Consumo de agua de la IA: por qué las cifras virales son engañosas
Cada pocos meses, un nuevo titular afirma que hacer una pregunta a ChatGPT se bebe una botella de agua. Las cifras suenan alarmantes y se propagan rápidamente. Pero cuando se profundiza en la metodología detrás de estas afirmaciones, la imagen se vuelve considerablemente más confusa. El consumo de agua de la IA se ha convertido en un punto de conflicto en los debates sobre sostenibilidad, sin embargo, las estadísticas virales que circulan en línea a menudo carecen del contexto necesario para entender lo que realmente significan. La realidad es más matizada y, en muchos casos, mucho menos dramática de lo que sugieren los críticos.
Las estadísticas sobre el consumo de agua de la IA que circulan en línea a menudo tergiversan la realidad al confundir el entrenamiento único del modelo con las consultas continuas y aplicar escenarios de refrigeración en el peor de los casos de manera universal. Las mediciones reales de Google muestran que un mensaje de texto típico utiliza aproximadamente 0,26 mililitros de agua, casi 2.000 veces menos de lo que sugieren las afirmaciones virales. Si bien la expansión de los centros de datos en regiones con estrés hídrico merece atención, la huella de la industria sigue siendo pequeña en comparación con la agricultura o la manufactura, y las mejoras en eficiencia continúan reduciendo significativamente el uso de recursos por consulta.
Las afirmaciones virales sobre la IA y el agua
La cifra más citada sugiere que una sola conversación con ChatGPT (a menudo definida como de 20 a 50 preguntas) utiliza 500 ml de agua. Este número se originó en un estudio de 2023 que también estimó que entrenar GPT-3 en los centros de datos de Microsoft en EE. UU. podría evaporar directamente 700.000 litros de agua dulce limpia. La estadística es técnicamente precisa para ese escenario específico, pero se ha despojado de contexto y se ha aplicado ampliamente a cada interacción de IA independientemente del modelo, la ubicación o la infraestructura.
Lo que comenzó como un hallazgo limitado sobre el entrenamiento de un modelo específico en instalaciones específicas se convirtió en una acusación universal contra todo uso de IA. Eso es un problema. El entrenamiento ocurre una vez, pero la inferencia ocurre miles de millones de veces. Confundirlos produce conclusiones sumamente engañosas.
Titulares frente a la realidad
La afirmación de “botella de agua por consulta” confunde el entrenamiento con la inferencia, ignora las variaciones regionales en los métodos de refrigeración y asume los peores escenarios. Las propias mediciones de Google cuentan una historia diferente: el mensaje de texto mediano de Gemini Apps consume solo 0,26 mililitros de agua, aproximadamente cinco gotas. Eso es casi 2.000 veces menos de lo que sugieren las afirmaciones anteriores.
La brecha entre estas cifras revela cuánto importa la metodología. Un estudio que mide el entrenamiento en Arizona durante el verano producirá cifras drásticamente diferentes a las de uno que mide la inferencia en Finlandia durante el invierno.
Cómo se calculan estas cifras
La mayoría de las estimaciones alarmistas se basan en métodos de atribución que asignan todo el uso de agua del centro de datos a las cargas de trabajo de IA, incluso cuando esas instalaciones ejecutan innumerables otros servicios. A menudo utilizan cifras de consumo máximo de sistemas de refrigeración intensivos en agua en climas cálidos y luego aplican esos números a nivel global. Los marcos de investigación que intentan evaluar la huella ambiental de la IA reconocen un obstáculo fundamental: los proveedores de IA comercial no revelan datos de inferencia específicos del modelo, lo que obliga a los investigadores a hacer suposiciones que pueden inflar dramáticamente las estimaciones.
Cómo funciona realmente la refrigeración de los centros de datos
Comprender el consumo de agua de la IA requiere entender cómo los centros de datos gestionan el calor. Los servidores generan calor durante el cálculo, y ese calor debe eliminarse para evitar fallas en el equipo. El método elegido depende en gran medida del clima, los recursos locales y las prioridades de eficiencia. Una instalación en Phoenix opera de manera muy diferente a una en Estocolmo, sin embargo, los críticos a menudo las tratan como idénticas al calcular el impacto ambiental.
Sistemas de refrigeración explicados
La refrigeración por aire tradicional utiliza ventiladores y aire acondicionado, consumiendo relativamente poca agua pero más electricidad. La refrigeración evaporativa, cada vez más popular en grandes instalaciones, intercambia agua por eficiencia energética utilizando la evaporación para disipar el calor. Enfoques más nuevos como la refrigeración líquida por inmersión sumergen el equipo en un fluido no conductor, eliminando el uso de agua por completo.
