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.-
