Huella ambiental de la IA en investigación

Bajada: La inteligencia artificial puede ahorrar tiempo, explorar datos y apoyar nuevos descubrimientos. También consume electricidad, agua e infraestructura. La pregunta responsable no es si usarla o no, sino cuándo su utilidad científica justifica esos recursos y cómo evitar un gasto innecesario. Una persona investigadora pide a un modelo que resuma veinte artículos. Otra genera código para analizar una base de datos. Un tercer equipo utiliza IA para clasificar imágenes, simular moléculas o explorar miles de combinaciones que manualmente serían inabordables. En todos los casos, la interacción ocurre en una pantalla y parece casi inmaterial. Pero ninguna respuesta aparece de la nada. Detrás hay centros de datos, procesadores especializados, sistemas de refrigeración, electricidad, redes y equipos cuya fabricación también demandó materiales y agua. Cuando la IA entra en la investigación, su huella ambiental pasa a formar parte de las decisiones metodológicas, aunque todavía rara vez figure en un protocolo, presupuesto o informe final. Esto no significa que cada uso sea injustificable ni que la ciencia deba renunciar a una tecnología capaz de acelerar tareas valiosas. Significa algo más exigente: la utilidad científica, la integridad y la sostenibilidad deben evaluarse juntas. No basta con preguntar si una herramienta puede hacer una tarea. También conviene saber si es necesaria, si existe una alternativa suficiente y qué escala de uso se está creando. La IA no es inmaterial La huella ambiental de un sistema de IA tiene varias capas. La más visible es la electricidad utilizada durante el entrenamiento y la inferencia, es decir, cada vez que el modelo procesa una entrada y produce un resultado. A eso se suma la energía de almacenamiento, transmisión de datos y refrigeración. También existe una dimensión hídrica. Algunos centros de datos consumen agua directamente para disipar calor; la generación eléctrica puede requerirla de manera indirecta y la fabricación de semiconductores utiliza agua ultrapura. La contribución publicada en OECD.AI sobre la huella hídrica de la inteligencia artificial recuerda, además, que extracción y consumo de agua no son equivalentes y que el efecto depende del lugar y del momento. Un litro utilizado en una cuenca con abundancia no tiene la misma implicancia que en un territorio bajo estrés hídrico. La tercera capa es material: fabricar servidores y aceleradores requiere minerales, procesos industriales y transporte; renovar rápidamente el hardware genera residuos electrónicos. Por eso las orientaciones europeas sobre uso responsable de IA generativa en investigación , actualizadas en mayo de 2026, plantean que el impacto debe examinarse durante los ciclos de vida del software y del hardware, no solo durante una conversación con el modelo. No existe una cifra universal por consulta Es tentador traducir el problema a una equivalencia fácil de recordar: un prompt consume cierta cantidad de agua o emite una cantidad fija de carbono. Esa fórmula puede servir para llamar la atención, pero es débil para tomar decisiones. El resultado cambia según el modelo, su tamaño y arquitectura; el hardware; la eficiencia del centro de datos; la fuente eléctrica; la ubicación; la hora; la longitud del contexto y de la respuesta; el número de intentos; y la posibilidad de reutilizar resultados. Incluso dos consultas aparentemente iguales pueden recorrer infraestructuras diferentes. La incertidumbre no vuelve irrelevante el impacto. Obliga a medir mejor y a evitar una precisión ficticia. La Agencia Internacional de Energía ha situado el crecimiento de los centros de datos y la IA dentro de la planificación energética global. Para una institución de educación superior, la lección no es calcular una huella exacta con información que los proveedores no entregan, sino reconocer que el aumento de escala convierte decisiones individuales en demanda institucional. Una consulta aislada puede ser pequeña. Miles de personas realizando decenas de intentos, procesando documentos extensos o generando imágenes de manera rutinaria