Inteligencia artificial verde
La confluencia entre la inteligencia artificial y la sostenibilidad: inteligencia artificial verde
La irrupción de las tecnologías de inteligencia artificial (IA) ha transformado nuestra manera de trabajar, interactuar, tomar decisiones y resolver problemas complejos en diversos sectores. Sin embargo, a medida que aumenta el protagonismo de estas herramientas, crece también la preocupación por su impacto medioambiental, causada por la elevada necesidad energética de la computación para el entrenamiento y el uso de los modelos de IA. La inteligencia artificial verde se postula como una de las principales vías de mitigación que tienen en cuenta la huella de carbono generada por la IA común, no sólo para minimizar el impacto propio, sino para maximizar la utilidad de los algoritmos de IA en la lucha por la sostenibilidad.
Noviembre de 2025
Aproximadamente 11 minutos
Departamento - Tecnología de Iberdrola
No vemos a la IA, pero suele estar presente. La previsión meteorológica, la navegación por GPS o las recomendaciones en Internet, así como muchas otras tareas digitales que llevamos a cabo en el día a día se apoyan en grandes motores de inteligencia artificial. Aunque estas tecnologías aportan grandes ventajas, también tienen un impacto medible sobre el medio ambiente, ya que elevan significativamente el consumo de energía y otros recursos.
Conforme avanzan la producción e integración de modelos de IA, aumenta también la preocupación por el desarrollo de una tecnología respetuosa con el planeta en plena transición energética. Este es el germen de la Inteligencia Artificial Verde, un concepto que toma cada vez mayor protagonismo en el sector.
¿Qué es la inteligencia artificial verde?
La relación de la IA con el sector energético es simbiótica y funciona en ambos sentidos. La IA verde (o Green AI) se refiere a aplicaciones cuya finalidad es una mejora de eficiencia, reducir el consumo eléctrico y mejorar los ecosistemas (Green-By) o puede referirse a hacer que esa IA, independientemente del uso que se le dé, sea intrínsicamente más eficiente energéticamente tanto en el hardware como el software (Green-In).
La inteligencia artificial verde, en su vertiente de “verde en IA” (Green-in AI), es un enfoque emergente que tiene como objetivo reducir el impacto ambiental de las tecnologías de IA a través de prácticas más sostenibles. Esta visión contempla la optimización de algoritmos y modelos para consumir menos energía, el uso de infraestructuras más eficientes y la implementación de hardware diseñado para minimizar el consumo eléctrico
Este paradigma establece que, para conseguir un menor consumo energético, se debe alcanzar un equilibrio entre el volumen de datos necesario para entrenar los modelos, la cantidad de tiempo para entrenarlos y el número de interacciones necesarias para optimizarlos. Como resultado, se obtendría un conjunto de tecnologías altamente eficientes para impulsar el uso de las aplicaciones de inteligencia artificial.
Algunos ejemplos concretos de Green-In AI abarcando toda la cadena de valor de la computación:
- Origen renovable: Autoconsumo y almacenamiento para maximizar eficiencia.
- Optimización del conjunto de datos: eliminando datos de bajo valor
- Optimización de los algoritmos: mediante reducción de parámetros o técnicas como Mixtures of Experts que optimizan el consumo.
- Hardware adecuado: No solo prevenir obsolescencia si no usar equipos específicos para su uso como TPUs (tensor processing units) o VPUs (vision processing units)
- Inferencia eficiente: aplicaciones que guardan consultas clave para evitar repetidas inferencias.
- Módulos eficientes: optimizar la ubicación de racks, tipo de refrigeración, densidad de cómputo para asegurar que el consumo se aprovecha.
- Edificios eficientes: el último paso en asegurar la menor huya de la IA es reducir el consumo en acondicionamiento, iluminación, seguridad etc de los propios edificios y campus.
Al mismo tiempo, reivindica la importancia de priorizar las fuentes de energía renovables en los centros de datos y en la infraestructura y tecnología necesaria para entrenar y ejecutar modelos de inteligencia artificial, lo que ayuda a reducir la huella de carbono. También aboga por la transparencia en la medición y reporte del consumo energético y las emisiones de CO2 en estos procesos.
