El inmenso consumo mundial de energía eléctrica por parte de
la
inteligencia artificial (IA)
El mayor desafío de la inteligencia artificial hoy
no son los semiconductores, es la electricidad, la demanda global de energía de
los centros de datos está creciendo a un ritmo dieciséis veces superior al de la demanda eléctrica
global general.
Este año (2026) el consumo eléctrico mundial de los
centros de datos alcanza más de 130 gigavatios superando los 1000 teravatios
hora anuales. Para ponerlo en perspectiva esto equivale al consumo eléctrico
total anual de un país entero como Japón.
Datos
El consumo de energía de las grandes granjas de
servidores e infraestructura de inteligencia artificial ha escalado a niveles
macroeconómicos, compitiendo de manera directa con metrópolis enteras y
sectores industriales pesados. A nivel
global, la industria de los centros de datos consume más de 485 Teravatios-hora (TWh) anuales,
superando ampliamente la demanda eléctrica de países desarrollados enteros como
Italia, Bélgica o Suiza. La siguiente
tabla compara la potencia instalada (capacidad de consumo instantáneo) y
la energía anual demandada por diferentes infraestructuras digitales frente a
equivalentes urbanos e industriales:
Puntos clave de la escala
de consumo:
La
concentración geográfica: En países como Irlanda, las granjas de servidores consumen el 23% de toda la electricidad del país,
alcanzando casi el mismo volumen que la suma de todos los hogares irlandeses
combinados (28%).
El
costo de entrenar la IA: El entrenamiento de un único modelo de lenguaje grande consume unos 50 GWh, lo que equivale a la
electricidad que consumen 40.000
hogares norteamericanos en un año.
El
salto industrial: Un solo complejo tecnológico masivo de IA diseñado hoy en día demanda más
energía que una refinería de petróleo o una planta siderúrgica tradicional, lo
que está obligando a las empresas tecnológicas a comprar plantas nucleares
enteras para asegurar su suministro continuo.
Que significa “entrenar la IA”
Entrenar una inteligencia
artificial significa mostrarle millones de ejemplos de
datos para que aprenda a reconocer patrones, reglas y relaciones por sí misma,
en lugar de ser programada de forma manual con reglas rígidas. Es el proceso
fundacional donde el modelo matemático "estudia" la información para
volverse inteligente.
Un rack de servidores
moderno que tiene el tamaño aproximado de una heladera doméstica puede llegar a consumir la misma
energía que 65 hogares juntos. Esta asimetría bestial ha provocado una crisis
sistémica en las redes eléctricas donde las conexiones convencionales enfrentan
colas de espera de hasta cinco años por la lentitud en la implementación de nuevos proyectos
eléctricos (generación, transmisión).
Para paliar la situación la industria de la IA está
generando su propia energía mediante tres caminos. En primer lugar la energía
nuclear tradicional. La energía nuclear
ofrece el perfil exacto que necesita un centro de datos, generación ininterrumpida con un factor de capacidad superior al 95%. Alta densidad energética y cero emisiones de
carbono en su operación. Estamos viendo acuerdos, como por ejemplo, Microsoft
está rehabilitando reactores históricos.
Por otro lado, Amazon ha
adquirido campos con acceso directo a centrales nucleares. Google y Meta están firmando acuerdos
multimillonarios. La nuclear es la generación de base definitiva para la inteligencia
artificial.
La segunda alternativa clave son los reactores
modulares pequeños. Estos son reactores de generación avanzada diseñados para
ser fabricados en una planta y ensamblados modularmente en el lugar de destino.
Requieren mucha menos superficie y pueden operar independientemente de la red
eléctrica principal.
Finalmente, la tercera estrategia fundamental para
el corto y medio plazo es el uso de turbinas de gas natural y celdas de
combustible. La gran ventaja de esta tecnología modular es que se puede
desplegar en apenas 12 a 18 meses, evitando los años de espera de las líneas de
transmisión convencionales. Son soluciones
vitales que mantienen vivo el crecimiento mientras llega la
infraestructura pesada.
