Se centra en "cómo" se hace el trabajo, optimizando los procesos para maximizar la productividad y minimizar el desperdicio. Hasta aquí, todo es perfecto y se convierte en eso que todos queremos alcanzar. En esta era de revolución tecnológica podemos quintuplicar esta capacidad y más aún si nos centramos en la IA.
Sin embargo, la inteligencia artificial nos trae una paradoja ya que nos ayuda a optimizar sistemas, reducir emisiones y acelerar la transición energética, pero al mismo tiempo dispara el consumo de energía, agua y materiales, añadiendo presión a una crisis que queremos resolver. Y si no estamos atentos se convierte en una relación tóxica por el impacto que tiene.
Qué es la “paradoja de la eficiencia” aplicada a la IA
La paradoja de la eficiencia tiene raíces en la llamada paradoja de Jevons: cuando una tecnología hace más eficiente el uso de un recurso, el coste baja, aumenta la demanda y el consumo total puede crecer en vez de reducirse. En el caso de la IA se ve claramente. La IA nos ayuda a mejorar la eficiencia energética de procesos, de las redes e incluso en las fábricas, podría abaratar y facilitar su uso masivo, lo que incentiva a la utilización de más aplicaciones, más datos y más cómputo, elevando el consumo global de energía y recursos. Esto que estamos viviendo actualmente, no es la primera vez que ocurre. En su obra de 1865 titulada The Coal Question («La cuestión del carbón»), Jevons observó que el consumo del carbón se elevó en Inglaterra después de que James Watt introdujera su máquina de vapor, que mejoraba la eficiencia del primer diseño de Thomas Newcomen. Las innovaciones de Watt convirtieron a este mineral en un recurso usado con mayor eficiencia en relación con su coste, haciendo que se incrementara el uso de la máquina de vapor en una amplia gama de industrias. Esto, a su vez, hizo que aumentara su consumo total, aunque la cantidad necesaria para cada aplicación concreta disminuyera considerablemente.
Para entender mejor de qué estamos hablando os comparto la gráfica que Peter Corcoran incluyó en su paper Cloud Computing and Consumer Electronics: A Perfect Match or a Hidden Storm? Fijaros en cómo un descenso del precio del 50% hace que el consumo, y por lo tanto el coste total, se incremente en mayor proporción.
En el caso de la IA está ocurriendo, tenemos que tener en cuenta dos premisas importantes:
¿Cómo podemos solucionar esto?
Implementando modelos razonadores (tipo Chain-of-Thought) bajo este paradigma, descomponemos un problema en pequeños pasos y le pedimos a la IA que “razone” uno a uno. Este monólogo interno que la IA produce puede ser altamente ineficiente y acelera el consumo energético y de tokens, entre otros.
Implementando modelos basados en agentes IA. Un agente IA es un modelo razonador en bucle. Los agentes pueden crear un plan, ejecutar el primer paso, observar los resultados, revisar el plan, modificarlo y continuar. En cada paso, hay un consumo elevado de tokens y de energía.
Si aplicamos esto al caso que aquí nos ocupa, el clima y su impacto, la cuestión no es solo si un algoritmo concreto ahorra emisiones, sino si la expansión del ecosistema de IA (centros de datos, dispositivos, redes) termina aumentando la huella total más rápido de lo que la reduce.
Cómo la IA ayuda a combatir la crisis climática
La IA ya se utiliza para mitigar el cambio climático en múltiples frentes: optimización del sistema energético, eficiencia industrial y logística, control inteligente de edificios, economía circular y su conservación, etc. Algunos análisis estiman que, bien orientada y alimentada con energía limpia, la IA puede contribuir a eliminar entre 3 y 5 gigatoneladas de CO₂ anuales en 2035, sobre todo en sectores como energía, transporte y construcción. Para llegar a este punto necesitamos contar con una infraestructura que permite estos usos “verdes” con un impacto ambiental óptimo (centro de datos y redes, modelos generativos intensivos, gestión hídrica, materiales y residuos electrónicos).
Cómo convertir la IA en aliada y no en acelerante
La celeridad con la que se está produciendo los cambios obliga a hacer una revisión de cómo estamos abordando ciertos temas: desplazamiento de prioridades, carreras de escalas y competencias, desigualdades y concentración, riesgos de “malas soluciones”, entre otras. estos factores pueden hacer que la IA aumente la velocidad a la que se consumen energía y recursos en lugar de limitarla, acelerando las emisiones en un periodo en el que deberían caer rápidamente.
Para que la IA no agrave la crisis climática importa tanto cómo se usa como con qué se alimenta:
En este punto la pregunta clave no es si la IA es buena o mala para abordar la crisis climática, sino bajo qué reglas, infraestructuras y prioridades utilizamos su capacidad de optimizar al servicio de la descarbonización en lugar de acelerar la crisis, podremos decir aquello de… y tú, ¿cuánto vales?