Por otra parte, la inteligencia artificial “verde por IA” (Green-by-AI) engloba a aquellas iniciativas que aplican tecnologías de inteligencia artificial a problemas medio ambientales, como la optimización de procesos logísticos o de gestión de recursos con impacto medioambiental, o como la optimización de los consumos energéticos, mediante modelos avanzados de previsión meteorológica o gestión de consumos y mercados.
Esta unión de inteligencia artificial y sostenibilidad aboga por estrategias más responsables que garanticen que los avances tecnológicos se alinean con los objetivos mundiales de sostenibilidad. Un paso más hacia un futuro ecológico que no sacrifique el progreso.
¿Por qué es importante la IA verde? La huella ecológica de la inteligencia artificial
Las herramientas de inteligencia artificial tienen una vida útil compuesta por diferentes fases. Cada una de ellas puede tener un impacto perjudicial en el medio ambiente. Estas son algunas cifras clave:
- En 2024, los centros de datos consumieron aproximadamente 415 TWh.
- Se estima que para 2030, los centros de datos consumirán 945 TWh, equivalente al consumo eléctrico total de Rusia.
- Se calcula que GPT 3.5 (ChatGPT) consumió unos 1,3 GWh para entrenarse, para GPT-4 el consumo fue de 50 GWh.
- Si cada búsqueda en Google usara IA generativa, el consumo diario sería de 80 GWh, más que el consumo total diario de Irlanda contra 1 GWh actualmente con búsquedas indexadas.
- ChatGPT consume de sus usuarios unos 620 MWh diarios, es decir, cada dos días consume lo mismo que necesitó para entrenar.
- Se estima que el entrenamiento y la inferencia hasta la fecha de GPT-3 y GPT-4 (que se han usado en ChatGPT) ha consumido 380 GWh.
Fuentes: “We did the math on AI’s energy footprint. Here’s the story you haven’t heard”,
Enlace externo, se abre en ventana nueva. MIT Technology Review; “AI Environment Statistics 2025: How AI Consumes 2% of Global Power and 17B Gallons of Water”, Enlace externo, se abre en ventana nueva. All about AI.
Factores que contribuyen a las emisiones de carbono en IA
- Entrenamiento de modelos de gran escala
- Infraestructura y centros de datos
- Producción y desecho de hardware
Estrategias de mitigación
- Optimización de modelos y algoritmos: Comprensión de los modelos, algoritmos verdes y entrenamiento eficiente con métodos como el aprendizaje transferido: aprendizaje inicial de una tarea general y luego ajustes para específicas en vez de entrenamiento desde cero.
- Uso de energía renovable: Migración de los centros de datos a fuentes de energía renovable e implementación de tecnologías de almacenamiento energético.
- Optimización del hardware: Mejora en la producción y reciclaje de hardware, fomentando la eficiencia energética y la reutilización.
- Regulación y normativa: Desarrollo de estándares que promuevan la eficiencia energética y la sostenibilidad. Aplicación de incentivos fiscales y normativas que impulsen el uso de la energía renovable.
- Monitoreo y reporte de emisiones: Fomento de la transparencia en la divulgación del consumo energético y las emisiones de carbono por parte de las empresas de IA y desarrollo de herramientas para su reducción.
Algoritmos verdes
Los algoritmos articulan las interacciones que emprendemos con y a través de los dispositivos digitales que utilizamos a diario. Son los responsables de mejorar nuestras experiencias en tareas diarias como buscar contenido en internet o consultar un chatbot diseñado para responder peticiones de manera inmediata. Los algoritmos de inteligencia artificial no escapan de la huella de carbono generada y la pueden maximizar: cuando las consideraciones de sostenibilidad no intervienen en su diseño, pueden llegar a tener un gran coste para el medio ambiente.
Los algoritmos verdes, que surgen como alternativa ecológica, incluyen estrategias y métodos de programación computacional que buscan minimizar el impacto ambiental asociado a su ejecución. Es decir, el objetivo es reducir el consumo de recursos y energía y, por lo tanto, la huella de carbono asociada a los sistemas informáticos.
