Entrenar un modelo de lenguaje grande consume tanta electricidad como gastan en un año miles de hogares. Refrigerar los servidores que lo ejecutan evapora millones de litros de agua. Y las empresas que los construyen están firmando contratos con centrales nucleares para asegurarse de que la luz no se apague.
La Agencia Internacional de la Energía (IEA) recopila las cifras de electricidad en su informe Key Questions on Energy and AI, y llevan varios años creciendo a un ritmo sostenido. En 2025, el consumo eléctrico de los centros de datos creció un 17 %, mientras que la demanda global de electricidad lo hizo un 3 % [1]. El sector que sostiene internet y la inteligencia artificial se lleva una parte cada vez mayor de la electricidad mundial.
Principalmente, el gasto desmesurado de los centros de datos IA suele ser debido al entrenamiento 0 a la inferencia. Entrenar un modelo es el proceso de mostrarle millones de ejemplos para que aprenda patrones. La inferencia es lo que ocurre cada vez que el modelo responde a una consulta: individualmente consume poco, pero multiplicado por millones de usuarios al día termina pesando tanto o más que el entrenamiento.
El PUE (Power Usage Effectiveness), un cociente que mide cuánta electricidad de un centro de datos se destina realmente a computación frente a la que se pierde en refrigeración, iluminación y otros sistemas auxiliares. Un PUE de 1,2 significa que por cada vatio dedicado a computar se gastan 0,2 en mantener el edificio en pie.
Cuánta energía consume entrenar una IA
El consumo de un entrenamiento se calcula multiplicando el número de chips por las horas de entrenamiento y por la potencia de cada chip, y ajustando por el PUE del centro de datos. OpenAI nunca ha publicado el consumo de GPT-4 ni de GPT-5, así que los datos fiables son de modelos anteriores o abiertos.
GPT-3, de 2020, consumió unos 1.287 MWh y emitió 552 toneladas de CO₂ equivalente, según un análisis de Google y la Universidad de Berkeley [3]. Llama 3.1 405B, de Meta, necesitó 30,84 millones de horas de GPU H100 con una potencia de referencia de 700 vatios por chip [4]. Multiplicando salen unos 21,6 GWh, diecisiete veces más que GPT-3 y el equivalente al consumo anual de unos 5.900 hogares españoles, asumiendo 10 kWh por familia y día.
La tendencia apunta hacia arriba. Según el instituto Epoch AI, la potencia necesaria para entrenar los modelos punteros se ha duplicado cada año durante la última década. Los entrenamientos de frontera ya superan los 100 MW, y el mayor entrenamiento individual de 2030 podría necesitar entre 4 y 16 GW [6].
No todo el entrenamiento cuesta lo mismo. El preentrenamiento es la fase en la que el modelo lee billones de palabras y aprende a predecir la siguiente; es la que se lleva casi toda la energía. Después viene el postentrenamiento, en el que se le enseña a seguir instrucciones con ejemplos y a mejorar sus respuestas mediante recompensas. En DeepSeek-V3, el preentrenamiento costó 2,664 millones de horas de GPU y todas las fases posteriores juntas, 0,1 millones [7]. El ajuste fino, que adapta un modelo ya hecho a una tarea concreta, es todavía más barato, porque parte del trabajo ya hecho.
En cuanto a la inferencia, el gasto por consulta varía muchísimo. Según el AI Index 2026 de Stanford, DeepSeek V3 consume unos 23 Wh por consulta de longitud media, frente a unos 5 Wh de Claude 4 Opus [8]. Google ha medido 0,24 Wh por consulta de texto mediana en Gemini, menos que ver la televisión durante nueve segundos [9]. Un estudio de investigadores de Microsoft publicado en 2026 en la revista Joule da una mediana de 0,31 Wh para modelos de más de 200.000 millones de parámetros con consultas estándar, que sube a 3,91 Wh cuando las respuestas son largas, de razonamiento [10]. La horquilla depende sobre todo de la longitud de la respuesta, además del tamaño del modelo y del hardware. Un dato curioso: la última cifra oficial de Google para una búsqueda normal es de 2009 y era de 0,3 Wh. Según ese número antiguo, preguntar hoy a Gemini gasta menos que buscar en Google hace diecisiete años.
El entrenamiento y los 18 primeros meses de uso de Mistral Large 2 consumieron unos 281.000 metros cúbicos de agua, lo que cabe en 112 piscinas olímpicas. Es un análisis de ciclo de vida completo que incluye también la fabricación del hardware, y el entrenamiento y la inferencia explican el 91 % de esa agua [12].
