La IA puede reducir emisiones 4× más que las que genera: los datos

Los centros de datos de Google emitieron un 48% más de CO₂ en 2024 que en 2023.

Es un dato real. Está en su propio informe de sostenibilidad. Y es el tipo de cifra que alimenta titulares sobre la IA como amenaza climática.

Pero hay otro lado de esa ecuación — uno que casi nunca aparece en el mismo artículo.

El ratio que cambia la conversación

En 2024, BCG publicó uno de los análisis más rigurosos sobre el impacto climático neto de la inteligencia artificial. La conclusión fue sorprendente en su magnitud: la IA podría reducir entre 2,6 y 5,3 gigatoneladas de CO₂ anuales para 2030.

¿Cuánto emitirá la propia IA para ese año? Las estimaciones más conservadoras apuntan a ~100 megatoneladas. Las más pesimistas, a 300-500 Mt si el crecimiento de la demanda de cómputo no se acompaña de energía renovable.

Hagamos la aritmética:

El ratio no es x4 ni x10 de forma absoluta: depende críticamente de dónde se ejecuta la IA y a qué se aplica.

Esa es la frase que falta en la mayoría de los debates.

Energía eléctrica: el mayor potencial documentado

El sector energético concentra entre 1.200 y 1.800 MtCO₂ de reducción potencial anual según las estimaciones de BCG y Nature Climate Change. Es, por mucho, la categoría con mayor palanca.

Los datos ya no son proyecciones — son resultados medidos.

DeepMind y la refrigeración de centros de datos

En 2016, DeepMind entrenó un sistema de aprendizaje por refuerzo para controlar la refrigeración de los centros de datos de Google. El sistema tomaba cientos de variables — temperatura, presión, caudales, meteorología — y aprendía a optimizarlas en tiempo real.

Resultado: reducción del 40% en el consumo de energía de refrigeración.

No es una estimación. Es un resultado auditado, publicado con código y datos verificables, que Google ha mantenido en producción desde entonces. La refrigeración representa típicamente entre el 30% y el 40% del consumo total de un centro de datos, por lo que el impacto real sobre el consumo total del centro se sitúa en torno al 15% de reducción global.

Predicción de producción eólica

El problema fundamental de la energía eólica no es generarla — es predecirla. Una turbina que produce energía variable tiene mucho menos valor de mercado que una que puede comprometerse a entregar un determinado volumen en una ventana de tiempo específica.

DeepMind desarrolló un modelo de predicción para 700 MW de capacidad eólica en EE.UU. El sistema predice la producción con 36 horas de antelación, lo que permite a los operadores comprometer contratos de entrega en firme.

Resultado: +20% de valor económico para la misma energía generada. No más paneles, no más turbinas. Solo información mejor gestionada.

La implicación es directa: si la energía eólica vale más, se construye más energía eólica. La IA como multiplicador de rentabilidad de las renovables tiene efectos sistémicos que van más allá del caso de uso individual.

Transporte: la logística como campo de pruebas

El transporte representa aproximadamente el 16% de las emisiones globales. Y a diferencia del sector energético, los casos de uso de IA en transporte llevan más de una década produciéndose resultados medibles.

UPS Project ORION es quizás el ejemplo más citado y más verificable. Antes de la era de los grandes modelos de lenguaje, UPS desarrolló un sistema de optimización de rutas que analizaba millones de combinaciones posibles para cada conductor.

El resultado, documentado en sus informes anuales: ahorro de más de 100 millones de millas conducidas al año. Eso equivale a aproximadamente 100.000 toneladas de CO₂ evitadas anualmente — solo por UPS, solo por optimización de rutas.

Otros vectores de impacto documentados:

• Predicción de demanda en transporte público: reducir el número de unidades circulando con baja ocupación. Los sistemas de predicción en ciudades como Singapur han demostrado reducciones del 10-15% en kilómetros-vehículo sin reducir la cobertura de servicio.
• Conducción autónoma en entornos controlados (minería, aeropuertos, puertos): los vehículos autónomos en minas de cobre en Chile han demostrado reducciones de consumo del 15-30% frente a conductores humanos en los mismos ciclos de trabajo.

Industria: los sectores “hard to abate”

Acero, cemento, productos químicos. Son los tres sectores industriales que concentran la mayor proporción de emisiones difíciles de eliminar con simples fuentes de energía renovable. Requieren calor de muy alta temperatura, procesos químicos que emiten CO₂ como subproducto intrínseco, o ambas cosas.

La IA no resuelve estos problemas de raíz — pero puede comprimirlos.

