¿Cuánta energía y agua consume realmente la inteligencia artificial? Las cifras verificadas, fuente por fuente (2024-2030)

Puntos clave:

1. Las cifras sobre el consumo de la IA parecen contradictorias (de 0,24 Wh a más de 29 Wh por consulta) porque miden cosas distintas: la frontera del sistema, el tipo de tarea, el modelo y si el agua es retirada o consumida.
2. Según la AIE, los centros de datos consumieron ≈485 TWh en 2025 (1,5 % mundial), de los cuales unos 155 TWh corresponden a IA, y podrían llegar a ≈945 TWh en 2030 (cerca del 3 %).
3. La única medición en producción, de Google para Gemini, sitúa la consulta mediana en 0,24 Wh y 0,26 ml de agua, tras una mejora de 33 veces en un año, lo que deja obsoletas las cifras anteriores a 2024.
4. En agua hay que distinguir tres «grifos»: la refrigeración directa, la generación eléctrica (que suele pesar más) y la fabricación de chips; una red baja en carbono no es necesariamente baja en agua.
5. Hoy el coste está en el uso y no en el entrenamiento (la inferencia supera el 90 % de la energía), y el impacto es sobre todo local: Virginia del Norte, Irlanda, Oregón y São Paulo ya muestran tensión en la red o en el agua.
6. Elegir modelos más pequeños, agrupar peticiones, ubicar bien los centros y refrigerarlos mejor reduce mucho la huella, aunque el efecto rebote y la falta de transparencia de los operadores limitan el avance.

Las estimaciones publicadas sobre el consumo de una sola consulta a un modelo de lenguaje se mueven en un rango de más de tres órdenes de magnitud: desde 0,24 vatios-hora hasta casi 30. No es que unos mientan y otros digan la verdad: es que miden cosas distintas. Este artículo reconstruye, con fuentes primarias y revisadas por pares, qué consume la inteligencia artificial en electricidad y en agua, por qué las cifras que circulan son incompatibles entre sí, y cómo leer cualquier titular sobre el tema sin equivocarse. Incluye las cifras agregadas de la Agencia Internacional de la Energía y del Lawrence Berkeley National Laboratory, las mediciones en producción de Google, la primera auditoría de ciclo de vida completo de un modelo comercial (Mistral), y los trabajos académicos que cuantifican la huella hídrica. Al final hay una lista de referencias con DOI para que cualquiera pueda verificar cada dato.

Resumen en 30 segundos: las ocho cifras que importan

Si solo vas a leer una parte de este artículo, que sea esta tabla. Cada fila indica la fuente y el año, porque sin eso el número no significa nada.

Lo que vas a encontrar en este artículo

·        Por qué las cifras públicas no son comparables entre sí, y los cinco parámetros que hay que fijar antes de comparar nada.

·        Las cifras agregadas de consumo eléctrico, con sus escenarios y sus intervalos de incertidumbre.

·        El consumo por consulta: todas las mediciones disponibles puestas en la misma tabla, con su metodología.

·        El agua: los tres «grifos» distintos que casi nadie distingue y que explican la mayor parte de las discrepancias.

·        Entrenamiento frente a inferencia: dónde está hoy el coste real.

·        Por qué el problema no es global sino local, con los casos de Virginia del Norte, Irlanda, Oregón y São Paulo.

·        Qué palancas reducen el impacto de verdad, cuantificadas.

·        Una lista de comprobación de seis preguntas para auditar cualquier titular sobre consumo de IA.

Índice

1.    El dato que contaminó el debate: la tarjeta de crédito2.    Dónde se han encontrado y en qué cantidad3.    Lo que sí es una señal clínica: corazón y arterias4.    El caso del cerebro: hallazgo fuerte, método discutido5.    Por qué las cifras no son comparables entre estudios6.    Qué está demostrado, qué sospechado y qué sin clasificar7.    Las vías de exposición realmente cuantificadas8.    Qué reduce la exposición con evidencia detrás9.    Cómo auditar cualquier titular sobre microplásticos10. Lo que no sabemos11. Preguntas frecuentes12. Metodología y límites de este artículo13. Referencias

1. Por qué las cifras no cuadran: cinco parámetros que nadie fija

En julio de 2025 ocurrió algo revelador. Sam Altman, consejero delegado de OpenAI, publicó que una consulta media a ChatGPT consume 0,34 Wh y unos 0,32 mililitros de agua. Pocos días después, Mistral AI publicó la primera evaluación de ciclo de vida completo de un modelo comercial de lenguaje y cifró el agua de una respuesta de 400 tokens en 45 mililitros. Dos empresas del mismo sector, en el mismo mes, con una diferencia de más de cien veces en la misma magnitud.