El agua que se evapora para que la IA no se caliente
La refrigeración por evaporación es uno de los métodos más extendidos en los centros de datos. Funciona bien y es barata, pero el calor de los servidores evapora el agua y esa agua no vuelve. En 2025, según la consultora Rystad Energy, los centros de datos de todo el mundo consumieron unos 222.000 millones de litros de agua solo para refrigeración. Sin mejoras de eficiencia, esa cifra podría acercarse a los 644.000 millones de litros en 2030 [13].
El vínculo entre agua y energía es directo: reducir el consumo de agua suele implicar gastar más electricidad, porque el calor que antes se disipaba evaporando agua ahora hay que extraerlo con bombas y ventiladores. Rystad lo cuantifica: la refrigeración en seco ahorra unos 2,15 litros de agua por kWh de carga informática, pero añade entre 0,30 y 0,74 kWh de electricidad.
Nvidia anunció en el CES de 2026 que su plataforma Vera Rubin puede refrigerarse con agua a 45 °C, lo que permite prescindir de enfriadoras [14]. Según Jensen Huang, eso podría ahorrar alrededor del 6 % de la electricidad de los centros de datos del mundo [15]. La temperatura del agua es la misma que en la generación anterior, Grace Blackwell, así que la novedad no está en el salto térmico sino en que Vera Rubin disipa el doble de potencia con el mismo caudal y la misma temperatura de entrada. Aun así, el calor tiene que salir del edificio: sin enfriadoras sigue haciendo falta un sistema que lo evacúe al exterior.
Las cifras de eficiencia hídrica varían mucho según el operador y la ubicación. AWS declaró 0,12 litros por kWh de carga informática en 2025 y Equinix, 0,91. Dentro de AWS, el rango va de 0,02 l/kWh en Estocolmo a 2,85 l/kWh en Yakarta [13]. A eso hay que sumar el agua que gastan las centrales que producen la electricidad: en Estados Unidos puede superar el doble del consumo directo de los centros de datos.
Los gigantes tecnológicos miran hacia la energía nuclear
Un centro de datos funciona 24 horas al día, 7 días a la semana, y la solar y la eólica no bastan por sí solas. La intermitencia de las renovables obliga a tener respaldo fósil o almacenamiento masivo, y ninguna de las dos opciones es barata ni rápida de desplegar. Por eso las grandes tecnológicas están firmando acuerdos con el sector nuclear.
Constellation Energy reiniciará la unidad 1 de Three Mile Island, en Pensilvania, y Microsoft comprará toda su producción, 835 MW, durante 20 años, con la primera electricidad prevista para la segunda mitad de 2027. Google ha firmado con Kairos Power 500 MW de pequeños reactores modulares (SMR): el primero está previsto para 2030 y el total para 2035. Amazon ya recibe electricidad de la central de Susquehanna e invirtió 700 millones de dólares en X-energy [16]. Meta anunció en enero de 2026 acuerdos con Oklo, Vistra y TerraPower por hasta 6,6 GW para 2035 [17]. A finales de 2025, la cartera de acuerdos entre centros de datos y fabricantes de SMR sumaba 45 GW, según la IEA [1].
Los SMR son reactores de hasta 300 MW, diseñados para producción en serie. Se fabrican en módulos y se ensamblan en el emplazamiento, lo que en teoría reduce costes y plazos de construcción. Los primeros SMR comprometidos con tecnológicas no darán electricidad antes de 2030, y la demanda de los centros de datos crece a un ritmo del 15 % anual [2].
Eficiencia, calor reutilizado y modelos más frugales
La eficiencia por tarea está mejorando muy deprisa. Google redujo 33 veces la energía de su consulta mediana en solo doce meses [9]. La IEA calcula que la energía por tarea de IA ha caído al menos un orden de magnitud al año en los últimos años [1].
Otra vía es diseñar modelos que gasten menos. DeepSeek-V3 tiene 671.000 millones de parámetros, pero solo activa 37.000 millones para cada palabra que procesa. Se entrenó además con números de 8 bits en lugar de 16, y su entrenamiento completo costó 2,788 millones de horas de GPU [7], unas once veces menos que Llama 3.1 405B con prestaciones comparables.