El calor
generado que es necesario evacuar
Origen del calor
La unidad básica de todo microprocesador es el
transistor, cada micro posee millones de este dispositivo. El mismo funciona
como un interruptor, cerrado – abierto, es decir 0 – 1 en lenguaje binario. Un
ejemplo teórico es:
En la práctica, en esa transición de cerrado a
abierto (0-1), y viceversa, hay un
consumo de energía que se disipa al medio ambiente en forma de calor. El calor
disipado será mayor en la medida que transistor conmute, cambie de estado,
mayor cantidad de veces por unidad de tiempo (frecuencia). La frecuencia en un
microprocesador es la velocidad a la que la unidad ejecuta ciclos u operaciones
básicas. En una PC, por ejemplo, la
frecuencia del micro está limitada por la imposibilidad de evacuar del equipo
solo por ventilación, el calor generado.
Lo expresado queda en evidencia en forma de fórmula, referida al circuito
anterior:
El problema se vuelve muy complejo cuando se
necesita mucha más velocidad de procesamiento sobre sistemas que contienen
millones de transistores, como es el caso que nos ocupa, y aquí las leyes de la
termodinámica son implacables.
Prácticamente toda esa electricidad que entra a
raudales en un rack de inteligencia artificial se convierte en calor, estamos
hablando de racks que manejan entre 120 y 140 kW de potencia. La refrigeración tradicional por aire tiene su
límite físico absoluto muy por debajo de esa cifra ya es técnicamente insuficiente
por eso estamos presenciando la transición obligatoria hacia la refrigeración
líquida, un mercado que ha crecido exponencialmente.
Las arquitecturas térmicas se han dividido en 3
metodologías principales:
En primer lugar tenemos la arquitectura directa que
consiste en placas frías montadas milimétricamente sobre las unidades de
procesamiento gráfico o GPUS conectadas
por mangueras a una unidad de distribución de refrigerante masiva. Es la
solución predominante hoy en día permitiendo extraer el calor directamente del
punto donde se genera la computación extrema.
La segunda estrategia
estructural es el uso de intercambiadores de calor de puerta trasera, consiste
en sustituir la puerta del rack convencional por un radiador gigante
refrigerado por agua. Es una solución de ingeniería interesante para actualizar
centros de datos existentes sin tener que desarmar y reconstruir toda la
infraestructura desde cero.
Y en tercer lugar, la vanguardia
térmica absoluta es la inmersión. Aquí sumergimos servidores completos en
fluidos dieléctricos especiales que no conducen la electricidad En la inmersión, el líquido se evapora al tocar el chip
caliente y luego se re condensa extrayendo el calor sin necesidad de bombas
mecánicas. Es un triunfo de la física de fluidos aplicada que permite mantener
bajo control racks enteros a plena carga.
El ejemplo de refrigeración chino
China sumerge
centros de datos y granjas de servidores en el lecho marino, como en Hainan y
Shanghái, para aprovechar la
refrigeración natural del agua de mar. Esta técnica reduce drásticamente el
consumo masivo de electricidad y agua dulce que exigen los sistemas terrestres
tradicionales de inteligencia artificial.
Funcionamiento y ventajas
energéticas:
Enfriamiento
natural: El flujo constante del océano disipa el calor de los servidores sellados
sin requerir aparatos de aire acondicionado industrial.
Ahorro
masivo: Cada módulo submarino reduce miles de kilovatios-hora de electricidad y
miles de toneladas de agua al año.
Energía
renovable: Varios de estos proyectos se conectan directamente a parques eólicos
marinos cercanos.
Impacto y debate
ambiental:
Espacio
terrestre: Evita la ocupación de grandes terrenos y no genera ruido en las ciudades.
Riesgo
ecológico: Científicos y usuarios debaten si el calor liberado por los equipos altera
de forma negativa el ecosistema marino local.
Números en Kilo- calorías (Kcal)
Cada
kilovatio-hora (kWh) de energía eléctrica que consume una granja de
inteligencia artificial se disipa al ambiente como un equivalente aproximado de
860 kilocalorías (kcal) de calor. (1 kWh de electricidad equivale a 860 kcal)
Ejemplos según el tamaño de la granja:
Granja
pequeña 1.000 kWh. Disipa 860.000
kcal al medio ambiente.
Granja
grande 100 MW. Disipa unos 86.000.000 kcal de calor residual.
A que es equivalente esta cantidad de Kcal ???? Para entender la magnitud de esta energía,
podemos comparar las 86.000.000 kcal con fenómenos cotidianos:
.- Hervir agua: Equivale a hervir por completo unos
1.000.000 de litros de agua desde temperatura ambiente.
.- Calefacción de hogares: Puede mantener calientes
más de 10.000 casas medianas simultáneamente durante el invierno europeo o
norteamericano.
