La IA generativa y su consumo de recursos

Autor: Lefebvre 21-10-2025

La optimización de las infraestructuras, una reflexión sobre el tamaño de los modelos y sobre las necesidades de cada uno de recurrir a la IA son vías que hay que explorar.

Para una IA más sobria: optimizar el uso de los centros de datos

Se pueden utilizar cuatro palancas. Por parte de la tecnología, «los gigantes están tratando actualmente de optimizar sus estructuras, trabajando en particular en la eficiencia energética de los centros de datos. En Francia, algunos actores tecnológicos optan por recuperar el calor de los centros de datos para calentar barrios», explica, a modo de ejemplo, Thomas Gilormini, jefe de proyectos climáticos en Toovalu e investigador en descarbonización. El objetivo es compartir los usos de los centros de datos para optimizar el uso de las infraestructuras. Esta es la primera palanca que se ha activado.

Proponer modelos de IA más adecuados

Una segunda medida, también utilizada en el sector tecnológico, consiste en reducir el tamaño de los modelos. El impacto medioambiental de la IA generativa depende en gran medida del tamaño de sus modelos. La regla es sencilla: cuanto más complejos son, más energía consumen. « Los modelos generalistas serán cada vez más grandes, ya que buscan responder a múltiples usos de los usuarios, como generar «starter packs» o escribir síntesis sobre temas complejos. Por lo tanto, una de las líneas de trabajo, impulsada en particular por Mistral, es la de desarrollar modelos más pequeños y específicos para aplicaciones concretas», precisa Thomas Gilormini, es decir, para búsquedas precisas por parte de los usuarios. Por ello, Mistral ha desarrollado los «ministrales» y OpenAI su «GPT-40 mini». «Hay que frenar la carrera hacia adelante del modelo más grande y potente», continúa.

Reciclar los equipos y optimizar los programas informáticos de IA

En el futuro, «también se podría imaginar que, a largo plazo, los gigantes tecnológicos reflexionen sobre cómo posicionar mejor sus centros de datos, en países donde utilicen energía con menos emisiones de carbono, y sobre cómo adaptar el fin de la vida útil de sus equipos. Por ejemplo, recuperando los semiconductores de una tarjeta gráfica que ha quedado obsoleta para la IA, se podría reutilizar para otros usos mientras se espera a que sea posible reciclarla», lo que serviría para otros equipos, propone Florian Pothin, científico de datos en Toovalu y doctorando. Otro punto es «reflexionar sobre la optimización del propio software, es decir, utilizar tecnologías más recientes, que se están desarrollando y que consumen menos energía que las tecnologías convencionales», continúa.

Elegir utilizar la IA en función de las necesidades

Por parte de los usuarios de la IA generativa, ¿qué palanca hay que accionar? Hay que «elegir la herramienta en función de su uso», aconseja Thomas Gilormini. Definir su «right size sizer» [calibración del tamaño adecuado, nota del editor], añade Florian Pothin. En otras palabras, buscar un modelo centrado en sus necesidades reales. También hay que tener cuidado de no caer en la IA generativa por comodidad. «No necesitamos necesariamente la IA», recuerda Thomas Gilormini. «Siempre es posible realizar búsquedas en un motor de búsqueda clásico, sin pasar necesariamente por ChatGPT». Un usuario comprometido con la sobriedad debe cuestionarse su uso de la IA y no caer en búsquedas superfluas.

Utilizar un marco metodológico fiable para medir su impacto

La última palanca es social. «Entre la publicación por parte de Google del impacto de Gemini y la de Mistral sobre su solución, hay dos enfoques diferentes. Por parte de Mistral, su análisis ha sido revisado por otros actores capaces de medir el impacto de lo digital, como Carbon 4 y Ademe. Son transparentes y han llevado a cabo un estudio realizado con múltiples criterios en un amplio ámbito. Por otro lado, Google publica un documento técnico sobre el impacto de Gemini, pero que carece de precisión (el grupo no presenta el número de tokens asociados a una «consulta mediana» cuyo impacto se mide, por ejemplo), elige un ámbito que le conviene y no aplica ningún marco metodológico existente», explica Thomas Gilormini. La transparencia y el rigor son necesarios para obtener referencias reales y garantizar una comparación real entre los actores en este tema aún incipiente.