¿Por qué las empresas de IA no quieren que sepas cuánta energía consumes?

151 millones de euros al año. Eso es lo que gasta la industria tecnológica en lobbying en la Unión Europea — un 55% más que en 2021. Con 890 lobistas a tiempo completo presionando en Bruselas, la prioridad es clara: evitar que cualquier regulación de transparencia energética avance antes de que el mercado se consolide.

Esto no es una teoría conspirativa. Es economía de incentivos. Y explica por qué, en una industria que mueve más de medio billón de dólares anuales en infraestructura, casi nadie publica cuánta energía consume lo que vende.

No es un olvido. Es un equilibrio de Nash

La opacidad energética de la IA no es un descuido, ni una cuestión de “ya lo haremos cuando tengamos los datos”. Los proveedores ya miden su consumo internamente — lo necesitan para dimensionar infraestructura, negociar contratos eléctricos y optimizar costes.

La pregunta no es si pueden publicar los datos. Es por qué eligen no hacerlo.

La respuesta tiene seis capas, y cada una refuerza a las demás.

Incentivo 1: Secreto comercial

Los datos de consumo energético revelan indirectamente la arquitectura y eficiencia de los modelos. Si OpenAI publicara los Wh reales de GPT-5.4 con razonamiento, los competidores podrían inferir cuántos tokens internos genera, cuántas capas activa y cómo escala su sistema.

La ley protege este silencio: el 18 U.S.C. § 1905 en EE.UU. penaliza la divulgación de secretos comerciales por funcionarios públicos, y las empresas argumentan que sus métricas de eficiencia son propiedad intelectual. California intentó cambiar esto con la AB-2013, pero el alcance quedó limitado.

El resultado: cada empresa tiene incentivo legal y competitivo para no ser la primera en publicar.

Incentivo 2: Evasión regulatoria

Si los datos de consumo fueran públicos, la regulación sería inevitable. Y la regulación tiene coste.

El EU AI Act ya prevé requisitos de transparencia energética en su Artículo 40, pero los estándares no serán vinculantes hasta agosto de 2028. El Digital Omnibus europeo — presentado como “reducción de carga administrativa” — ha conseguido retrasar la aplicación de las provisiones de alto riesgo hasta diciembre de 2027 y marginar las métricas energéticas.

En Estados Unidos, la situación es peor: más de 300 propuestas legislativas estatales sobre IA y ninguna ley federal. El plan “America’s AI Action Plan” prioriza competitividad comercial y militar, no impacto ambiental.

Mientras la regulación europea se retrasa y la estadounidense no existe, las empresas operan en un vacío perfecto: sin obligación de medir y sin consecuencias por no hacerlo.

Incentivo 3: Riesgo ESG

Hay más de 30 billones de dólares gestionados bajo criterios ESG (Environmental, Social, Governance) a nivel mundial. Las agencias de calificación como MSCI y Sustainalytics ya evalúan a las tecnológicas por sus emisiones.

Publicar datos detallados de consumo por servicio expondría a las empresas de IA a un escrutinio que prefieren evitar:

• Google reconoció que sus emisiones totales crecieron un 48% entre 2019 y 2023, pero atribuye gran parte a la contabilidad basada en mercado que usa certificados de energía limpia.

• Microsoft admitió un aumento del 23,4% en emisiones desde 2020, con un 97% concentrado en Scope 3 — la cadena de suministro y uso de sus productos.

• OpenAI obtuvo una puntuación de 23 sobre 100 en el índice medioambiental de DitchCarbon.

Si los proveedores publicaran Wh reales por consulta, por imagen, por vídeo generado, la narrativa de “IA verde” se desmoronaría en semanas. Y con ella, la valoración de empresas que cotizan o aspiran a cotizar.

Incentivo 4: Control de la narrativa

La industria ha aprendido de otros sectores: una vez que existe una etiqueta de consumo visible, el consumidor compara. Y la comparación cambia el comportamiento de compra.

Imagina que cada vez que generas una imagen con Midjourney vieras: “Esta imagen consumió 3,2 Wh — equivalente a tener una bombilla LED encendida 19 minutos”. O que al generar un vídeo con Runway: “Este clip de 10 segundos consumió 260 Wh — equivalente a cargar tu smartphone 18 veces”.

La analogía de las calorías es exacta. Cuando la industria alimentaria fue obligada a etiquetar calorías, no cambió la composición de los alimentos de inmediato. Pero cambió lo que la gente elegía comprar. Y eso cambió lo que los fabricantes producían.