La tercera vía es dejar de tirar el calor. Un equipo de la Universidad de Florencia simuló la integración del calor de un centro de datos en la red de calefacción de Calenzano, alimentada con gas. Según el tamaño del centro, entre 100 y 500 kW, el calor residual cubriría entre el 12 % y el 59 % de la demanda de la red, y el consumo de gas bajaría entre un 11 % y un 58 %. Un centro de 100 kW sin integrar tira al ambiente unos 926 MWh de calor al año [18]. En Brescia ya funciona un caso real: la empresa francesa Qarnot instaló en una central de A2A 30 unidades de cómputo refrigeradas por líquido que recuperan calor hasta 65 °C y lo inyectan directamente en la red urbana, unos 800 MWh de calor al año [19].
Lo que está pasando fuera de Estados Unidos
En 2024, Estados Unidos concentró el 45 % del consumo eléctrico mundial de los centros de datos, China el 25 % y Europa el 15 % [2]. Según la Administración Nacional de Energía de China, los centros de cómputo del país consumieron 170.000 millones de kWh en 2025, el 1,6 % de su electricidad. La previsión oficial es llegar a 800.000 millones de kWh en 2030, en torno al 6 % [20]. Los ocho grandes nodos de la red nacional de cómputo aumentaron su consumo un 39,5 % anual de media en los últimos tres años. En Mongolia Interior el ritmo fue del 66,5 %, porque la carga se está trasladando hacia las regiones ricas en energía. Los nuevos centros de esos nodos tienen como objetivo que más del 80 % de su electricidad sea renovable.
Irlanda es el caso más extremo de Europa. Los centros de datos pasaron del 5 % de la electricidad del país en 2015 al 23 % en 2025, con 7.663 GWh, un 10 % más que el año anterior. Todas las viviendas del país juntas consumieron el 28 %. En 2023 los centros de datos ya habían superado a todos los hogares urbanos irlandeses [21]. Durante varios años hubo una suspensión de facto de nuevas conexiones. Se levantó, y ahora los nuevos centros deben cubrir al menos el 80 % de su demanda anual con electricidad renovable nueva [22].
Los países nórdicos van por otro camino. En Finlandia, Fortum está construyendo bombas de calor junto a los centros de datos de Microsoft en Espoo y Kirkkonummi. Cuando funcionen a pleno rendimiento cubrirán alrededor del 40 % de la calefacción urbana de Espoo, Kauniainen y Kirkkonummi y evitarán unas 400.000 toneladas de CO₂ al año [23].
Yo pienso que si la tendencia actual se mantiene, veo probable que en cinco o diez años los centros de datos dejen de ser consumidores pasivos de electricidad y se conviertan en activos energéticos flexibles: que modulen su carga según la disponibilidad de renovables en la red y que vendan servicios de regulación al sistema eléctrico. Ya hay proyectos piloto en esa dirección, y el marco regulatorio europeo empieza a reconocer la flexibilidad de la demanda como un recurso. Creo que un centro de datos del futuro podrá ganar dinero no solo procesando datos, sino también ayudando a estabilizar la red.
Por otra parte esta claro que la reutilización de calor residual podría convertirse en un criterio de ubicación tan importante como la fibra óptica o la disponibilidad de suelo. Si el calor de un centro de datos puede calentar viviendas a un coste competitivo, las ciudades tendrán incentivos para atraer estas instalaciones en lugar de rechazarlas. Qarnot ya lo hace en Brescia y Fortum en Espoo. No me extrañaría ver a los ayuntamientos compitiendo por albergar centros de datos por su capacidad de ceder calor a la red urbana.
Referencias
[1] International Energy Agency (2026). Key Questions on Energy and AI. París: IEA. https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary
[Reciente]
Metodología: actualización del informe de 2025 con datos de consumo de 2025, estimaciones para 2026, seguimiento de la inversión de las grandes tecnológicas y de la cartera de contratos energéticos.
[2] International Energy Agency (2025). Energy and AI. París: IEA. https://www.iea.org/reports/energy-and-ai
[Fiable]
Metodología: modelo basado en envíos de servidores, capacidad instalada y consumo por tipo de equipo, con escenario base y alternativos. La IEA reconoce una incertidumbre sustancial. Las cifras de Estados Unidos coinciden con las del Lawrence Berkeley National Laboratory.
[3] Patterson, D., Gonzalez, J., Le, Q., Liang, C., Munguia, L.-M., Rothchild, D., So, D., Texier, M. y Dean, J. (2021). Carbon Emissions and Large Neural Network Training. arXiv:2104.10350. https://arxiv.org/abs/2104.10350
[Con reservas]
Metodología: horas de procesador, potencia medida, PUE y mezcla eléctrica. Los datos de GPT-3 los aportó OpenAI y se combinaron con la intensidad de carbono media de Estados Unidos.
