El costo oculto de la IA: energía, agua y soberanía de los datos

Introducción: de la nube abstracta a la infraestructura material de la IA

La expansión de los modelos generativos y la multiplicación de sus demandas ecológicas

La expansión de la inteligencia artificial generativa ha convertido el cómputo en una infraestructura física de gran escala. Los modelos requieren servidores especializados, electricidad continua, sistemas de refrigeración, agua, semiconductores, suelo industrial y redes de transmisión. La metáfora de la nube oculta estos flujos materiales y desplaza sus costes hacia territorios concretos, comunidades locales y cadenas internacionales de suministro (Hlabisa, 2025; Monstadt & Saltzman, 2025). La magnitud futura depende de la expansión de servidores, la intensidad de uso y las mejoras de eficiencia, por lo que las estimaciones presentan intervalos amplios (Herrera et al., 2025; Xiao et al., 2025).

Alcance de la revisión: ciclo de vida, centros de datos y gobernanza de la infraestructura

Esta revisión examina la huella de la IA a lo largo de su ciclo de vida, con atención al entrenamiento, la inferencia, la fabricación de hardware y la operación de centros de datos. También analiza la refrigeración, la localización territorial, la concentración empresarial y la soberanía sobre datos y recursos. El argumento central es que la eficiencia técnica no basta si la expansión absoluta del cómputo supera sus beneficios ambientales.

Energía y carbono: la huella creciente de la IA a lo largo de su ciclo de vida

Demanda eléctrica, entrenamiento, inferencia y expansión de los centros de datos

La demanda eléctrica de la IA procede de varias fases que deben contabilizarse conjuntamente. El entrenamiento de modelos de frontera concentra cargas intensivas, pero la inferencia puede alcanzar o superar su consumo cuando los sistemas se integran en servicios utilizados masivamente (Oliveira et al., 2026). A ello se suman el almacenamiento, las redes, los equipos auxiliares y la refrigeración. Por tanto, atribuir la huella exclusivamente al entrenamiento produce una representación incompleta del ciclo de vida.

Las estimaciones recientes muestran la escala potencial del crecimiento. Para Estados Unidos, la expansión de servidores de IA entre 2024 y 2030 podría generar entre 24 y 44 Mt de emisiones anuales de CO2 equivalente, según el ritmo de despliegue y las condiciones de la red eléctrica (Xiao et al., 2025). Otra estimación sitúa las emisiones de carbono asociadas específicamente a la IA en 2025 entre 32,6 y 79,7 millones de toneladas, aunque advierte que la separación entre cargas de IA y otras cargas sigue siendo difícil (de Vries-Gao, 2025). Estas cifras no son directamente equivalentes: la primera proyecta servidores estadounidenses bajo escenarios de expansión, mientras la segunda estima la huella mundial de la IA mediante aproximaciones basadas en datos de centros de datos.

El consumo eléctrico también modifica la operación de los sistemas energéticos. Las cargas de IA combinan alta densidad de potencia, variabilidad temporal y necesidades térmicas exigentes, condiciones que afectan la planificación de redes, la estabilidad y los mercados eléctricos (Sheng et al., 2026). Este artículo fue posteriormente retirado, por lo que sus afirmaciones deben tratarse como una referencia no validada para establecer resultados firmes. En contraste, un marco de respuesta coordinada entre centros de datos y sistemas eléctricos propone desplazar tareas según la intensidad de carbono de la electricidad, incorporando energía fotovoltaica y almacenamiento sin intercambiar información sensible (Ruan et al., 2024). El desplazamiento temporal puede reducir emisiones operativas, pero no elimina la demanda material asociada con la construcción de nueva capacidad.

La relación entre eficiencia y consumo total depende de cómo se utilicen las mejoras. La optimización térmica, la distribución de cargas y el control de equipos pueden reducir la electricidad por unidad de servicio (Rostami et al., 2024; Zhu et al., 2024). En un centro de datos de Guangzhou, una estrategia de control predictivo redujo el consumo anual de refrigeración hasta un 22,15 % frente a una estrategia de referencia bajo una carga informática del 55 % (Zhu et al., 2024). Ese resultado corresponde a una instalación y configuración concretas, no a una reducción general de la huella de la IA. La expansión de servicios puede compensar, o incluso superar, las ganancias unitarias.

