Inteligencia Artificial y Sustentabilidad Parte 2

Voces Universitarias | Rogelio Sotero Reyes Galaviz*

Cada vez que escribimos una petición (prompt) y obtenemos una respuesta, existe una enorme infraestructura de centros de datos que necesita electricidad para procesar la información, entrenar los modelos y mantener funcionando los servidores. Esa energía también tiene una huella de carbono: dependiendo del modelo, la infraestructura, la duración de la consulta y de dónde provenga la electricidad, un simple prompt puede representar una pequeña cantidad de emisiones de CO₂, que al multiplicarse por millones de consultas diarias deja de ser tan pequeña. 

Por ejemplo, las emisiones de Google incrementaron un 48% en los últimos 5 años debido a la IA y un solo centro de datos consume lo equivalente en electricidad a 50,000 hogares, haciendo que la huella de carbono de estas sea mayor que la de la industria aérea actualmente. Estos datos han sido encabezados en páginas de noticias que hacen voltear a ver el problema del consumo de energía de la IA con preocupación.

Y no solo hablamos de electricidad. Los centros de datos también necesitan agua para sus sistemas de enfriamiento, mientras que la fabricación de los procesadores y servidores requiere recursos naturales y energía. Por eso, aunque escribir “hazme un resumen de tal tema” parezca un acto completamente inocente, detrás de esa petición existe un consumo de energía, agua y recursos considerable. El problema no es utilizar un LLM, sino asumir que su uso es gratuito también para el planeta. 

Y aquí estamos poniendo de ejemplo el pedir un resumen, pero la creación de imágenes o vídeos consume casi más del doble de electricidad que crear texto, como lo demuestra  Sasha Luccioni, investigadora en Hugging Face, en su artículo “Power hungry processing: Watts driving the cost of AI deployment?” (Luccioni et al., 2024). Por eso, antes de subirnos a la moda de crear las mismas imágenes utilizando el mismo prompt que todos para salir cada uno de nosotros abrazando artistas o famosos que nunca hemos visto, podríamos reflexionar ¿En serio necesito esa imagen?. O simplemente el hecho de que en un solo prompt escribiéramos toda la petición y seamos claros con lo que queremos obtener, podríamos ir contribuyendo de manera individual a la disminución del impacto ambiental de la IA.

Afortunadamente, el problema también se está estudiando desde el lado de las grandes compañías. Investigadores y desarrolladores están buscando nuevas formas de hacer que los modelos sean más eficientes, utilizando menos recursos computacionales sin sacrificar necesariamente sus capacidades. La eficacia algorítmica, los modelos más pequeños y técnicas como la activación selectiva de parámetros o la destilación muestran que no siempre necesitamos más cómputo para obtener mejores resultados, como lo ha demostrado la empresa china Deepseek desde sus inicios. 

En este punto, las universidades también tienen una responsabilidad importante. Formar ingenieros en inteligencia artificial no debería significar únicamente enseñarles a construir modelos cada vez más precisos o potentes, sino también a cuestionar el desarrollo de la IA, los recursos que necesitan para funcionar y las consecuencias de sus decisiones. Un ingeniero en IA con criterio debe ser capaz de preguntarse no solo “¿puedo hacerlo?”, sino también “¿es necesario hacerlo así?” y “¿puedo conseguir el mismo resultado utilizando menos recursos?”. 

Formar profesionales con esta conciencia puede contribuir a que la próxima generación de sistemas de IA sea diseñada pensando no solamente en su rendimiento, sino también en su eficiencia y su impacto ambiental. 

Sin embargo, existe una tensión difícil de ignorar: mientras la investigación busca reducir el costo energético de la IA, las grandes compañías tienen incentivos económicos para seguir aumentando el tamaño, capacidad y uso de sus modelos. Al final, una empresa tecnológica no tiene como objetivo principal proteger el medio ambiente, sino posicionarse como el referente tecnológico, así como ser competitiva y rentable. Por eso, además de esperar que la industria encuentre soluciones más eficientes, también nos corresponde como usuarios preguntarnos si cada vez que podemos utilizar una inteligencia artificial ¿realmente necesitamos hacerlo?

Un 10% de este texto fue intervenido con un modelo de lenguaje, no en la idea, sino en las formas.

*Profesor-Investigador, Depto. Ciencias Básicas e Ingenierías, Universidad del Caribe 

1. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30.

2. Luccioni, A. S., Jernite, Y., & Strubell, E. (2024). Power hungry processing: Watts driving the cost of AI deployment? In Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency (pp. 85–99). Association for Computing Machinery. https://doi.org/10.1145/3630106.3658542