Consumo eléctrico y hídrico de la inteligencia artificial: fuentes confiables y datos actualizados

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 únicamente vas a ojear una sección de este texto, asegúrate de que sea esta tabla. Cada hilera especifica la procedencia y la fecha, pues careciendo de estos datos la cifra pierde todo su sentido.

En este artículo vas a descubrir

• Por qué las cifras públicas no resultan comparables entre sí, además de los cinco parámetros que conviene definir antes de contrastar cualquier dato.

• 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 se sitúa actualmente el gasto real.

• Por qué el inconveniente no resulta global sino local, analizando las situaciones 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.

Por qué las cuentas no encajan: cinco parámetros que nadie establece

En julio de 2025 se produjo un acontecimiento revelador. Sam Altman, consejero delegado de OpenAI, dio a conocer que una petición promedio dirigida a ChatGPT requiere 0,34 Wh y cerca de 0,32 mililitros de agua. Poco después, Mistral AI dio a conocer el primer análisis de ciclo de vida integral sobre un modelo lingüístico comercial y cifró el agua de una respuesta de 400 tokens en 45 mililitros. Dos compañías del mismo ámbito, durante el mismo mes, con una disparidad superior a cien veces en idéntica métrica.

Ninguna de las dos posturas resulta necesariamente errónea. Evalúan aspectos diferentes, y ese es justamente el trasfondo de esta discusión. Una revisión sistemática compuesta por 88 investigaciones evaluadas por expertos y difundida en Renewable and Sustainable Energy Reviews reveló que el gasto energético por tarea durante la inferencia abarca más de tres órdenes de magnitud en los trabajos científicos; en este sentido, producir imágenes demanda aproximadamente 1.450 veces más recursos que una operación elemental de clasificación de textos [3].

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

A esto se suma una traba estructural en materia de transparencia. Un estudio dado a conocer en Patterns en 2025 lo señala con total claridad: los reportes ecológicos de los administradores de centros de datos no diferencian el tráfico de inteligencia artificial del resto de demandas, por lo que el impacto ambiental de la IA únicamente se calcula mediante estimaciones basadas en indicadores globales de las instalaciones; además, con frecuencia los datos difundidos ni siquiera posibilitan calcular el consumo global de la empresa [1].

Cuánta electricidad consumen los centros de datos

Aquí las cifras resultan más firmes, ya que se apoyan en fuentes institucionales con metodologías transparentes. La Agencia Internacional de la Energía (AIE) encabeza estas estimaciones: en su reporte Energy and AI, publicado en abril de 2025, calculó una demanda mundial de los centros de datos de aproximadamente 945 TWh en 2030, una cantidad equivalente al gasto eléctrico anual de Japón. Por su parte, la edición de Electricity 2026 ubica la base de 2025 cerca de los 485 TWh, lo que equivale al 1,5 % de la energía global, de los cuales unos 155 TWh se destinan exclusivamente a infraestructuras de IA.

Se pueden extraer dos lecturas compatibles de esta tabla. Por un lado, a escala global, la inteligencia artificial representa todavía un porcentaje reducido de la red eléctrica global —aproximadamente el 0,5 % en la actualidad, con proyección de alcanzar entre el 1 % y el 1,2 % hacia 2030, basándose en la previsión más prudente [10]—. Por otro lado, la velocidad de expansión carece de antecedentes recientes dentro del sector eléctrico, dándose la circunstancia de que las redes de suministro requieren márgenes de siete a diez años para su planificación, al tiempo que un centro de datos se levanta en un período de 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 [17].

Cuánto demanda una única petición

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 [23].

Ese cometido cobra relevancia por un par de motivos que van más allá de la simple cifra. Por un lado, el perímetro del sistema abarca tanto la energía del acelerador activo y el equipo principal como la potencia ociosa de los equipos y el gasto energético adicional del centro de datos; en otras palabras, se trata de una medición exhaustiva y no de una estimación favorable de GPU. Por otro lado, registra un descenso de 33 veces en energía y 44 veces en huella de carbono por consulta mediana en un solo año, logro derivado de la optimización del software y la adquisición de electricidad limpia. Por consiguiente, cualquier dato sobre el consumo por consulta previo a 2024 queda desfasado por múltiplos considerables.

La moraleja práctica no aboga por el consumo mínimo ni por el desmedido. Más bien, se deduce que la selección del modelo y su modalidad de servicio influyen mucho más que la propia decisión de implementar o prescindir de la inteligencia artificial. A través de una investigación empírica centrada en H100, se descubrió que organizar temporalmente las solicitudes entrantes es capaz de recortar el gasto energético por consulta hasta un centenar de veces, mientras que los beneficios derivados de emplear una precisión menor únicamente se manifiestan en escenarios condicionados por la capacidad de cálculo [20]. Por otro lado, un análisis diferente enfocado en 14 arquitecturas abiertas que oscilaban entre los 6.000 y los 34.000 millones de parámetros determinó que expandir las dimensiones del sistema incrementa notablemente el gasto energético sin aportar avances exactos equivalentes, evidenciando además que, en numerosas actividades, los sistemas medianos consiguen igualar o superar a los de mayor envergadura gastando una cantidad considerablemente menor de energía [21].

