La dualidad de la IA: La posibilidad de que la IA salve al planeta, pero antes, la historia invisible de la electricidad, el agua y las emisiones

La dualidad de la IA: La posibilidad de que la IA salve al planeta, pero antes, la historia invisible de la electricidad, el agua y las emisiones

La velocidad a la que la IA se ha integrado en nuestras vidas ha acelerado significativamente en los últimos años. Búsqueda, traducción, creación de documentos, generación de imágenes, soporte al cliente: la conveniencia se ha expandido de manera indudable, pero detrás de esta "normalidad", la IA requiere grandes cantidades de electricidad y agua. La expansión de centros de datos, la fabricación de semiconductores, el uso de agua para refrigeración, y los cambios en la estructura de generación de energía para asegurar el suministro. Estos factores acumulativos han intensificado la pregunta: "¿Es la IA una carga para el medio ambiente?"


Sin embargo, el artículo de Phys.org (una reimpresión de una contribución de The Conversation) evita una dicotomía simplista de bien y mal. La IA puede aumentar los costos ambientales, pero al mismo tiempo, la misma IA puede ser una herramienta para identificar, reducir y optimizar el "desperdicio de recursos". En otras palabras, la IA puede ser tanto un "dispositivo que consume combustible" como un "controlador que detiene el desperdicio de combustible". La cuestión es cuál prevalece y qué se necesita para que prevalezca.


1) Primero, la cuestión de la "carga": ¿Por qué la IA impacta negativamente en el medio ambiente?

La carga ambiental de la IA se puede descomponer principalmente en tres aspectos.

  • Electricidad: Tanto el entrenamiento como la inferencia (cálculo durante el uso) requieren el funcionamiento masivo de GPU/TPU, entre otros.

  • Agua: Está vinculada al uso de agua para refrigeración y generación de energía, lo que puede entrar en conflicto con la escasez de recursos hídricos en ciertas regiones.

  • Equipos y materiales: Incluye semiconductores, servidores, refuerzo de redes de transmisión, materiales de construcción y desechos electrónicos (e-waste).


Un problema adicional es que la eficiencia no siempre conduce a una reducción total, lo que se conoce como "rebote" (inducción de demanda). Incluso si la IA logra el ahorro de energía, si su uso aumenta explosivamente, el consumo total de electricidad también aumentará. En otras palabras, para usar la IA de manera "beneficiosa para el medio ambiente", no solo se necesita tecnología, sino también un diseño de demanda (dónde implementar la IA y dónde no), y un marco de medición, divulgación y regulación.

2) Razones por las que aún puede ser un "aliado": cinco casos prácticos que muestra el artículo

Lo interesante del artículo es que no se queda en la teoría abstracta sobre "cómo la IA puede ayudar en la lucha ambiental", sino que proporciona múltiples casos prácticos. Aquí nos enfocamos en "qué se puede reducir" en cada campo.


(A) Agricultura: Reducir el agua = Reducir la electricidad

La agricultura representa una gran proporción del uso de agua dulce en el mundo. El artículo presenta el riego de precisión, como el de la empresa de tecnología climática Kilimo de Argentina, que utiliza aprendizaje automático y datos meteorológicos y satelitales para optimizar "cuándo, en qué parcela y cuánta agua se debe aplicar". La reducción de agua es valiosa en sí misma, pero aún más importante es que también se reduce la energía necesaria para bombear y enviar agua a los campos.


Además, se menciona un sistema para verificar la cantidad de agua ahorrada y comercializarla como créditos de ahorro de agua. Es un enfoque que convierte la reducción de la carga ambiental en un incentivo económico.


(B) Centros de datos: Usar IA para reducir los desperdicios de la IA

Aunque pueda sonar irónico, la IA es efectiva en la operación de centros de datos. El artículo menciona que, aunque la demanda de electricidad de los centros de datos es alta, la mejora operativa ha avanzado en eficiencia, y se presentan ejemplos de cómo la IA analiza "carga de trabajo", "temperatura", "eficiencia de refrigeración" y "uso de electricidad" para ajustar los recursos de cálculo y refrigeración según la demanda.


Por ejemplo, poner servidores en modo de bajo consumo durante períodos de baja demanda, optimizar la refrigeración y el flujo de aire, y ajustar la operación según el clima: estas acumulaciones de "optimización discreta" son más efectivas en instalaciones con un gran consumo total de electricidad. Lo importante es que estas optimizaciones no son "ahorros teóricos", sino que están vinculadas a los KPI operativos (costos de electricidad, tasa de operación, restricciones de temperatura, tasa de fallos).


(C) Industria energética: Reducir fugas y pérdidas mediante inspección y monitoreo

La industria energética tiene un gran potencial de mejora debido a sus altas emisiones. El artículo menciona ejemplos de detección de anomalías en tuberías mediante drones y análisis de imágenes, y el uso de IA para monitorear y estimar el metano. Dado que el metano tiene un fuerte efecto invernadero a corto plazo, las medidas contra fugas son de interés inmediato.


Sin embargo, esto también genera resistencia. Existe la sospecha de que "las empresas de combustibles fósiles podrían usar la IA para 'mejorar la eficiencia' y, en última instancia, prolongar su vida útil". Dado que la IA puede ser tanto un "acelerador de la descarbonización" como un "dispositivo de alta eficiencia para combustibles fósiles", la sociedad debe decidir en qué dirección usarla.