[4] Meta (2024). Llama 3.1 405B, Model Card, sección «Training Energy Use». https://huggingface.co/meta-llama/Llama-3.1-405B
[Con reservas]
Metodología: horas de GPU por potencia máxima de cada chip (700 W), ajustadas por eficiencia del centro. La cifra de 21,6 GWh es un cálculo propio y funciona como cota superior aproximada.
[5] Luccioni, A. S., Viguier, S. y Ligozat, A.-L. (2023). Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model. Journal of Machine Learning Research, 24(253), 1-15. https://jmlr.org/papers/v24/23-0069.html
[Fiable]
Metodología: análisis de ciclo de vida del entrenamiento en el superordenador Jean Zay (Francia), incluidas la fabricación del hardware y el consumo en reposo.
[6] EPRI y Epoch AI (2025). Scaling Intelligence: The Exponential Growth of AI’s Power Needs. Resumen: https://epoch.ai/blog/power-demands-of-frontier-ai-training
[Reciente]
Metodología: proyección a 2030 a partir del crecimiento del cálculo de entrenamiento, la mejora de eficiencia de las GPU y la duración de los entrenamientos.
[7] DeepSeek-AI (2024). DeepSeek-V3 Technical Report. arXiv:2412.19437. https://arxiv.org/abs/2412.19437
[Con reservas]
Metodología: informe de la propia empresa con horas de GPU por fase. No incluye experimentos previos ni pruebas descartadas.
[8] Stanford HAI (2026). AI Index Report 2026. https://hai.stanford.edu/ai-index
[Con reservas]
Metodología: el informe recopila estimaciones de terceros sobre consumo por consulta de longitud media, no mediciones propias.
[9] Elsworth, C., Huang, K., Patterson, D. et al. (2025). Measuring the environmental impact of delivering AI at Google Scale. arXiv:2508.15734. https://arxiv.org/abs/2508.15734
[Con reservas]
Metodología: medición en producción de chips, CPU y memoria de las máquinas anfitrionas, equipos de reserva y refrigeración para la consulta de texto mediana de Gemini en mayo de 2025. Excluye el entrenamiento y la red. El dato de la búsqueda de 2009 procede de la misma cobertura: https://thenewstack.io/google-says-the-median-gemini-prompt-uses-5-drops-of-water/
[10] Energy use of AI inference, efficiency pathways, and test-time scaling (2026). Joule. https://www.sciencedirect.com/science/article/pii/S2542435126001145
[Reciente]
Metodología: simulación Monte Carlo de la energía por consulta en cinco modelos abiertos, con un escenario estándar (mediana de 300 tokens de salida) y otro de razonamiento largo (mediana de 5.000 tokens).
[11] Li, P., Yang, J., Islam, M. A. y Ren, S. (2023, revisado en 2025). Making AI Less «Thirsty»: Uncovering and Addressing the Secret Water Footprint of AI Models. arXiv:2304.03271. https://arxiv.org/abs/2304.03271
[Con reservas]
Metodología: estimación a partir de las eficiencias hídricas publicadas por los operadores y de la intensidad hídrica de la generación eléctrica. La cifra de GPT-3 es una estimación, no una medición.
[12] Mistral AI (2025). Our contribution to a global environmental standard for AI. https://mistral.ai/news/our-contribution-to-a-global-environmental-standard-for-ai
[Con reservas]
Metodología: análisis de ciclo de vida realizado con Carbone 4 y la agencia francesa ADEME y revisado por las consultoras Resilio y Hubblo. Abarca construcción del centro, fabricación del hardware, entrenamiento e inferencia durante 18 meses.
[13] Rystad Energy (2026). Tech Thirst: Data center water consumption could triple by 2030 without efficiency gains. https://www.rystadenergy.com/news/data-center-water-consumption-could-triple-by-2030
[Con reservas]
Metodología: modelo propio de consumo directo de agua de refrigeración por tecnología, clima y capacidad instalada. La cifra de 644.000 millones es su escenario central sin mejoras de eficiencia. Los valores de WUE de AWS y Equinix son los que declaran las propias empresas.
[14] DatacenterDynamics (enero de 2026). Vera Rubin hot water cooling reveal triggers HVAC share drop. https://www.datacenterdynamics.com/en/news/vera-rubin-hot-water-cooling-reveal-triggers-hvac-share-drop
[Con reservas]
Metodología: información periodística sobre el anuncio de Nvidia en el CES. Son datos del fabricante sin validación independiente.