Ninguna de las dos está necesariamente equivocada. Están midiendo cosas distintas, y ahí está el verdadero problema de este debate. Una revisión sistemática de 88 estudios revisados por pares publicada en Renewable and Sustainable Energy Reviews encontró que la energía por tarea en inferencia abarca más de tres órdenes de magnitud en la literatura científica, con la generación de imágenes consumiendo alrededor de 1.450 veces más que una tarea básica de clasificación de texto [3].

Antes de comparar dos cifras sobre consumo de IA hay que comprobar que coinciden en estos cinco parámetros:

A esto se añade un problema estructural de transparencia. Un trabajo publicado en Patterns en 2025 lo expone sin rodeos: los informes medioambientales de los operadores de centros de datos no distinguen entre cargas de IA y cargas que no lo son, de modo que la huella de la IA solo puede aproximarse a partir de métricas generales del centro de datos; y en muchos casos la información publicada no permite ni determinar el total de la compañía [1].

2. Cuánta electricidad consumen los centros de datos

Aquí las cifras son más sólidas, porque existen fuentes institucionales con metodología publicada. La Agencia Internacional de la Energía (AIE) es la referencia central: su informe Energy and AI de abril de 2025 proyectó un consumo global de centros de datos de unos 945 TWh en 2030, comparable al consumo eléctrico anual de Japón, y su serie Electricity 2026 sitúa el punto de partida de 2025 en torno a 485 TWh, es decir un 1,5 % de la electricidad mundial, de los cuales unos 155 TWh corresponden a instalaciones orientadas a IA.

Hay dos lecturas compatibles de esta tabla. La primera: en términos agregados, la IA sigue siendo una fracción modesta del sistema eléctrico mundial —en torno al 0,5 % hoy, camino del 1 % al 1,2 % en 2030 según la estimación más conservadora [8]—. La segunda: el ritmo de crecimiento no tiene precedente reciente en el sector eléctrico, y la infraestructura de red se planifica en plazos de siete a diez años mientras un centro de datos se construye en dos.

Un dato que ilustra ese desajuste: un modelo de dinámica de sistemas publicado en Sustainable Futures aplicado a Virginia del Norte —el mayor mercado de centros de datos del mundo, donde ya consumen alrededor del 25 % de la electricidad regional— encuentra que el margen de reserva previsto cae por debajo del nivel de referencia del 17,7 % en una ventana de tres a cinco años, y que la cuota de los centros de datos alcanzaría el 36 %-40 % del consumo regional en 2031 [14].

3. Cuánto consume una sola consulta

Esta es la cifra que más circula y la menos fiable. Durante años las estimaciones se construyeron desde fuera, con supuestos sobre hardware y utilización. En agosto de 2025 se publicó la primera medición en un entorno de producción real: Google instrumentó la infraestructura que sirve a Gemini y cifró la consulta de texto mediana en 0,24 Wh de energía y 0,26 ml de agua, el equivalente a ver nueve segundos de televisión y a cinco gotas de agua [17].

Ese trabajo es importante por dos razones más allá del número. La primera es que su frontera del sistema incluye la energía del acelerador activo, el sistema anfitrión, la capacidad inactiva de las máquinas y el sobrecoste energético del centro de datos: es decir, es una contabilidad amplia, no un cálculo optimista de GPU. La segunda es que documenta una reducción de 33 veces en energía y 44 veces en huella de carbono por consulta mediana en un solo año, atribuida a mejoras de software y a la compra de energía limpia. Cualquier cifra sobre consumo por consulta anterior a 2024 está, por tanto, obsoleta por un factor de decenas.

