La inteligencia artificial se ha colado en tareas tan distintas como filtrar currículos, optimizar rutas de reparto, detectar fraude o ajustar inventarios. Vista desde fuera, parece “magia”: un modelo responde, recomienda o predice en segundos. Por dentro, esa magia tiene un precio muy terrenal: electricidad. Cada consulta, cada entrenamiento y cada despliegue a gran escala se apoya en centros de datos y hardware especializado que consumen energía, y esa energía, según cómo se genere, se traduce en emisiones de CO₂.
Un trabajo publicado en Environmental Research Letters (IOP Publishing) pone números a este debate para el caso de Estados Unidos: si la adopción de IA se expande de forma amplia en la economía estadounidense, las emisiones anuales de dióxido de carbono podrían aumentar en torno a 900.000 toneladas. La cifra del estudio se concreta en unas 896.000 toneladas de CO₂ al año, vinculadas al incremento de demanda eléctrica por esa adopción. Los autores, Anthony R. Harding y Juan Moreno-Cruz, insisten en que el impacto es medible, pero pequeño si se compara con el total del país.
Qué significa “900.000 toneladas” cuando lo comparas con el total nacional
Las cifras grandes pueden engañar si no se ponen en contexto. Novecientas mil toneladas suenan enormes, y lo son en términos absolutos. El matiz es que, a escala de Estados Unidos, el estudio estima que equivaldría a alrededor del 0,02% del total de emisiones nacionales. Es una fracción mínima del “pastel” completo de emisiones, y aun así es un aumento real.
Una forma cotidiana de imaginarlo es pensar en una casa con muchas facturas. Si de repente aparece un nuevo dispositivo que incrementa un poco el gasto mensual, no se convierte en la factura principal, pero sí suma. Con la IA pasa algo parecido: no es, según esta estimación, el gran motor de emisiones del país, pero sí añade una capa de consumo que conviene gestionar bien, sobre todo si la adopción sigue acelerándose y la infraestructura se multiplica.
El otro dato clave: 12 petajulios y el equivalente a 300.000 hogares
El estudio también traduce el impacto energético a una medida de consumo: la demanda podría subir hasta 12 petajulios al año en determinados escenarios de adopción industrial. Para hacerlo más tangible, los investigadores lo comparan con el uso eléctrico anual de unas 300.000 viviendas en Estados Unidos.
Aquí la metáfora útil es la de una ciudad mediana: imagina un conjunto de hogares que encienden luces, cargan móviles, cocinan, usan calefacción o aire acondicionado durante todo un año. Ese orden de magnitud ayuda a entender que, aunque el porcentaje nacional parezca pequeño, el consumo añadido no es trivial cuando se mira desde la perspectiva de redes eléctricas, picos de demanda o regiones concretas con centros de datos.
Por qué la huella depende tanto de cómo se genera la electricidad
Un punto que suele perderse en la conversación pública es que el “coste climático” de la IA no depende solo de cuántos kilovatios hora consume, sino del mix eléctrico: no emite lo mismo una red alimentada por carbón que una con alta penetración de renovables o nuclear. Dos empresas pueden ejecutar el mismo modelo con el mismo número de operaciones y tener huellas de carbono muy distintas.
Por eso, hablar de sostenibilidad en IA no es únicamente hablar de eficiencia del algoritmo. También entra en juego dónde se instalan los centros de datos, qué contratos de energía se firman, cómo se gestionan las cargas en horarios con electricidad más limpia, y qué incentivos regulatorios existen para desplazar consumo hacia fuentes con menor intensidad de carbono.
La conclusión práctica del estudio: impacto “modesto”, responsabilidad “ineludible”
Los autores no presentan el resultado como una alarma apocalíptica, sino como un recordatorio: incluso incrementos modestos merecen atención cuando se está ante una tecnología de adopción rápida. Anthony R. Harding lo expresa con una idea clara: aunque las emisiones proyectadas sean modestas frente a otros sectores, siguen siendo un aumento significativo que justifica integrar eficiencia energética y criterios de sostenibilidad en el desarrollo y despliegue de IA.