De la eficiencia operativa a la huella climática sistémica

La huella climática depende del lugar donde se ejecuta el cómputo, del momento de consumo y de la mezcla eléctrica. La descarbonización de la red puede reducir emisiones operativas, pero la construcción de servidores, semiconductores y edificios mantiene emisiones incorporadas que las métricas centradas en electricidad suelen excluir (Oliveira et al., 2026). El análisis del ciclo de vida también debe incorporar la sustitución de hardware y las cadenas de suministro, puesto que la fabricación forma parte de la infraestructura que sostiene cada carga (Herrera et al., 2025; Hlabisa, 2025).

La localización introduce diferencias ambientales y políticas. En Estados Unidos, la distribución espacial de los servidores, la velocidad de descarbonización de la red y las medidas de eficiencia explican buena parte de la incertidumbre de las proyecciones (Xiao et al., 2025). Las mejores prácticas podrían reducir las emisiones hasta un 73 % en determinados escenarios, pero su eficacia está limitada por la infraestructura energética existente (Xiao et al., 2025). Este resultado cuestiona las promesas de neutralidad climática basadas únicamente en mejoras internas de las empresas o en compensaciones.

La respuesta adecuada requiere pasar de indicadores aislados a restricciones sistémicas. La literatura de revisión concluye que la eficiencia del hardware, la optimización del software y la refrigeración deben coordinarse con decisiones sobre escala, ubicación, intensidad de uso y momento de operación (Oliveira et al., 2026). La respuesta a la demanda puede alinear parte del cómputo con electricidad menos intensiva en carbono, pero necesita reglas de transparencia y protección de datos (Ruan et al., 2024). Por ello, la cuestión energética conduce directamente a la del agua: cada kilovatio consumido tiene una dimensión hídrica que depende tanto de la refrigeración como de la generación eléctrica.

Agua y refrigeración: el recurso invisible detrás del cómputo intensivo

Factores que determinan el consumo hídrico por carga de trabajo

El consumo hídrico de la IA comprende el agua utilizada directamente en las instalaciones, la asociada a la generación de electricidad y la incorporada en la fabricación y las cadenas de suministro (Herrera et al., 2025). Esta clasificación evita reducir el problema al agua evaporada en las torres de refrigeración. También permite distinguir entre consumo local, que puede afectar acuíferos y redes municipales, y consumo desplazado hacia regiones productoras de electricidad o hardware.

Las estimaciones disponibles muestran una incertidumbre sustancial. La expansión de servidores de IA en Estados Unidos podría requerir entre 731 y 1.125 millones de metros cúbicos de agua al año durante 2024-2030 (Xiao et al., 2025). Para la IA mundial, otra estimación sitúa la huella hídrica de 2025 entre 312,5 y 764,6 mil millones de litros (de Vries-Gao, 2025). Las cifras no deben sumarse ni compararse como si midieran el mismo sistema: difieren en geografía, definición de huella, horizonte temporal y método de atribución.

El uso por carga de trabajo varía más de 10.000 veces en la revisión de Lei y colaboradores (Lei et al., 2025). La variación procede de diferencias superiores a 1.000 veces en el consumo hídrico por kilovatio-hora de electricidad del servidor y de diferencias aproximadas de diez veces en la eficiencia del servidor (Lei et al., 2025). Los determinantes se ordenan por eficiencia del servidor, factor hídrico de la red eléctrica, utilización, tipo de refrigeración, eficiencia de la infraestructura, clima, proporción de servidores inactivos y renovación del hardware (Lei et al., 2025). Esta amplitud impide asignar un valor universal de litros por consulta o por modelo.

La escala futura depende además del crecimiento del cómputo. Un marco probabilístico proyecta que, sin medidas de mitigación, el consumo mundial de agua asociado a centros de datos podría multiplicarse por más de siete hacia mediados de siglo, con predominio del consumo operativo de refrigeración (Herrera et al., 2025). La proyección combina datos empíricos escasos con supuestos informados por expertos, de modo que expresa escenarios y no una predicción puntual. Su utilidad reside en mostrar qué variables, especialmente el crecimiento del cómputo y las tendencias de eficiencia, modifican más el resultado.

Refrigeración por aire, agua y líquido: ahorros, compensaciones y límites locales

La refrigeración por aire sigue siendo extendida, pero pierde eficacia cuando aumenta la densidad térmica de los procesadores. Las revisiones describen alternativas que incluyen refrigeración gratuita, sistemas a escala de rack, placas frías, inmersión y termofluidos (Alkrush et al., 2024; Li et al., 2024). La refrigeración líquida responde mejor a cargas térmicas elevadas, aunque introduce complejidad operativa, necesidades de control y posibles impactos ambientales de los fluidos empleados (Azarifar et al., 2024). En sistemas de inmersión bifásica, algunos fluidos diseñados presentan potencial de calentamiento global y problemas de salud y fiabilidad a largo plazo (Azarifar et al., 2024).

