Consumo de energía y agua en modelos de lenguaje: cifras oficiales y auditorías completas

Las estimaciones publicadas sobre el consumo de una sola consulta a un modelo de lenguaje se mueven en un rango de más de tres órdenes de magnitud: desde 0,24 vatios-hora hasta casi 30. No es que unos mientan y otros digan la verdad: es que miden cosas distintas. Este artículo reconstruye, con fuentes primarias y revisadas por pares, qué consume la inteligencia artificial en electricidad y en agua, por qué las cifras que circulan son incompatibles entre sí, y cómo leer cualquier titular sobre el tema sin equivocarse. Incluye las cifras agregadas de la Agencia Internacional de la Energía y del Lawrence Berkeley National Laboratory, las mediciones en producción de Google, la primera auditoría de ciclo de vida completo de un modelo comercial (Mistral), y los trabajos académicos que cuantifican la huella hídrica. Al final hay una lista de referencias con DOI para que cualquiera pueda verificar cada dato.

Resumen en 30 segundos: las ocho cifras que importan

Si únicamente vas a ojear una sección de este texto, asegúrate de que sea esta tabla. Cada hilera especifica la procedencia y la fecha, pues careciendo de estos datos la cifra pierde todo su sentido.

En este artículo vas a descubrir

• Por qué las cifras públicas no son comparables entre sí, y los cinco parámetros que hay que fijar antes de comparar nada.

• Los datos consolidados de gasto energético, acompañados de sus respectivos contextos y márgenes de variación.

• El consumo por consulta: todas las mediciones disponibles puestas en la misma tabla, con su metodología.

• El agua: los tres «grifos» distintos que casi nadie distingue y que explican la mayor parte de las discrepancias.

• Entrenamiento frente a inferencia: dónde se sitúa actualmente el gasto real.

• Por qué el inconveniente no resulta global sino local, analizando las situaciones de Virginia del Norte, Irlanda, Oregón y São Paulo.

• Qué palancas reducen el impacto de verdad, cuantificadas.

• Una lista de comprobación de seis preguntas para auditar cualquier titular sobre consumo de IA.

Por qué las cifras no cuadran: cinco parámetros que nadie fija

En julio de 2025 ocurrió algo revelador. Sam Altman, consejero delegado de OpenAI, publicó que una consulta media a ChatGPT consume 0,34 Wh y unos 0,32 mililitros de agua. Pocos días después, Mistral AI publicó la primera evaluación de ciclo de vida completo de un modelo comercial de lenguaje y cifró el agua de una respuesta de 400 tokens en 45 mililitros. Dos empresas del mismo sector, en el mismo mes, con una diferencia de más de cien veces en la misma magnitud.

Ninguna de las dos opciones resulta forzosamente errónea. Ambas evalúan métricas distintas, y en ello radica la complejidad real de esta discusión. Una revisión sistemática compuesta por 88 investigaciones con arbitraje científico, difundida a través de Renewable and Sustainable Energy Reviews, concluyó que la energía requerida por cada operación de inferencia presenta una variabilidad que supera los tres órdenes de magnitud dentro de la bibliografía académica; por ejemplo, crear imágenes demanda aproximadamente 1.450 veces más recursos que ejecutar una clasificación textual sencilla [3].

Antes de comparar dos cifras sobre consumo de IA hay que comprobar que coinciden en estos cinco parámetros:

A esto se suma una traba estructural en materia de transparencia. Un estudio dado a conocer en Patterns en 2025 lo señala con total claridad: los reportes ecológicos de los administradores de centros de datos no diferencian el tráfico de inteligencia artificial del resto de demandas, por lo que el impacto ambiental de la IA únicamente se calcula mediante estimaciones basadas en indicadores globales de las instalaciones; además, con frecuencia los datos difundidos ni siquiera posibilitan calcular el consumo global de la empresa [1].

