El consumo energético de la inteligencia artificial se ha convertido en una de sus mayores limitaciones, tanto medioambientales como económicas. Hasta ahora, la atención se centró en optimizar el hardware: GPUs más eficientes, chips de bajo consumo y sistemas de refrigeración avanzados. Sin embargo, investigadores advierten que el software también es clave para reducir la huella energética de los modelos de IA.
“El hardware consume porque tiene un software que se está ejecutando”, explica la catedrática Coral Calero, de la Universidad de Castilla-La Mancha. Según Calero, un código bien optimizado disminuye la demanda de recursos y, por ende, el gasto eléctrico. Esta visión se vuelve crucial cuando la IA pasa de ser una herramienta de nicho a una pieza esencial en la operación diaria de empresas de todo el mundo.
Un informe de McKinsey revela que el 89% de las compañías globales ya utilizan IA y el 44% está en proceso de escalar su uso. No obstante, alrededor del 20% de las organizaciones limitan su adopción por los altos costos operativos. La presión financiera obliga a buscar alternativas más baratas, lo que impulsa la investigación de “algoritmos verdes” que consuman menos energía sin sacrificar demasiado rendimiento.
En la Universidad de La Coruña, la investigadora Verónica Bolón Canedo lidera un equipo que modifica algoritmos para operar con menos bits, pasando de la aritmética de 64 a 16 o incluso 8 bits. Esta reducción simplifica los cálculos y disminuye la carga sobre el hardware, aunque introduce pérdidas de precisión que deben corregirse mediante ajustes de software. Bolón señala que la tolerancia al error depende del caso de uso: mientras en aplicaciones médicas no se permite ninguna desviación, en recomendaciones de contenido se pueden aceptar pequeñas imprecisiones a cambio de un ahorro significativo.
El consumo energético de la IA se divide en dos fases: entrenamiento e inferencia. El entrenamiento, que requiere enormes volúmenes de cómputo, ha sido tradicionalmente el mayor consumidor. Sin embargo, McKinsey proyecta que en 2027 la inferencia superará al entrenamiento, convirtiéndose en la principal fuente de demanda eléctrica. Por ello, optimizar el software durante ambas etapas es esencial para contener la factura energética.
China ha liderado la carrera por la eficiencia tras la restricción estadounidense a la venta de GPUs avanzadas. Empresas como DeepSeek han adoptado la técnica de “mixture of experts” (MoE), activando solo subredes especializadas según la tarea, lo que reduce drásticamente el consumo. Este enfoque ha permitido a los proveedores chinos ofrecer modelos a precios mucho menores, ganando cuota de mercado frente a gigantes como OpenAI y Google.
Con el consumo global de electricidad de los centros de datos proyectado a casi 945 TWh para 2030, la búsqueda de algoritmos verdes no es solo una cuestión de ahorro económico, sino una necesidad para la sostenibilidad de la industria de la IA.
Fuente: xataka