Consumo de energía y agua en modelos de lenguaje: cifras oficiales y auditorías completas

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 un fragmento de este artículo, asegúrate de que sea esta tabla. Cada una de las filas detalla la procedencia junto al año, puesto que, careciendo de dichos datos, la cifra carece de sentido por completo.

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 se sitúa actualmente el gasto real.

• Por qué la dificultad no es 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 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].

El consumo eléctrico de 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.

Existen un par de lecturas compatibles de esta tabla. Por un lado, la inteligencia artificial representa todavía una porción discreta del suministro eléctrico global —apenas el 0,5 % en la actualidad, con una 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 de la industria eléctrica, dado que las redes de distribución requieren entre siete y diez años para su planificación, al tiempo que un data center se levanta en un bienio.

Un dato que refleja dicha desproporción: un modelo de dinámica de sistemas difundido en Sustainable Futures y enfocado en Virginia del Norte —el principal mercado mundial de centros de datos, zona que actualmente absorbe cerca del 25 % de la energía eléctrica local— revela que el margen de reserva proyectado descenderá por debajo del umbral de referencia del 17,7 % en un plazo de tres a cinco años, al tiempo que la proporción correspondiente a los centros de datos se elevaría hasta el 36 %-40 % del gasto energético regional para el año 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].

Dicha labor cobra relevancia por un par de motivos que van más allá de la simple cifra. Por un lado, su delimitación sistémica abarca el gasto energético del acelerador operativo, la plataforma anfitriona, el margen ocioso de los equipos y el sobrecosto eléctrico del centro de datos; en otras palabras, constituye un balance exhaustivo y no una estimación complaciente centrada únicamente en la GPU. Por otro lado, registra un descenso de 33 veces en energía y 44 veces en huella de carbono por consulta mediana en el transcurso de un único año, un logro derivado tanto de la optimización del software como de la adquisición de electricidad verde. En consecuencia, cualquier dato previo a 2024 sobre el gasto energético por consulta queda completamente desfasado por un orden de magnitud considerable.

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 contraintuitivo que resulta útil tener presente: durante un análisis multilingüe enfocado en NVIDIA H200 que superó las 5.100 ejecuciones, el consumo energético experimentó variaciones de hasta tres veces entre opciones con idénticas cargas de trabajo, la vinculación entre gasto de energía y desempeño lógico demostró ser escasa (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 requirieron en promedio un menor gasto energético que el inglés en diversos modelos [5].

El agua: un trío de grifos diferentes

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). Se trata de aquella que se evapora en el interior de las torres de refrigeración del propio centro de datos. Habitualmente acapara los titulares y constituye el único volumen que el operador gestiona de manera directa.

2. Agua indirecta (alcance 2). Aquella empleada en producir la electricidad que abastece las instalaciones informáticas: refrigeración en plantas térmicas y atómicas, además de la evaporación en pantanos hidroeléctricos. Habitualmente supera a la directa. Dentro del clúster de São Paulo, el cual cuenta con una capacidad de cálculo cercana a los 550 MW y un gasto hídrico anual calculado en 16,1 millones de m³, más del 46 % corresponde a «agua virtual» gastada durante la producción 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 ubicación cuenta más que la cantidad total sumada. Dos terceras partes de las recientes instalaciones de procesamiento de datos en Estados Unidos se ubican en áreas que padecen escasez de agua [18], mientras que una investigación difundida en PLOS Water señala cuatro inquietudes registradas en procesos judiciales y documentos oficiales en Estados Unidos: el debilitamiento de la gestión democrática del recurso hídrico, una explotación desmedida acompañada de alzas en las tarifas, la reducción del margen de maniobra en la gestión del agua, y una mayor demanda hídrica impulsada por el crecimiento del consumo eléctrico [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].

• 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 [18]. 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» [11].

Adicionalmente, existe un aspecto de ingeniería eléctrica poco divulgado que resulta clave para la organización de la red: la demanda energética durante la fase de entrenamiento no es constante. A través de un monitoreo exhaustivo basado en series temporales, se detectaron fluctuaciones que van desde el 15 % hasta el 85 % de la capacidad máxima de los equipos, lo cual genera repercusiones desfavorables para la estructuración a gran escala [22].