El consumo eléctrico de los centros de datos

Aquí las cifras son más sólidas, porque existen fuentes institucionales con metodología publicada. La Agencia Internacional de la Energía (AIE) es la referencia central: su informe Energy and AI de abril de 2025 proyectó un consumo global de centros de datos de unos 945 TWh en 2030, comparable al consumo eléctrico anual de Japón, y su serie Electricity 2026 sitúa el punto de partida de 2025 en torno a 485 TWh, es decir un 1,5 % de la electricidad mundial, de los cuales unos 155 TWh corresponden a instalaciones orientadas a IA.

Existen un par de lecturas compatibles de esta tabla. Por un lado, la inteligencia artificial representa todavía una porción discreta del suministro eléctrico global —apenas el 0,5 % en la actualidad, con una proyección de alcanzar entre el 1 % y el 1,2 % hacia 2030, basándose en la previsión más prudente [10]—. Por otro lado, la velocidad de expansión carece de antecedentes recientes dentro de la industria eléctrica, dado que las redes de distribución requieren entre siete y diez años para su planificación, al tiempo que un data center se levanta en un bienio.

Un dato que refleja dicha desproporción: un modelo de dinámica de sistemas difundido en Sustainable Futures y enfocado en Virginia del Norte —el principal mercado mundial de centros de datos, zona que actualmente absorbe cerca del 25 % de la energía eléctrica local— revela que el margen de reserva proyectado descenderá por debajo del umbral de referencia del 17,7 % en un plazo de tres a cinco años, al tiempo que la proporción correspondiente a los centros de datos se elevaría hasta el 36 %-40 % del gasto energético regional para el año 2031 [17].

Cuánto demanda una única petición

Esta cifra resulta ser la más repetida y, al mismo tiempo, la menos certera. Durante mucho tiempo, los cálculos se elaboraron desde una perspectiva externa, basándose en conjeturas sobre el uso y el hardware. No fue hasta agosto de 2025 cuando vio la luz el primer registro en condiciones reales de funcionamiento: Google monitorizó el sistema encargado de dar soporte a Gemini y determinó que la petición textual media demanda 0,24 Wh de energía y 0,26 ml de agua, lo cual equivale a nueve segundos de emisión televisiva y al volumen de cinco gotas [23].

Dicha labor cobra relevancia por un par de motivos que van más allá de la simple cifra. Por un lado, su delimitación sistémica abarca el gasto energético del acelerador operativo, la plataforma anfitriona, el margen ocioso de los equipos y el sobrecosto eléctrico del centro de datos; en otras palabras, constituye un balance exhaustivo y no una estimación complaciente centrada únicamente en la GPU. Por otro lado, registra un descenso de 33 veces en energía y 44 veces en huella de carbono por consulta mediana en el transcurso de un único año, un logro derivado tanto de la optimización del software como de la adquisición de electricidad verde. En consecuencia, cualquier dato previo a 2024 sobre el gasto energético por consulta queda completamente desfasado por un orden de magnitud considerable.

La moraleja práctica no aboga por el consumo escaso ni por el desmedido. Más bien, se deduce que la selección del modelo y su modalidad de servicio influyen mucho más que la mera decisión de implementar IA o prescindir de ella. Una investigación empírica centrada en H100 reveló que organizar temporalmente el flujo de solicitudes disminuye la energía requerida por cada consulta hasta cien veces, constatando además que el beneficio derivado de emplear precisión reducida surge únicamente en escenarios condicionados por la capacidad de cálculo [20]. Por otro lado, un análisis enfocado en 14 arquitecturas abiertas que oscilan entre 6.000 y 34.000 millones de parámetros determinó que escalar el tamaño incrementa notablemente el gasto energético sin aportar ganancias de exactitud equivalentes, evidenciando que, para numerosas labores, las opciones intermedias alcanzan o rebasan el rendimiento de las mayores con un coste energético notablemente inferior [21].

