9 de junio de 2025

Una inmersión en la huella hídrica de la IA.

La mitad de la población mundial podría estar viviendo en zonas con escasez de agua ya en 2025. (UNICEF)

TL: DR

La IA tiene sed, y no solo de datos. Detrás de cada conversación con un chatbot y cada entrenamiento de modelos se esconde un coste medioambiental oculto: el agua. Desde la refrigeración de los centros de datos hasta la generación de electricidad, la huella hídrica de la IA está aumentando, y se prevé que su consumo global supere al de algunos países enteros. Este artículo analiza dónde y cómo consume agua la IA, por qué varía según la región y qué pueden hacer las empresas y los usuarios habituales para reducir su impacto. ¿Quieres utilizar la IA de forma más sostenible? Empieza por hacer preguntas más inteligentes, ligeras y deliberadas.

Para 2027, el consumo de agua previsto podría equivaler al consumo de 110 millones de personas a lo largo de toda su vida.
(Privette, 2024)

¿Qué puedo hacer al respecto?

Resumen
La rápida expansión de la inteligencia artificial (IA), en particular de los modelos de lenguaje grandes (LLM), ha suscitado importantes preocupaciones medioambientales, especialmente en lo que respecta al consumo de agua. En este artículo se examina el uso directo e indirecto del agua asociado a la IA, incluyendo el funcionamiento de los centros de datos, la producción de energía y el entrenamiento y la inferencia de modelos. Mediante la síntesis de estudios empíricos recientes e informes del sector, ofrecemos un análisis exhaustivo de la huella hídrica de la IA y proponemos estrategias para mitigar su impacto medioambiental.

1. Introducción
La inteligencia artificial se ha convertido en una parte integral de diversos sectores, desde la sanidad hasta las finanzas, gracias a los avances en el aprendizaje automático y las capacidades de procesamiento de datos. Sin embargo, las implicaciones medioambientales de la IA, especialmente su consumo de agua, han suscitado una atención cada vez mayor. El agua es esencial para refrigerar los centros de datos y generar electricidad, ambos elementos fundamentales para el funcionamiento de la IA. Comprender la huella hídrica de la IA es crucial para desarrollar prácticas sostenibles en el despliegue de la tecnología.

2. Comprender la huella hídrica de la IA
La huella hídrica de la IA abarca tanto el consumo directo como el indirecto:

Uso directo del agua: los centros de datos requieren una cantidad considerable de agua para los sistemas de refrigeración, a fin de mantener temperaturas de funcionamiento óptimas.
Uso indirecto del agua: La generación de electricidad para alimentar los centros de datos suele implicar procesos que consumen mucha agua, especialmente en las centrales termoeléctricas.
Estos factores combinados contribuyen a la importante huella hídrica de la IA.

3. Cuantificación del consumo de agua de la IA
Estudios recientes han puesto de relieve el considerable consumo de agua asociado a la IA:

Entrenamiento de modelos: El entrenamiento de grandes modelos de IA como GPT-3 puede consumir aproximadamente 700 000 litros de agua, principalmente para la refrigeración durante procesos computacionales intensivos (Li et al., 2023).
Operaciones del centro de datos: un centro de datos hiperescala de 100 MW puede consumir directamente alrededor de 2500 millones de litros de agua al año para fines de refrigeración (Impax Asset Management, 2024).
Proyecciones globales: Se prevé que el consumo anual global de agua de la IA alcance entre 4200 y 6600 millones de metros cúbicos en 2027, superando el consumo anual de agua de países como Dinamarca (Universidad de Illinois, 2024).

4. Variaciones regionales en el uso del agua
La huella hídrica de la IA varía significativamente entre regiones debido a las diferencias en el clima, las fuentes de energía y las tecnologías de refrigeración:

Eficiencia en el uso del agua (WUE): La WUE mide los litros de agua utilizados por kilovatio-hora (kWh) de energía consumida. En los centros de datos globales de Microsoft, la WUE oscila entre 1,8 y 12 litros por kWh, con variaciones atribuidas a las condiciones ambientales y la infraestructura locales (OCDE, 2023).
Caso práctico: Iowa. Los centros de datos de Microsoft en Iowa, utilizados para entrenar el GPT-4, aumentaron significativamente el consumo de agua de la empresa en un 34 % entre 2021 y 2022, lo que pone de relieve el impacto regional de las operaciones de IA (AP News, 2023).