La elección depende de las condiciones locales. Las empresas ubican cada vez más sus instalaciones donde el estrés hídrico es menor y la energía renovable es abundante, lo que hace que las declaraciones generales sean inherentemente engañosas.
Extracción frente a consumo
Los críticos a menudo confunden la extracción de agua con el consumo de agua. Extracción significa agua tomada de una fuente; consumo significa agua que no regresa. Muchos sistemas de refrigeración extraen agua, la usan y devuelven la mayor parte a la fuente. La distinción importa enormemente: una instalación podría extraer millones de litros mientras en realidad consume solo una fracción. Al evaluar soluciones de IA seguras para empresas, entender esta diferencia ayuda a separar las preocupaciones genuinas de las estadísticas infladas.
Poniendo en contexto las cifras del consumo de agua de la IA
Las cifras sin contexto engañan. Los centros de datos representan aproximadamente el 0,2% del consumo de agua dulce en EE. UU. Eso suena masivo hasta que se compara con otras industrias. La agricultura representa aproximadamente el 70% de las extracciones de agua dulce a nivel mundial. Un solo campo de golf en Arizona usa más agua anualmente que muchos centros de datos. La pregunta no es si la IA usa agua; es si ese uso es proporcional a su valor y comparable a las alternativas.
Comparaciones industriales
Considere estas proporciones:
- Producir un kilogramo de carne de res requiere aproximadamente 15.000 litros de agua a nivel mundial. Sin embargo, esta es en gran parte agua “verde” alimentada por lluvia; el agua “azul” real (extraída de ríos y acuíferos) es de alrededor de 2.000 litros en EE. UU., sigue siendo una cantidad masiva en comparación con los servicios digitales.
- Fabricar una sola camiseta de algodón utiliza alrededor de 2.700 litros de agua, en gran parte debido a las altas necesidades de riego del algodón y al intensivo proceso de teñido.
- Una fábrica de semiconductores típica consume miles de millones de litros anualmente.
- Las plantas de energía térmica usan vastamente más agua que todos los centros de datos combinados.
Los centros de datos todavía representan solo una pequeña parte del uso total de agua en EE. UU. La huella de la industria de la IA, aunque está creciendo, sigue siendo modesta en comparación con las industrias establecidas que rara vez enfrentan un escrutinio similar. Nadie comparte publicaciones virales sobre la huella hídrica de su café de la mañana, sin embargo, una sola taza requiere aproximadamente 140 litros para producir cuando se tiene en cuenta el cultivo y el procesamiento de los granos.
Actividades cotidianas
Las mediciones de Google ponen las consultas de IA en perspectiva: un solo mensaje de texto utiliza energía equivalente a ver la televisión durante menos de nueve segundos. Transmitir video, ejecutar servidores de correo electrónico y cargar teléfonos inteligentes consumen recursos. La infraestructura que respalda su hábito de Netflix o el desplazamiento por Instagram utiliza sistemas de refrigeración similares. Señalar solo a la IA mientras se ignoran actividades digitales comparables crea una imagen distorsionada del impacto ambiental de la tecnología.
Lo que realmente están haciendo las empresas tecnológicas
La narrativa de que las empresas tecnológicas ignoran las preocupaciones ambientales no coincide con la realidad. Los principales proveedores han invertido fuertemente en mejoras de eficiencia y fuentes de agua alternativas. Google redujo las emisiones de energía de sus centros de datos en un 12% en 2024 a pesar de un aumento del 27% en la demanda de electricidad. Microsoft se ha comprometido a ser positivo en agua para 2030. Estos podrían ser solo declaraciones de relaciones públicas, pero a menudo representan miles de millones en inversión de infraestructura.
La industria tiene fuertes incentivos financieros para reducir el consumo. Los costos de agua y energía impactan directamente en los márgenes, haciendo que las mejoras de eficiencia sean rentables en lugar de puramente altruistas.
Fuentes de agua no potable
Muchos centros de datos modernos utilizan aguas residuales recicladas, aguas grises tratadas o agua de mar para la refrigeración en lugar de competir con los suministros de agua potable municipal. Las decisiones de ubicación priorizan cada vez más las regiones con agua abundante y redes de energía limpia. Investigadores de Cornell descubrieron que una ubicación inteligente combinada con la eficiencia operativa podría reducir el impacto hídrico de la IA en un 86% en comparación con los peores escenarios. El Medio Oeste y los estados del “cinturón eólico” ofrecen los mejores perfiles combinados de carbono y agua para nuevas instalaciones.