Hay además un descubrimiento inesperado que resulta útil tener presente: durante un análisis multilingüe enfocado en NVIDIA H200 que superó las 5.100 pruebas, el consumo energético llegó a multiplicarse por tres entre arquitecturas con idénticas demandas de trabajo, el vínculo entre el gasto de energía y la eficacia lógica demostró ser escaso (ρ de Spearman = 0,109; p = 0,386), mientras que el idioma de la consulta se comportó como un parámetro medible de despliegue: las lenguas romances gastaron en promedio menor cantidad de energía que el inglés en diversos modelos [5].

El agua: tres grifos distintos

El agua representa el ámbito donde más se confunde la discusión pública, debido a un motivo elemental: existen tres corrientes diferentes y casi nunca se especifica a cuál se alude.

1. Agua directa (alcance 1). La que se evapora en las torres de refrigeración del propio centro de datos. Es la que suele aparecer en los titulares y la única que el operador controla directamente.

2. Agua indirecta (alcance 2). La que se consume generando la electricidad que alimenta el centro de datos: refrigeración de centrales térmicas y nucleares, evaporación en embalses hidroeléctricos. Suele ser mayor que la directa. En el clúster de São Paulo, con una carga informática de unos 550 MW y una huella hídrica anual estimada de 16,1 millones de m³, más del 46 % es «agua virtual» consumida en la generación hidroeléctrica[7].

3. Agua incorporada (alcance 3). La de la fabricación de semiconductores y del resto de la cadena de suministro del hardware.

Esta divergencia aclara por qué una red eléctrica de bajas emisiones carece automáticamente de un perfil hídrico reducido, aspecto que el estudio elaborado por Aczel et al. recalca de manera explícita [14]. Asimismo, esto esclarece una contradicción territorial: la energía hidroeléctrica, estandarte de la transición energética, desencadena un círculo vicioso donde los requerimientos hídricos y energéticos de los centros de procesamiento de datos tensionan infraestructuras que ya se encuentran vulneradas por la crisis climática [7].

Nótese la diferencia entre la primera y la segunda fila: un orden de magnitud. No es un error de ninguno de los dos trabajos, es que la primera mide retirada y la segunda huella atribuida a cargas de IA. Cualquier artículo que presente ambas como la misma magnitud está mal construido.

La ubicación cuenta más que la cantidad total sumada. Dos terceras partes de las recientes instalaciones de procesamiento de datos en Estados Unidos se ubican en áreas que padecen escasez de agua [18], mientras que una investigación difundida en PLOS Water señala cuatro inquietudes registradas en procesos judiciales y documentos oficiales en Estados Unidos: el debilitamiento de la gestión democrática del recurso hídrico, una explotación desmedida acompañada de alzas en las tarifas, la reducción del margen de maniobra en la gestión del agua, y una mayor demanda hídrica impulsada por el crecimiento del consumo eléctrico [13].

Entrenamiento frente a inferencia: dónde está el coste real

Durante años el relato se centró en el entrenamiento: las cifras espectaculares de un modelo frontera entrenándose durante semanas. Ese marco está desfasado. Los informes del sector indican que la inferencia, no el entrenamiento, concentra más del 90 % del consumo total de energía de un servicio de IA en explotación [19], y una síntesis en Open Praxis recoge un estudio que estima la huella de carbono de la fase de uso en 25 veces la del entrenamiento inicial [18].

Esto acarrea tres efectos que transforman por completo el debate:

• El coste es proporcional al uso, no al desarrollo. Un modelo eficiente usado mil millones de veces al día pesa más que un modelo ineficiente entrenado una vez.

• El cuello de botella se desplaza a la ingeniería de servicio. La cuantización, el volumen de lote, la programación de consultas y la selección del motor de inferencia consiguen recortar el gasto energético global hasta un 73 % en comparación con un ajuste sin optimizar [4].

• Se manifiesta el efecto rebote. Dentro de esta literatura se documenta de forma explícita la paradoja de Jevons: las optimizaciones en la eficiencia abaratan el servicio y elevan la demanda global [18]. Jegham et al. lo plantean como «una paradoja en expansión: conforme la inteligencia artificial se vuelve más veloz y económica, su masiva adopción desencadena un gasto desmedido de recursos» [11].