Hay además un descubrimiento inesperado que resulta útil tener presente: durante un análisis multilingüe enfocado en NVIDIA H200 que superó las 5.100 pruebas, el consumo energético llegó a multiplicarse por tres entre arquitecturas con idénticas demandas de trabajo, el vínculo entre el gasto de energía y la eficacia lógica demostró ser escaso (ρ de Spearman = 0,109; p = 0,386), mientras que el idioma de la consulta se comportó como un parámetro medible de despliegue: las lenguas romances gastaron en promedio menor cantidad de energía que el inglés en diversos modelos [5].

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.

1. Agua directa (alcance 1). La que se evapora en el interior de las torres de refrigeración del centro de datos. Se trata del volumen que suele acaparar los titulares y el único sobre el cual el operador ejerce un control directo.

2. 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[7].

3. 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 [14]. 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 [7].

Nótese la discrepancia entre la primera y la segunda línea: existe un orden de magnitud de por medio. No se trata de un fallo en ninguna de las dos labores, sino de que la primera cuantifica la retirada mientras que la segunda calcula la huella atribuida a cargas de IA. Cualquier publicación que equipare ambas métricas carece de rigor.

La localización importa más que el volumen agregado. Dos tercios de los nuevos centros de datos estadounidenses se sitúan en zonas con estrés hídrico [18], 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 [13].

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 [19], 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 [18].

Esto acarrea tres efectos que transforman por completo el debate:

• 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 [4].

• Surge el efecto rebote. Dentro de esta literatura se documenta de forma explícita la paradoja de Jevons: las optimizaciones en la eficiencia abaratan el servicio y elevan la demanda global [18]. Tal como lo plantean Jegham et al., se trata de «una paradoja en auge: conforme la inteligencia artificial resulta más económica y ágil, su implantación generalizada estimula un gasto desmedido de recursos» [11].

Además, existe un factor de ingeniería eléctrica poco conocido que resulta clave para estructurar la red: la demanda energética durante las fases de entrenamiento no es constante. Mediante un registro detallado basado en series temporales, se detectaron fluctuaciones que oscilan entre el 15 % y el 85 % de la capacidad máxima del hardware, lo cual genera complicaciones considerables para la proyección a gran escala de la red [22].

El problema no es global, es local

Si uno observa únicamente las cifras globales, las consecuencias de la IA aparentan ser controlables. El inconveniente radica en que los recursos no se distribuyen equitativamente: Norteamérica, Europa Occidental y Asia-Pacífico concentran más del 90 % de la capacidad de cómputo proyectada[10], al tiempo que, dentro de dichos territorios, la acumulación se repite en un número reducido de enclaves.

Conviene prestar atención al último renglón debido a que desafía el sentido común. El rastro de una petición idéntica cambia notablemente dependiendo del territorio en que se realice, y no siempre en el sentido previsible. El emplazamiento del centro de datos y la arquitectura de su climatización condicionan la huella ecológica tanto como la eficiencia del hardware[25].

Qué mitiga realmente el impacto

Esta faceta literaria recibe escasas menciones en los medios, a pesar de ser la más práctica. Sus proporciones se encuentran medidas:

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 [9]. 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[6].

Cómo auditar cualquier titular sobre consumo de IA

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

1. ¿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.

2. ¿Qué incluye la frontera del sistema? ¿Acaso abarca únicamente la GPU, o también engloba el servidor, el margen de capacidad ociosa, el coeficiente PUE de las instalaciones y la propia producción del hardware?

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

4. ¿Qué tarea concreta se midió? Una consulta breve de texto y la creación de un vídeo no representan la misma unidad de análisis.

5. ¿Es medición, estimación o declaración? Existen tres grados de evidencia sumamente diferenciados: la medición instrumentada en entornos de producción, la inferencia estadística a partir de datos públicos de API, y la declaración corporativa carente de metodología.

6. ¿Está normalizada por utilidad? Valorar la energía consumida por cada consulta sin especificar la calidad del resultado obtenido impide establecer comparaciones justas. Por esta razón se sugiere el uso de indicadores compuestos como AI Energy Score, capaces de reflejar la eficiencia del razonamiento por cada unidad de energía empleada [5].

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 existen evaluaciones integrales y revisadas por pares acerca de los modelos de razonamiento o de la inteligencia artificial agéntica. Así lo subraya de forma explícita un análisis sistemático de 88 investigaciones: se trata de una categoría novedosa que carece de métricas exhaustivas divulgadas [3]. Teniendo en cuenta que estas tecnologías producen una cantidad muy superior de tokens por cada operación, este vacío representa, con casi total seguridad, la carencia más significativa en la actualidad.

• 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 reportes ecológicos, obstaculizando la asignación precisa de los impactos [1].

• Los registros municipales sobre el uso del agua casi nunca se divulgan de forma abierta. Las administraciones municipales y las compañías suministradoras no siempre los ponen a disposición de la ciudadanía, por lo cual resulta indispensable pedirlos mediante los mecanismos de acceso a la información [13].

• 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 [24].