La conclusión práctica no es «consume poco» ni «consume mucho». Es que la elección de modelo y la forma de servirlo pesan más que el hecho de usar IA o no usarla. Un estudio empírico sobre H100 encontró que la estructuración temporal de la llegada de peticiones puede reducir la energía por petición hasta cien veces, y que la mejora por usar precisión reducida solo aparece en regímenes limitados por cómputo [15]. Otro trabajo sobre 14 modelos abiertos de 6.000 a 34.000 millones de parámetros concluyó que aumentar el tamaño del modelo eleva mucho el consumo sin mejoras proporcionales de precisión, y que en bastantes tareas los modelos medianos igualan o superan a los grandes con mucha menos energía [16].

Hay además un hallazgo contraintuitivo que conviene conocer: en una evaluación multilingüe sobre NVIDIA H200 con más de 5.100 ejecuciones, la energía varió hasta el triple entre modelos con cargas idénticas, la correlación entre gasto energético y rendimiento en razonamiento resultó débil (ρ de Spearman = 0,109; p = 0,386), y el idioma de la consulta se comportó como un parámetro medible de despliegue: las lenguas romances consumieron de media menos energía que el inglés en varios modelos [4].

4. El agua: tres grifos distintos

El agua es donde más se confunde el debate público, y la razón es sencilla: hay tres flujos distintos y casi nunca se dice cuál se está contando.

13. Agua directa (alcance 1). La que se evapora en las torres de refrigeración del propio centro de datos. Es la que suele aparecer en los titulares y la única que el operador controla directamente.

14. Agua indirecta (alcance 2). La que se consume generando la electricidad que alimenta el centro de datos: refrigeración de centrales térmicas y nucleares, evaporación en embalses hidroeléctricos. Suele ser mayor que la directa. En el clúster de São Paulo, con una carga informática de unos 550 MW y una huella hídrica anual estimada de 16,1 millones de m³, más del 46 % es «agua virtual» consumida en la generación hidroeléctrica [6].

15. Agua incorporada (alcance 3). La de la fabricación de semiconductores y del resto de la cadena de suministro del hardware.

Esta distinción explica por qué una red eléctrica baja en carbono no es automáticamente baja en agua, un punto que el informe de Aczel et al. subraya expresamente [12]. Y explica también una paradoja geográfica: la hidroelectricidad, bandera de la descarbonización, genera un bucle de realimentación en el que la demanda del centro de datos presiona sistemas de agua y energía ya comprometidos por el cambio climático [6].

Nótese la diferencia entre la primera y la segunda fila: un orden de magnitud. No es un error de ninguno de los dos trabajos, es que la primera mide retirada y la segunda huella atribuida a cargas de IA. Cualquier artículo que presente ambas como la misma magnitud está mal construido.

La localización importa más que el volumen agregado. Dos tercios de los nuevos centros de datos estadounidenses se sitúan en zonas con estrés hídrico [14b], y un análisis en PLOS Water identifica cuatro preocupaciones documentadas en litigios y expedientes públicos en Estados Unidos: erosión de la gobernanza democrática del agua, uso insostenible con subida de tarifas, pérdida de flexibilidad en la toma de decisiones hídricas, y aumento del uso de agua por la vía del incremento de la demanda eléctrica [11].

5. Entrenamiento frente a inferencia: dónde está el coste real

Durante años el relato se centró en el entrenamiento: las cifras espectaculares de un modelo frontera entrenándose durante semanas. Ese marco está desfasado. Los informes del sector indican que la inferencia, no el entrenamiento, concentra más del 90 % del consumo total de energía de un servicio de IA en explotación [14c], y una síntesis en Open Praxis recoge un estudio que estima la huella de carbono de la fase de uso en 25 veces la del entrenamiento inicial [14b].

Esto tiene tres consecuencias que cambian la conversación:

·        El coste es proporcional al uso, no al desarrollo. Un modelo eficiente usado mil millones de veces al día pesa más que un modelo ineficiente entrenado una vez.

·        El cuello de botella se desplaza a la ingeniería de servicio. Cuantización, tamaño de lote, planificación de peticiones y elección del motor de inferencia pueden reducir la energía total hasta un 73 % respecto a una configuración sin optimizar [3b].

·        Aparece el efecto rebote. La paradoja de Jevons se documenta explícitamente en esta literatura: las mejoras de eficiencia abaratan el servicio y aumentan la demanda total [14b]. Jegham et al. lo formulan como «una paradoja creciente: a medida que la IA se vuelve más barata y más rápida, la adopción global impulsa un consumo de recursos desproporcionado» [9].