Adicionalmente, existe un aspecto de ingeniería eléctrica poco divulgado que resulta clave para la organización de la red: la demanda energética durante la fase de entrenamiento no es constante. A través de un monitoreo exhaustivo basado en series temporales, se detectaron fluctuaciones que van desde el 15 % hasta el 85 % de la capacidad máxima de los equipos, lo cual genera repercusiones desfavorables para la estructuración a gran escala [22].

El inconveniente no es global, sino local

Si uno mira solo los agregados mundiales, el impacto de la IA parece manejable. El problema es que la infraestructura no está repartida: Norteamérica, Europa Occidental y Asia-Pacífico concentran más del 90 % de la capacidad de cómputo proyectada[10], y dentro de esas regiones la concentración vuelve a producirse en un puñado de nodos.

La última fila merece atención porque contradice la intuición habitual. La huella de una consulta idéntica puede variar de forma sustancial según el país donde se ejecute, y no siempre en la dirección que se supone. La ubicación del centro de datos y el diseño de su refrigeración influyen en el impacto ambiental tanto como la eficiencia del hardware[25].

Qué mitiga el impacto realmente

Esta es la parte de la literatura menos citada en prensa y la más útil. Las magnitudes están cuantificadas:

El trabajo sobre simbiosis entre centros de datos y depuradoras merece mención aparte por su escala: construye una geobase de más de 4.775 centros de datos y 57.547 depuradoras municipales en 98 países, y encuentra una fuerte coocurrencia espacial entre ambos tipos de instalación que permitiría emparejamientos optimizados a escala nacional [9]. Es el tipo de solución que no requiere ningún avance tecnológico pendiente, solo planificación.

El contrapunto resulta igual de relevante: según advierte un análisis publicado en Nature Sustainability, incluso adoptando las prácticas más óptimas, la industria de servidores de IA apenas podrá cumplir sus metas de cero emisiones netas para 2030 si no apela a esquemas de compensación de carbono y de recuperación hídrica cuya eficacia genera profundas dudas[6].

Cómo auditar cualquier titular sobre consumo de IA

Seis preguntas. Si un titular o un informe no permite responderlas, el dato no es utilizable:

1. ¿De qué año es la medición? Google documentó una mejora de 33 veces en energía por consulta en doce meses. Una cifra de 2023 no describe 2026.

2. ¿Qué incluye la frontera del sistema? ¿Acaso abarca únicamente la GPU, o también engloba el servidor, el margen de capacidad ociosa, el coeficiente PUE de las instalaciones y la propia producción del hardware?

3. En agua, ¿retirada o consumo? ¿Y de qué alcance: refrigeración, generación eléctrica o fabricación de chips?

4. ¿Qué tarea concreta se midió? Una consulta corta de texto y la generación de un vídeo no son la misma unidad de análisis.

5. ¿Es medición, estimación o declaración? Existen tres grados de evidencia bastante diferenciados: la medición instrumentada en producción, la inferencia estadística a partir de información pública de API, y la aseveración corporativa carente de metodología.

6. ¿Está normalizada por utilidad? Evaluar la energía por consulta sin considerar la calidad de la respuesta obtenida impide realizar comparaciones justas. Por esta razón, se sugiere el uso de indicadores compuestos como el AI Energy Score, los cuales miden el nivel de razonamiento alcanzado por cada unidad de energía empleada [5].

Lo que todavía no sabemos

Un artículo honesto tiene que decir dónde se acaba la evidencia. En este campo, las lagunas son grandes y están documentadas:

• No existen evaluaciones integrales y revisadas por pares acerca de los modelos de razonamiento o de la inteligencia artificial agéntica. Así lo subraya de forma explícita un análisis sistemático de 88 investigaciones: se trata de una categoría novedosa que carece de métricas exhaustivas divulgadas [3]. Teniendo en cuenta que estas tecnologías producen una cantidad muy superior de tokens por cada operación, este vacío representa, con casi total seguridad, la carencia más significativa en la actualidad.