La refrigeración gratuita puede reducir simultáneamente electricidad y agua bajo condiciones climáticas adecuadas. La refrigeración radiativa pasiva, simulada para centros de datos en Singapur, alcanzó un ahorro medio anual de energía de aproximadamente el 20 % cuando enfrió directamente el aire de retorno, mientras que otra configuración redujo el consumo de agua alrededor del 84 % (Aili et al., 2024). Son resultados de simulación dependientes de la configuración y del clima, no garantías transferibles a cualquier emplazamiento. La elección tecnológica debe considerar temperatura, humedad, disponibilidad de agua y compatibilidad con los equipos existentes.

Las mejoras operativas también generan compensaciones. En un centro con refrigeración líquida directa, elevar la temperatura de suministro de agua de 17 a 25 °C redujo el consumo del sistema de refrigeración un 63,3 % bajo una temperatura exterior de bulbo húmedo de 19 °C, pero casi duplicó la transferencia térmica al aire de la sala y aumentó un 3,15 % el consumo de los equipos informáticos (Gheni et al., 2025). El resultado demuestra que el control debe modelar conjuntamente refrigeración líquida, aire, equipos informáticos y reutilización del calor. La optimización de un subsistema puede trasladar consumo a otro.

La refrigeración a escala de rack y el control de flujo ofrecen ganancias adicionales. Una revisión identifica ahorros energéticos de hasta el 67,2 % frente a métodos tradicionales, aunque señala carencias en fiabilidad, control de cargas heterogéneas y modernización de instalaciones (Alkrush et al., 2024; Li et al., 2024). La estrategia de control predictivo con almacenamiento de agua fría redujo el consumo de refrigeración entre un 4,04 % y un 22,15 %, según el modo operativo considerado (Zhu et al., 2024). Estos resultados respaldan intervenciones técnicas específicas, pero no resuelven la distribución territorial del agua. Una instalación eficiente puede seguir agravando la escasez si se ubica en una cuenca estresada, cuestión que conduce a la planificación y la rendición de cuentas.

Infraestructura, concentración empresarial y soberanía de los datos

La industrialización de la IA y la dependencia de Big Tech, la nube y el territorio

La industrialización de la IA integra modelos, aplicaciones, centros de datos, servicios de nube, financiación y mercados de desarrolladores en una misma cadena empresarial. El análisis de Amazon, Microsoft y Google muestra que estas compañías controlan distintos niveles de la pila tecnológica y que numerosas empresas dependen de sus plataformas (van der Vlist et al., 2024). Esta concentración condiciona quién puede entrenar modelos, dónde se localiza el cómputo y qué información ambiental queda bajo control corporativo.

La infraestructura también reorganiza el territorio. Los centros de datos ocupan suelo, demandan electricidad y agua, generan flujos logísticos y pueden producir calor residual, aunque las políticas urbanas han prestado atención limitada a estas materialidades (Monstadt & Saltzman, 2025). El caso del área metropolitana de Amsterdam muestra el tránsito desde el apoyo político casi incondicional hacia reformas destinadas a limitar el crecimiento, sin resolver los conflictos sobre suelo, electricidad y recursos (Monstadt & Saltzman, 2025). La localización, por tanto, no es una decisión técnica neutral: distribuye beneficios y costes entre actores con capacidades desiguales.

Transparencia ambiental y control sobre los flujos de datos y recursos

La soberanía de los datos implica autodeterminación sobre el uso de los datos, sostenida por confianza, infraestructura y acuerdos contractuales a lo largo de su ciclo de vida (von Scherenberg et al., 2024). Aplicada a la IA, exige relacionar quién controla los datos con quién controla el cómputo, la energía y los registros ambientales. Sin esa relación, la soberanía puede reducirse a privacidad mientras permanecen opacos los recursos físicos que hacen posible el procesamiento.

La transparencia actual no permite separar de manera fiable las cargas de IA de otras cargas de los centros de datos, y en muchos casos tampoco permite estimar el desempeño total de las empresas tecnológicas (de Vries-Gao, 2025). La falta de información sobre agua directa, electricidad, generación eléctrica y cadenas de suministro limita la regulación y la planificación comunitaria (Privette et al., 2026). La divulgación debería incluir métricas comparables por instalación y por tipo de carga, junto con información territorial sobre fuentes de agua, intensidad de carbono y capacidad de red. Sin acceso público a estos datos, la soberanía digital permanece subordinada a decisiones privadas sobre infraestructuras comunes.