.- Duchas calientes: Alcanza para que 25.000
personas se den una ducha larga de 10 minutos con agua caliente.
.- Combustión: Equivale a quemar de unos 8.600
litros de nafta por hora.
.- Poder explosivo: En términos puramente
energéticos, equivale a la detonación de casi 90 kilogramos de TNT cada hora.
Si este calor se libera directamente a
la atmósfera urbana, equivale al impacto térmico de añadir unos 40.000 automóviles
circulando continuamente por las calles de una ciudad.
Balance térmico y
paradoja energética
El 100% de la electricidad que entra a
los servidores de inteligencia artificial se transforma en calor residual. Desde el punto de vista de
la física y la termodinámica, sigue siendo prácticamente el 100%. Porque el trabajo digital no almacena
energía? No hay energía mecánica, un servidor no levanta objetos ni mueve
piezas mecánicas (como un motor). No hay energía química, no almacena la
electricidad en baterías internas mientras procesa datos. La “energía” se aplica solo para mover
electrones a través de un dispositivo llamado transistor para cambiar de 0 a 1.
Si existiera un
transistor perfecto que no liberara
energía en forma de calor al conmutar, el procesador no consumiría energía eléctrica para realizar sus operaciones lógicas básicas (0,1)
En la física teórica, esto se conoce
como computación reversible.
La computación reversible en la teoría
funciona bajo una premisa fundamental: no destruir información. En la
computación tradicional, cuando se
procesa datos, se borra información constantemente. La termodinámica demuestra
que borrar información genera calor de forma obligatoria. La computación
reversible diseña circuitos donde cada paso se puede deshacer exactamente al
revés, logrando que el consumo energético teórico sea cero.
La estructura de la IA en
detalle y consumo de energía
Como
está constituido un rack individual de IA
Un rack
individual es un armario estandarizado (usualmente de 470 o 520 mm de
ancho) diseñado para soportar densidades de energía extremas, que superan los 40 kW a 100 kW por rack. A diferencia
de un rack de servidores tradicional, su arquitectura está totalmente
optimizada para el cómputo paralelo masivo y la disipación térmica crítica.
Componentes principales de un rack de IA
Nodos
de cómputo (Servidores GPU): Ocupan la mayor parte del
espacio. Cada servidor alberga múltiples aceleradores dedicados (como las GPUs
NVIDIA Blackwell o Hopper) conectados mediante interconexiones de ultra alta
velocidad.
Módulos
de energía (Power Shelves): Convierten la corriente
alterna de la red a corriente continua
(típicamente de 48V o 12V). Esto reduce las pérdidas de energía directamente en
la placa base de las GPUs.
Unidad
de distribución de energía (PDU): Regletas inteligentes de
alta capacidad que monitorean y distribuyen la electricidad a cada componente
individual del armario.
Switches de red de alta
velocidad: Conectores de baja latencia
(InfiniBand o Ethernet de 400Gbps/800Gbps) esenciales para que los nodos del
rack se comuniquen instantáneamente entre sí y con otros racks.
Sistema de refrigeración
líquida integrado: Colectores de distribución
de líquido (Manifolds) que llevan refrigerante directamente a las placas frías
(cold plates) montadas sobre los procesadores, reemplazando el aire
tradicional, como se vio más arriba.
Nodos de almacenamiento
de alta velocidad: Unidades SSD NVMe de baja
latencia dedicadas a alimentar los modelos de lenguaje con gigabytes de datos
por segundo durante el entrenamiento.
Un rack de IA consume hasta 10 veces más energía que un rack convencional de la nube. Esta
diferencia extrema ha obligado a los centros de datos a rediseñar por completo
su infraestructura eléctrica y sus sistemas de enfriamiento.
A continuación, se detallan las diferencias clave
en consumo, densidad y eficiencia:
Comparativa de Consumo Eléctrico
Un rack convencional de
Nube consume entre 5 kW y 15 kW. Aloja servidores web, bases de datos o
almacenamiento, basados en CPUs tradicionales que procesan tareas de forma
secuencial. Un rack de IA consume
entre 40 kW y 100 kW (los
modelos más avanzados de NVIDIA e integradores superan los 120 kW por rack).
Aloja múltiples GPUs que procesan miles de operaciones en paralelo de forma
continua.
¿Por qué la diferencia es tan grande?
