En Manglai usamos inteligencia artificial a diario para leer facturas, clasificar documentos y ordenar los datos ambientales de las empresas. Si ayudamos a otras organizaciones a medir su impacto, lo coherente era medir también el de la IA que usamos.
Este análisis forma parte del Trabajo de Fin de Máster de Lorena Enajas, Climate Expert en Manglai, sobre el impacto de la inteligencia artificial en la sostenibilidad. Aquí te contamos qué medimos, qué salió y qué se queda fuera del dato.
Qué hemos medido
Medimos las emisiones asociadas a la electricidad que consumen los centros de datos donde funciona la plataforma de Manglai. Para ello usamos Google Cloud Carbon Footprint, la herramienta de nuestro proveedor cloud principal, que sigue las directrices del GHG Protocol.
La herramienta registra el consumo energético de los centros de datos (servidores, refrigeración, iluminación y el resto de sistemas que los mantienen en marcha) y asigna a cada cliente la parte que le corresponde según el uso real que hace de los servicios. El periodo analizado va de mayo de 2025 a mayo de 2026.
Un matiz metodológico importante: lo que medimos es la huella de la IA que usa Manglai, no la huella corporativa de Manglai. Las emisiones de la electricidad son alcance 2 para el proveedor. Si las incorporamos a nuestra huella corporativa, para Manglai entrarían en el alcance 3, como bienes y servicios adquiridos.
El resultado: 0,35 y 0,60 t CO2e
El GHG Protocol pide calcular las emisiones de la electricidad con dos enfoques, y cada uno da una cifra distinta:
- Enfoque basado en el mercado (market-based): 0,35 t CO2e en el periodo. Tiene en cuenta la electricidad que el proveedor contrata, incluidas sus compras de energía renovable.
- Enfoque basado en la ubicación (location-based): 0,60 t CO2e en el periodo. Usa el mix eléctrico de la red que abastece a cada centro de datos, hora a hora, independientemente de lo que se haya contratado.
Las emisiones crecieron a principios de 2026, en paralelo al crecimiento de la actividad de la plataforma. Más clientes y más uso implican más procesamiento y, por tanto, más consumo. Lo contamos porque es parte del dato.
Por qué el origen de la electricidad cambia tanto el resultado
Entre un enfoque y otro hay 0,25 t CO2e de diferencia, algo más de un 40%. Esa diferencia se explica por las compras de energía renovable del proveedor, a través de contratos de compraventa de energía (PPA) y certificados de origen.
El resultado coincide con lo que recoge la literatura científica. El estudio de Wu et al. (2022) sobre la sostenibilidad de la IA señala la contratación de energía libre de carbono como una de las estrategias más eficaces para reducir las emisiones operativas de los sistemas de IA.
Eso sí, la energía renovable reduce las emisiones del consumo eléctrico, pero el impacto de la IA tiene más fases. La fabricación del hardware y la construcción de los centros de datos siguen generando emisiones, y cuando la electricidad es renovable pasan a ser una de las principales fuentes del total.
Por qué la cifra es baja
Hay dos razones principales:
- No entrenamos modelos desde cero. Usamos modelos de IA ya existentes de proveedores especializados y los adaptamos a nuestros procesos y metodologías ambientales. El entrenamiento de un modelo grande es una de las fases que más energía consume en todo su ciclo de vida, y no forma parte de nuestra actividad.
- Usamos el modelo adecuado para cada tarea. Las tareas sencillas y repetitivas no necesitan el modelo más potente. Reservar los modelos de mayor capacidad para lo que de verdad lo requiere evita consumir recursos de más.
Qué queda fuera de este dato
Esta cifra es una primera aproximación y no recoge toda la huella de nuestra IA. Quedan fuera:
- El consumo de otros proveedores cloud que también forman parte de nuestra infraestructura.
- La fabricación del hardware (servidores, chips, equipos de red).
- El consumo de agua para refrigerar los centros de datos.
- Los residuos electrónicos que se generan al final de la vida útil de los equipos.
Medir estos impactos depende en gran parte de la información que publican los proveedores cloud. Hoy esa transparencia es limitada, y es uno de los aprendizajes del trabajo: las empresas que usan IA como servicio necesitan más datos de sus proveedores para calcular su impacto con precisión.
Lo que nos llevamos
La conclusión del TFM de Lorena resume bien lo que hemos visto con nuestros propios datos: la inteligencia artificial no es sostenible ni insostenible por sí sola. Su impacto depende de cómo se diseña, cómo se implementa y cómo se usa.
Medirla es el primer paso para gestionarla. En la próxima nota explicamos cómo incluir el uso de IA y de servicios cloud en la huella de carbono de tu empresa y qué datos pedir a tus proveedores.
Si quieres profundizar, puedes descargar la versión resumida del trabajo de Lorena en nuestra sección de recursos.