Síntesis crítica: incertidumbres, controversias y vacíos de gobernanza

La dificultad de atribuir energía, carbono y agua específicamente a las cargas de IA

La atribución ambiental enfrenta una limitación metodológica central: los operadores suelen informar sobre centros de datos agregados, sin distinguir IA, almacenamiento, redes u otros servicios (de Vries-Gao, 2025). Las estimaciones deben aproximar las cargas mediante métricas generales de rendimiento, lo que amplía los intervalos de incertidumbre. Además, la huella hídrica puede contabilizar refrigeración, electricidad y fabricación, mientras que los indicadores corporativos suelen priorizar una sola fase (Herrera et al., 2025). Las comparaciones entre estudios solo son válidas cuando coinciden frontera del sistema, geografía, periodo y unidad funcional.

La incertidumbre tampoco es únicamente estadística. La ubicación de servidores, la mezcla eléctrica, el clima y la utilización modifican materialmente los resultados (Lei et al., 2025; Xiao et al., 2025). La escasez de datos locales impide evaluar con precisión efectos distributivos, especialmente en zonas con sequía o estrés hídrico, donde un consumo nacional pequeño puede producir impactos territoriales intensos (Privette et al., 2026).

Eficiencia tecnológica frente a crecimiento absoluto de la demanda

La evidencia apoya mejoras en refrigeración, control de cargas y eficiencia de servidores, pero no demuestra que reduzcan automáticamente la demanda total. La revisión del ciclo de vida concluye que la inferencia a gran escala puede igualar o superar el entrenamiento y que las ganancias unitarias sufren efectos de retroalimentación sistémica (Oliveira et al., 2026). Por ello, la eficiencia debe acompañarse de límites de despliegue, criterios de ubicación y evaluación de necesidades computacionales. El aumento de capacidad puede anular ahorros si la demanda de servicios crece con mayor rapidez.

Vacíos de datos comparables, rendición de cuentas y soberanía ambiental

La gobernanza requiere obligaciones de divulgación, evaluación ambiental específica para IA y coordinación entre empresas, operadores de red, autoridades hídricas y comunidades. Los marcos existentes no garantizan todavía datos comparables sobre agua, carbono, hardware y territorio (Hlabisa, 2025; Privette et al., 2026). La soberanía ambiental añade una pregunta distributiva: quién decide qué usos de agua, suelo y electricidad son aceptables cuando los beneficios económicos se concentran y los costes se desplazan. Sin participación pública y mecanismos de responsabilidad verificables, la expansión de la IA seguirá dependiendo de infraestructuras cuyo impacto permanece parcialmente invisible.

Conclusión: hacia una soberanía digital compatible con los límites ecológicos

Implicaciones para la planificación energética, hídrica y territorial

Una soberanía digital ecológica exige planificar la IA como infraestructura material. Las decisiones sobre centros de datos deben integrar capacidad de red, intensidad de carbono, disponibilidad hídrica, clima, suelo y posibilidades de reutilización del calor (Herrera et al., 2025; Monstadt & Saltzman, 2025). La expansión no debería aprobarse mediante métricas nacionales agregadas que oculten impactos locales. La planificación energética e hídrica debe incorporar escenarios de crecimiento y publicar los supuestos que determinan sus resultados.

Prioridades para una IA transparente, responsable y materialmente sostenible

Las prioridades son establecer mediciones obligatorias y comparables, separar las cargas de IA, informar sobre agua directa e indirecta y contabilizar fabricación y renovación de hardware. También deben combinarse eficiencia, flexibilidad de demanda, refrigeración adaptada al clima y límites territoriales, porque ninguna intervención aislada controla la huella completa (Lei et al., 2025; Oliveira et al., 2026). Una IA compatible con los límites ecológicos dependerá menos de promesas corporativas de neutralidad y más de reglas públicas que vinculen datos, infraestructura, recursos y responsabilidad.

