Los modelos de IA son cada vez más eficientes. Según el estudio de Wu et al. (2022) sobre los sistemas de IA de Meta, las mejoras de hardware y software reducen el consumo energético de los modelos en torno a un 20% cada seis meses. Y aun así, el consumo total de la IA sigue creciendo.
La explicación tiene nombre: la paradoja de Jevons. Cuando una tecnología se vuelve más eficiente y más barata de usar, se usa más, y ese aumento del uso compensa parte del ahorro. Con la IA está pasando exactamente eso: más servidores, más modelos y más consultas.
Es una de las conclusiones del Trabajo de Fin de Máster de Lorena Enajas, de nuestro equipo, sobre el impacto de la IA en la sostenibilidad. La eficiencia técnica ayuda, pero no basta. Hace falta que las empresas que usan IA la gestionen con criterio. A eso se le llama Green AI: diseñar y usar la IA buscando el mismo resultado con menos recursos.
Estas son cinco prácticas concretas para aplicarlo.
1. Elegir el modelo según la tarea
No todas las tareas necesitan el modelo más potente. Clasificar documentos, extraer datos sencillos o resumir un texto corto se puede resolver con modelos ligeros y rápidos, que consumen bastante menos. Los modelos de mayor capacidad tienen sentido para tareas que requieren razonamiento complejo o mucho contexto.
Antes de integrar IA en un proceso, pregúntate qué nivel de capacidad necesita de verdad. Usar siempre el modelo más grande por defecto es una de las formas más habituales de consumir de más.
2. Monitorizar el uso y el consumo
Lo que no se mide no se puede mejorar. Hacer seguimiento de cuántas consultas se hacen, a qué modelos, con qué coste y con qué tiempo de respuesta permite detectar usos ineficientes: procesos que se ejecutan más veces de las necesarias, consultas duplicadas o tareas que podrían resolverse con un modelo más pequeño.
Aunque el objetivo principal de este seguimiento suele ser controlar costes, tiene un efecto directo en el consumo energético. Menos procesamiento innecesario significa menos electricidad.
A escala de infraestructura, ajustar la capacidad a la demanda real también cuenta. En el caso analizado por Wu et al., liberar capacidad no utilizada en los periodos de baja demanda permitió reducir hasta un 25% el uso de los equipos.
3. Usar centros de datos abastecidos con renovables
El origen de la electricidad cambia mucho el resultado. Cuando medimos la IA que usa Manglai, las emisiones calculadas con el enfoque de mercado, que tiene en cuenta las compras de renovables del proveedor, fueron algo más de un 40% inferiores a las del enfoque de ubicación.
Si eliges proveedor o región para tus servicios cloud, ten en cuenta el mix eléctrico y la contratación de renovables. Hay que combinarlo con los requisitos de protección de datos, que también condicionan dónde pueden alojarse y procesarse.
4. Exigir transparencia a los proveedores
La mayoría de las empresas usa IA como servicio, así que su impacto depende de la infraestructura de otros. Para gestionarlo hacen falta datos: emisiones asignadas a cada cliente, metodología de cálculo, consumo de agua y qué parte del ciclo de vida incluyen. En esta nota detallamos qué pedir y en qué alcance va cada dato.
Incorpora la sostenibilidad como criterio de selección de proveedores tecnológicos, junto al rendimiento, el coste y la calidad del servicio. Preguntar por estos datos también empuja al sector a publicarlos.
5. Mantener la supervisión humana y cuidar la calidad del dato
La IA trabaja a partir de patrones. Si los datos de entrada están incompletos o son ambiguos, el resultado será peor y habrá que repetir el proceso, con el consumo que eso implica. Unos datos bien estructurados desde el origen hacen que la IA acierte antes.
La supervisión humana sigue siendo imprescindible para validar los resultados, sobre todo en información que acaba en un informe o en una auditoría. La IA es una herramienta de apoyo, y el criterio sigue siendo de las personas.
Cómo lo aplicamos en Manglai
En Manglai aplicamos varias de estas prácticas en la plataforma: usamos modelos de distinta capacidad según la tarea, hacemos seguimiento continuo del uso de los modelos, funcionamos sobre una infraestructura cloud con compras de energía renovable y combinamos la IA con reglas de validación y revisión humana. Y medimos el resultado.
La IA no es sostenible ni insostenible por sí sola. Depende de cómo se diseña y se usa. Si quieres profundizar, la versión resumida del trabajo de Lorena está disponible en nuestra sección de recursos.



