La inteligencia artificial se ha incorporado rápidamente a actividades cotidianas, profesionales y educativas, pero su funcionamiento tiene un coste ambiental que no siempre resulta visible para quienes la utilizan. Cada petición debe procesarse en centros de datos, infraestructuras que requieren electricidad y agua para mantener operativos y refrigerados sus equipos.
En este contexto, una guía publicada por BBVA plantea una cuestión previa a cualquier consulta: determinar si realmente es necesario recurrir a la inteligencia artificial. Carmen Torrijos, lingüista computacional y experta en IA aplicada al lenguaje de la Universidad Carlos III de Madrid, sostiene que la principal recomendación consiste en reservar estas herramientas para aquellas tareas que no puedan resolverse adecuadamente mediante alternativas más sostenibles.
Este criterio también puede evitar problemas relacionados con la fiabilidad de las respuestas. Utilizar IA para operaciones sencillas, localizar palabras en un documento o resolver funciones que ya ofrecen otras aplicaciones puede generar respuestas incorrectas o las conocidas como "alucinaciones". Si esto obliga a realizar nuevas consultas para corregir el resultado, aumenta también el procesamiento informático necesario.
Una de las formas de reducir el impacto asociado al uso de la IA consiste en preparar mejor cada petición. Cuanto más precisa sea la instrucción o prompt, más posibilidades existen de obtener el resultado esperado sin sucesivas correcciones. Definir desde el comienzo el objetivo, el contexto, el formato deseado y los requisitos relevantes permite evitar intercambios adicionales.
También resulta conveniente agrupar preguntas relacionadas dentro de una misma conversación. Esta práctica, conocida como batching, permite organizar varias peticiones en un único bloque y aprovechar mejor el contexto disponible. Los modelos de lenguaje deben volver a procesar la información de la conversación ante cada nueva petición, por lo que reducir interacciones duplicadas puede disminuir el procesamiento realizado por los servidores.
La recomendación alcanza incluso a mensajes cotidianos que, aunque forman parte de las normas de cortesía entre personas, no aportan información necesaria al sistema. Expresiones como "hola", "gracias por el trabajo" o peticiones para confirmar que una tarea ha terminado vuelven a activar el procesamiento. La IA no tiene conciencia ni sentimientos, por lo que prescindir de estos intercambios cuando no sean necesarios constituye otro pequeño gesto de eficiencia digital.
No todos los contenidos generados mediante IA demandan la misma capacidad de cálculo. Aunque producir texto también requiere energía, la creación de imágenes, audio y vídeo necesita una potencia computacional considerablemente superior.
Por ello, antes de solicitar un contenido visual o audiovisual, la guía recomienda valorar si una respuesta escrita o incluso un boceto realizado de forma manual puede cumplir la misma función.
Otra práctica consiste en reutilizar información obtenida previamente. Si una planificación, una respuesta o unos datos ya fueron generados en una conversación anterior, consultar el historial antes de repetir la petición desde cero puede evitar procesamiento innecesario y, con ello, reducir el coste energético asociado.
El impacto no depende únicamente de la plataforma utilizada. Torrijos señala que es necesario distinguir entre las plataformas —como ChatGPT o Claude— y los diferentes modelos disponibles dentro de ellas, como GPT-5 o Claude Opus 4.7.
El tamaño del modelo influye en los recursos necesarios para ejecutar una tarea. Según explica la especialista citada por BBVA, dentro de una misma plataforma un modelo pequeño puede tener un menor impacto que uno de mayores dimensiones. En las cuentas de pago, cuando existe la posibilidad de seleccionar el modelo, una opción es reservar los más pequeños para preguntas rápidas y utilizar sistemas más potentes para trabajos complejos, como aquellos que requieren procesar ficheros. En las cuentas gratuitas, generalmente es la propia plataforma la que asigna el modelo y suele priorizar alternativas más pequeñas.
Los denominados tokens, las unidades en las que los modelos procesan la información, pueden ofrecer una aproximación al trabajo computacional realizado, pero no permiten conocer directamente el consumo energético de una consulta.
La energía utilizada depende también del tipo de hardware —como GPU o TPU—, de la optimización del modelo, de la manera en que se agrupan y procesan las peticiones y de la eficiencia energética de cada centro de datos. Por ese motivo, Torrijos advierte de que no existe una equivalencia fija que permita convertir un determinado número de tokens en una cantidad concreta de energía consumida.
A esta dificultad se suma, según la especialista, la falta de acceso público a información detallada sobre el gasto energético real de las grandes compañías tecnológicas.
Identificar cuándo una herramienta generativa aporta realmente valor constituye otra vía para contener el consumo de electricidad y agua vinculado a los centros de datos. Muchas actividades sencillas pueden resolverse mediante programas instalados en el propio dispositivo.
Ordenar alfabéticamente una lista, realizar una operación matemática o corregir la ortografía de un texto breve son ejemplos de tareas para las que pueden utilizarse hojas de cálculo, procesadores de texto u otras herramientas convencionales.
Algo similar ocurre con determinadas búsquedas. Para conocer una fecha histórica, consultar los horarios de un establecimiento o revisar la previsión meteorológica, puede resultar más eficiente acudir directamente a un buscador convencional o a una página web oficial. Pedir a un chatbot que encuentre un enlace o acceda a una información que puede localizarse directamente añade procesamiento que podría evitarse.
También es poco eficiente recurrir a un modelo generativo para encontrar una cifra o una palabra concreta dentro de un documento extenso cuando aplicaciones como Word o Google Docs incorporan funciones específicas de búsqueda.
La misma lógica puede aplicarse a decisiones menores y mecánicas. Delegar sistemáticamente en la IA tareas como organizar una lista diaria muy sencilla o redactar pequeños recordatorios internos genera un gasto computacional que puede evitarse mediante una gestión directa.
El comportamiento de los usuarios forma parte del debate sobre una inteligencia artificial más responsable. Además de los modelos comerciales alojados en servidores externos, existen sistemas de código abierto que pueden ejecutarse localmente, en el propio ordenador.
Torrijos considera que esta opción presenta ventajas desde el punto de vista de la sostenibilidad, el consumo energético y la privacidad, ya que los datos no necesitan viajar hasta los servidores de las grandes compañías tecnológicas.
Sin embargo, también existe una contrapartida: instalar y utilizar estos modelos exige mayores conocimientos, investigación previa y competencias digitales y técnicas. Los servicios comerciales disponibles a través de la web, por el contrario, están diseñados para simplificar el acceso y facilitar su utilización por parte de un público amplio.
El crecimiento de la inteligencia artificial abre así un nuevo ámbito para el consumo digital responsable. No todas las consultas tienen el mismo impacto, ni todas las tareas necesitan recurrir a modelos generativos.
Preguntarse antes de cada uso si existe una alternativa más sencilla, redactar instrucciones completas, concentrar las consultas relacionadas, reducir mensajes prescindibles, priorizar el texto frente al contenido audiovisual y aprovechar respuestas ya generadas son medidas al alcance de cualquier usuario.
Como recoge la guía de BBVA, la sostenibilidad de la inteligencia artificial no depende únicamente de la eficiencia de los modelos, del hardware o de los centros de datos. Las decisiones cotidianas de quienes utilizan estas herramientas también pueden contribuir a contener el uso innecesario de recursos.
