Solo existen 10 mediciones reales del consumo de IA en el mundo

De todas las cifras sobre consumo energético de la IA que circulan en medios, informes académicos y debates regulatorios, solo un puñado diminuto constituye mediciones reales en entornos de producción. El resto — incluyendo la práctica totalidad de los datos sobre GPT-5, Claude, Sora, Midjourney, DALL-E, Suno y todos los servicios comerciales — son estimaciones con márgenes de error que van de x2 a x27.

Hemos hecho lo que nadie parece querer hacer: un inventario forense, dato por dato, de todo lo que realmente se ha medido. El resultado es desolador.

El único dato real: Google y sus 0,24 Wh

En toda la industria de la inteligencia artificial, existe una única medición directa de producción publicada por un proveedor de IA.

Google reveló en agosto de 2025 que una consulta mediana de texto a Gemini Apps consume 0,24 Wh y genera aproximadamente 0,03 gCO₂e — usando contabilidad de mercado con certificados de energía limpia. El dato se publicó en un paper revisable (arXiv:2508.15734) con metodología explícita.

0,24 Wh. Un número. Una empresa. En una industria que mueve más de 500.000 millones de dólares anuales en infraestructura.

Es importante entender qué cubre y qué no este número: se refiere a consultas medianas de texto. No incluye generación de imágenes con Imagen 3, no incluye vídeo con Veo, no incluye Gemini Deep Research. Es un dato parcial — pero es el único que merece el calificativo de medición real.

En una industria que promete transformar el mundo, solo un proveedor ha medido públicamente cuánta energía consume su producto principal.

La declaración sin pruebas: OpenAI y sus 0,34 Wh

Sam Altman afirmó en junio de 2025 que la consulta media de ChatGPT consume 0,34 Wh. Lo publicó en un post de blog personal, no en un paper. No publicó metodología. No definió qué constituye una “consulta media”. No especificó si incluye imágenes, Deep Research o code interpreter.

La cifra es plausible — está en el mismo orden de magnitud que la de Google — pero no es verificable. Esto tiene importancia práctica: cuando una empresa que factura miles de millones de dólares y que acaba de lanzar GPT-5, GPT-5.4, Sora 2 y Codex no publica una metodología reproducible, no está ofreciendo transparencia. Está ofreciendo una declaración de marketing.

Y las cosas se complican cuando bajamos al detalle:

• GPT-5 tiene una estimación media de ~18,9 Wh por consulta según el URI AI Lab — 63 veces la referencia base
• GPT-5.4 con razonamiento activo puede alcanzar 4-18 Wh por consulta
• Sora 2 llegó a consumir ~1.000 Wh por clip de 10 segundos antes de cerrar

Ninguno de estos datos viene de OpenAI. Todos son estimaciones de terceros.

Las mediciones académicas: 5 islas de rigor

Fuera de los proveedores, un puñado de grupos de investigación ha hecho lo que la industria se niega a hacer: medir de verdad.

1. AI Energy Score — Hugging Face

El proyecto más ambicioso de medición sistemática. Hugging Face lanzó la versión 1 en febrero de 2025 y la v2 en diciembre de 2025. Ha medido el consumo real de ~205 modelos open source ejecutándolos en hardware estandarizado (NVIDIA H100).

El problema: solo mide modelos abiertos. GPT-5, Claude, Gemini, Midjourney — los que usa la inmensa mayoría de la gente — quedan fuera por diseño.

2. Bertazzini et al. — El coste oculto de la imagen

Publicado en 2025 (arXiv:2506.17016), este equipo midió 17 modelos de difusión para generación de imágenes en una RTX 4090. Encontraron una diferencia de 46 veces entre el modelo más eficiente y el menos eficiente.

x46. Eso significa que elegir el modelo equivocado puede multiplicar tu consumo por casi 50 veces para obtener una imagen de calidad similar.

3. Luccioni & Delavande — El presupuesto energético del vídeo

Midieron 7 modelos de generación de vídeo en H100 (arXiv:2509.19222). Sus datos confirmaron lo que la industria prefiere no decir: generar vídeo con IA consume entre x300 y x3.000 más que una consulta de texto.

4. Passoni et al. — El audio que nadie mide

Primer estudio serio del consumo de generación de audio (arXiv:2505.07615). Encontraron que Tango2 consume ~2 Wh por clip de 10 segundos y AudioLDM unos ~0,25 Wh. Son los únicos datos de referencia para toda la industria del audio generativo — Suno, Udio y ElevenLabs no han publicado absolutamente nada.