GNoME: 2,2 millones de materiales nuevos

En noviembre de 2023, Google DeepMind publicó el resultado del proyecto GNoME (Graph Networks for Materials Exploration): 2,2 millones de materiales estables nuevos descubiertos mediante aprendizaje automático en grafos moleculares.

Para contexto: la ciencia de materiales había catalogado aproximadamente 50.000 materiales estables en los últimos 50 años de investigación experimental. GNoME multiplicó ese catálogo por 44 en un solo proyecto.

Entre esos materiales hay candidatos para baterías de próxima generación, superconductores, y catalizadores para procesos industriales de baja emisión. No todos llegarán a producción — pero incluso si el 0,1% son útiles, representa 2.200 materiales nuevos con potencial industrial.

Mantenimiento predictivo

Un horno de arco eléctrico en una acería consume entre 350 y 400 kWh por tonelada de acero. Cuando falla de forma no planificada, el proceso de reinicio consume entre 2 y 4 veces más energía que un ciclo normal durante las primeras horas.

Los sistemas de mantenimiento predictivo basados en IA — que analizan vibración, temperatura, corriente y patrones de uso — pueden reducir las paradas no planificadas en 30-50%. En una acería mediana de 500.000 toneladas anuales, eso puede equivaler a 10.000-20.000 toneladas de CO₂ evitadas por año.

Agricultura: agua, suelo y carbono

La agricultura y el uso del suelo representan aproximadamente el 22% de las emisiones globales si se incluye la deforestación. Y es uno de los sectores donde la IA tiene vectores de acción más diversos.

Optimización de riego: Los sistemas de IA que combinan datos meteorológicos, sensores de humedad del suelo e imágenes satelitales están demostrando reducciones del 30-50% en el uso de agua en proyectos piloto en California, España e Israel. El beneficio climático es doble: menos energía para bombeo, y menor estrés sobre acuíferos que regulan el ciclo hídrico local.

Detección temprana de plagas: La monitorización continua de cultivos con imágenes satelitales de alta resolución, combinada con modelos de visión computacional, permite detectar infestaciones en sus fases iniciales — cuando el tratamiento necesario es una fracción del que requeriría una infestación establecida. Los pilotos en plantaciones de café en Colombia y maíz en Kenya han demostrado reducciones del 40-60% en uso de pesticidas.

Medición de secuestro de carbono: Uno de los problemas estructurales del mercado de créditos de carbono forestal es la falta de verificación objetiva. Los modelos de ML entrenados sobre imágenes satelitales multiespectrales pueden estimar la biomasa forestal — y por tanto el carbono almacenado — con una precisión comparable a los inventarios en campo, pero a escala global y costo marginal casi nulo.

Ciencia: compresión de ciclos de investigación

El caso más conocido es AlphaFold.

En 2022, DeepMind publicó las estructuras predichas de 200 millones de proteínas — prácticamente todo el proteoma conocido de la vida en la Tierra. El trabajo que habría requerido décadas de cristalografía de rayos X quedó disponible en una base de datos pública, gratuita, en 18 meses de cómputo.

Las implicaciones para el clima son indirectas pero reales: la investigación en biocombustibles de cuarta generación, en enzimas que degradan plásticos, en catalizadores biológicos para procesos industriales, se ha acelerado de forma mensurable. Los ciclos de descubrimiento que antes tomaban 10-15 años ahora, en algunos casos, se comprimen a 3-5.

GraphCast, el modelo de predicción meteorológica de Google, opera a 10.000 veces la velocidad de los modelos numéricos tradicionales del European Centre for Medium-Range Weather Forecasts (ECMWF), con una precisión comparable o superior en la mayoría de los parámetros. Previsiones climáticas más precisas no solo salvan vidas en eventos extremos — también optimizan la gestión de redes eléctricas con alta penetración de renovables.

La trampa del greenwashing de IA

Aquí el artículo cambia de tono. Porque hay una brecha enorme entre el potencial documentado y lo que realmente está pasando.

“IA para el clima” se ha convertido en un argumento de marketing.

El 80% de los proyectos que se presentan como “IA verde” en los informes ESG de grandes corporaciones son, en realidad, optimización de procesos internos — reducción de costos operativos que también reduce consumo, pero que habría ocurrido de todas formas con o sin una agenda climática explícita.

El ratio x4 o x10 solo es real bajo tres condiciones que rara vez se verifican simultáneamente:

1. La IA se aplica a casos de uso de alto impacto real, no a optimizaciones cosméticas.

Hay una diferencia entre entrenar un modelo para predecir cuándo encender las luces de una oficina (impacto marginal) y entrenar un modelo para optimizar el despacho de energía en una red eléctrica regional con 40% de penetración eólica (impacto sistémico). Los dos se cuentan igual en muchos informes.

