Estadísticas de consumo de energía de la IA

Una predicción reciente indica que la IA utilizará más de la mitad de la electricidad de los centros de datos para 2028.¹ A medida que se expanden las cargas de trabajo intensivas en computación como la IA generativa, se espera que también aumente la demanda total de electricidad.

Recopilamos datos de la AIE, el MIT y los principales proveedores de servicios en la nube para identificar tendencias de eficiencia en el consumo de energía de la IA, respuestas políticas y mejores prácticas.

Consumo de energía de los centros de datos de IA

Recopilamos datos de múltiples organizaciones de investigación y análisis de la industria que se centran en el uso de energía en la IA y los centros de datos para el gráfico anterior. Estas fuentes incluyen agencias energéticas globales, estudios académicos e iniciativas de proveedores de tecnología. Conozca cómo recopilamos los datos.

Recomendaciones para gestionar el consumo de energía de la IA

Según investigaciones recientes, el consumo de energía de la IA está dominado ahora por la inferencia y está impulsado menos por ejecuciones individuales de modelos que por la escala, los patrones de implementación y las ineficiencias del sistema. Estas son nuestras recomendaciones para gestionar eficazmente el consumo de energía de la IA:

Priorice la eficiencia de la inferencia sobre la eficiencia del entrenamiento

Investigación muestra que más del 80% de la computación de la IA se utiliza ahora para inferencia.

• Trate la energía por inferencia (o por token / por salida) como un objetivo principal de optimización.
• Optimice las rutas de inferencia antes de invertir en ganancias marginales en la eficiencia del entrenamiento.
• Enfoque los esfuerzos de optimización en endpoints de alta frecuencia, no en casos de uso raros o de cola larga.

Mida y publique métricas de energía por tarea, no solo afirmaciones a nivel de modelo

Basado en la investigación del MIT, el consumo de energía por tarea (electricidad) varía entre tareas de texto, imagen y video.

• Instrumente pipelines para medir la energía por tarea, incluidos los gastos generales no GPU (memoria, redes, orquestación).

Evite usar modelos generativos de propósito general para tareas específicas

Un mayor uso de energía está estrechamente vinculado a modelos generativos, que se utilizan para tareas como la clasificación en lugar de modelos especializados. MIT Technology Review muestra que los modelos específicos de tareas son menos intensivos en carbono y energía.

• Utilice modelos especializados en tareas o destilados para clasificación, ranking, extracción y enrutamiento.
• Reserve los grandes modelos generativos para tareas que requieran generación abierta.
• Introduzca cascadas de modelos (de modelo pequeño a modelo grande, si es necesario).

Reduzca el desperdicio a nivel de sistema en el servicio de inferencia

Estudios de infraestructura muestran que los servidores representan aproximadamente el 60% del consumo de electricidad de los centros de datos.

• Aumente la utilización de aceleradores mediante:
  • Batching
  • Caching
  • Programación más inteligente
• Elimine llamadas redundantes en pipelines y microservicios.
• Implemente escalado automático consciente de la demanda en lugar de aprovisionamiento máximo.

Trate la eficiencia del hardware y la Eficacia del Uso de la Energía (PUE) como preocupaciones de software

• Diseñe modelos que se ajusten eficientemente dentro de las limitaciones de memoria y ancho de banda.
• Maximice la utilización del hardware existente antes de escalar la capacidad.
• Alinee las elecciones de arquitectura del modelo con los aceleradores disponibles más eficientes energéticamente.

Tenga en cuenta el uso de agua y el ciclo de vida del hardware en el diseño del sistema

Investigaciones de UNRIC muestran que se proyecta que la demanda mundial de agua relacionada con la IA aumente exponencialmente.

• Preferir despliegues que reduzcan la intensidad de refrigeración y el uso de agua.
• Extienda la vida útil del hardware mediante la eficiencia y reutilización de modelos.
• Evite el reentrenamiento o la reimplantación innecesarios que aceleren la rotación del hardware.

