOS One, 2026. DOI: 10.1371/journal.pone.0343056

13. Shah, S. H. Four water insecurity concerns about datacenters driving the AI revolution — PLOS Water, 2026. DOI: 10.1371/journal.pwat.0000500

14. Aczel, M. et al. The Environmental Cost of AI’s Energy Use: Carbon, Water and Land Footprints — 2026. DOI: 10.53328/inr26rma002

15. Lin, L. et al. Exploding AI Power Use: an Opportunity to Rethink Grid Planning and Management — ACM e-Energy, 2023. DOI: 10.1145/3632775.3661959

16. Shumba, N. et al. A Water Efficiency Dataset for African Data Centers — ACM COMPASS, 2024. DOI: 10.1145/3715335.3735483

17. Paccou, R. et al. Opening the black box of data center electricity consumption forecasting: An application of system dynamics modeling to Northern Virginia — Sustainable Futures, 2026. DOI: 10.1016/j.sftr.2026.102072

18. Bozkurt, A. AI’s Thirst, AI’s Heat, AI’s Waste: Exposing the Hidden Environmental Impact of Every Artificial Intelligence Interaction — Open Praxis, 2025. DOI: 10.55982/openpraxis.17.4.1058

19. Niu, C. et al. TokenPowerBench: Benchmarking the Power Consumption of LLM Inference — 2025. DOI: 10.48550/arxiv.2512.03024

20. Delavande, J. et al. Understanding Efficiency: Quantization, Batching, and Serving Strategies in LLM Energy Use — 2026. DOI: 10.48550/arxiv.2601.22362

21. Masthan Ali, S. B. et al. Assessing the Sustainability of LLM Inference through Energy–Accuracy Analysis — ACM e-Energy, 2026. DOI: 10.1145/3744255.3811741

22. Morrison, J. D. et al. Holistically Evaluating the Environmental Impact of Creating Language Models — 2025. DOI: 10.48550/arxiv.2503.05804

23. Elsworth, C. et al. Measuring the environmental impact of delivering AI at Google Scale — 2025. DOI: 10.48550/arxiv.2508.15734

24. Asghar, M. et al. AI’s Cross Border Energy and Water Footprints: State Duties, No Harm Thresholds, and Paris Agreement Compliance Frameworks — Social Science Review Archives, 2025. DOI: 10.70670/sra.v3i3.875

25. Patel, A. et al. The Environmental Impact of AI Servers and Sustainable Solutions — 2025. DOI: 10.48550/arxiv.2601.06063

Fuentes institucionales y corporativas

• Agencia Internacional de la Energía. Electricity 2026 — Demand y Executive summary.

• Lawrence Berkeley National Laboratory. 2024 United States Data Center Energy Usage Report, diciembre de 2024. Anuncio del Departamento de Energía de EE. UU.

• Mistral AI. Our contribution to a global environmental standard for AI, julio de 2025.

• Our World in Data. How much energy do data centers and artificial intelligence use? (estudio elaborado con cifras de la AIE).

• Carbon Brief. AI: Five charts that put data-centre energy use and emissions into context.

Los valores por consulta de las herramientas comerciales de IA varían velozmente: cualquier estadística de esta clase tiene que contrastarse con el reporte más actual de la compañía proveedora.