References

• Aili, A., Long, W.-J., Cao, Z., & Wen, Y. (2024). Radiative free cooling for energy and water saving in data centers. Applied Energy, 359, 122672. https://doi.org/10.1016/j.apenergy.2024.122672
• Alkrush, A. A., Salem, M. S. A., Abdelrehim, O., & Hegazi, A. A. (2024). Data centers cooling: A critical review of techniques, challenges, and energy saving solutions. International Journal of Refrigeration, 160, 246–262. https://doi.org/10.1016/j.ijrefrig.2024.02.007
• Azarifar, M., Arık, M., & Chang, J.-Y. (2024). Liquid cooling of data centers: A necessity facing challenges. Applied Thermal Engineering, 247, 123112. https://doi.org/10.1016/j.applthermaleng.2024.123112
• de Vries-Gao, A. (2025). The carbon and water footprints of data centers and what this could mean for artificial intelligence. Patterns, 7(1), 101430. https://doi.org/10.1016/j.patter.2025.101430
• Gheni, M., Kerskes, H., & Stergiaropoulos, K. (2025). Operational analysis of the cooling system in a direct liquid-cooled data center: a measurement and simulation study on the impact of supply water temperature. Applied Energy, 403, 127061. https://doi.org/10.1016/j.apenergy.2025.127061
• Herrera, M., Xie, X., Menapace, A., Zanfei, A., & Brentan, B. (2025). Sustainable AI infrastructure: A scenario-based forecast of water footprint under uncertainty. Journal of Cleaner Production, 526, 146528. https://doi.org/10.1016/j.jclepro.2025.146528
• Hlabisa, S. B. (2025). The ecology of artificial intelligence: energy, water, materials, and land limits of digital systems. Carbon Neutral Systems, 1(1). https://doi.org/10.1007/s44438-025-00018-8
• Lei, N., Lu, J., Shehabi, A., & Masanet, E. R. (2025). The water use of data center workloads: A review and assessment of key determinants. Resources Conservation and Recycling, 219, 108310. https://doi.org/10.1016/j.resconrec.2025.108310
• Li, X., Li, M., Zhang, Y., Han, Z., & Wang, S. (2024). Rack-level cooling technologies for data centers – a comprehensive review. Journal of Building Engineering, 90, 109535. https://doi.org/10.1016/j.jobe.2024.109535
• Monstadt, J., & Saltzman, K. (2025). HOW DATA CENTERS HAVE COME TO MATTER : Governing the spatial and environmental footprint of the ‘digital gateway to europe.’ International Journal of Urban and Regional Research, 49(4), 757–778. https://doi.org/10.1111/1468-2427.13316
• Oliveira, A. P., Carraquico, T., & Martínez-Pérez, C. (2026). Beyond efficiency: A systematic review of energy consumption and carbon footprint across the AI lifecycle. Sustainability, 18(3), 1359. https://doi.org/10.3390/su18031359
• Privette, A. P., Barros, A. P., & Cai, X. (2026). Data centers water footprint: The need for more transparency. AGU Advances, 7(2). https://doi.org/10.1029/2025av002140
• Rostami, S., Down, D. G., & Karakostas, G. (2024). Linearized data center workload and cooling management. IEEE Transactions on Automation Science and Engineering, 22, 3502–3514. https://doi.org/10.1109/tase.2024.3395471
• Ruan, J., Zhu, Y., Cao, Y., Sun, X., Lei, S., Liang, G., Qiu, J., & Xu, Z. (2024). Privacy-Preserving bi-level optimization of internet data centers for electricity-carbon collaborative demand response. IEEE Internet of Things Journal, 11(14), 24948–24959. https://doi.org/10.1109/jiot.2024.3391762
• Sheng, Y., Chenxuan, Z., Zhu, Z., Xu, H., Wen, J., Wang, R., Yang, J., Wang, Q., & Bu, S. (2026). RETRACTED: Power for AI data centers: Energy demand, grid impacts, challenges and perspectives. Energies, 19(3), 722. https://doi.org/10.3390/en19030722
• van der Vlist, F., Helmond, A., & Ferrari, F. (2024). Big AI: Cloud infrastructure dependence and the industrialisation of artificial intelligence. Big Data & Society, 11(1). https://doi.org/10.1177/20539517241232630
• von Scherenberg, F., Hellmeier, M., & Otto, B. (2024). Data sovereignty in information systems. Electronic Markets, 34(1). https://doi.org/10.1007/s12525-024-00693-4
• Xiao, T., Nerini, F. F., Matthews, H. D., Tavoni, M., & You, F. (2025). Environmental impact and net-zero pathways for sustainable artificial intelligence servers in the USA. Nature Sustainability, 8(12), 1541–1553. https://doi.org/10.1038/s41893-025-01681-y
• Zhu, Y., Zhang, Q., Zeng, L., Wang, J., & Zou, S. (2024). An advanced control strategy of hybrid cooling system with cold water storage system in data center. Energy, 291, 130304. https://doi.org/10.1016/j.energy.2024.130304