Pronóstico de los efectos económicos de la IA

Los participantes del estudio Pronóstico de los efectos económicos de la IA (2026) proporcionaron estimaciones de variables económicas clave (PIB, consumo de energía, productividad, participación de la fuerza laboral) tanto bajo expectativas normales como bajo tres escenarios explícitos de progreso de la IA (lento, moderado, rápido):

• Para 2030, los participantes estiman que el uso de electricidad en EE. UU. podría representar un 2.3% en un caso de crecimiento más lento, un 4.9% bajo crecimiento moderado y un 7.4% en un escenario de expansión rápida, frente a aproximadamente el 1% en 2024.
• Para 2050, se proyecta que estas participaciones aumentarán al 5% (lento), 8.3% (moderado) y 15% (rápido).
• Los especialistas en IA y los superpronosticadores anticipan una demanda aún mayor bajo un crecimiento rápido en 2050, estimando cada uno alrededor del 19.5%.²

MIT Technology Review

MIT Technology Review (2025) divide el consumo de energía de la IA en dos fases principales: entrenamiento de modelos e inferencia de IA. Argumenta que la inferencia es ahora el principal impulsor del uso de energía porque las características de la IA se están integrando en la vida diaria a través de productos y servicios.

También destaca una brecha de transparencia. La mayoría de los principales proveedores de modelos de IA "cerrados" no divulgan información suficiente para estimar su consumo total de energía o su huella de carbono de manera fiable.³

Electricidad y demanda total:

• Centros de datos de EE. UU.: El 4.4% del total de electricidad de EE. UU. va a los centros de datos.
• IA dentro de los centros de datos de EE. UU.: Los servidores específicos de IA utilizaron un estimado de 53-76 teravatios-hora (TWh) en 2024, y las proyecciones sugieren 165-326 TWh para 2028.

Entrenamiento vs inferencia:

• Participación de inferencia: Se estima que el 80%-90% de la computación de IA se utiliza para inferencia.
• Ejemplo de energía de entrenamiento: GPT-4 el entrenamiento se describe como aproximadamente 50 GWh.

Energía por tarea (consumo de electricidad):

• Texto (Llama 3.1 8B): ~114 julios por respuesta al tener en cuenta los gastos generales no GPU.
• Texto (Llama 3.1 405B): ~6,706 julios por respuesta con gastos generales.
• Imágenes (Stable Diffusion 3 Medium, 1024×1024): ~2,282 julios en total; pasos más altos pueden elevar esto a ~4,402 julios.
• Video (ejemplos de CogVideoX): ~109,000 julios para una salida corta de baja calidad; ~3.4 millones de julios para un video de 5 segundos de mayor calidad.

Infraestructura y emisiones de la red:

• La intensidad de carbono de la electricidad del centro de datos es un 48% más alta que el promedio de EE. UU.
• Los sistemas de refrigeración en los centros de datos pueden usar grandes cantidades de agua, a veces agua potable.

Agencia Internacional de la Energía

La AIE (2025) enmarca la demanda de energía de la IA a través de la lente de los centros de datos y sus componentes. Proporciona un desglose de dónde se consume la electricidad dentro de un centro de datos y ofrece una perspectiva global sobre el crecimiento del consumo de electricidad de los centros de datos.⁴

Consumo global de electricidad de los centros de datos:

• Estimado en ~415 TWh en 2024, aproximadamente el 1.5% del consumo global de electricidad.
• Se proyecta que alcance ~945 TWh para 2030, poco menos del 3% del consumo global de electricidad en el caso base de la AIE.

Consumo de electricidad de los centros de datos por tipo de equipo:

• Servidores: alrededor del 60% de la demanda de electricidad en centros de datos modernos (varía según el tipo).
• Sistemas de almacenamiento: alrededor del 5%.
• Equipos de red: hasta el 5%.
• Sistemas de refrigeración y control ambiental: alrededor del 7% en centros de datos hipera escala eficientes, y más del 30% en centros de datos empresariales menos eficientes.