[15] Fierce Network (enero de 2026). Supercomputers can stay chill with hot water says Nvidia. https://www.fierce-network.com/cloud/nvidia-has-no-chill
[Con reservas]
Metodología: recoge las declaraciones de Jensen Huang en el CES, incluida la estimación del 6 % de ahorro y la comparación con Grace Blackwell.
[16] Axis Intelligence (2026). Nuclear Energy for Data Centers 2026, a partir del registro de contratos de SMR Intel. https://axis-intelligence.com/nuclear-energy-for-data-centers/
[Con reservas]
Metodología: recopilación de contratos anunciados por las empresas, con potencias y fechas objetivo.
[17] Utility Dive (9 de enero de 2026). Meta inks nuclear deals for up to 6.6 GW from Oklo, Vistra, TerraPower. https://www.utilitydive.com/news/meta-nuclear-deal-oklo-vistra-terrapower-ai-data-centers/809215/
[Fiable como constancia del anuncio; la potencia es un objetivo]
Metodología: información periodística basada en los comunicados de las empresas.
[18] Socci, L., Rocchetti, A., Verzino, A., Zini, A. y Talluri, L. (2024). Enhancing third-generation district heating networks with data centre waste heat recovery: analysis of a case study in Italy. Energy, 313, 134013. https://doi.org/10.1016/j.energy.2024.134013
[Con reservas]
Metodología: simulación horaria durante un año con perfiles de carga reales de la red de Calenzano, centros de datos de 100 a 500 kW y bombas de calor de alta temperatura. Es una simulación de un solo caso, no una instalación en funcionamiento.
[19] Il Sole 24 Ore. A2A inaugurates heat recovery data centre with Qarnot. https://en.ilsole24ore.com/art/a2a-inaugurates-qarnot-data-centre-with-heat-recovery-AHIU8mOB
[Con reservas]
Metodología: información periodística con datos de las empresas.
[20] Xinhua (27 de mayo de 2026). https://www.news.cn/energy/20260527/256ffafb3ebc4f5fb82a8ab11009f84b/c.html — Datos de nodos y objetivo de renovables: https://www.news.cn/fortune/20260528/2456ddbbc04e467e91cbd63246270f12/c.html
[Con reservas]
Metodología: cifras de la Administración Nacional de Energía de China presentadas en una conferencia oficial, sin metodología publicada. La definición de «centros de cómputo» no coincide con la de la IEA, y la Oficina Nacional de Datos da otra cifra (196.000 millones de kWh, el 1,9 %), así que las series no son comparables entre sí.
[21] Central Statistics Office, Irlanda (2025). Data Centres Metered Electricity Consumption 2024. https://www.cso.ie/en/releasesandpublications/ep/p-dcmec/datacentresmeteredelectricityconsumption2024/keyfindings — Datos de 2025 de la misma serie, recogidos por el Irish Examiner: https://www.irishexaminer.com/business/companies/arid-41875214.html
[Fiable]
Metodología: datos de contadores de toda la red eléctrica irlandesa. La CSO identificó los centros de datos entre unos 2,5 millones de contadores por nombre de operador, informes del sector y análisis de grandes consumidores.
[22] IrishCentral. Data centres consume nearly a quarter of Ireland’s electricity. https://www.irishcentral.com/data-centres-consume-ireland-electricity
[Con reservas]
Metodología: información periodística sobre la decisión de la Comisión de Regulación de Servicios Públicos de Irlanda.
[23] Fortum (2023). Construction of Fortum’s heat pump plant has started on Microsoft’s data centre site in Kirkkonummi. https://www.fortum.com/data-centres-helsinki-region/construction-fortums-heat-pump-plant-has-started-microsofts-data-centre-site-kirkkonummi
[Con reservas]
Metodología: objetivos de la empresa para cuando las plantas funcionen a pleno rendimiento.
Notas sobre la fiabilidad de las fuentes. Las referencias [3], [4], [7], [9], [12], [14] y [15] proceden de las propias empresas cuyos sistemas se miden, sin validación externa, salvo la revisión por consultoras de [12]. [8], [13], [16], [19], [20], [22] y [23] son estimaciones de consultoras, datos oficiales sin metodología publicada o recopilaciones periodísticas de anuncios. [11] es una estimación con supuestos medios de eficiencia hídrica. [18] es una simulación de un solo caso. [1], [6] y [10] son recientes: incluyen estimaciones del año en curso o proyecciones que aún no se han contrastado.