Empresas deberán optimizar uso de IA para evitar crisis energética

El rápido crecimiento de la inteligencia artificial dentro de las empresas comienza a revelar un desafío poco discutido: el impacto energético de estas tecnologías.

De acuerdo con el reporte “Sustainable AI Scaling”, elaborado por la empresa de desarrollo de software Konfront, si la adopción de inteligencia artificial generativa mantiene su ritmo actual, la demanda energética asociada a estas herramientas podría multiplicarse hasta 24.4 veces hacia 2030.

Actualmente, los centros de datos consumen alrededor del 1.5% de la electricidad global, lo que equivale a aproximadamente 415 TWh al año, según estimaciones de la Agencia Internacional de Energía (IEA). De continuar la expansión de la inteligencia artificial, esta cifra podría aumentar hasta 945 TWh para 2030, impulsada principalmente por la creciente utilización de modelos generativos.

El costo energético oculto de la inteligencia artificial

Uno de los hallazgos centrales del estudio es que no todas las aplicaciones de inteligencia artificial requieren el mismo tipo de modelo para operar.

Los modelos más grandes, conocidos como LLMs (Large Language Models), son los que permiten generar textos complejos, responder preguntas abiertas o desarrollar tareas avanzadas de razonamiento. Sin embargo, estas capacidades implican una demanda mucho mayor de procesamiento y consumo energético por consulta.

En contraste, muchas tareas empresariales cotidianas pueden resolverse con modelos más pequeños, conocidos como SLMs (Small Language Models), diseñados para ejecutar funciones específicas con menor carga computacional. Entre estas tareas se encuentran la respuesta a preguntas simples, el procesamiento de información interna o la automatización de procesos repetitivos.

La diferencia en consumo energético entre ambos tipos de modelos puede ser considerable. Según el reporte, un modelo generativo de gran escala puede consumir hasta 4,600 veces más energía por consulta que un modelo pequeño optimizado para tareas específicas.

Un consumo concentrado en pocos proyectos

Esta diferencia genera una fuerte concentración del consumo energético dentro de las implementaciones empresariales de inteligencia artificial.

El análisis titulado “The Computational and Energy Footprint of Generative AI in Enterprise Workloads”, realizado por investigadores de la Universidad de Cornell, encontró que en un portafolio típico de aplicaciones corporativas los proyectos generativos representan aproximadamente 29% de los casos de uso, pero concentran hasta el 99.9% del consumo energético asociado a la inteligencia artificial.

Elegir el modelo adecuado para cada tarea

Ante este escenario, el reporte plantea que el reto para las organizaciones no es frenar el uso de inteligencia artificial, sino aprender a implementarla de manera más estratégica y eficiente.

La propuesta consiste en utilizar diferentes tipos de modelos según la complejidad de cada tarea. Los modelos más grandes pueden reservarse para procesos que requieren generación avanzada de contenido o razonamiento complejo, mientras que los modelos más pequeños pueden encargarse de tareas operativas o repetitivas.

Este enfoque permite que las plataformas empresariales de inteligencia artificial dirijan cada solicitud al modelo más adecuado, optimizando el uso de recursos sin sacrificar capacidades tecnológicas.

“Durante los últimos años la conversación sobre inteligencia artificial se ha centrado en su capacidad y velocidad de adopción. Sin embargo, el siguiente paso para las empresas será aprender a escalar estas tecnologías de forma eficiente”, explicó Cordelia Bortoni, Directora de Growth de Konfront.

“No todas las tareas necesitan el modelo más grande. Cuando las organizaciones utilizan el modelo correcto para cada problema, pueden obtener resultados similares con una fracción del consumo energético”, agregó.

El reporte Sustainable AI Scaling concluye que, a medida que la inteligencia artificial se integre en un mayor número de procesos empresariales, la eficiencia energética se convertirá en un nuevo criterio clave para diseñar arquitecturas tecnológicas más sostenibles y escalables.