Esta postura es relevante porque evita dos extremos habituales. El primero es el negacionismo tecnológico (“la IA es inmaterial, no contamina”), que ignora la infraestructura física. El segundo es el catastrofismo (“la IA arruinará el clima”), que no distingue magnitudes ni compara con otros sectores intensivos en energía. El estudio, publicado en Environmental Research Letters, intenta situarse en el medio: cuantificar, comparar y orientar decisiones.
Qué pueden hacer empresas y desarrolladores sin “renunciar” a la IA
Cuando se habla de IA y cambio climático, mucha gente imagina que la única salida es frenar la innovación. En la práctica, hay palancas menos dramáticas y más efectivas, especialmente si se aplican desde el diseño. Igual que un coche no tiene por qué ser un “monstruo” de consumo si se optimiza el motor y se conduce de forma eficiente, los sistemas de IA pueden reducir su huella sin perder utilidad.
Optimizar modelos, elegir arquitecturas más ligeras para tareas rutinarias, ajustar el tamaño del modelo al problema real y evitar recalcular lo que ya está calculado son medidas que suelen reducir consumo. También cuenta el hardware y la operación: planificar cargas intensivas cuando la red es más limpia, mejorar la eficiencia del centro de datos, reutilizar calor residual o migrar a regiones con electricidad de menor intensidad de carbono. Estas decisiones no son “glamourosas”, pero son las que convierten el discurso de la IA sostenible en algo medible.
El debate público y la desconfianza: separar dudas legítimas de afirmaciones erróneas
Las reacciones en redes y comentarios suelen mezclar preocupaciones razonables con afirmaciones que no se sostienen. Es comprensible que haya desconfianza cuando una tecnología se adopta rápido y parece imponerse en productos, servicios y trabajo. Esa inquietud es un punto de partida válido para exigir transparencia y evaluación de impactos.
Otra cosa distinta es convertir la discusión en un todo o nada: “si hablan de clima es manipulación” o “si dudas de un dato te silencian”. La ciencia no funciona como un dogma perfecto, sino como un proceso de corrección constante basado en evidencia y revisión por pares. El propio artículo original remite a una referencia académica concreta, “Watts and bots: the energy implications of AI adoption”, firmada por Harding y Moreno-Cruz y publicada el 11 de noviembre de 2025 en Environmental Research Letters, con financiación declarada de Google. Ese tipo de transparencia no zanja el debate, pero sí permite discutir con datos y metodología, no con suposiciones.
Si algo conviene sacar de este episodio es una recomendación simple: cuando aparezcan cifras sobre emisiones de CO₂ atribuibles a la IA, hay que preguntar siempre “¿comparado con qué?”, “¿en qué país o red eléctrica?”, “¿están hablando de entrenamiento, de uso diario o de centros de datos en general?”, “¿qué supuestos han usado?”. Es como leer el etiquetado nutricional: una cifra aislada sirve de poco si no sabes la ración y el contexto.
Lo que este estudio no dice, pero deja entrever
El trabajo se centra en estimar el impacto agregado de una adopción amplia de IA en la economía estadounidense y lo presenta como un aumento pequeño en el total nacional. Eso no significa que el tema esté cerrado. La dirección del cambio depende de dos fuerzas que tiran en sentidos distintos: por un lado, más IA puede implicar más cómputo y más electricidad; por otro, la IA también se usa para ahorrar energía en edificios, logística, redes y procesos industriales, lo que podría compensar parte del aumento si se aplica bien.
Esa tensión es la clave de 2026: la huella de carbono de la IA no es un destino fijo, es una variable que se puede empujar hacia arriba o hacia abajo con decisiones técnicas, energéticas y políticas. El estudio no demoniza la tecnología; la trata como una herramienta potente que, como cualquier herramienta, conviene usar con cuidado para no pagar facturas evitables.