Para que los algoritmos verdes de inteligencia artificial sean efectivos, se deben tener en cuenta dos fases distintas de su ciclo de vida:
El entrenamiento del algoritmo
En este momento se establecen los pesos de cada uno de los billones de parámetros de un modelo, para lo cual itera numerosas veces sobre inmensos conjuntos de datos y conlleva Un inmenso consumo energético.
El uso del algoritmo
Alude a la fase de inferencia y depende de cómo de masiva sea su aplicación: ¿Cuántos usuarios lo emplean? ¿En cuántos dispositivos?
Varios países y organismos internacionales están reuniendo esfuerzos para desarrollar planes nacionales de algoritmos verdes o iniciativas para medir el impacto ambiental de esta tecnología y asegurar su calidad y sostenibilidad.
La Unión Europea, plantea la IA como un área estratégica de desarrollo y está promoviendo proyectos que además de aplicar la IA lo hacen de forma sostenible. Estas iniciativas, en proceso de desarrollo continuo, pretenden fomentar la eficiencia energética de la IA y establecer políticas para la IA sostenible. La coordinación europea se formula en torno al AI Act de agosto 2024 y se planifica su aplicación a través del IA Pact,Enlace externo, se abre en ventana nueva. al cual Iberdrola fue la primera empresa energética de Europa en adherirse en septiembre 2024.
Dentro de España la supervisión de la IA se articula a través de la Agencia Española de la Supervisión de la IA (AESIA) En esta región destacan programas como:
El Programa Nacional de Algoritmos Verdes (PNAV)
Es una iniciativa de España en la que Iberdrola colabora que pretende potenciar la investigación de IA sostenible. Además, el objetivo es potenciar el uso de fuentes renovables y que el consumo energético sea eficiente.
Sello de Calidad Green Tech
Esta certificación se creará para para reconocer aquellos modelos de IA que cumplan con los criterios de sostenibilidad y se implementará en aquellas empresas de hardware y software sostenible.
El Programa Nacional de Algoritmos Verdes (PNAV)
Es una iniciativa de España en la que Iberdrola colabora que pretende potenciar la investigación de IA sostenible. Además, el objetivo es potenciar el uso de fuentes renovables y que el consumo energético sea eficiente.
Sello de Calidad Green Tech
Esta certificación se creará para para reconocer aquellos modelos de IA que cumplan con los criterios de sostenibilidad y se implementará en aquellas empresas de hardware y software sostenible.
Entre los recursos disponibles de referencia, destaca el informe Energy and AI World Energy Outlook [PDF] de la Agencia Internacional de la Energía (IEA), fruto de la Conferencia Mundial sobre Energía e Inteligencia Artificial 2024.Enlace externo, se abre en ventana nueva. El documento tiene como objetivo llenar este vacío basándose en nuevos modelos y conjuntos de datos globales y regionales, así como en una amplia consulta con gobiernos y reguladores, el sector tecnológico, la industria energética y expertos internacionales. Incluye proyecciones de cuánta electricidad podría consumir la IA durante la próxima década, así como qué fuentes de energía están configuradas para ayudar a satisfacerla. También analiza lo que la adopción de la IA podría significar para la seguridad energética, las emisiones, la innovación y la asequibilidad.
Herramientas de medición
Recientemente la Secretaría de Estado de Digitalización e Inteligencia Artificial (SEDIA), junto con la Asociación Española de Normalización (UNE), ha publicado una especificación técnica pionera que permitirá medir el impacto ambiental de los sistemas de Inteligencia Artificial (IA). Esta iniciativa se enmarca en el Programa Nacional de Algoritmos Verdes (PNAV) y forma parte de la Estrategia Nacional de Inteligencia Artificial 2024.
El nuevo marco normativo establece criterios comunes para evaluar el consumo energético, la huella de carbono, el uso de agua y el rendimiento de los modelos de IA, especialmente en fases de entrenamiento e implementación. La especificación proporciona una guía detallada para cuantificar el impacto ambiental de los modelos, con especial atención a los sistemas de IA generativa y los grandes modelos de lenguaje (LLMs), por su mayor carga computacional.