Hay además un detalle de ingeniería eléctrica poco conocido y relevante para la planificación de red: el consumo durante el entrenamiento no es constante. Una medición detallada con series temporales encontró oscilaciones entre el 15 % y el 85 % del consumo máximo del hardware, con implicaciones negativas para la planificación a escala de red [16b].

6. El problema no es global, es local

Si uno mira solo los agregados mundiales, el impacto de la IA parece manejable. El problema es que la infraestructura no está repartida: Norteamérica, Europa Occidental y Asia-Pacífico concentran más del 90 % de la capacidad de cómputo proyectada [8], y dentro de esas regiones la concentración vuelve a producirse en un puñado de nodos.

La última fila merece atención porque contradice la intuición habitual. La huella de una consulta idéntica puede variar de forma sustancial según el país donde se ejecute, y no siempre en la dirección que se supone. La ubicación del centro de datos y el diseño de su refrigeración influyen en el impacto ambiental tanto como la eficiencia del hardware [19].

7. Qué reduce el impacto de verdad

Esta es la parte de la literatura menos citada en prensa y la más útil. Las magnitudes están cuantificadas:

El trabajo sobre simbiosis entre centros de datos y depuradoras merece mención aparte por su escala: construye una geobase de más de 4.775 centros de datos y 57.547 depuradoras municipales en 98 países, y encuentra una fuerte coocurrencia espacial entre ambos tipos de instalación que permitiría emparejamientos optimizados a escala nacional [7b]. Es el tipo de solución que no requiere ningún avance tecnológico pendiente, solo planificación.

El contrapunto es igual de importante: el análisis de Nature Sustainability concluye que, aun aplicando las mejores prácticas, el sector de servidores de IA difícilmente alcanzará sus objetivos de cero neto en 2030 sin recurrir a mecanismos de compensación de carbono y de restauración hídrica de efectividad muy incierta [5].

8. Cómo auditar cualquier titular sobre consumo de IA

Seis preguntas. Si un titular o un informe no permite responderlas, el dato no es utilizable:

16. ¿De qué año es la medición? Google documentó una mejora de 33 veces en energía por consulta en doce meses. Una cifra de 2023 no describe 2026.

17. ¿Qué incluye la frontera del sistema? ¿Solo la GPU, o también el servidor, la capacidad inactiva, el PUE del edificio y la fabricación del hardware?

18. En agua, ¿retirada o consumo? ¿Y de qué alcance: refrigeración, generación eléctrica o fabricación de chips?

19. ¿Qué tarea concreta se midió? Una consulta corta de texto y la generación de un vídeo no son la misma unidad de análisis.

20. ¿Es medición, estimación o declaración? Hay tres niveles de evidencia muy distintos: medición instrumentada en producción, inferencia estadística desde datos públicos de API, y declaración corporativa sin metodología.

21. ¿Está normalizada por utilidad? Energía por consulta sin decir qué calidad de respuesta se obtiene no permite comparar. De ahí la propuesta de métricas compuestas tipo AI Energy Score, que capturan calidad de razonamiento por unidad de energía [4].

9. Lo que todavía no sabemos

Un artículo honesto tiene que decir dónde se acaba la evidencia. En este campo, las lagunas son grandes y están documentadas:

·        No hay mediciones de extremo a extremo revisadas por pares de los modelos de razonamiento ni de la IA agéntica. La revisión sistemática de 88 estudios lo señala expresamente: son una modalidad emergente sin mediciones completas publicadas [3]. Dado que estos sistemas generan muchos más tokens por tarea, es probablemente la laguna más relevante hoy.

·        No existen datos fiables de ciclo de vida de las GPU, ni factores de evaluación ampliamente disponibles, ni un estándar establecido de análisis de ciclo de vida para modelos de lenguaje. Lo reconoce la propia Mistral en su auditoría.

·        Los operadores no desglosan cargas de IA frente a cargas convencionales en sus informes ambientales, lo que impide atribuir impactos con precisión [1].

·        Los datos locales de consumo de agua rara vez son públicos. Los gobiernos locales y las empresas de servicios no siempre los facilitan, de modo que hace falta solicitarlos por vía de transparencia [11].