• No existen datos fiables de ciclo de vida de las GPU, ni factores de evaluación ampliamente disponibles, ni un estándar establecido de análisis de ciclo de vida para modelos de lenguaje. Lo reconoce la propia Mistral en su auditoría.

• Los operadores no desglosan cargas de IA frente a cargas convencionales en sus reportes ecológicos, obstaculizando la asignación precisa de los impactos [1].

• Los datos locales de consumo de agua rara vez son públicos. Las administraciones municipales y las compañías suministradoras no siempre los publican, por lo que resulta necesario pedirlos mediante los mecanismos de transparencia [13].

• La atribución transfronteriza está sin resolver. Aunque se ha sugerido un esquema híbrido para delegar la huella operativa a las naciones receptoras y los perjuicios incorporados y de servicio a las naciones consumidoras, todavía no se ha alcanzado un consenso [24].

Preguntas frecuentes

¿Cuánta energía gasta una consulta realizada en ChatGPT o Gemini?

La única medición instrumentada en un entorno de producción disponible es la de Google para Gemini: 0,24 Wh de energía y 0,26 ml de agua para la consulta de texto mediana, con una frontera de sistema que incluye acelerador, servidor anfitrión, capacidad inactiva y sobrecoste del centro de datos [23]. OpenAI ha declarado 0,34 Wh y unos 0,32 ml para ChatGPT, sin publicar metodología. Para consultas largas y modelos intensivos, los estudios independientes miden hasta más de 29 Wh [11]. No existe una cifra única válida: depende del modelo, de la longitud de la respuesta y de cómo se sirva.

¿Es cierto que la inteligencia artificial gasta demasiada agua?

Depende de qué se cuente. Por consulta individual, las mediciones van de 0,26 ml (Gemini, medición en producción) a 45 ml (Le Chat, análisis de ciclo de vida de 400 tokens). En agregado, las proyecciones para la IA mundial se mueven entre 0,31-0,76 miles de millones de m³ en 2025 según Patterns[1] y 4.200-6.600 millones de m³ anuales de retirada en 2027 según Li et al. [2]. La diferencia principal no es de magnitud real sino de definición: retirada frente a consumo, y alcance directo frente a indirecto.

¿Qué pesa más, entrenar un modelo o usarlo?

Usarlo. La inferencia concentra más del 90 % del consumo energético de un servicio en explotación[19], y una estimación recogida en la literatura sitúa la huella de carbono de la fase de uso en 25 veces la del entrenamiento inicial [18]. En el caso documentado de Mistral Large 2, el 91 % del agua y el 85,5 % de los gases de efecto invernadero corresponden conjuntamente a entrenamiento e inferencia.

¿Qué porcentaje de la electricidad mundial consume la inteligencia artificial?

Los centros de datos en su conjunto consumieron unos 485 TWh en 2025, en torno al 1,5 % de la electricidad mundial, de los que aproximadamente 155 TWh correspondieron a instalaciones orientadas a IA. Es decir, la IA ronda el 0,5 % del consumo eléctrico mundial. La proyección de la AIE para todos los centros de datos en 2030 es de unos 945 TWh, cerca del 3 %, con la IA ganando peso dentro de ese total.

¿Las optimizaciones de eficiencia solucionan la dificultad?

Solo en parte. Los modelos de escenarios muestran que, aunque la eficiencia por operación mejora de forma sustancial, la demanda agregada crece aproximadamente un orden de magnitud por el aumento del uso [12]. Es el efecto rebote o paradoja de Jevons, documentado explícitamente en esta literatura [18]. Los escenarios que más reducen emisiones combinan consolidación en menos modelos y mayores con transición a electricidad baja en carbono, superando en más de 20 puntos porcentuales lo que logra la eficiencia por sí sola [12].

¿Es capaz la energía renovable de satisfacer la demanda de la inteligencia artificial?

