# ¿Qué es la huella de carbono de la IA? Definición y retos para la empresa > La huella de carbono de la IA es el conjunto de las emisiones de gases de efecto invernadero ligadas a su ciclo de vida: entrenamiento de los modelos, fabricación de los componentes, funcionamiento de los centros de datos e inferencia en uso. Se está convirtiendo en una partida de consumo significativa a escala mundial. ## Definición La huella de carbono de la IA se descompone en cuatro partidas principales. La fabricación del material: producción de las GPU, servidores, refrigeradores, cuya huella aguas arriba rara vez se contabiliza. El entrenamiento de los modelos: operación de coste energético elevado, puntual pero repetida en cada nueva generación. El entrenamiento de GPT-3 consumió unos 1 287 MWh y emitió 552 toneladas de equivalente CO2 (Patterson et al., 2021). El funcionamiento de los centros de datos: partida continua, dominante en acumulado. Según la IEA, los centros de datos mundiales consumieron 415 TWh en 2024 (1,5 % de la electricidad mundial), con una proyección de unos 950 TWh en 2030. La inferencia en uso: operación unitaria baja pero multiplicada por miles de millones de llamadas diarias. Según la IEA, el consumo de los centros de datos dedicados a la IA creció un 50 % en 2025. ## Ejemplo Tomemos una empresa europea que despliega un asistente de IA para 500 empleados, a razón de 20 consultas por día durante 220 días laborables: 2,2 millones de consultas al año. Google mide 0,24 Wh para una consulta de texto mediana en Gemini, centro de datos incluido. El consumo directo sería, por tanto, de unos 530 kWh al año. Con la intensidad de carbono media de la electricidad generada en la UE en 2024 (unos 183 g de CO2e por kWh según la Agencia Europea de Medio Ambiente), esto representa del orden de 100 kg de CO2e al año. El resultado varía mucho de un país a otro según el mix eléctrico. Es modesto referido al balance de carbono de una pyme. Pero la ratio cambia para los usos intensivos: generación de vídeo, modelos de razonamiento multietapa, agentes autónomos. La IEA estima que estas tareas pueden consumir cientos o incluso miles de veces más energía por consulta que una simple generación de texto. La elección entre un modelo ligero optimizado y un modelo puntero tiene un impacto directo en la huella. ## Para un directivo La huella de carbono de la IA ya no es una externalidad despreciable. Tres implicaciones para el dirigente. Primero, la sobriedad de uso es un doble dividendo: reduce la factura (coste de inferencia proporcional a los tokens) y la huella (consumo energético proporcional). Las dos lógicas convergen, lo que alinea disciplina económica y disciplina medioambiental. Segundo, la elección del modelo debe integrar un criterio energético explícito: a igual tarea, un modelo pequeño consume mucho menos que un modelo puntero. Pida a los proveedores sus mediciones de consumo por consulta: Google, por ejemplo, publica la suya para Gemini. Tercero, desde el 2 de agosto de 2025, el AI Act europeo obliga a todos los proveedores de modelos de IA de uso general a documentar el consumo de energía conocido o estimado de sus modelos (anexo XI). La Comisión puede sancionar estas obligaciones desde el 2 de agosto de 2026. Esta primera base prefigura informes más exigentes. ## Preguntas frecuentes **¿Qué es la huella de carbono de la IA?** Es el conjunto de las emisiones de gases de efecto invernadero ligadas a su ciclo de vida: fabricación de los componentes, entrenamiento de los modelos, funcionamiento de los centros de datos e inferencia en uso. Se está convirtiendo en una partida de consumo significativa a escala mundial. **¿Cuáles son las principales partidas de emisión?** Cuatro. La fabricación del material (GPU, servidores, refrigeradores), cuya huella aguas arriba rara vez se contabiliza. El entrenamiento de los modelos: el de GPT-3 consumió unos 1 287 MWh y emitió 552 toneladas de CO2e. El funcionamiento de los centros de datos, partida continua y dominante en acumulado: según la IEA, los centros de datos mundiales consumieron 415 TWh en 2024. La inferencia en uso, baja por unidad pero multiplicada por miles de millones de llamadas diarias. **¿Qué orden de magnitud para una empresa?** Para un asistente usado por 500 empleados a 20 consultas por día durante 220 días, es decir 2,2 millones de consultas al año, el consumo directo sería de unos 530 kWh, del orden de 100 kg de CO2e al año con el mix eléctrico medio de la UE en 2024. Es modesto, pero la ratio cambia mucho para los usos intensivos (vídeo, razonamiento multietapa, agentes), que pueden consumir cientos o incluso miles de veces más energía por consulta que una simple generación de texto. **¿Cómo reducir esta huella?** Mediante la sobriedad de uso, que es un doble dividendo: reduce la factura (coste de inferencia proporcional a los tokens) y la huella (consumo energético proporcional). La elección del modelo debe integrar un criterio energético explícito, ya que a igual tarea un modelo pequeño consume mucho menos que uno puntero. Pida a los proveedores sus mediciones de consumo por consulta. **¿Hay una obligación regulatoria?** Sí. Desde el 2 de agosto de 2025, el AI Act europeo obliga a los proveedores de modelos de uso general a documentar el consumo de energía conocido o estimado de sus modelos (anexo XI). La Comisión puede sancionar estas obligaciones desde el 2 de agosto de 2026. Esta primera base prefigura informes más exigentes. ## Para seguir - [Inferencia](https://wyp.agency/es/glosario/inferencia/) - [Parámetro](https://wyp.agency/es/glosario/parametro/) - [Modelo de fundación](https://wyp.agency/es/glosario/modelo-de-fundacion/) - [AI Act](https://wyp.agency/es/glosario/ai-act/) - [Soberanía digital](https://wyp.agency/es/glosario/soberania-digital/) - [IA frugal](https://wyp.agency/es/glosario/ia-frugal/) ## Fuentes - Energy and AI, International Energy Agency, executive summary, 2025 (https://www.iea.org/reports/energy-and-ai/executive-summary) - Key Questions on Energy and AI, International Energy Agency, executive summary, 2026 (https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary) - Carbon Emissions and Large Neural Network Training, Patterson et al., arXiv:2104.10350, 2021 (https://arxiv.org/abs/2104.10350) - Measuring the environmental impact of delivering AI at Google Scale, Google, arXiv:2508.15734, 2025 (https://arxiv.org/abs/2508.15734) - Intensidad de emisiones de GEI de la generación eléctrica en Europa, Agencia Europea de Medio Ambiente, 2026 (https://www.eea.europa.eu/en/analysis/indicators/greenhouse-gas-emission-intensity-of-1) - Reglamento (UE) 2024/1689 (AI Act), artículo 53, anexo XI y artículo 113 (https://eur-lex.europa.eu/eli/reg/2024/1689/oj) --- Ficha del glosario de IA de WYP.agency · https://wyp.agency/es/glosario/huella-carbono-ia/ · Última actualización : 2026-10-14