Figura 1: Gráfico que muestra los datos de 2024 de la participación del consumo de electricidad según el centro de datos y el tipo de equipo.

Google Cloud

Google publicó una metodología en 2025 para medir el impacto ambiental de la inferencia de IA para prompts de Gemini, incluida la electricidad, las emisiones de carbono y el consumo de agua. Presenta medianas por prompt y afirma mejoras significativas de eficiencia en un período reciente de 12 meses.⁵

Impactos medianos por prompt (prompt de texto de Gemini Apps):

• 0.24 Wh de energía
• 0.03 gCO₂e de emisiones
• 0.26 mililitros de agua

Afirmaciones de mejora de eficiencia

• En los últimos 12 meses, Google afirmó que la energía por prompt mediano cayó en 33 veces, y la huella de carbono total cayó en 44 veces.

Eficiencia del centro de datos e infraestructura

• La Eficacia del Uso de la Energía (PUE) promedio de toda la flota es 1.09 para los centros de datos de Google.
• El TPU de última generación de Google, Ironwood, se afirma que es 30 veces más eficiente energéticamente que su primer TPU disponible públicamente.

Organización Carbon Brief

Carbon Brief (2025) sintetiza la Agencia Internacional de la Energía (AIE)⁶ y otras fuentes en un conjunto de gráficos que muestran impactos de referencia, proyecciones de crecimiento y riesgos de concentración regional. Destaca que el sector es pequeño a nivel mundial hoy en día pero crece rápidamente y es localmente significativo en algunas redes.⁷

Participaciones globales actuales

• Los centros de datos son responsables de poco más del 1% de la demanda global de electricidad y el 0.5% de las emisiones de CO₂ (ver Figura 2).

Crecimiento

• Escenario central de la AIE: El consumo de electricidad de los centros de datos aumenta a 945 TWh para 2030.
• Participación de la IA en el uso de energía de los centros de datos: Aproximadamente del 5% al 15% recientemente, potencialmente del 35% al 50% para 2030.

Ejemplos de concentración regional:

• Irlanda: Alrededor del 21% de la electricidad nacional se utiliza para centros de datos, potencialmente el 32% para 2026.
• Virginia (EE. UU.): 26% de la electricidad consumida por centros de datos (según se cita).

Mezcla de suministro de energía para centros de datos (global)

• Combustibles fósiles: Casi el 60%
• Renovables: 27%
• nuclear: 15%

Figura 2: Basado en el Informe Mundial de Energía 2025 de la AIE y su informe Energía e IA, esta figura compara el consumo de electricidad (TWh) y las emisiones de CO₂ (MtCO₂) de centros de datos globales en 2024 con los de otros sectores.

Centro de Información Regional de las Naciones Unidas para Europa Occidental (UNRIC)

UNRIC (2025) enmarca la huella ambiental de la IA en todo el ciclo de vida: software (entrenamiento, implementación, inferencia, mantenimiento) y hardware (materiales, fabricación, construcción, residuos electrónicos). Hace hincapié en que el consumo de electricidad y el uso de agua en los centros de datos son impactos directos y aboga por medidas políticas para mejorar la divulgación y la responsabilidad.⁸

Estadísticas y desglose por categoría (electricidad, agua, categorías de ciclo de vida): Este artículo es más categórico que numérico en las secciones extraídas. Agrupa explícitamente los impactos de la IA en efectos directos, indirectos y de orden superior. Estas son algunas de las conclusiones clave:

• Categorías de impacto ambiental
  • Directo: Consumo de electricidad y agua, emisiones de gases de efecto invernadero, extracción de minerales, contaminación y residuos electrónicos.
  • Indirecto: Emisiones de aplicaciones y servicios habilitados por IA.
  • Orden superior: Amplificación de desigualdades y problemas relacionados con datos de entrenamiento sesgados o de baja calidad.
• Centros de datos y uso de recursos
  • Los centros de datos consumen grandes cantidades de electricidad, gran parte de la cual aún es suministrada por combustibles fósiles.
  • Se requieren grandes cantidades de agua para sistemas de refrigeración y construcción.
  • Se espera que la demanda mundial de agua relacionada con la IA alcance 4.2–6.6 mil millones de metros cúbicos para 2027, superando el uso anual de agua de Dinamarca.
  • Producir una computadora de 2 kilogramos puede requerir alrededor de 800 kilogramos de materias primas, incluidos minerales raros.
• Uso y crecimiento de la electricidad
  • Una consulta de ChatGPT utiliza aproximadamente 10 veces más electricidad que una búsqueda de Google, según la estimación de la AIE.
  • La IA y el aprendizaje automático representaron <0.2% del uso global de electricidad y <0.1% de las emisiones globales en 2021, pero la demanda está aumentando rápidamente.
  • Algunas empresas tecnológicas reportan un crecimiento anual de más de 100% en la demanda de computación para entrenamiento e inferencia de IA.
• Expansión de centros de datos
  • Los centros de datos representaron aproximadamente el 1% de la demanda global de electricidad en 2022.
  • En Irlanda, los centros de datos representaron el 17% del uso nacional de electricidad en 2022.
  • El número de centros de datos en todo el mundo ha crecido de 500,000 en 2012 a alrededor de 8 millones hoy.

No te pierdas nuestros análisis comparativos e insights basados en datos. El botón abre Google; seleccionar AIMultiple confirma que deseas ver AIMultiple con más frecuencia en los resultados de búsqueda de Google.

Añadir como fuente preferida

Noticias del MIT sobre el impacto ambiental de la IA generativa

MIT News (2025) explica por qué la IA generativa puede ser intensiva en recursos y distingue entre entrenamiento e inferencia. Hace hincapié en la densidad de potencia, problemas de fiabilidad de la red y la falta de incentivos para que los usuarios reduzcan el uso cuando los impactos son invisibles.⁹

Densidad de potencia

• Un clúster de entrenamiento de IA generativa podría consumir 7 a 8 veces más energía que una carga de trabajo de computación típica.

Consumo de electricidad de los centros de datos

• El consumo global de electricidad de los centros de datos se cita como 460 TWh en 2022 y proyectado ~1,050 TWh para 2026.

Ejemplo de entrenamiento de modelos

• El entrenamiento de GPT-3 se estima en 1,287 MWh y aproximadamente 552 toneladas de CO₂.

Informe de uso de energía de centros de datos de los Estados Unidos

El Informe de uso de energía de centros de datos de los Estados Unidos (2024) estima el consumo histórico de electricidad de los centros de datos de EE. UU. y proporciona rangos de escenarios hasta 2028. Vincula explícitamente la inflexión de crecimiento posterior a 2017 con servidores acelerados, incluidas unidades de procesamiento de gráficos utilizadas para ejecutar modelos de IA.¹⁰

Consumo total de electricidad de centros de datos en EE. UU.:

• ~60 TWh (2014–2016), relativamente estable.
• 76 TWh para 2018, aproximadamente el 1.9% del consumo de electricidad de EE. UU.
• 176 TWh para 2023, aproximadamente el 4.4% del consumo de electricidad de EE. UU.

Rango de escenario para 2028:

• 325 a 580 TWh para 2028.
• Equivalente al 6.7% al 12.0% del consumo de electricidad proyectado de EE. UU. en 2028.

Impulsores y categorías:

• El crecimiento está impulsado por servidores acelerados por GPU para inteligencia artificial, que ahora representan una participación significativa de la base instalada.
• Describe estrategias de eficiencia que anteriormente mantuvieron la demanda plana, incluidos sistemas de refrigeración mejorados, gestión de energía, tasas de utilización más altas y reducción de energía inactiva.