En principio sí, aunque con matices. Tras examinar sistemáticamente 88 investigaciones, se determina que esto resulta factible únicamente si se dinamiza la implantación, se transita del balance anual de energía limpia al emparejamiento horario —conocido como 24/7 carbon-free energy— y se implementan normativas ajustadas a cada región. Los mecanismos de adquisición energética difieren notablemente: la llamada «brecha de adicionalidad» separa los certificados desagregados de la sincronización horaria efectiva [3].

¿Qué puede hacer una empresa que usa IA para reducir su huella?

Cuatro decisiones con impacto cuantificable, dispuestas según su repercusión: optar por la versión más ligera que ejecute el cometido de manera eficiente en vez de la alternativa más avanzada[21]; consolidar los requerimientos en lotes y organizar su emisión en lugar de lanzarlos de forma individual [20]; escoger la localización y el proveedor basándose en la huella de carbono y la escasez hídrica local, y no únicamente atendiendo a la velocidad de respuesta y la tarifa [25]; así como demandar al suministrador métricas de consumo hídrico y eléctrico por cada petición mediante procedimientos transparentes, evitando métricas globales.

Metodología y límites de este artículo

Este artículo se ha elaborado a partir de bibliografía evaluada por expertos hallada mediante exploración semántica en repositorios científicos (Semantic Scholar, OpenAlex y PubMed mediante Consensus), la cual se complementa con tres clases de datos primarios ajenos al ámbito académico: reportes de instituciones oficiales (Agencia Internacional de la Energía, Lawrence Berkeley National Laboratory por encomienda del Departamento de Energía de Estados Unidos), estudios de ciclo de vida difundidos por productores con auditoría externa (Mistral AI con Carbone 4, ADEME, Resilio y Hubblo), además de registros operativos en entornos reales compartidos por proveedores (Google).

Tres límites que el lector debe tener presentes:

• Las cifras de 2030 y los años siguientes se plantean como escenarios, y no como simples previsiones. La mención de horquillas amplias responde a una incertidumbre auténtica que aparece cuantificada en la fuente original, y no a discrepancias entre los especialistas.

• Las declaraciones corporativas que carecen de una metodología publicada se señalan explícitamente y no se consideran equivalentes a las mediciones instrumentadas ni a los análisis de ciclo de vida verificados.

• El sector avanza a un ritmo frenético: el salto de 33 veces registrado por Google a lo largo de un año significa que cualquier dato por consulta requiere acotar su vigencia. Este texto recoge los datos accesibles al 3 de noviembre de 2026.

Referencias

1. The carbon and water footprints of data centers and what this could mean for artificial intelligence — Patterns, 2025. DOI: 10.1016/j.patter.2025.101430

2. Barnett-Itzhaki, Z. The water footprint of artificial intelligence: Emerging solutions and governance imperatives — Water Research, 2026. DOI: 10.1016/j.watres.2026.125866

3. Yoo, S. et al. Can renewable energy meet the surging power demand of artificial intelligence? A systematic review — Renewable and Sustainable Energy Reviews, 2026. DOI: 10.1016/j.rser.2026.117213

4. Fernandez, J. et al. Energy Considerations of Large Language Model Inference and Efficiency Optimizations — 2025. DOI: 10.48550/arxiv.2504.17674

5. de Zarzà, I. et al. Energy-Aware Multilingual Evaluation of Large Language Models — Electronics, 2026. DOI: 10.3390/electronics15071395

6. Xiao, T. et al. Environmental impact and net-zero pathways for sustainable artificial intelligence servers in the USA — Nature Sustainability, 2025. DOI: 10.1038/s41893-025-01681-y

7. Liang, G.-D. The Cloud’s Thirst: Quantifying AI’s Water Footprint and its Impact on the Water-Energy Nexus in São Paulo, Brazil — Cambridge Prisms: Water, 2026. DOI: 10.1017/wat.2026.10020

8. Fan, Y. V. et al. Data Centre Energy Demand Projections within Shared Socioeconomic Pathways — Energy and Climate Change, 2026. DOI: 10.1016/j.egycc.2026.100253