El inconveniente no es general, sino local

Si uno contempla exclusivamente las cifras macroscópicas, las consecuencias de la IA aparentan ser controlables. La dificultad radica en que los recursos materiales no se distribuyen equitativamente: Norteamérica, Europa Occidental y Asia-Pacífico concentran más del 90 % de la capacidad de cómputo proyectada[10], y al interior de dichos territorios el almacenamiento se vuelve a agrupar en unos cuantos 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 el impacto realmente

Esta es la sección de la literatura menos mencionada en los medios, aunque resulta la más práctica. Las cifras ya han sido 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 resulta igualmente relevante: el estudio publicado en Nature Sustainability advierte que, pese a implementar prácticas óptimas, la industria de servidores de IA apenas logrará cumplir con sus metas de cero neto para 2030 a menos que acuda a sistemas de compensación de carbono y de recuperación hídrica cuyos resultados generan profundas dudas[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 específica se evaluó? Una consulta breve de texto y la creación de un clip audiovisual no constituyen 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 sigue sin resolverse. Se ha planteado un esquema híbrido capaz de asignar la huella operativa a las naciones anfitriones, mientras que los impactos incorporados y de servicio recaen en las consumidoras, si bien todavía no se alcanza un consenso [24].

Preguntas frecuentes

¿Cuánta energía gasta una consulta realizada en ChatGPT o 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 [23]. 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 [11]. No existe una cifra única válida: depende del modelo, de la longitud de la respuesta y de cómo se sirva.

¿Es cierto que la inteligencia artificial gasta demasiada agua?

Dependiendo del enfoque adoptado, las estimaciones cambian notablemente. Para una solicitud individual, los registros oscilan entre los 0,26 ml reportados por Gemini en entornos reales y los 45 ml calculados por Le Chat mediante un análisis del ciclo de vida abarcando 400 tokens. Globalmente, las estimaciones para la inteligencia artificial a escala planetaria se sitúan entre 0,31 y 0,76 mil millones de metros cúbicos para 2025, tal como indica Patterns[1], mientras que Li et al. proyectan extracciones anuales de entre 4.200 y 6.600 millones de metros cúbicos para 2027 [2]. El contraste fundamental no radica tanto en la magnitud material como en los criterios conceptuales empleados: extracción versus consumo, además del alcance directo frente al 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], mientras que diversos cálculos documentados en la bibliografía especializada indican que la huella de carbono generada durante la fase operativa multiplica por 25 la del entrenamiento inicial [18]. Si se analiza el caso concreto de Mistral Large 2, el 91 % del agua consumida y el 85,5 % de las emisiones de gases de efecto invernadero provienen, de forma combinada, de ambas etapas de entrenamiento e inferencia.

¿Cuál es la proporción de electricidad global que demanda 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.

¿Solucionan las mejoras de eficiencia el inconveniente?

Solo de manera parcial. Los análisis de escenarios reflejan que, a pesar de que el rendimiento operativo experimenta un progreso considerable, el requerimiento global asciende cerca de un orden de magnitud debido al incremento en la utilización [12]. Hablamos del efecto rebote o paradoja de Jevons, constatado de manera clara en dichos estudios [18]. Aquellas proyecciones que consiguen abatir más las emisiones integran una menor cantidad de arquitecturas junto con un cambio hacia fuentes eléctricas con baja huella de carbono, rebasando por encima de 20 puntos porcentuales el impacto que la sola eficiencia es capaz de alcanzar [12].

¿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].

¿Cómo puede una organización emplear la inteligencia artificial para disminuir su huella ambiental?

Cuatro decisiones con efecto medible, por orden de impacto: elegir el modelo más pequeño que resuelva la tarea en lugar del más capaz disponible[21]; agrupar peticiones en lotes y estructurar su llegada en lugar de enviarlas sueltas [20]; seleccionar proveedor y región por intensidad de carbono y por estrés hídrico de la cuenca, no solo por latencia y precio [25]; y exigir al proveedor datos de energía y agua por consulta con metodología publicada, no declaraciones agregadas.

Enfoque y alcance de este texto

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 que carecen de una metodología publicada se señalan explícitamente y no se consideran equivalentes a las mediciones instrumentadas ni a los análisis de ciclo de vida verificados.

• El sector avanza a un ritmo frenético: el salto de 33 veces registrado por Google a lo largo de un año significa que cualquier dato por consulta requiere acotar su vigencia. Este texto recoge los datos accesibles al 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? (conjunto informativo sustentado en cifras 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.