MIT Technology Review

MIT Technology Review (2023) informa sobre uno de los primeros intentos de cuantificar el uso de energía y las emisiones de carbono de la IA durante el uso diario (inferencia), en lugar de centrarse solo en el entrenamiento. El artículo se basa en un estudio prepublicado por investigadores de Hugging Face y la Universidad Carnegie Mellon.

El estudio muestra que, aunque entrenar grandes modelos de IA es altamente intensivo en energía, la mayor parte de la huella de carbono de un modelo de IA proviene de su uso. Debido a que los modelos populares se implementan millones o miles de millones de veces, las emisiones de inferencia día a día pueden superar rápidamente las emisiones de entrenamiento.¹¹

Energía por tarea e intensidad de carbono:

Los investigadores midieron el uso de energía en 10 tareas comunes de IA en la plataforma Hugging Face, probando 88 modelos diferentes y ejecutando 1,000 prompts por tarea utilizando la herramienta de medición Code Carbon. Las comparaciones clave son:

• Generación de imágenes: Generar una sola imagen con un modelo potente consume aproximadamente la misma energía que cargar completamente un teléfono inteligente.
  • Generar 1,000 imágenes con un modelo como Stable Diffusion XL produce emisiones de CO₂ comparables a conducir aproximadamente 4.1 millas en un automóvil de gasolina.
  • La generación de imágenes es, con mucho, la tarea de IA más intensiva en energía y carbono medida.
• Generación de texto: Generar texto es significativamente menos intensivo en energía.
  • Producir 1,000 salidas de texto utiliza solo alrededor del 16% de la carga de un teléfono inteligente.
  • El modelo de texto menos intensivo en carbono estudiado emitió tanto como conducir solo 0.0006 millas.

Tamaño del modelo y especialización de tareas:

El estudio destaca una gran brecha de eficiencia entre los modelos generativos de propósito general y los modelos específicos de tareas:

• Los grandes modelos generativos consumen mucha más energía porque están diseñados para realizar muchas tareas (generar, clasificar, resumir). Por ejemplo, usar un modelo generativo para clasificar reseñas de películas requiere ~30 veces más energía que usar un modelo más pequeño fine-tuned específicamente para clasificación de sentimientos.
• Los modelos más pequeños y especializados son consistentemente menos intensivos en carbono para aplicaciones específicas.

Emisiones de uso vs emisiones de entrenamiento:

Los investigadores compararon las emisiones de entrenamiento con las emisiones acumuladas de uso:

• El entrenamiento del modelo BLOOM más grande de Hugging Face fue superado después de aproximadamente 590 millones de usos.
• Para modelos extremadamente populares como ChatGPT, las emisiones de uso podrían superar las emisiones de entrenamiento en semanas, debido a los masivos volúmenes de usuarios diarios.
• Esto sucede porque el entrenamiento ocurre una vez, mientras que la inferencia ocurre continuamente a escala.

Implicaciones más amplias y opiniones de expertos:

• Los expertos señalan que las emisiones por tarea fueron más altas de lo esperado, generando preocupaciones a medida que la IA generativa se integra en el software cotidiano (correo electrónico, búsqueda, procesamiento de texto).
• Los investigadores enfatizan que los modelos nuevos y más grandes son sustancialmente más intensivos en carbono que los sistemas de IA de hace solo unos años.

Innovaciones recientes en eficiencia de hardware

Varias versiones de hardware de 2026 muestran grandes ganancias en eficiencia de IA. Por ejemplo, el chip de inferencia FuriosaAI RNGD comenzó a enviarse en volumen en enero de 2026 con un TDP de 180W ¹² , mucho más bajo que los aproximadamente 600W+ consumidos por GPUs de gama alta típicas.¹³

Meta anunció cuatro nuevos aceleradores de inferencia MTIA (MTIA 300/400/450/500); los chips enfocados en IA ofrecen aproximadamente 18 a 27.6 TB/s de ancho de banda de memoria y están programados para su lanzamiento en 2027.¹⁴

Por último, Arm anunció su primer CPU de centro de datos (el CPU AGI de 3nm) con hasta 136 núcleos Neoverse V3 ¹⁵ , desarrollado en colaboración con Meta, y cuenta con OpenAI como usuario temprano.