constituyen otro fenómeno. La unidad relevante no siempre es “un prompt”, sino el flujo completo de trabajo y su volumen anual. La herramienta más grande no siempre es la mejor La investigación suele asociar capacidad tecnológica con modelos generales cada vez mayores. Sin embargo, una herramienta multipropósito puede ser excesiva para una tarea estrecha. El estudio Power Hungry Processing , presentado en FAccT 2024 por Sasha Luccioni, Yacine Jernite y Emma Strubell, comparó el costo energético de inferencia de distintas clases de sistemas. Sus resultados muestran que las arquitecturas generativas y multipropósito pueden requerir órdenes de magnitud más energía que modelos específicos para algunas tareas. El dato no permite clasificar automáticamente todos los productos actuales, pero sí sostiene una regla sensata: usar el sistema suficiente, no el más grande disponible por defecto. Si un equipo necesita clasificar registros con categorías estables, quizá basten reglas, una técnica estadística o un modelo pequeño validado. Si busca extraer un campo de miles de documentos, puede comparar una herramienta específica con un modelo generativo. Si la tarea exige razonamiento abierto, síntesis multilingüe o trabajo con datos no estructurados, un modelo más capaz podría estar justificado. La selección responsable compara al menos cuatro dimensiones: calidad del resultado, riesgo metodológico, costo económico y costo computacional. Elegir solo por conveniencia desplaza los demás costos fuera del campo visual. Siete preguntas antes de escalar un uso Un proyecto no necesita una auditoría ambiental completa para comenzar a mejorar. Puede aplicar un filtro breve antes de integrar IA de forma repetitiva. 1. ¿Cuál es la utilidad científica esperada? La IA debe responder a una necesidad definida: reducir un cuello de botella, explorar una hipótesis, mejorar accesibilidad, analizar una escala de datos antes inviable o disminuir errores. “Probar porque está disponible” puede servir en una exploración acotada, pero no justifica convertirla en rutina. 2. ¿La IA es necesaria? Búsqueda bibliográfica, código convencional, una consulta estructurada, reglas transparentes o revisión humana pueden resolver algunas tareas con menor costo y mayor trazabilidad. La comparación debe incluir esas alternativas, no solo distintas marcas de IA. 3. ¿Qué solución es suficiente? Conviene probar primero con una muestra y establecer un umbral de calidad. Si un modelo pequeño o específico alcanza ese estándar, escalar uno mayor agrega consumo sin beneficio demostrado. Si no lo alcanza, la decisión de usar una solución más intensiva queda mejor fundamentada. 4. ¿Cuántas iteraciones estamos generando? Las conversaciones improvisadas, los documentos enviados repetidamente y las cadenas automáticas sin criterio de detención multiplican la inferencia. Preparar instrucciones, limpiar datos, probar en pequeño, limitar salidas y reutilizar resultados reduce consumo, costo y ruido metodológico. 5. ¿Qué podemos medir de manera razonable? Para cómputo local o de alto rendimiento pueden registrarse tiempo de ejecución, procesadores, memoria, utilización, ubicación y consumo estimado. La iniciativa Green Algorithms ofrece calculadoras y herramientas para estimar la huella de proyectos computacionales. En servicios comerciales cerrados habrá menos datos; allí conviene documentar volumen de uso y declarar las limitaciones de la estimación. 6. ¿Qué informa el proveedor? Las compras y contratos institucionales pueden exigir métricas comparables sobre energía, emisiones, agua, ubicación de procesamiento, vida útil del hardware y metas de reducción. Declarar que un centro usa energía renovable no responde por sí solo cuánto consume, cuándo la utiliza ni qué ocurre con agua y equipamiento. 