(D) Edificios y suministro de calor regional: Reducir mediante "sistemas" en lugar de "comportamiento humano"

La calefacción, refrigeración y electricidad de hogares y oficinas están directamente relacionadas con las emisiones. El artículo menciona la optimización del suministro de calor regional en el centro de Copenhague (leer el estado de los edificios con sensores y ajustar el suministro prediciendo 24 horas por adelantado) y la posibilidad de reducir el uso de energía en oficinas medianas mediante la introducción de IA como parte de la investigación.
La clave aquí es que el sistema elimina el desperdicio de manera proactiva, en lugar de basarse en "solicitudes". La conciencia de ahorro de energía de las personas fluctúa, pero el control continúa de manera constante. Leer la temperatura, humedad y condiciones de uso para ajustar la oferta y la demanda es un área en la que la IA es experta.


(E) Aviación: Reducir las estelas de condensación y el desperdicio de combustible

La aviación no solo emite CO₂, sino que también se discute el impacto del calentamiento causado por las estelas de condensación. El artículo menciona la posibilidad de reducir la formación de estelas ajustando las rutas de vuelo y altitudes para evitar condiciones de humedad mediante IA, y ejemplos de cómo proponer rutas eficientes a partir de datos de operación para mejorar el consumo de combustible.
Dado que la aviación está sujeta a estrictas normas de seguridad y regulación, la implementación es cautelosa, pero si se logra, es un área con gran potencial de impacto.

3) Reacciones en redes sociales: Empatía y precaución corren "simultáneamente"

Al seguir las reacciones en redes sociales al artículo, el tono se divide en dos grandes grupos.


① Grupo que dice "La IA no solo destruye el medio ambiente"
El uso de la IA como "herramienta de optimización" en campos donde el desperdicio de recursos es significativo, como la agricultura, los edificios y la aviación, recibe cierto apoyo. Hay una expectativa de que "si se usa donde es necesario, se puede compensar el impacto ambiental". Especialmente en áreas como la reducción de agua y combustible, donde coincide con la reducción de costos en el campo, se percibe positivamente debido a su viabilidad de implementación.


② Grupo que dice "Al final, el total aumenta" (precaución y crítica)
Por otro lado, persisten preocupaciones como "No tiene sentido si el uso aumenta incluso con la eficiencia" y "Los centros de datos proliferan bajo la bandera del ahorro de energía". Cuanto más se populariza la IA, más aumentan las inferencias, los modelos se agrandan y la inversión en centros de datos se acelera. Existe la percepción de que, a menos que la sociedad pueda resistir la "tentación de la conveniencia", el total aumentará. Recientemente, ha habido numerosos artículos que critican la demanda de electricidad de la IA y los centros de datos, el regreso a los combustibles fósiles y la falta de transparencia, y se perciben en ese contexto en las redes sociales.


③ Grupo que pregunta "¿Quién se beneficia y quién carga con el costo?" (regional y equidad)
Otro punto que está creciendo gradualmente es el de la equidad. Existe una estructura en la que las regiones donde se ubican los centros de datos soportan la carga del agua y la electricidad, mientras que los beneficios fluyen hacia otros lugares. Si la IA va a hacer "cosas buenas a nivel mundial", se necesita una explicación transparente de cómo se distribuirán esos beneficios y cargas.


Cabe señalar que, en el lado de Phys.org, la sección de comentarios del artículo prácticamente no está activa (al menos no se muestran comentarios) y la difusión en redes sociales parece ser más del tipo "compartido entre interesados" que un gran escándalo. Sin embargo, dado que este tema es objeto de debate continuo a nivel mundial, la "dualidad" presentada por el artículo se lee como un combustible que se agrega a las controversias existentes.


4) Conclusión: El problema ambiental de la IA no es "tecnología" sino "diseño" y "gobernanza"

El artículo sugiere consistentemente que la cuestión no es "usar o no usar la IA", sino dónde, bajo qué condiciones, a qué escala y cómo medir su uso. Hay áreas en las que la IA puede ser útil. Sin embargo, también es un hecho que los costos ambientales de la IA están aumentando en la realidad, y si se deja sin control, la "IA para el ahorro" será superada por la "IA que aumenta el consumo".


El punto de equilibrio realista probablemente se centrará en los siguientes tres puntos.

  1. Medición y divulgación: Visualización del uso de electricidad/agua/emisiones por modelo y servicio (crear un estado "seleccionable").

  2. Priorización: Enfocar más en áreas con grandes beneficios sociales (redes eléctricas, edificios, agricultura, eficiencia industrial) que en usos recreativos o excesivos.

  3. Medidas contra el rebote: Diseño de sistemas que eviten que la eficiencia se traduzca en un aumento de la demanda (tarifas, regulaciones, estándares de adquisición, acuerdos con gobiernos locales).


La posibilidad de que la IA "salve al planeta" no es nula. Sin embargo, no ocurrirá automáticamente. La IA, si se deja sola, consumirá recursos. Si se diseña adecuadamente, detendrá el desperdicio. En última instancia, no es la IA, sino las decisiones humanas las que crean una IA amigable con el medio ambiente.


URL de origen

Artículos relacionados