·        La atribución transfronteriza está sin resolver. Se ha propuesto un marco híbrido que asigne la huella operativa a los Estados anfitriones y los impactos incorporados y de servicio a los Estados consumidores, pero no existe acuerdo [18].

Preguntas frecuentes

¿Cuánta energía consume una consulta a ChatGPT o a Gemini?

La única medición instrumentada en un entorno de producción disponible es la de Google para Gemini: 0,24 Wh de energía y 0,26 ml de agua para la consulta de texto mediana, con una frontera de sistema que incluye acelerador, servidor anfitrión, capacidad inactiva y sobrecoste del centro de datos [17]. OpenAI ha declarado 0,34 Wh y unos 0,32 ml para ChatGPT, sin publicar metodología. Para consultas largas y modelos intensivos, los estudios independientes miden hasta más de 29 Wh [9]. No existe una cifra única válida: depende del modelo, de la longitud de la respuesta y de cómo se sirva.

¿Es verdad que la IA consume mucha agua?

Depende de qué se cuente. Por consulta individual, las mediciones van de 0,26 ml (Gemini, medición en producción) a 45 ml (Le Chat, análisis de ciclo de vida de 400 tokens). En agregado, las proyecciones para la IA mundial se mueven entre 0,31-0,76 miles de millones de m³ en 2025 según Patterns [1] y 4.200-6.600 millones de m³ anuales de retirada en 2027 según Li et al. [2]. La diferencia principal no es de magnitud real sino de definición: retirada frente a consumo, y alcance directo frente a indirecto.

¿Qué pesa más, entrenar un modelo o usarlo?

Usarlo. La inferencia concentra más del 90 % del consumo energético de un servicio en explotación [14c], y una estimación recogida en la literatura sitúa la huella de carbono de la fase de uso en 25 veces la del entrenamiento inicial [14b]. En el caso documentado de Mistral Large 2, el 91 % del agua y el 85,5 % de los gases de efecto invernadero corresponden conjuntamente a entrenamiento e inferencia.

¿Qué porcentaje de la electricidad mundial consume la inteligencia artificial?

Los centros de datos en su conjunto consumieron unos 485 TWh en 2025, en torno al 1,5 % de la electricidad mundial, de los que aproximadamente 155 TWh correspondieron a instalaciones orientadas a IA. Es decir, la IA ronda el 0,5 % del consumo eléctrico mundial. La proyección de la AIE para todos los centros de datos en 2030 es de unos 945 TWh, cerca del 3 %, con la IA ganando peso dentro de ese total.

¿Las mejoras de eficiencia resuelven el problema?

Solo en parte. Los modelos de escenarios muestran que, aunque la eficiencia por operación mejora de forma sustancial, la demanda agregada crece aproximadamente un orden de magnitud por el aumento del uso [10]. Es el efecto rebote o paradoja de Jevons, documentado explícitamente en esta literatura [14b]. Los escenarios que más reducen emisiones combinan consolidación en menos modelos y mayores con transición a electricidad baja en carbono, superando en más de 20 puntos porcentuales lo que logra la eficiencia por sí sola [10].

¿Puede la energía renovable cubrir la demanda de la IA?

En principio sí, pero con condiciones. La revisión sistemática de 88 estudios concluye que es posible únicamente si se acelera el despliegue, se pasa de la correspondencia anual de energía limpia a la correspondencia horaria —el llamado 24/7 carbon-free energy— y se adoptan marcos regulatorios adaptados a cada jurisdicción. Los instrumentos de compra de energía no son equivalentes: la «brecha de adicionalidad» separa los certificados no agrupados de la correspondencia horaria real [3].

¿Qué puede hacer una empresa que usa IA para reducir su huella?

Cuatro decisiones con efecto medible, por orden de impacto: elegir el modelo más pequeño que resuelva la tarea en lugar del más capaz disponible [16]; agrupar peticiones en lotes y estructurar su llegada en lugar de enviarlas sueltas [15]; seleccionar proveedor y región por intensidad de carbono y por estrés hídrico de la cuenca, no solo por latencia y precio [19]; y exigir al proveedor datos de energía y agua por consulta con metodología publicada, no declaraciones agregadas.