2. La energía que usa la IA proviene de fuentes renovables.

Una IA entrenada con carbón para luego optimizar una red de renovables tiene un ratio neto peor de lo que aparece en la contabilidad habitual. El cómputo tiene una geografía — y esa geografía importa.

3. El ahorro no queda neutralizado por efecto rebote.

Si la IA reduce el costo de producir un bien en un 30%, la demanda de ese bien puede aumentar lo suficiente como para que el consumo total suba. Este es el efecto Jevons aplicado a la eficiencia por IA. No es hipotético: hay evidencia preliminar de que la eficiencia en el uso de energía en centros de datos de IA ha sido parcialmente compensada por la explosión de la demanda de servicios de IA.

El informe ambiental de Google 2024 lo dice sin rodeos: las emisiones crecieron un 48% interanual, impulsadas por el consumo energético de la infraestructura de IA — mientras sus propios sistemas de optimización ya estaban en producción. El beneficio y el coste coexisten en la misma empresa.

La condición necesaria: energía limpia para la IA

Hay una paradoja estructural en el debate actual.

La IA puede ser la herramienta más poderosa para acelerar la transición energética. Pero si esa misma IA se alimenta de carbón o gas, su huella propia crece más rápido que los beneficios que genera en otros sectores.

Las grandes tecnológicas lo saben. Sus respuestas son reveladoras:

• Microsoft adquirió derechos de producción de la central nuclear de Three Mile Island (Pennsylvania) para alimentar sus centros de datos de IA. Es la primera reactivación de una central nuclear en EE.UU. en décadas, impulsada explícitamente por la demanda de cómputo de IA.
• Google firmó contratos de energía geotérmica en Kenya — una de las pocas fuentes renovables con generación base estable — para sus operaciones en África.
• Amazon Web Services es el mayor comprador corporativo de energía renovable del mundo, con más de 24 GW de capacidad contratada.

Pero los contratos de energía renovable no son lo mismo que la energía renovable en tiempo real. Un centro de datos que firma un PPA (Power Purchase Agreement) con un parque eólico sigue consumiendo la mezcla de la red en los momentos en que el viento no sopla. La descarbonización del cómputo de IA requiere soluciones de almacenamiento y despacho que todavía no existen a la escala necesaria.

La IA no es intrínsecamente verde ni intrínsecamente destructiva. Es una herramienta de amplificación. Amplifica lo que ya hacemos: si la apuntamos al problema climático con rigor, puede ser la herramienta más poderosa que tenemos. Si la usamos para hacer más de lo mismo, solo acelera el problema.

¿Qué puedo hacer yo?

• Si eres empresa o diriges operaciones: El argumento financiero y el climático convergen: optimizar consumo industrial con IA reduce costes y emisiones a la vez. El primer paso no es un proyecto de IA — es tener los datos. La inversión en instrumentación y telemetría es el prerequisito para que cualquier sistema de optimización tenga algo que aprender.

• Si trabajas en energía o industria: Los sectores con mayor potencial son generación eléctrica, industria pesada y transporte de mercancías. Los casos de uso están documentados y los modelos son accesibles. La barrera real no suele ser la tecnología — es la gobernanza del dato y la resistencia organizativa al control algorítmico de sistemas críticos.

• Si eres inversor o directivo de fondos ESG: El ratio de reducción de emisiones por euro invertido en IA aplicada a energía o industria supera otras categorías de inversión verde. Pero requiere due diligence específico: ¿cuál es el sector de aplicación? ¿cuál es la línea base de reducción? ¿está la propia infraestructura de IA alimentada con energía renovable?

• Si eres ciudadano o activista climático: Las dos narrativas — “la IA destruye el clima” y “la IA salvará el clima” — son igual de incompletas. Exige la versión condicional: la IA puede reducir emisiones x4 si se aplica en sectores de alto impacto, si usa energía limpia, si se gobierna para evitar el efecto rebote.

El 48% de aumento en emisiones de Google en 2024 es real. Y también lo es la reducción del 40% en el consumo de refrigeración que DeepMind logró con aprendizaje por refuerzo. Los dos datos coexisten. Entender por qué — y bajo qué condiciones uno puede superar al otro — es exactamente el tipo de pensamiento que la crisis climática requiere.

Los datos no dicen que la IA es buena o mala para el clima. Dicen que puede ser decisiva si sabemos dónde apuntarla.