← Inicio
Guía de campo

IA y medio ambiente

Entrenar modelos consume electrones; la huella son redes, hardware, agua y minerales—no solo el icono de la nube.

Pon en contexto

La inteligencia artificial depende de electricidad para centros de datos y redes, y de cadenas de suministro de hardware que consumen energía y materiales. La Agencia Internacional de la Energía (2025) sintetiza modelización global y regional sobre la demanda eléctrica vinculada a centros de datos e IA, incluida qué fuentes de generación cubren la demanda incremental en sus escenarios. El AR6 del IPCC Grupo III enmarca los sistemas energéticos como carteras donde interactúan infraestructura, flexibilidad y emisiones; los minerales críticos para electrónica y almacenamiento conectan el hardware de IA con debates sobre minería y reciclaje.

Señal, no ruido

Tres instantáneas de la evidencia

3 momentos
  1. 01

    La Agencia Internacional de la Energía (2025) analiza cómo podría evolucionar en la próxima década la demanda eléctrica de centros de datos y cargas relacionadas con la IA, con diferencias regionales y la mezcla de generación que satisface la demanda incremental en escenarios modelados.

  2. 02

    El capítulo 6 del AR6 del IPCC Grupo III subraya que integrar electricidad baja en carbono exige redes, almacenamiento, demanda flexible e instituciones—no solo generación.

  3. 03

    El trabajo de la Agencia Internacional de la Energía (2021) sobre minerales críticos destaca concentración del suministro y presiones ambientales en cadenas que también apoyan chips, baterías y hardware digital.

Pausa para el gráfico

Explora los datos

Costes estimados de compra de hardware y electricidad para entrenar sistemas de IA destacados—compara modelos de referencia a medida que crecía la escala del entrenamiento. En la página del grapher están las definiciones (qué cuenta como «entrenamiento»), el tratamiento de la inflación y qué sistemas se incluyen; este gráfico no representa la huella completa del centro de datos ni del ciclo de vida.

Gráfico: Our World in Data (CC BY). Cada página de grapher lista los conjuntos de datos subyacentes, unidades y notas de procesamiento—úsala al citar cifras.

Abrir en Our World in Data

Nada de cuentos

Dónde ayuda y dónde duele

Fortalezas

  • La IA puede apoyar predicción, operación de redes y descubrimiento de materiales cuando se despliega con transparencia y buena gobernanza de datos.
  • Combinaciones políticas—eficiencia, compras limpias y planificación de redes—pueden orientar la nueva demanda de cómputo hacia electricidad con menores emisiones donde las instituciones son creíbles.
  • Mejor medición y publicidad del consumo energético por instalación puede reducir lagunas informativas frente a un crecimiento opaco.

Límites y equilibrios

  • Un crecimiento rápido de la demanda puede tensionar redes y emisiones si la electricidad incremental se cubre en desproporción con generación fósil sin abatimiento; los resultados dependen del escenario y la región.
  • Los ciclos de vida del hardware (fabricación, agua de refrigeración, residuos electrónicos) llevan cargas ambientales más allá de la electricidad operativa.
  • Las proyecciones de electricidad específica para IA siguen siendo inciertas; los titulares a veces van más rápido que los datos y métodos verificables públicamente.

Mira las fuentes

Fuentes de esta página

Estas entradas sirven para empezar a contrastar información. Para cifras y gráficos, prioriza siempre el informe o el conjunto de datos originales.

  1. IEA Energy and AIInternational Energy Agency. (2025). Energy and AI. IEA. https://www.iea.org/reports/energy-and-ai
  2. IPCC AR6 WGIII Ch. 6Clarke, L., Wei, Y.-M., De La Vega Navarro, A., Garg, A., Hahmann, A. N., Khennas, S., Azevedo, I. M. L., Loschel, A., Singh, A. K., Steg, L., Strbac, G., & Wada, K. (2022). Energy systems. In P. R. Shukla et al. (Eds.), Climate Change 2022: Mitigation of Climate Change (IPCC AR6 WGIII, Chapter 6). Cambridge University Press. https://doi.org/10.1017/9781009157926.008
  3. IEA critical mineralsInternational Energy Agency. (2021). The role of critical minerals in clean energy transitions (World Energy Outlook Special Report; revised March 2022). IEA. https://www.iea.org/reports/the-role-of-critical-minerals-in-clean-energy-transitions
  4. Our World in DataRitchie, H., & Rosado, P. (2020). Electricity mix. Our World in Data. https://ourworldindata.org/electricity-mix (underlying grapher datasets include Ember and Energy Institute series, cited per chart metadata).