Cómo pueden las empresas mitigar la creciente huella medioambiental de la IA

Para 2026, se espera que la potencia de cálculo dedicada al entrenamiento de la IA multiplicarse por diez. A medida que se gasta más energía, se necesitan más recursos. Como resultado, hemos visto aumentos exponenciales en la energía y, quizás de manera más inesperada, en el consumo de agua. Algunas estimaciones incluso muestran que conducir un modelo grande de IA genera más emisiones a lo largo de su vida útil que un automóvil promedio. Un reciente informe de Goldman Sachs descubrió que, para 2030, habrá un aumento del 160% en la demanda de energía impulsada por las aplicaciones de inteligencia artificial.

Sabemos que operar de esta manera indefinidamente conlleva un riesgo medioambiental palpable, pero también sabemos que la IA puede ser una nueva y poderosa herramienta de sostenibilidad, ya que acelera la rapidez con la que resolvemos los problemas, nos ayuda a entender y hacer frente al cambio climático y apoya la incipiente transición energética.

La adopción de la IA es la nueva normalidad para las empresas y los gobiernos que buscan mejorar la toma de decisiones, aumentar la productividad empresarial y reducir los costes. Por eso tenemos que considerar prácticas de IA más sostenibles ahora y, al mismo tiempo, priorizar los casos de uso de la IA para impulsar el aumento general de la sostenibilidad.

¿Cómo podemos utilizar la IA de forma eficaz y aprovechar sus beneficios y, al mismo tiempo, minimizar el impacto medioambiental en la medida de nuestras posibilidades colectivas?

Tome decisiones inteligentes con respecto a los modelos de IA

Un modelo de IA tiene tres fases (entrenamiento, ajuste e inferencia) y hay oportunidades de ser más sostenible en cada fase. Al principio del viaje de la IA, los líderes empresariales deberían considerar la posibilidad de elegir un modelo base en lugar de crear y entrenar código desde cero. En comparación con la creación de un nuevo modelo, los modelos básicos se pueden personalizar para fines específicos en una fracción del tiempo, con una fracción de los datos y una fracción de los costes de energía. De hecho, esto «amortiza» los costes iniciales de formación a lo largo de una larga vida útil de diferentes usos.

También es importante elegir el modelo de base de maquillaje de la talla correcta. La mayoría de los modelos tienen diferentes opciones, con 3 000, 8 000 millones, 20 000 millones o más parámetros. Más grande no siempre es mejor. Un modelo pequeño que se base en datos seleccionados y de alta calidad puede ser más eficiente desde el punto de vista energético y lograr los mismos o mejores resultados según sus necesidades. IBM investigación ha descubierto que algunos modelos que se basan en datos específicos y relevantes pueden funcionar a la par con otros que son de tres a cinco veces más grandes, pero funcionan más rápido y consumen menos energía. La buena noticia para las empresas es que probablemente eso signifique reducir los costes y también mejores resultados.

Localice su procesamiento cuidadosamente

A menudo, un enfoque de nube híbrida puede ayudar a las empresas a reducir el consumo de energía al darles flexibilidad en cuanto al lugar donde se realiza el procesamiento. Con un enfoque híbrido, la computación puede realizarse en la nube en los centros de datos más cercanos a las necesidades. Otras veces, por motivos de seguridad, normativos o de otro tipo, la computación puede realizarse «in situ», en servidores físicos propiedad de una empresa.

Un enfoque híbrido puede apoyar la sostenibilidad de dos maneras. En primer lugar, puede ayudarlo a ubicar sus datos junto a su procesamiento, lo que puede minimizar la distancia que deben recorrer los datos y contribuir a un ahorro real de energía con el tiempo. En segundo lugar, esto le permite elegir lugares de procesamiento con acceso a energía renovable. Por ejemplo, dos centros de datos pueden ofrecer un rendimiento similar para sus necesidades, pero uno está rodeado de energía hidroeléctrica y el otro de carbón.

Por último, es importante que utilice únicamente el procesamiento que necesita. Muchas organizaciones sobreabastecen la cantidad de potencia de cálculo que están preparadas para sus necesidades, pero el software ya existe para hacerlo mejor. En un caso de nuestras propias cargas de trabajo de IA, IBM pudo reducir el exceso de «margen» en espera del equivalente a 23 a 13 unidades de procesamiento gráfico (GPU), reduciendo significativamente el consumo de energía y liberando las GPU más demandadas para otros fines, sin reducir el rendimiento.

Utilice la infraestructura adecuada

Una vez que haya elegido un modelo de IA, pasará alrededor del 90% de su vida útil en modo inferencia, en el que los datos se analizan para hacer una predicción o resolver una tarea. Naturalmente, la mayor parte de la huella de carbono de un modelo también se produce aquí, por lo que las organizaciones deben invertir tiempo y capital en que el procesamiento de datos sea lo más sostenible posible.

La IA funciona de manera más eficiente en los procesadores que admiten tipos de matemáticas muy específicos. Es bien sabido que la IA funciona mejor en las GPU que en las unidades centrales de procesamiento (CPU), pero ninguna de las dos se diseñó originalmente para la IA. Cada vez vemos nuevos prototipos de procesadores, que se diseñan desde cero para ejecutar y entrenar modelos de aprendizaje profundo de forma más rápida y eficiente. En algunos casos, se ha demostrado que estos chips ahorran 14 veces más energía.

El procesamiento eficiente desde el punto de vista energético es el paso más importante que hay que dar, ya que reduce la necesidad de refrigeración a base de agua e incluso de energía renovable adicional, lo que a menudo implica sus propios costes medioambientales.

Opte por el código abierto

Estar abierto significa tener más ojos puestos en el código, más atención a los problemas y más prácticas en las soluciones. Ese nivel de colaboración transparente puede tener un enorme impacto. Por ejemplo, el proyecto Kepler de código abierto —gratuito y disponible para todos— ayuda a los desarrolladores a estimar el consumo de energía de su código a medida que lo crean, lo que les permite crear código que logre sus objetivos sin ignorar las concesiones energéticas que afectarán a los costes y las emisiones a largo plazo.

El código abierto también significa aprovechar la «sabiduría de las masas» para mejorar los modelos de IA existentes, en lugar de aprovechar nuestras redes energéticas para crear nuevos modelos para siempre. Estos modelos permitirán a las organizaciones con recursos limitados dedicarse a la innovación rentable y tranquilizarán a las organizaciones escépticas con flexibilidad, seguridad y confiabilidad.

El mayor proyecto de código abierto de la historia, Internet, se utilizó originalmente para compartir trabajos académicos. Ahora, sustenta gran parte de nuestra economía y sociedad.

Del mismo modo, al imaginar cómo la IA puede ayudar a lograr un futuro mejor, debemos esforzarnos por innovar y, al mismo tiempo, ser conscientes y responsables de las opciones que tenemos y de los recursos naturales involucrados.