Mejoras en la eficiencia
Los centros de datos de Google ahora utilizan un 84% menos de energía auxiliar que el promedio de la industria. En un período reciente de 12 meses, la huella de energía y carbono de los mensajes de texto medianos de Gemini se redujo en 33 y 44 veces respectivamente. Las métricas de Eficacia en el Uso del Agua han mejorado constantemente en toda la industria. Estas ganancias se potencian: modelos más eficientes que se ejecutan en hardware más eficiente en instalaciones más eficientes reducen drásticamente el uso de recursos por consulta.
La verdadera conversación sobre sostenibilidad
Descartar todas las preocupaciones ambientales sobre la IA sería tan engañoso como aceptar las estadísticas virales sin espíritu crítico. La industria enfrenta desafíos genuinos, particularmente en torno a la rápida expansión en regiones con estrés hídrico. Más de 160 nuevos centros de datos de IA han aparecido en EE. UU. en los últimos tres años, algunos en áreas que ya enfrentan sequías. La pregunta no es si la IA tiene un impacto ambiental; es si ese impacto se gestiona de manera responsable y es proporcional a los beneficios entregados.
Preocupaciones legítimas frente al pánico
Las críticas válidas incluyen la falta de transparencia de los proveedores, la agrupación de instalaciones en regiones ya estresadas y la supervisión regulatoria insuficiente de los derechos del agua. Lo que está exagerado: las afirmaciones de que la IA es singularmente destructiva en comparación con otros servicios digitales, o que las consultas individuales representan un daño ambiental significativo. Al evaluar servicios de IA que no entrenan con sus datos, la huella ambiental merece consideración junto con la privacidad, pero las estadísticas impulsadas por el pánico no ayudan a nadie a tomar decisiones informadas.
Mejores preguntas para hacer
En lugar de preguntar “¿cuánta agua usa la IA?”, pregunte: ¿Dónde se encuentra este centro de datos y cuál es la situación del agua local? ¿Qué tecnología de refrigeración utiliza? ¿Cuál es la fuente de energía? ¿El proveedor publica métricas ambientales verificadas? Estas preguntas producen información procesable. Exigir transparencia y apoyar a los proveedores que demuestran mejoras genuinas en la eficiencia crea mejores incentivos que compartir estadísticas engañosas.
Una alternativa de menor impacto: IA de código abierto
La elección del modelo afecta la huella ambiental más de lo que la mayoría de los usuarios se dan cuenta. Los modelos de razonamiento como o3 y DeepSeek-R1 superan los 29 Wh por mensaje largo, más de 65 veces el consumo de los modelos más pequeños. Elegir modelos del tamaño adecuado para sus necesidades reales reduce el consumo de recursos sin sacrificar la utilidad. Los modelos de código abierto a menudo se ejecutan en infraestructuras más distribuidas y eficientes que los sistemas propietarios masivos.
Por qué los modelos de código abierto usan menos agua
Las innovaciones recientes en la IA de código abierto han mejorado drásticamente la eficiencia a través de arquitecturas como la Mezcla de Expertos (MoE). En lugar de ejecutar todo el modelo para cada palabra, estos modelos solo activan una pequeña fracción de su red. Por ejemplo, el reciente modelo de código abierto MiniMax M2.5 tiene 230 mil millones de parámetros, pero solo activa alrededor de 10 mil millones (4,3%) durante la inferencia. De manera similar, GLM-5 contiene 744 mil millones de parámetros pero solo activa 40 mil millones.
Esto significa que la ejecución de estos modelos de código abierto altamente capaces requiere mucha menos potencia computacional, energía y, en última instancia, agua de refrigeración en comparación con los modelos densos masivos que activan cientos de miles de millones de parámetros para cada token. Comprender las opciones de IA compatibles con el GDPR a menudo lleva a descubrir estas alternativas altamente eficientes que entregan resultados comerciales equivalentes con una fracción de la huella de recursos.
Pruebe DentroChat: la opción de IA sostenible de Europa
Los centros de datos europeos generalmente operan en climas más frescos con redes de energía más limpias, reduciendo tanto la huella de agua como la de carbono. Por ejemplo, los principales operadores de centros de datos nórdicos como atNorth informan de una Eficacia en el Uso del Agua (WUE) de solo 0,1 litros por kWh. Mucho menor que el promedio de la industria de 1,8 L/kWh. Además, las instalaciones en Finlandia, Islandia y Suecia reciclan activamente el calor de los servidores para la calefacción de distrito y la producción de alimentos en lugar de evaporar agua.
DentroChat ejecuta modelos de código abierto en infraestructura europea, ofreciendo una alternativa de menor impacto a GPT o Claude para los usuarios a quienes les importa la sostenibilidad junto con la privacidad. La combinación de modelos eficientes, ubicaciones favorables y operaciones transparentes representa cómo puede ser el despliegue responsable de la IA.