La IA necesita su etiqueta de calorías. Y las empresas lo saben.

Incentivo 5: Comparaciones desfavorables

Si todos publicaran datos, quedaría claro quién es eficiente y quién no. Y la diferencia no es marginal.

Los datos que existen ya muestran disparidades brutales:

• Gemini 2.5 Flash-Lite puede responder a una consulta de texto con 0,05-0,12 Wh
• GPT-5.4 con razonamiento activo consume 4-18 Wh para la misma tarea
• DeepSeek-V3.2 opera en 0,08-0,18 Wh gracias a su arquitectura MoE

La diferencia entre el modelo más eficiente y el menos eficiente para tareas equivalentes puede ser de x100 o más. Publicar estos datos obligaría a los proveedores menos eficientes a justificar sus precios — o a mejorar.

DeepSeek demostró que se puede ofrecer un modelo competitivo a $0,028 por millón de tokens. Si además se publicara que consume una fracción de la energía de sus competidores, la presión competitiva sería insostenible para los que cobran x50 más.

Incentivo 6: Responsabilidad legal por emisiones Scope 3

Este es el incentivo que más preocupa a los departamentos legales. La directiva europea CSRD (Corporate Sustainability Reporting Directive) obliga a las empresas a reportar emisiones Scope 3 — las que se generan en su cadena de valor, incluidos los servicios que contratan.

Si una empresa europea usa ChatGPT para su operativa diaria y OpenAI publicara cuántos Wh consume cada consulta, esa empresa tendría que incluir ese consumo en su reporte de sostenibilidad. Y si ese consumo resulta significativo, tendría presión para buscar alternativas más eficientes.

Los proveedores de IA lo saben. Publicar datos de consumo activaría una cascada de responsabilidad legal a lo largo de toda la cadena de valor. Es más cómodo mantener el vacío.

El caso de Memphis: la opacidad con consecuencias reales

Si los incentivos económicos parecen abstractos, Memphis es el caso concreto.

xAI — la empresa de IA de Elon Musk — instaló su campus Colossus en Memphis, Tennessee, con 35 turbinas de gas operando sin los permisos medioambientales requeridos. El resultado:

• 1.200-2.000 toneladas de NOx emitidas al año
• 1 millón de galones de agua consumidos al día
• $30-44 millones en daños de salud anuales estimados sobre la comunidad de Boxtown
• La NAACP y el Southern Environmental Law Center han interpuesto demanda

La EPA intervino en enero de 2026, pero las turbinas siguen operando. La comunidad afectada es predominantemente afroamericana y de bajos ingresos.

La opacidad energética no es solo un problema de datos. Es un problema de justicia ambiental. Cuando no hay transparencia, las consecuencias las pagan los que tienen menos capacidad de exigir rendición de cuentas.

Google demostró que se puede

Vale la pena repetirlo: Google publicó su dato de 0,24 Wh por consulta mediana de Gemini. Lo hizo con metodología revisable, en un paper público, con datos replicables.

No perdió cuota de mercado. No perdió inversores. No provocó una crisis regulatoria.

Lo que demostró es que la transparencia es viable y que el argumento de que publicar datos perjudicaría al negocio es falso. Lo que perjudica es la opacidad — porque erosiona la confianza y retrasa una regulación que acabará llegando igualmente.

El resto de la industria puede hacer lo mismo. Elige no hacerlo.

¿Qué puedo hacer yo?

• Si eres usuario: Elige proveedores que publiquen datos de consumo. Google y los modelos open source medidos por Hugging Face son las opciones más transparentes hoy. Cuando uses servicios opacos, hazlo sabiendo que estás consumiendo una cantidad de energía que nadie quiere que conozcas.

• Si diriges una empresa: Tu obligación bajo CSRD incluye Scope 3. Exige a tus proveedores de IA una ficha de consumo energético por servicio. Si no te la dan, documéntalo — será relevante en tu auditoría ESG.

• Si eres desarrollador: Prioriza modelos con datos públicos de eficiencia. Usa flash/mini/lite para tareas rutinarias. Cada llamada a un modelo frontier sin necesidad es un coste energético injustificado que no puedes medir.

• Si trabajas en regulación: El Artículo 40 del EU AI Act es un comienzo, pero 2028 es demasiado tarde. La tecnología de medición existe hoy. Lo que falta es voluntad política — y la presión de 890 lobistas trabajando para que esa voluntad no llegue.