El cerebro humano gasta 20 watts, la IA necesita una ciudad

La pregunta que incomoda es simple: ¿de dónde vamos a sacar la electricidad para sostener la inteligencia artificial? No es una hipérbole. La Agencia Internacional de Energía (IEA) proyecta que el consumo eléctrico de los data centers podría más que duplicarse para 2026 y bordear o superar los 1.000 TWh anuales —una demanda equivalente a la de Japón entero. Y para 2030, el requerimiento global de centros de datos seguiría trepando hacia el umbral del teravatio-hora anual con la IA como principal motor de ese crecimiento.

Conviene dimensionarlo: la IA ya representa un punto de inflexión en la curva de demanda. Nature sintetiza el consenso de investigadores y reguladores: los centros de datos, que en 2024 consumieron 1,5% de la electricidad global, pueden duplicar su uso hacia 2030, con instalaciones individuales tragando lo mismo que decenas de miles de hogares. El mensaje es doble: transparencia en las métricas y políticas públicas que acompañen (o contengan) el auge del cómputo.

El elefante energético en la sala

Cada consulta a un modelo generativo dispara millones de operaciones en chips de alto rendimiento, reforzados por redes y refrigeración 24/7. La propia comunidad técnica viene afinando números: estimaciones recientes sitúan a una pregunta típica a un modelo de última generación en el orden de 0,3 Wh por interacción, bastante menos que los cálculos iniciales, pero igualmente significativos cuando se multiplican por cientos de millones de consultas diarias. La aritmética es inexorable: pequeñas dosis multiplicadas por escala industrial resultan en gigas y teravatios-hora.

Desde el MIT, la advertencia es clara: la expansión acelerada de data centers para IA incrementa emisiones y stress sobre redes y recursos (electricidad y agua), y exige rediseñar arquitectura, ubicación y abastecimiento energético de estos sitios críticos. No se trata solo de más megavatios; se trata de mejores megavatios: contratos renovables firmes, almacenamiento, y, donde tenga sentido, nuclear avanzada.

El contraste que duele: 20 watts vs. teravatios

Aquí entra el dato que cambia la discusión. El cerebro humano —máquina de comprensión, creatividad y toma de decisiones— funciona con 20 W de potencia continua, el equivalente a una lamparita tenue. Con ese presupuesto energético, 80–100 mil millones de neuronas ejecutan, de manera distribuida y robusta, tareas que hoy requieren granjas de servidores. Es decir: la inteligencia biológica es órdenes de magnitud más eficiente que nuestros sistemas digitales actuales. La consecuencia estratégica es obvia: el desafío no es solo “más cómputo”, es cómputo radicalmente más eficiente.

Eficiencia o efecto rebote

La industria promete chips más eficientes, compresión de modelos y sparsity. Bienvenidas todas. Pero la historia energética muestra el efecto rebote: cuando baja el “costo energético” por tarea, crece su uso total. Si hoy abaratas una consulta de IA, mañana tendrás diez veces más consultas. Sin capacidad de orquestar la demanda —priorizar cargas críticas, mover cómputo a horas valle, y acercar procesamiento al borde (edge)— la curva de consumo seguirá escapándose.

La otra mitad de la ecuación es suministro. La propia IEA y análisis sectoriales coinciden: sin un acelerador de inversión en renovables firmes (eólica y solar con almacenamiento) y nuclear donde sea viable, la demanda de la IA puede tensar la red, elevar precios regionales y retrasar metas climáticas. De nuevo: no alcanza con multiplicar paneles; hacen falta portafolios energéticos coherentes con la criticidad de estos parques digitales.

Reglas del juego nuevas (y métricas públicas)

La política pública llega tarde cuando se regula a ciegas. Necesitamos tres movimientos inmediatos:

Transparencia obligatoria de intensidad eléctrica y hídrica por centro de datos y por servicio de IA (kWh y litros por 1.000 consultas, por ejemplo). Sin métricas comparables, no hay competencia sana ni accountability. Nature y el ecosistema académico piden justamente eso: datos abiertos y verificables.

Condicionalidad energética para habilitar nuevos “parques de IA”: pruebas de acceso a potencia firme sin desplazar demanda residencial o industrial, contratos PPAs de largo plazo con renovables y, donde proceda, respaldo nuclear. La IEA ya proyecta el salto; toca a reguladores y utilities asegurar que no se traduzca en picos tarifarios o cuellos de red.

Eficiencia como requisito de producto. No bastan promesas. Modelos y stacks deben publicar su intensidad energética por tarea (traducción, resumen, búsqueda, inferencia multimodal). El MIT viene impulsando marcos y soluciones de “IA sostenible”: scheduling consciente de carbono, cooling inteligente, y diseño de workloads que minimicen traslados de datos. El estándar competitivo debe ser “más valor por kWh”.

Realismo energético, no tecno-optimismo vacío

Sería tentador creer que la eficiencia futura resolverá sola el dilema. No. La escala de la IA generativa es tal que, incluso con mejoras por consulta, el total puede dispararse por volumen y nuevos casos de uso. Lo dijo Nature con todas las letras: lo bueno, lo malo y lo desconocido conviven, y la única salida responsable es medir, publicar y gobernar.

Una brújula para el liderazgo

El liderazgo en IA no lo definirá solo quién tenga el modelo más grande, sino quién orqueste mejor la triada datos-algoritmos-energía. Primero, eficiencia biológicamente inspirada (neuroarquitecturas y cómputo neuromórfico); segundo, portafolios energéticos firmes; tercero, gobernanza de demanda con métricas públicas.

Porque la IA no flota en “la nube”: vive en redes, turbinas y reactores. Y mientras nuestros modelos persigan la inteligencia, conviene recordar que la forma más extraordinaria de inteligencia que conocemos —la humana— lo hace con 20 watts. El listón está ahí. Toca a la industria acercarse.