Preguntas frecuentes

¿Cuánta energía demanda una consulta realizada en ChatGPT o Gemini?

Google proporciona la única medición instrumentada disponible en un entorno productivo para Gemini: 0,24 Wh energéticos y 0,26 ml hídricos por cada consulta textual mediana, considerando un perímetro sistémico que abarca el acelerador, el servidor central, el margen operativo inactivo y el gasto general del centro de datos [23]. Por su parte, OpenAI reportó 0,34 Wh y aproximadamente 0,32 ml en relación con ChatGPT, omitiendo los detalles metodológicos. Investigaciones independientes registran cifras superiores a 29 Wh cuando se trata de peticiones extensas y arquitecturas exigentes [11]. Carecemos de un valor universal aplicable, pues este varía en función de la arquitectura, la extensión de la contestación y la infraestructura de despliegue.

¿Es cierto que la inteligencia artificial gasta demasiada agua?

Dependiendo de lo que se aborde, los registros varían desde los 0,26 ml (en el caso de Gemini, evaluado en un entorno real) hasta los 45 ml (según la estimación de ciclo de vida para 400 tokens en Le Chat). Por otro lado, las estimaciones globales para la inteligencia artificial oscilan entre los 0,31 y los 0,76 mil millones de m³ previstos para 2025, de acuerdo con Patterns[1], mientras que Li et al. calculan extracciones anuales de entre 4.200 y 6.600 millones de m³ para el año 2027 [2]. El contraste fundamental no radica tanto en la dimensión material, sino en el criterio conceptual: extracción en contraposición a consumo, además del alcance operativo, ya sea directo o indirecto.

¿Qué pesa más, entrenar un modelo o usarlo?

Usarlo. La inferencia concentra más del 90 % del consumo energético de un servicio en explotación[19], y una estimación recogida en la literatura sitúa la huella de carbono de la fase de uso en 25 veces la del entrenamiento inicial [18]. 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?

Globalmente, las infraestructuras de procesamiento de datos requirieron cerca de 485 TWh durante 2025, lo que representa aproximadamente el 1,5 % de la demanda energética global; de esta cifra, cerca de 155 TWh estuvieron vinculados a complejos dedicados a la inteligencia artificial. En otras palabras, la IA ronda el 0,5 % del consumo eléctrico mundial. Las estimaciones de la AIE apuntan a que el conjunto de estos centros alcanzará los 945 TWh hacia 2030, abarcando casi el 3 %, mientras la inteligencia artificial incrementa su protagonismo dentro de dicha cifra.

¿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 [12]. Es el efecto rebote o paradoja de Jevons, documentado explícitamente en esta literatura [18]. 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 [12].

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

En principio sí, aunque con matices. Tras examinar sistemáticamente 88 investigaciones, se determina que esto resulta factible únicamente si se dinamiza la implantación, se transita del balance anual de energía limpia al emparejamiento horario —conocido como 24/7 carbon-free energy— y se implementan normativas ajustadas a cada región. Los mecanismos de adquisición energética difieren notablemente: la llamada «brecha de adicionalidad» separa los certificados desagregados de la sincronización horaria efectiva [3].

¿De qué manera puede una compañía que emplea inteligencia artificial disminuir su impacto ambiental?

Cuatro decisiones con impacto cuantificable, dispuestas según su repercusión: optar por la versión más ligera que cumpla con el objetivo en vez de la alternativa más potente[21]; agrupar solicitudes por lotes y coordinar su flujo en lugar de despacharlas individualmente [20]; elegir el proveedor y la ubicación basándose en la huella de carbono y la escasez hídrica local, y no meramente en la latencia o la tarifa [25]; así como demandar al prestador de servicios métricas detalladas de consumo energético e hídrico por cada petición respaldadas por metodologías transparentes, huyendo de cifras globales.

Metodología y límites de este artículo

Este artículo se ha elaborado a partir de bibliografía evaluada por expertos hallada mediante exploración semántica en repositorios científicos (Semantic Scholar, OpenAlex y PubMed mediante Consensus), la cual se complementa con tres clases de datos primarios ajenos al ámbito académico: reportes de instituciones oficiales (Agencia Internacional de la Energía, Lawrence Berkeley National Laboratory por encomienda del Departamento de Energía de Estados Unidos), estudios de ciclo de vida difundidos por productores con auditoría externa (Mistral AI con Carbone 4, ADEME, Resilio y Hubblo), además de registros operativos en entornos reales compartidos por proveedores (Google).

Tres límites que el lector debe tener presentes:

• Las cifras de 2030 y los años siguientes se plantean como escenarios, y no como simples previsiones. La mención de horquillas amplias responde a una incertidumbre auténtica que aparece cuantificada en la fuente original, y no a discrepancias entre los especialistas.

• 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

1. 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

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

3. 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

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

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

6. 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

7. 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

8. 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

9. 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

10. 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

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

12. 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

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

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

15. 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

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

17. 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

18. 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

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

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

21. 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

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

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

24. 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

25. 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.

Los valores por consulta de las herramientas comerciales de IA varían velozmente: cualquier estadística de esta clase tiene que contrastarse con el reporte más actual de la compañía proveedora.