En su elaboración ha participado un grupo de trabajo formado por más de 40 expertos, entre los que figuran investigadores en algoritmos verdes, empresas tecnológicas, firmas especializadas en IA y organismos de certificación que han aportado la perspectiva de verificación, entre los que ha participado el área de Tecnología de Iberdrola.
Independientemente de estas actividades de estandarización, se han creado diversas herramientas de medición del consumo de la IA y continuamente se están adaptando a la creación de nuevos modelos y arquitecturas de IA. Algunos ejemplos de estas son:
- PyJoules es una herramienta en Python que mide el consumo energético de código durante su ejecución, utilizando sensores de hardware como Intel RAPL y NVIDIA NVML para evaluar la eficiencia energética de sistemas y algoritmos.
- CodeCarbon es una herramienta ligera y de código abierto en Python que estima las emisiones de CO₂ generadas por el uso de recursos informáticos al ejecutar código, ayudando a optimizarlo y reducir su impacto ambiental
Reglamento Europeo de la IA
Objetivos fundamentales del reglamento: ética, transparencia y seguridad.
-S. Núñez, P. Salas-
Historia de la Inteligencia Artificial
Descubre su historia y cómo en Iberdrola aprovechamos esta tecnología.
Evolución de la inteligencia artificial
Descubre cómo ha evolucionado la IA a lo largo de los años.
Tipos de algoritmos de la IA
Conoce los tipos de algoritmos que emplea la inteligencia artificial.
Desafíos para el desarrollo de la inteligencia artificial sostenible
El desarrollo de la IA verde se enfrenta a una serie de retos que deben ser solucionados para minimizar el impacto ambiental y garantizar que la tecnología sea responsable con el medio ambiente. Algunos de estos desafíos son:
Gran consumo energético
Los modelos de IA, especialmente los modelos de lenguaje como GPT y BERT, y los centros de datos que los ejecutan y almacenan requieren de grandes cantidades de energía para entrenarse, con consecuencias perjudiciales para el medio ambiente. Este obstáculo incrementa la necesidad de fuentes de energía sostenible.
Falta de normativa
En la actualidad no existen normas aceptadas para medir y certificar la sostenibilidad en la IA, lo que dificulta que las empresas y los desarrolladores adopten prácticas sostenibles de manera generalizada. Todas las políticas y regulaciones gubernamentales están aún en sus etapas iniciales.
Costos asociados
La implementación de prácticas sostenibles en la IA puede requerir inversiones iniciales significativas que no todas las organizaciones están dispuestas o pueden afrontar. Aunque la IA sostenible requiera una inversión de tiempo y recursos en su fase inicial, a largo plazo el beneficio es superior para el planeta y la sociedad.
Ética y responsabilidad
Uno de los desafíos más importantes relacionados con el avance de la IA es garantizar que esta se utilice de manera ética y responsable. Y, por supuesto, que también sea así en el ámbito medioambiental. Para evitar posibles prejuicios, es necesario crear regulaciones y marcos éticos estables que permitan cuantificar y responsabilizar de importantes impactos medioambientales como consecuencia del uso de la IA.
Privacidad y seguridad de datos
La implementación de la IA requiere el uso de grandes cantidades de datos, lo que plantea preocupaciones sobre la privacidad y la seguridad. Es esencial garantizar la protección de los datos personales y medioambientales recopilados, evitando posibles brechas o abusos de información sensible.
Desigualdad en la distribución de recursos
No todas las empresas, organizaciones o países tienen en la actualidad el mismo acceso a tecnologías eficientes o fuentes de energía renovable, lo que puede generar desigualdades en la capacidad de desarrollar IA verde. Lo mismo ocurre con la investigación y el desarrollo, lo que limita su difusión y adopción mundial.
Transparencia y colaboración
La opacidad en la investigación, desarrollo y aplicación de los sistemas de IA verde puede ser un obstáculo para su adopción global. Abordar los desafíos de sostenibilidad a gran escala requiere de una colaboración estrecha entre expertos, científicos, gobiernos, empresas y la sociedad en general.