5. Estrategias para mitigar la huella hídrica de la IA
Para abordar los retos medioambientales que plantea la IA, se pueden implementar varias estrategias:

Optimización de los programas de entrenamiento: Programar el entrenamiento de los modelos de IA durante los periodos más frescos o en regiones con menor estrés hídrico puede reducir las necesidades de refrigeración (Li et al., 2023).
Mejora de las tecnologías de refrigeración: la adopción de métodos avanzados de refrigeración, como la refrigeración por inmersión en líquido, puede mejorar la eficiencia y reducir el consumo de agua (Submer, 2023).
Mejora de las fuentes de energía: La transición hacia fuentes de energía renovables que requieran menos agua para la generación de electricidad puede reducir indirectamente la huella hídrica de la IA.
Transparencia y presentación de informes: Alentar a las empresas a divulgar datos sobre el uso del agua promueve la rendición de cuentas y da a conocer prácticas sostenibles.

6.1 Estrategias a nivel de usuario

Utilice la IA con prudencia: evite las indicaciones redundantes o exploratorias que requieran un cálculo significativo, a menos que sea necesario. Optimice las solicitudes para reducir el tiempo de procesamiento del modelo.
Opte por modelos locales o ligeros: cuando sea posible, prefiera utilizar modelos más pequeños y que consuman menos recursos, o sistemas de inferencia locales (IA en el dispositivo) que no requieran computación en la nube, que consume mucha energía.
Consolidar tareas: en lugar de realizar múltiples consultas fragmentadas, planifique y estructure una única indicación que permita alcanzar el objetivo final de manera más eficiente.
Promover la transparencia: Utilizar modelos de IA que revelen su impacto medioambiental o proporcionen métricas de eficiencia. Favorecer las plataformas que demuestren su compromiso con la sostenibilidad.
Utilícelo durante las horas de menor consumo: algunos modelos pueden ser más eficientes o consumir menos agua durante las horas nocturnas más frescas o en determinadas zonas geográficas.

6.2 Ejemplos de indicaciones para utilizar la IA de forma sostenible

«Resuma este informe de 20 páginas y destaque solo los riesgos, las dependencias y las estrategias de mitigación en forma de lista con viñetas».
«Resalte solo las diferencias entre estos dos documentos; no es necesario realizar una comparación completa».
«Genera ideas de contenido para toda una semana en una sola lista, clasificadas por temas».
«Dame un resumen de cómo he utilizado esta IA durante la última semana y sugiéreme cómo puedo reducir su impacto medioambiental».
«Crea un guion gráfico de baja resolución con tres fotogramas clave para visualizar esta escena».

7. Conclusión
A medida que la IA sigue evolucionando e integrándose en diversos aspectos de la sociedad, no se puede pasar por alto su impacto medioambiental, especialmente en lo que respecta al consumo de agua. Al comprender y abordar la huella hídrica de la IA, tanto las partes interesadas como los usuarios individuales pueden desarrollar y aplicar estrategias que equilibren el avance tecnológico con la sostenibilidad medioambiental.

Referencias
AP News. (2023). La tecnología de inteligencia artificial detrás de ChatGPT se desarrolló en Iowa, con una gran cantidad de agua.
Impax Asset Management. (2024). Abordar la huella hídrica oculta de los datos.
Li, P., Yang, J., Islam, M. A. y Ren, S. (2023). Hacer que la IA sea menos «sedienta»: descubrir y abordar la huella hídrica secreta de los modelos de IA. Preimpresión arXiv arXiv:2304.03271.
OCDE. (2023). ¿Cuánta agua consume la IA? El público tiene derecho a saberlo.
Submer. (2023). Consumo de agua de los centros de datos: ¿adónde va a parar?
Ana Pinheiro Privette,Universidad de Illinois. (2024). Los retos hídricos de la IA.