Cómo recopilamos datos de consumo de energía de la IA

• Utilizamos cifras y proyecciones futuras de análisis recientes de consumo de energía que estiman el uso global de electricidad en centros de datos y su crecimiento.
• Donde esté disponible, hacemos referencia a metodologías de medición públicamente disponibles de grandes proveedores de servicios en la nube (por ejemplo, datos de impacto ambiental de Google Cloud) que divulgan métricas específicas, como energía por inferencia.

Muchos informes utilizan diferentes unidades de medición o terminología, como la participación de IA y ML en el consumo global de electricidad, uso de energía de entrenamiento vs. inferencia y la participación de los centros de datos en el consumo global de electricidad, lo que dificulta compararlos en un solo gráfico. Para asegurar que todos los valores pudieran presentarse juntos en un solo gráfico, incluimos los estudios que utilizaron definiciones y unidades de medición comparables:

• Consumo global de electricidad por centros de datos.
• Participación de la IA en el consumo de electricidad dentro de los centros de datos.
• Consumo de electricidad por centros de datos en los Estados Unidos, para resaltar las diferencias entre el uso de energía global y de EE. UU.

Preguntas frecuentes

Cita esta investigación

Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.

@misc{ermut2026,
  author = {Ermut, Sıla},
  title  = {{Estadísticas de consumo de energía de la IA}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/ai-energy-consumption}},
  note   = {AIMultiple. Recuperado el 15 de Junio de 2026}
}

Enlaces de referencia

1.

DOE Releases New Report Evaluating Increase in Electricity Demand from Data Centers | Department of Energy

2.

https://static1.squarespace.com/static/635693acf15a3e2a14a56a4a/t/69cbb9d509ada447b6d9013f/1774959061185/forecasting-the-economic-effects-of-ai.pdf

3.

We did the math on AI’s energy footprint. Here’s the story you haven’t heard. | MIT Technology Review

MIT Technology Review

4.

Energy demand from AI – Energy and AI – Analysis - IEA

5.

Measuring the environmental impact of AI inference | Google Cloud Blog

Google Cloud

6.

https://iea.blob.core.windows.net/assets/5b169aa1-bc88-4c96-b828-aaa50406ba80/GlobalEnergyReview2025.pdf

7.

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

Carbon Brief

8.

Artificial intelligence: How much energy does AI use? - United Nations Western Europe

United Nations

9.

Explained: Generative AI’s environmental impact | MIT News | Massachusetts Institute of Technology

10.

https://escholarship.org/content/qt32d6m0d1/qt32d6m0d1.pdf?v=lg

11.

Making an image with generative AI uses as much energy as charging your phone | MIT Technology Review

MIT Technology Review

12.

RNGD Enters Mass Production for Data Center AI

FuriosaAI

13.

RNGD Enters Mass Production for Data Center AI

FuriosaAI

14.

Meta reveals four new MTIA chips built for AI inference &mdash; to be released on a six-month cadence | Tom's Hardware

Tom's Hardware

15.

Arm moves beyond IP with AGI CPU silicon &mdash; 136-core data center chip targets AI infrastructure with Meta as lead partner | Tom's Hardware

Tom's Hardware

16.

https://www.cell.com/action/showPdf?pii=S2666-3899%2825%2900278-8

Sıla Ermut

Analista de la industria

Síguenos

Sıla Ermut es analista de la industria en AIMultiple, especializada en marketing por correo electrónico y vídeos de ventas. Anteriormente trabajó como reclutadora en empresas de gestión de proyectos y consultoría. Sıla es licenciada en Psicología Social y en Relaciones Internacionales.

Ver perfil completo

Sé el primero en comentar

Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.

Nombre

Dirección de correo electrónico

Comentario

0/450

Publicar comentario