7. ¿Cuál es el beneficio neto? Una IA que evita experimentos fallidos, reduce viajes, optimiza una simulación o reemplaza cómputo todavía más intensivo puede generar un balance favorable. Pero ese beneficio debe demostrarse, no suponerse. También hay efecto rebote: al abaratar una tarea, la institución puede realizarla muchas más veces y terminar consumiendo más recursos en total. Medir sin crear una burocracia imposible Pedir a cada persona que estime el carbono de cada conversación sería poco realista y probablemente produciría números engañosos. El seguimiento debe concentrarse donde hay escala o riesgo: proyectos con uso intensivo, generación masiva, entrenamiento o ajuste de modelos, procesamiento continuo, infraestructura propia y contratos institucionales. Una ficha mínima puede registrar: tarea y justificación del uso; herramienta, modelo o servicio y fecha; volumen procesado: documentos, imágenes, tokens, ejecuciones u horas; número de pruebas antes del despliegue; hardware y ubicación, cuando estén disponibles; energía y emisiones estimadas, junto con supuestos e incertidumbre; alternativas consideradas; beneficio científico obtenido y recursos potencialmente evitados. Esta información se conecta naturalmente con la bitácora de IA, el plan de gestión de datos y la documentación metodológica. No hace falta inventar un sistema paralelo si la institución ya registra herramientas, versiones y decisiones. Lo que corresponde a las instituciones Las decisiones individuales importan, pero no pueden cargar por sí solas con un problema de infraestructura. Las instituciones de educación superior deben crear condiciones para elegir bien. Eso implica incorporar sostenibilidad en las políticas de investigación y de IA; ofrecer acceso a herramientas dimensionadas para tareas distintas; formar a equipos de investigación y personal de apoyo; incluir criterios ambientales en compras; monitorear cargas computacionales relevantes; y pedir transparencia a proveedores. Las orientaciones europeas de 2026 son explícitas: recomiendan a quienes investigan evaluar si la IA es necesaria, elegir la herramienta adecuada y usar instrucciones eficaces; a las organizaciones les piden seguir el impacto ambiental y promover opciones sostenibles. No son una obligación jurídica universal para Chile o América Latina, pero ofrecen un estándar útil para traducir principios en gestión. El contexto territorial también cuenta. Una institución ubicada en una zona con estrés hídrico no debiera evaluar refrigeración y centros de datos con los mismos criterios que otra situada en una cuenca distinta. Tampoco basta trasladar el cómputo a la nube y declarar resuelto el problema: externalizar infraestructura no elimina su huella, solo puede volverla menos visible. Sostenibilidad también es una decisión metodológica La investigación responsable siempre ha debido justificar recursos, riesgos y beneficios. La IA no crea ese principio, pero amplía su alcance. Ahora una elección metodológica también puede determinar cuántas inferencias se ejecutan, qué hardware se utiliza y qué demanda agregada ayuda a consolidar. El objetivo no es contar prompts como si todos fueran iguales ni imponer una culpa individual por cada consulta. Es evitar tres automatismos: usar IA cuando no agrega valor, escoger el modelo más grande sin comparación y escalar un flujo antes de medir si funciona. Una buena política puede resumirse así: utilidad antes que novedad, suficiencia antes que exceso y evidencia antes que declaraciones verdes . Cuando esas reglas entran en proyectos, compras y sistemas de investigación, la huella ambiental deja de ser una nota al pie y se convierte en parte de la calidad científica. Si quieres seguir explorando cómo integrar inteligencia artificial, sostenibilidad y gestión responsable en las instituciones educativas, regístrate gratis en InnovacionAcademica.org y participa en una comunidad que busca innovar con evidencia, criterio y atención a sus efectos reales. Fuentes consultadas Comisión Europea — Living guidelines on the responsible use of generative AI in research, tercera versión, mayo de 2026. Luccioni, Jernite y Strubell — Power Hungry Processing: Watts Driving the Cost of AI Deployment?, FAccT 2024. Agencia Internacional de Energía — Energy and AI (2025). Green Algorithms Initiative — herramientas para estimar la huella de carbono del cómputo científico. OECD.AI — How much water does AI consume? The public deserves to know.