La IA consumirá en el 2030 la misma cantidad de agua que 1.300 millones de personas
ACTUALIDAD
Un informe de las Naciones Unidas analiza el impacto ambiental derivado del consumo energético de la inteligencia artificial
03 jun 2026 . Actualizado a las 20:09 h.Para el 2030, el consumo de agua de la inteligencia artificial igualará las necesidades de 1.300 millones de personas, mientras que su gasto de energía triplicará el consumo anual de casi 650 millones. Estas son algunas de las conclusiones a las que llega el informe Costo ambiental del uso de energía de la IA: huella de carbono, agua y suelo, elaborado por el Instituto de Agua, Medio Ambiente y Salud de la Universidad de las Naciones Unidas, que analiza de forma integral el impacto ambiental derivado del consumo energético de la inteligencia artificial. Sus autores sostienen que los costes asociados a los centros de datos ya no pueden evaluarse únicamente a través de las emisiones de Co2. Con ese objetivo, cuantifican la huella de carbono, hídrica y territorial derivada del consumo eléctrico de la inteligencia artificial a escala global.
El estudio advierte de que evaluar la sostenibilidad de la IA mediante una única métrica puede ocultar las compensaciones y trasladar las cargas ambientales a regiones que ya sufren estrés hídrico o terrestre. La mayoría de las evaluaciones existentes se centran en las emisiones de carbono asociadas al entrenamiento de modelos complejos. Sin embargo, cada kilovatio-hora de electricidad utilizado para entrenar o ejecutar un sistema de IA también conlleva una huella hídrica, derivada de la refrigeración y la generación de energía, y una huella terrestre, derivada de la infraestructura energética y las cadenas de suministro. Estas tres huellas no se mueven en la misma dirección.
Recoge, entre otras cosas, que los centros de datos globales que impulsan la IA consumen 945 teravatios-hora de electricidad, un dato que representa casi el triple del consumo anual combinado de electricidad de Pakistán, Bangladesh y Nigeria. Su huella hídrica asociada equivaldrá a las necesidades básicas anuales de agua potable de los 1.300 millones de habitantes del África subsahariana y su superficie terrestre superará los 14.500 kilómetros cuadrados, casi el doble del área metropolitana de Yakarta. Las cifras aumentan rápidamente a nivel de infraestructura. Se estima que los centros de datos globales consumieron 448 teravatios-hora de electricidad en el 2025. Si se consideraran como un solo país, serían el undécimo mayor consumidor de electricidad del mundo, detrás de Francia y por delante de Arabia Saudita.
Consumo por consulta
El consumo de energía por cada consulta varía según la complejidad de la tarea y el tipo de archivo que se le pida generar a la IA. La generación de un texto corto consume unos 0,047 vatios-hora, aunque puede alcanzar los 1,9 vatios-hora si la respuesta es extensa. Por generar una imagen se consumen 2,9 vatios-hora —que equivale a mantener encendida una bombilla LED de 10 vatios durante 17 minutos y a dos cucharadas de agua—, aunque si es en ata resolución llega a los 4,08 Wh. Un solo vídeo corto de alta complejidad puede superar los 415 vatios-hora, lo que equivale a mantener encendida esa misma bombilla LED de 10 vatios durante 42 horas seguidas y a una huella de agua de 4,1 litros, lo que representa casi el agua necesaria para el consumo humano de una persona durante dos días.
El informe también compara el impacto de migrar las búsquedas de internet hacia modelos asistidos por inteligencia artificial. Una búsqueda en una web convencional en Google sin IA consume aproximadamente 0,3 vatios-hora. Si los 5 billones de búsquedas anuales globales se actualizaran a un modo mejorado con IA generativa que gaste 3 vatios-hora por consulta —10 veces más—, la demanda energética anual del sector saltaría a 15 TWh. Esto equivaldría al consumo eléctrico de 115 millones de personas en África Subsahariana y requeriría una huella de agua equivalente a las necesidades anuales de 20 millones de personas en dicha región.
Además, la infraestructura de IA podría generar hasta 2,5 millones de toneladas de residuos electrónicos cada año para el 2030, gran parte de los cuales se procesarían en economías de bajos ingresos con salvaguardias limitadas, mientras que los minerales críticos se extraen en jurisdicciones con una supervisión ambiental débil.
El informe hace referencia al efecto rebote —la paradoja de Jevons—, advirtiendo que, a medida que los modelos se vuelven más eficientes, también se abaratan y se utilizan con mayor frecuencia. Sin límites explícitos en los tokens, la resolución o la longitud de salida predeterminada, las mejoras a nivel de consulta individual se ven fácilmente anuladas por el simple aumento del volumen de datos.
«El informe refleja con claridad una realidad económica en la que el sector tecnológico ocupa una posición dominante», explica Pablo Haya, Investigador del Laboratorio de Lingüística Informática de la Universidad Autónoma de Madrid y director del área de Business & Language Analytics del Instituto de Ingeniería del Conocimiento. «Trata varias cuestiones que son muy relevante para el campo de la IA verde. No solo se centra en el aspecto de las emisiones de carbono de los modelos de IA, sino también en otros factores que a menudo se ignoran, como que quizás las emisiones de cierto centro de datos son más bajas, pero a costa de requerir más agua. Plantea que se deberían tener en cuenta todos estos factores a la hora de evaluar los distintos modelos o eficiencia de los centros de datos», añade Verónica Bolón-Canedo, profesora titular en el departamento de Ciencias de la Computación y Tecnologías de la Información de la Universidade da Coruña e investigadora en el laboratorio de I+D en Inteligencia Artificial del Centro de Investigación TIC.
Para Alfonso Valencia, profesor ICREA y director de Ciencias de la Vida en el Centro Nacional de Supercomputación de Barcelona, el estudio aporta nuevos datos sobre las huellas de agua, suelo, carbono y residuos asociadas al auge de la IA: «Es importante resaltar que el informe usa cifras reales para hacer proyecciones mediante unos modelos, por tanto, dependen de supuestos críticos sobre la cuota de IA en el consumo de centros de datos, los avances de eficiencia energética, la composición de la factura eléctrica regional y las técnicas de refrigeración aplicadas, entre otros; y pueden variar en función de posibles mejoras de eficiencia o adopción de modelos en dispositivos (en vez de data centers) o de cambios regulatorios o políticos. Por tanto, las cifras deben interpretarse en este contexto y no considerarlas como verdades absolutas».