Metodología y límites de este artículo

Este artículo se ha construido a partir de literatura revisada por pares localizada mediante búsqueda semántica en bases de datos académicas (Semantic Scholar, OpenAlex y PubMed a través de Consensus), complementada con tres tipos de fuentes primarias no académicas: informes de organismos públicos (Agencia Internacional de la Energía, Lawrence Berkeley National Laboratory por encargo del Departamento de Energía de Estados Unidos), análisis de ciclo de vida publicados por fabricantes con revisión externa (Mistral AI con Carbone 4, ADEME, Resilio y Hubblo), y mediciones en producción publicadas por operadores (Google).

Tres límites que el lector debe tener presentes:

·        Las cifras de 2030 y posteriores son escenarios, no previsiones. Cuando se citan rangos amplios es porque la incertidumbre es real y está cuantificada en la fuente, no porque haya desacuerdo entre autores.

·        Las declaraciones corporativas sin metodología publicada se identifican como tales y no se tratan como equivalentes a mediciones instrumentadas o a análisis de ciclo de vida revisados.

·        El campo se mueve muy rápido: la mejora de 33 veces documentada por Google en doce meses implica que cualquier cifra por consulta debe fecharse. Este artículo refleja la evidencia disponible a 3 de noviembre de 2026.

Referencias

22. The carbon and water footprints of data centers and what this could mean for artificial intelligence — Patterns, 2025. DOI: 10.1016/j.patter.2025.101430

23. Barnett-Itzhaki, Z. The water footprint of artificial intelligence: Emerging solutions and governance imperatives — Water Research, 2026. DOI: 10.1016/j.watres.2026.125866

24. Yoo, S. et al. Can renewable energy meet the surging power demand of artificial intelligence? A systematic review — Renewable and Sustainable Energy Reviews, 2026. DOI: 10.1016/j.rser.2026.117213

25. Fernandez, J. et al. Energy Considerations of Large Language Model Inference and Efficiency Optimizations — 2025. DOI: 10.48550/arxiv.2504.17674

26. de Zarzà, I. et al. Energy-Aware Multilingual Evaluation of Large Language Models — Electronics, 2026. DOI: 10.3390/electronics15071395

27. Xiao, T. et al. Environmental impact and net-zero pathways for sustainable artificial intelligence servers in the USA — Nature Sustainability, 2025. DOI: 10.1038/s41893-025-01681-y

28. Liang, G.-D. The Cloud’s Thirst: Quantifying AI’s Water Footprint and its Impact on the Water-Energy Nexus in São Paulo, Brazil — Cambridge Prisms: Water, 2026. DOI: 10.1017/wat.2026.10020

29. Fan, Y. V. et al. Data Centre Energy Demand Projections within Shared Socioeconomic Pathways — Energy and Climate Change, 2026. DOI: 10.1016/j.egycc.2026.100253

30. Wang, A.-J. et al. Global data–water symbiosis reduces AI infrastructure’s carbon and water footprint — Environmental Science and Ecotechnology, 2026. DOI: 10.1016/j.ese.2026.100702

31. Chen, D.-B. et al. Artificial intelligence data centers could reach one percent of global electricity demand by 2030 — Communications Sustainability, 2026. DOI: 10.1038/s44458-026-00152-5

32. Jegham, N. et al. How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference — 2025. DOI: 10.48550/arxiv.2505.09598

33. Turkay, B. M. et al. Scenario-based forecasting of the global energy demand and carbon footprint of artificial intelligence — PLOS One, 2026. DOI: 10.1371/journal.pone.0343056

34. Shah, S. H. Four water insecurity concerns about datacenters driving the AI revolution — PLOS Water, 2026. DOI: 10.1371/journal.pwat.0000500

35. Aczel, M. et al. The Environmental Cost of AI’s Energy Use: Carbon, Water and Land Footprints — 2026. DOI: 10.53328/inr26rma002

36. Lin, L. et al. Exploding AI Power Use: an Opportunity to Rethink Grid Planning and Management — ACM e-Energy, 2023. DOI: 10.1145/3632775.3661959

37. Shumba, N. et al. A Water Efficiency Dataset for African Data Centers — ACM COMPASS, 2024. DOI: 10.1145/3715335.3735483

38. Paccou, R. et al. Opening the black box of data center electricity consumption forecasting: An application of system dynamics modeling to Northern Virginia — Sustainable Futures, 2026. DOI: 10.1016/j.sftr.2026.102072