9. Wang, A.-J. et al. Global data–water symbiosis reduces AI infrastructure’s carbon and water footprint — Environmental Science and Ecotechnology, 2026. DOI: 10.1016/j.ese.2026.100702

10. Chen, D.-B. et al. Artificial intelligence data centers could reach one percent of global electricity demand by 2030 — Communications Sustainability, 2026. DOI: 10.1038/s44458-026-00152-5

11. Jegham, N. et al. How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference — 2025. DOI: 10.48550/arxiv.2505.09598

12. Turkay, B. M. et al. Scenario-based forecasting of the global energy demand and carbon footprint of artificial intelligence — PLOS One, 2026. DOI: 10.1371/journal.pone.0343056

13. Shah, S. H. Four water insecurity concerns about datacenters driving the AI revolution — PLOS Water, 2026. DOI: 10.1371/journal.pwat.0000500

14. Aczel, M. et al. The Environmental Cost of AI’s Energy Use: Carbon, Water and Land Footprints — 2026. DOI: 10.53328/inr26rma002

15. Lin, L. et al. Exploding AI Power Use: an Opportunity to Rethink Grid Planning and Management — ACM e-Energy, 2023. DOI: 10.1145/3632775.3661959

16. Shumba, N. et al. A Water Efficiency Dataset for African Data Centers — ACM COMPASS, 2024. DOI: 10.1145/3715335.3735483

17. Paccou, R. et al. Opening the black box of data center electricity consumption forecasting: An application of system dynamics modeling to Northern Virginia — Sustainable Futures, 2026. DOI: 10.1016/j.sftr.2026.102072

18. Bozkurt, A. AI’s Thirst, AI’s Heat, AI’s Waste: Exposing the Hidden Environmental Impact of Every Artificial Intelligence Interaction — Open Praxis, 2025. DOI: 10.55982/openpraxis.17.4.1058

19. Niu, C. et al. TokenPowerBench: Benchmarking the Power Consumption of LLM Inference — 2025. DOI: 10.48550/arxiv.2512.03024

20. Delavande, J. et al. Understanding Efficiency: Quantization, Batching, and Serving Strategies in LLM Energy Use — 2026. DOI: 10.48550/arxiv.2601.22362

21. Masthan Ali, S. B. et al. Assessing the Sustainability of LLM Inference through Energy–Accuracy Analysis — ACM e-Energy, 2026. DOI: 10.1145/3744255.3811741

22. Morrison, J. D. et al. Holistically Evaluating the Environmental Impact of Creating Language Models — 2025. DOI: 10.48550/arxiv.2503.05804

23. Elsworth, C. et al. Measuring the environmental impact of delivering AI at Google Scale — 2025. DOI: 10.48550/arxiv.2508.15734

24. Asghar, M. et al. AI’s Cross Border Energy and Water Footprints: State Duties, No Harm Thresholds, and Paris Agreement Compliance Frameworks — Social Science Review Archives, 2025. DOI: 10.70670/sra.v3i3.875

25. Patel, A. et al. The Environmental Impact of AI Servers and Sustainable Solutions — 2025. DOI: 10.48550/arxiv.2601.06063

Fuentes institucionales y corporativas

• Agencia Internacional de la Energía. Electricity 2026 — Demand y Executive summary.

• Lawrence Berkeley National Laboratory. 2024 United States Data Center Energy Usage Report, diciembre de 2024. Anuncio del Departamento de Energía de EE. UU.

• Mistral AI. Our contribution to a global environmental standard for AI, julio de 2025.

• Our World in Data. How much energy do data centers and artificial intelligence use? (conjunto informativo sustentado en cifras de la AIE).

• Carbon Brief. AI: Five charts that put data-centre energy use and emissions into context.

Los costes por consulta de los servicios comerciales de inteligencia artificial varían con gran rapidez: cualquier dato de esta índole necesita ser contrastado frente al registro más actualizado del proveedor.