5. ML.Energy — University of Michigan

Benchmark continuo de eficiencia energética de modelos de machine learning. Proporciona datos de referencia para hardware estándar, pero — de nuevo — solo para modelos a los que tienen acceso, no para los servicios comerciales cerrados.

Las mediciones puntuales: 3 datos aislados

Además de los estudios sistemáticos, existen tres mediciones directas de modelos específicos que sirven como ancla de referencia:

• DeepSeek-R1 (razonamiento largo): 33,6 Wh por consulta larga — medición directa, confianza alta. Es 112 veces una consulta simple de texto.

• o3 de OpenAI (razonamiento largo): 39,2 Wh — medición directa. 131 veces la referencia base.

• SDXL de Stability (imagen en H100): 1,64 Wh por imagen — benchmark medido por Hugging Face. El mejor punto de anclaje abierto para generación de imágenes.

Y una medición especialmente reveladora:

• Claude Code (sesión mediana de programación): 41 Wh — medida por Simon P. Couch en enero de 2026. 137 veces una consulta simple. Un desarrollador que use agentes de código durante una jornada consume unos 1.300 Wh — el equivalente a un ciclo de lavavajillas.

El agujero negro: lo que NO sabemos

Ahora viene la parte incómoda. Esto es lo que no ha publicado absolutamente nadie:

• Anthropic (Claude, Claude Code): cero datos de consumo energético. Nunca. El informe medioambiental más reciente no incluye telemetría por consulta.

• Midjourney: cero datos. Arquitectura cerrada, sin benchmarking público.

• Suno, Udio, ElevenLabs Music: cero datos. Toda la industria de audio generativo opera en completa opacidad.

• Runway, Pika, Kling, Hailuo: cero datos. Los generadores de vídeo que están reemplazando a Sora no publican cuánto consume cada clip.

• xAI (Grok): datos contestados. Su campus Colossus en Memphis funciona con 35 turbinas de gas sin permisos, pero no han publicado datos de consumo por inferencia.

• Adobe (Firefly): ha generado más de 24.000 millones de assets pero se niega a proporcionar telemetría desagregada de consumo por imagen.

Imagina que la industria automovilística vendiera coches sin etiqueta de consumo. Que los fabricantes de electrodomésticos no publicaran cuánta electricidad usan. Eso es exactamente lo que ocurre con la IA en 2026.

Los números que deberían existir y no existen

Para dimensionar la magnitud del vacío informativo, estos son los datos que la industria podría publicar hoy — porque tienen la telemetría para hacerlo — y elige no publicar:

• Wh por consulta según tipo (texto, imagen, vídeo, audio, código)
• Wh por sesión de agentes autónomos
• Consumo total de inferencia por servicio al mes/año
• Consumo de agua para refrigeración por centro de datos
• Mix energético real por región de servicio (no la media global maquillada)

Google demostró que es posible publicar estos datos sin perder cuota de mercado. Cuando reveló sus 0,24 Wh, no perdió usuarios. Ganó credibilidad.

El consumo de los centros de datos globales pasará de 415 TWh en 2024 a entre 945 y 1.580 TWh en 2030 según la IEA. Eso equivale a sumar el consumo eléctrico de Japón al sistema global. Y la mayor parte de ese crecimiento vendrá de la IA.

Tomar decisiones informadas sobre esta escala de impacto con solo 10 mediciones reales no es difícil. Es imposible.

¿Qué puedo hacer yo?

• Si eres usuario de IA: Exige transparencia. Cuando elijas un servicio, pregunta: ¿publica datos de consumo? Nuestra calculadora de huella te da una estimación basada en lo poco que se sabe, pero sería mejor que los proveedores te dieran los datos reales.

• Si diriges una empresa: Bajo el marco CSRD europeo, tu huella de carbono incluye los servicios de IA que contratas (Scope 3). Si tu proveedor no te da datos de consumo, estás volando a ciegas en tu reporte de sostenibilidad.

• Si eres desarrollador: Usa modelos con mediciones publicadas cuando puedas. Los modelos open source medidos por AI Energy Score y ML.Energy te dan datos reales. Los servicios comerciales cerrados te dan promesas.

• Si trabajas en regulación: El EU AI Act (Artículo 40) ya prevé requisitos de transparencia energética, pero los estándares no serán vinculantes hasta agosto de 2028. La medición es posible hoy, sin nueva tecnología. Lo que falta es obligación legal.