Por lo que se denomina “Densidad
de chips”, en un servidor convencional se usa
2 o 4 CPUs de unos 300W cada uno. Un servidor de IA del mismo tamaño puede
albergar 8 GPUs de alto rendimiento, donde cada chip individual consume entre
700W y 1200W, sumando más de 10 Kw solo en silicio de cómputo por cada
servidor.
También hay que
considerar la “Infraestructura de soporte” donde el hardware de IA requiere redes de
comunicación ultra rápidas (InfiniBand/Ethernet de alta velocidad) y bombas
para los sistemas de refrigeración líquida directa, lo que eleva el gasto
eléctrico base del armario.
Por otro lado tenemos la “Eficiencia
Térmica (PUE)”. En los racks tradicionales,
el aire acondicionado extra sirve para enfriar el ambiente general. En los
racks de IA, se inyecta energía adicional para bombear líquidos refrigerantes
directamente a las placas frías de los procesadores, concentrando el consumo en
el propio rack (se verá más adelante).
Qué
es el PUE (Power Usage Effectiveness) y cómo se calcula
El PUE (Power Usage
Effectiveness) o Eficiencia en el uso de la energía eléctrica es la métrica
estándar global para medir la eficiencia energética de un centro de datos.
Desarrollada por el consorcio The Green Grid, indica cuánta de la energía que
entra a la instalación se destina realmente a los equipos de cómputo
(servidores, almacenamiento, redes) frente a la que se "desperdicia"
en infraestructura de soporte (enfriamiento, iluminación, pérdidas eléctricas).
Cómo se calcula el PUE
La fórmula matemática para calcular el PUE es una
división simple:
PUE = Energía Total de la Instalación / Energía del
Equipamiento de TI
Energía Total de la
Instalación: Incluye absolutamente toda
la electricidad que entra al edificio (servidores, sistemas de
enfriamiento, ventiladores, iluminación,
sistemas de respaldo UPS, generadores y pérdidas en transformadores).
Energía del Equipamiento
de TI (tecnología de la información): Es la energía consumida
estrictamente por los componentes informáticos que procesan y almacenan los
datos (servidores, interruptores de red, almacenamiento, racks de IA).
Interpretación de los Resultados
El valor ideal de PUE es 1.0, lo que
significaría una eficiencia del 100% (toda la energía se usa en cómputo y cero
en enfriamiento o luces).
PUE de 2.0: Significa que por cada vatio (W) que consumen los servidores, se necesita
otro vatio adicional para enfriarlos e iluminar el edificio. La instalación
duplica su gasto energético.
PUE de 1.5: Es el promedio global de la industria tradicional. Se destinan 0.5 vatios
a la infraestructura por cada vatio de cómputo.
PUE de 1.1 a 1.2: Considerado excelente. Es
el rango que logran los centros de datos de hiperescala (Google, Microsoft,
AWS) y las granjas de servidores submarinas mediante refrigeración líquida
avanzada.
Ejemplo Práctico de Cálculo
Imaginemos un centro de datos de tamaño mediano que
registra los siguientes consumos mensuales:
Servidores y redes (TI): 500.000 kWh
Sistemas de aire
acondicionado: 200.000 kWh
Pérdidas en UPS y
transformadores: 40.000 kWh
Iluminación y oficinas: 10.000 kWh
Paso 1: Sumar la Energía
Total de la Instalación
500.000+200.000+40.000+10.000=750.000 kWh
Paso 2: Aplicar la Fórmula
PUE= 750.000 kWh / 500.000 kWh = 1.5
Este centro de datos tiene un PUE de 1.5, lo
que indica que el 33.3% de su energía se consume en funciones de soporte en
general y soporte térmico en particular.
Cuál
es el elemento que genera mayor cantidad de calor
Sin duda, el elemento que genera la mayor cantidad de calor es la GPU
(Unidad de Procesamiento Gráfico), seguida muy de cerca por los módulos de
regulación de voltaje y las fuentes de alimentación (Power Shelves). A nivel
general de hardware, el silicio de los procesadores es la fuente principal de
energía térmica debido a la densidad de corriente que maneja.
Los
3 elementos que más calor generan
La GPU (Acelerador de
IA): Chips como el NVIDIA H100, H200 o las
arquitecturas Blackwell consumen y disipan entre 700 y 1.200 W de calor por cada unidad. Un solo servidor suele aglutinar
ocho de estas GPUs en un espacio reducido, concentrando cerca de 10 Kw de calor
en una sola bandeja metálica.