39. Bozkurt, A. AI’s Thirst, AI’s Heat, AI’s Waste: Exposing the Hidden Environmental Impact of Every Artificial Intelligence Interaction — Open Praxis, 2025. DOI: 10.55982/openpraxis.17.4.1058

40. Niu, C. et al. TokenPowerBench: Benchmarking the Power Consumption of LLM Inference — 2025. DOI: 10.48550/arxiv.2512.03024

41. Delavande, J. et al. Understanding Efficiency: Quantization, Batching, and Serving Strategies in LLM Energy Use — 2026. DOI: 10.48550/arxiv.2601.22362

42. Masthan Ali, S. B. et al. Assessing the Sustainability of LLM Inference through Energy–Accuracy Analysis — ACM e-Energy, 2026. DOI: 10.1145/3744255.3811741

43. Morrison, J. D. et al. Holistically Evaluating the Environmental Impact of Creating Language Models — 2025. DOI: 10.48550/arxiv.2503.05804

44. Elsworth, C. et al. Measuring the environmental impact of delivering AI at Google Scale — 2025. DOI: 10.48550/arxiv.2508.15734

45. Asghar, M. et al. AI’s Cross Border Energy and Water Footprints: State Duties, No Harm Thresholds, and Paris Agreement Compliance Frameworks — Social Science Review Archives, 2025. DOI: 10.70670/sra.v3i3.875

46. Patel, A. et al. The Environmental Impact of AI Servers and Sustainable Solutions — 2025. DOI: 10.48550/arxiv.2601.06063

Fuentes institucionales y corporativas

·        Agencia Internacional de la Energía. Electricity 2026 — Demand y Executive summary.

·        Lawrence Berkeley National Laboratory. 2024 United States Data Center Energy Usage Report, diciembre de 2024. Anuncio del Departamento de Energía de EE. UU.

·        Mistral AI. Our contribution to a global environmental standard for AI, julio de 2025.

·        Our World in Data. How much energy do data centers and artificial intelligence use? (serie basada en datos de la AIE).

·        Carbon Brief. AI: Five charts that put data-centre energy use and emissions into context.

Artículo publicado el 3 de noviembre de 2026. Las cifras por consulta de los servicios comerciales de IA cambian con rapidez: cualquier dato de esta naturaleza debe comprobarse contra la medición más reciente del proveedor.

Danilo Valles Mascarenas

Periodista de investigación y analista de economía política. Especialista en mercados emergentes, finanzas públicas y auditoría institucional en América Latina.
Perfil profesional
Danilo Valles Mascarenas es periodista de investigación y analista especializado en economía política, finanzas públicas y fiscalización institucional. Su trabajo se distingue por el análisis cuantitativo, la revisión de informes macroeconómicos y el seguimiento de presupuestos estatales. Así, cubre el punto en que las decisiones regulatorias se cruzan con el desarrollo económico de la región.
Con una orientación clara hacia la transparencia y el rigor de los datos, desglosa dinámicas financieras complejas, evalúa la eficacia de las políticas regulatorias y sigue la administración de los recursos públicos. Para ello prioriza los datos abiertos, los registros oficiales y los informes de organismos multilaterales, con el fin de ofrecer a los lectores una perspectiva técnica, objetiva e independiente sobre la coyuntura económica y política.
Qué cubre en Foco Noticioso
En Foco Noticioso firma las noticias de las cuatro secciones: ciencia y tecnología, cultura y ocio, inversiones y negocios y responsabilidad social. Cada pieza contrasta el anuncio con su documento oficial y deja claro qué está confirmado y qué no.
Áreas de especialización

Periodismo económico y financiero: presupuestos públicos, deuda soberana, indicadores macroeconómicos y políticas fiscales.
Auditoría e investigación documental: contratación pública, licitaciones estatales e informes de rendición de cuentas.
Mercados emergentes y regulación: marcos regulatorios, política monetaria y clima de inversión en la región.
Periodismo de datos: tratamiento, estructuración y visualización de datos presupuestarios y económicos para la investigación periodística.

Filosofía editorial

«La independencia analítica requiere sustentar cada afirmación en datos duros y registros comprobables. El periodismo económico debe ser un instrumento de claridad técnica y responsabilidad pública».