Cuando utilizamos un chatbot, generamos una imagen o pedimos a una inteligencia artificial que redacte un texto, solemos pensar en un proceso puramente digital. Sin embargo, detrás de cada consulta existe una enorme infraestructura física compuesta por centros de datos, miles de procesadores especializados y sistemas de refrigeración que consumen grandes cantidades de energía y agua. Diversos estudios han comenzado a cuantificar ese impacto y algunas estimaciones sugieren que una simple interacción con un modelo de IA puede requerir varios cientos de mililitros de agua cuando se considera tanto la refrigeración directa como el agua utilizada para producir la electricidad necesaria. El debate ya no se centra únicamente en la potencia de los modelos o en sus capacidades, sino también en su coste ambiental y en cómo lograr que esta tecnología siga creciendo de una forma más sostenible.

Una infraestructura mucho más física de lo que parece

La inteligencia artificial generativa se ejecuta sobre enormes centros de datos equipados con GPUs y aceleradores especializados. Estos procesadores realizan billones de operaciones matemáticas por segundo y generan una gran cantidad de calor.

Un servidor equipado con varias GPU de última generación puede superar fácilmente los 5 kW de consumo continuo, mientras que un rack completo puede acercarse a 40 kW o incluso 80 kW en configuraciones de alta densidad. Toda esa energía termina transformándose en calor, y ese calor debe disiparse de manera constante para evitar fallos de funcionamiento.

Los centros de datos utilizan diferentes métodos de refrigeración. Algunos emplean grandes sistemas de aire acondicionado industrial, mientras que otros recurren a circuitos de agua o a torres evaporativas. Precisamente ahí aparece la conexión entre inteligencia artificial y consumo de agua.

Según el estudio publicado por investigadores de la Universidad de California en Riverside, una interacción relativamente sencilla con un modelo de IA puede asociarse a un consumo hídrico significativo cuando se consideran tanto los sistemas de refrigeración como la generación eléctrica necesaria para alimentar la infraestructura.

Para entender el orden de magnitud, los autores estiman que redactar un texto corto de unas 100 palabras mediante un modelo generativo puede implicar alrededor de 500 ml de agua equivalente, una cifra que ha llamado mucho la atención porque resulta fácil de visualizar para cualquier usuario.

Cómo se calcula la huella hídrica

El cálculo no es tan simple como medir el agua que circula por el centro de datos. Los investigadores distinguen entre consumo directo y consumo indirecto.

El consumo directo corresponde al agua utilizada para refrigerar los servidores. El consumo indirecto incluye el agua necesaria para producir la electricidad que alimenta esos servidores, especialmente cuando la energía procede de centrales térmicas o nucleares que también requieren refrigeración.

Desde un punto de vista técnico, la métrica más utilizada es el WUE (Water Usage Effectiveness), que relaciona los litros de agua consumidos con la energía utilizada por el centro de datos. Algunos operadores modernos consiguen valores inferiores a 0,2 L/kWh, mientras que instalaciones más antiguas pueden superar ampliamente esa cifra.

Otra métrica clave es el PUE (Power Usage Effectiveness), que mide la eficiencia energética global del centro de datos. Un PUE cercano a 1,1 se considera excelente, mientras que valores por encima de 1,6 indican una infraestructura menos eficiente.

La combinación de ambas métricas permite estimar con bastante precisión el impacto ambiental de las cargas de trabajo de IA.

El efecto multiplicador de millones de consultas

Una única petición a un chatbot puede parecer irrelevante. El problema aparece cuando se multiplica por cientos de millones de usuarios.

Si cada interacción consumiera aproximadamente medio litro de agua equivalente y una plataforma recibiera 200 millones de consultas diarias, el consumo asociado podría superar los 100 millones de litros al día en determinados escenarios de cálculo.

Esa cifra no significa que toda esa agua se extraiga directamente de un único centro de datos, pero sí ilustra la magnitud de los recursos necesarios para sostener el crecimiento de la IA generativa.

Las proyecciones más ambiciosas indican que la demanda mundial de agua asociada a la infraestructura de IA podría situarse entre 4,2 y 6,6 miles de millones de metros cúbicos anuales hacia finales de esta década si el despliegue continúa acelerándose.

Las GPU son el verdadero motor del consumo

Aunque el usuario interactúa con un chatbot, el trabajo real lo realizan enormes granjas de GPU.

Modelos como los entrenados sobre aceleradores NVIDIA H100 o las futuras arquitecturas de nueva generación pueden consumir varios cientos de vatios por chip. Un único servidor con ocho GPU H100 puede superar los 5,6 kW únicamente en aceleradores gráficos.

En instalaciones de entrenamiento masivo se despliegan miles de estos servidores simultáneamente. Un clúster de 10.000 GPU puede requerir más de 70 MW de potencia eléctrica, equivalente al consumo de una pequeña ciudad.

La disipación térmica asociada obliga a utilizar sistemas de refrigeración extremadamente eficientes, y ahí es donde el agua vuelve a convertirse en un recurso crítico.

Refrigeración líquida e inmersión

La industria está evolucionando rápidamente hacia soluciones más eficientes.

La refrigeración líquida directa al chip permite extraer el calor con mucha mayor eficacia que el aire. El líquido circula por bloques térmicos situados sobre las GPU y transporta la energía térmica hacia intercambiadores de calor externos.

Otra tecnología emergente es la refrigeración por inmersión, donde los servidores se sumergen en fluidos dieléctricos no conductores. Este sistema puede reducir considerablemente el consumo energético dedicado a climatización y mejorar la densidad de potencia por rack.

En algunos proyectos piloto se han alcanzado densidades superiores a 100 kW por rack, algo muy difícil de conseguir con refrigeración exclusivamente por aire.

¿Es sostenible el crecimiento de la IA?

La respuesta depende de dos factores opuestos.

Por un lado, cada nueva generación de hardware es más eficiente. Las GPU actuales ofrecen muchas más operaciones por vatio que las de hace apenas cinco años. Los centros de datos modernos también utilizan sistemas de recuperación de calor, refrigeración líquida y algoritmos avanzados de gestión energética.

Por otro lado, el número de consultas crece a un ritmo mucho mayor que las mejoras de eficiencia. Este fenómeno se conoce como efecto rebote: aunque cada operación consuma menos recursos, el volumen total de operaciones aumenta tanto que el consumo global continúa creciendo.

Es posible que en los próximos años veamos modelos más pequeños y especializados ejecutándose localmente en ordenadores personales y teléfonos móviles, reduciendo parte de la carga sobre los grandes centros de datos. Sin embargo, los modelos más avanzados seguirán necesitando infraestructuras masivas para entrenamiento e inferencia.

Reflexiones finales

La inteligencia artificial está transformando la forma en que buscamos información, escribimos documentos, programamos software o generamos contenido multimedia. Pero esa transformación tiene una dimensión física que a menudo pasa desapercibida.

Detrás de cada respuesta generada existen servidores, sistemas de refrigeración, redes eléctricas y recursos hídricos que permiten que el proceso funcione en cuestión de segundos. El reto no consiste en frenar el desarrollo de la IA, sino en hacerlo compatible con una gestión más eficiente de la energía y del agua.

Probablemente dentro de unos años hablaremos de la huella hídrica de los servicios digitales con la misma naturalidad con la que hoy hablamos del consumo energético de un electrodoméstico. Y cuanto antes se incorporen criterios de eficiencia y sostenibilidad al diseño de los centros de datos, menor será el impacto ambiental de una tecnología que ya se ha convertido en parte de nuestra vida cotidiana.