Los Reguladores de
Voltaje (VRM): Estos componentes
electrónicos están pegados a las GPUs y las CPUs. Se encargan de transformar la
electricidad a los voltajes exactos y ultra estables que el silicio necesita.
Debido a las corrientes masivas que manejan (cientos de amperios), pierden
mucha energía en forma de calor residual altamente concentrado.
Las Fuentes de
Alimentación (Power Shelves del Rack): Concentran toda la energía
que entra al rack para convertir la corriente alterna en corriente continua.
Al procesar potencias de hasta 100 kW o más,
incluso con una eficiencia altísima del 97%, el 3% restante se pierde
directamente en calor, generando unos 3
Kw de energía térmica constante en un solo punto del armario.
A diferencia de un procesador de computadora común
(CPU) que tiene pocos núcleos muy rápidos, una GPU contiene miles de núcleos pequeños trabajando
en paralelo al 100% de su capacidad durante semanas enteras (mientras entrena
un modelo de lenguaje).
El entrenamiento: ¿Por qué
requiere tanta energía y hardware?
El entrenamiento es la fase más costosa de la IA
por dos razones técnicas:
Cálculo
masivo simultáneo: Para ajustar los miles de millones de parámetros en cada error, se
realizan trillones de multiplicaciones de matrices al mismo tiempo. Solo las
GPUs o TPUs (Unidad de Procesamiento Tensorial) pueden hacer esto en paralelo.
Duración
ininterrumpida: Las granjas de servidores deben operar al 100% de su capacidad las 24
horas del día, durante semanas o meses seguidos, sin detenerse.
Una vez terminado el entrenamiento, el modelo entra
en la fase de Inferencia (cuando un usuario le hace una pregunta y la IA
responde). Responder una pregunta consume una fracción mínima de energía
comparado con el esfuerzo titánico de haber aprendido a hacerlo.
Para entender cómo funciona
el entrenamiento de un modelo de lenguaje, vemos el siguiente ejemplo de cómo
se maneja, de acuerdo a los siguientes pasos:
1. Recolección
de datos: Se reúne una cantidad masiva de información:
libros, artículos científicos, páginas web, códigos de programación e imágenes.
2. Alimentación
del modelo: La IA empieza a procesar
estos textos. No los lee como un humano; los descompone en fragmentos matemáticos
llamados tokens y analiza qué palabras suelen aparecer juntas. Un token es la unidad básica de texto que la IA utiliza para leer,
comprender y escribir. No siempre equivalen a una palabra entera; pueden ser
una sílaba, parte de una palabra, un número o un signo de puntuación. Como
regla general, un token equivale aproximadamente a 4 caracteres o a 3/4 partes
de una palabra en inglés, y un poco menos en español.
3. Ensayo
y error: El modelo intenta adivinar
de forma constante. Por ejemplo, lee la frase "El cielo está..."
e intenta predecir la siguiente palabra. Si adivina "verde",
el sistema detecta el error.
4. Ajuste
de parámetros: Al fallar, el algoritmo de
entrenamiento aplica un proceso matemático llamado retropropagación (backpropagation).
Esto ajusta los miles de millones de conexiones internas (llamados parámetros o pesos) para que la próxima vez la respuesta sea "azul".
5. Finalización: El proceso se repite miles de millones de veces a través de clústeres de
GPUs durante semanas. Al terminar, las conexiones internas quedan fijas. El
modelo ya "sabe" cómo responder de forma coherente.
El centro de datos de inteligencia artificial de
nuestro tiempo ha dejado de ser una simple sala llena de servidores de
tecnologías de la información. Se ha convertido en la industria pesada más
sofisticada de la historia humana. Es una planta fabril colosal donde la
materia prima que son gigavatios puros de electricidad se convierte por un lado
en calor y por otro lado en conocimiento, razonamiento y tokens matemáticos, todo
a través de matrices de silicio de densidad extrema, enlazadas por luz y muy bien
refrigeradas.
Este es un breve artículo sobre una enorme
estructura que recién estamos comenzando a conocer. Si, sabemos de la enorme
necesidad de energía eléctrica, de tal manera que técnicos e ingenieros estamos
de parabienes frente a un inmenso desafío. -
Ricardo Berizzo
Ingeniero
Electricista 2026.-
Rosario, Setiembre 2026.-
