La inteligencia artificial (IA) ha alcanzado hitos sin precedentes y ha revolucionado industrias como la salud, la energía y el transporte; pero su avance desmedido plantea un dilema: ¿es posible equilibrar el rendimiento con la sostenibilidad ambiental? Este debate se articula en torno a dos enfoques antagónicos: Red AI (IA Roja), centrada en maximizar el rendimiento a cualquier coste, y Green AI (IA Verde), que prioriza la sostenibilidad sin sacrificar la utilidad y precisión de los modelos. Esta noticia explora ambos enfoques, respaldados por estudios recientes y casos prácticos.
Red AI: El precio ambiental del rendimiento extremo
La Red AI se caracteriza por modelos masivos entrenados con billones de parámetros, un proceso que consume recursos energéticos equivalentes al consumo anual de cientos de hogares. Según el estudio de Newswise (2024), entrenar modelos como GPT-3 (175 billones de parámetros) requirió aproximadamente 1.300 MWh de electricidad, equivalente al consumo anual de 130 hogares estadounidenses. Otros modelos, como BERT, generaron 284 toneladas de CO₂, equivalente a 125 viajes aéreos transcontinentales.
Este enfoque no solo es ambientalmente insostenible, sino que también excluye a investigadores con menos recursos, ya que el coste económico de electricidad para entrenar estos modelos es muy elevado.
Green AI: Innovación con conciencia sostenible
Frente a este escenario, la Green AI propone un paradigma disruptivo e innovador, donde la eficiencia energética y la reducción de emisiones son pilares fundamentales. Investigaciones clave respaldan su viabilidad:
- Algoritmos optimizados: Técnicas como pruning (eliminación de nodos redundantes en redes neuronales), cuantización (reducir la precisión numérica) y destilación (transferencia de conocimiento a modelos más pequeños) reducen el consumo energético hasta un 50% sin mermar significativamente la precisión.
- Energías renovables y Hardware eficiente especializado: Los Tensor Processing Units (TPUs) son un tipo de procesador hasta 30 veces más rápido y hasta 80 veces más eficientes que las CPU normales de un ordenador. Otro ejemplo son los centros de datos alimentados por energías renovables o el aprovechamiento del calor generado por los centros de datos como los de Google en Hamina (Finlandia), con un 97% de energía limpia marcan la diferencia.
- Transparencia, métricas y replicabilidad: Herramientas como CarbonTracker y CodeCarbon permiten medir emisiones en tiempo real, lo cual es esencial para conocer el consumo energético real que supone el uso de IA para las empresas y así poder desarrollar soluciones que disminuyan dicho consumo. Por otro lado, estudios como Green AI (2019) sugieren que el número total de experimentos realizados para obtener un resultado final en pocas ocasiones se reporta. Tener esta información puede ayudar a conocer el coste computacional y eléctrico de dichos entrenamientos y dejarlos reflejados en publicaciones científicas que ayuden y faciliten la información para seguir mejorando y desarrollando soluciones sostenibles.
Aplicaciones prácticas basadas en Green AI
- AgrarIA: Un proyecto pionero en la digitalización sostenible de la agricultura. Utiliza algoritmos de inteligencia artificial para integrar sensores de campo, imágenes satelitales y big data, ofreciendo a los agricultores información en tiempo real para optimizar el riego, la fertilización y la detección temprana de plagas. Esto permite mejorar los rendimientos agrícolas mientras se reduce el consumo de agua, fertilizantes y pesticidas, disminuyendo la huella ambiental del sector.
- Energía Sostenible para una Sociedad Descarbonizada: La Universitat Politècnica de Catalunya y Siemens Energy impulsan una cátedra de inteligencia artificial en sostenibilidad energética para crear soluciones aplicables al tejido empresarial y fomentar la cooperación hacia una sociedad descarbonizada. Esta iniciativa forma parte de las cátedras ENIA del Gobierno español.
Retos tecnológicos y en la regulación
La Unión Europea, a través del AI Act, exige obligaciones para los sistemas de IA basadas en sus riesgos e impactos potenciales, lo que representa un importante compromiso por parte de Europa para fomentar las perspectivas Green In y Green By de sostenibilidad para modelos de alto impacto, mientras que países como EE.UU. y China carecen de normativas específicas u obligaciones. Expertos como Bolón-Canedo et al. (2024) advierten que, sin estándares globales, el avance de la Green AI será desigual.
En el horizonte tecnológico destacan avances como:
- IA Explicable (XAI): Se utiliza para mejorar la transparencia y responsabilidad en la toma de decisiones ambientales, permitiendo entender y justificar el razonamiento detrás de las recomendaciones de la IA. Ya se está aplicando en áreas como la agricultura e industrias.
- Aceleradores de Hardware Ecológicos: Se centran en desarrollar procesadores y dispositivos que ejecuten algoritmos de IA con un consumo mínimo de energía, contribuyendo a reducir el impacto ambiental de las tecnologías.
- Computación Neuromórfica: Inspirada en la eficiencia del cerebro humano, esta tecnología imita las redes neuronales biológicas mediante SNN para lograr un procesamiento en tiempo real con importantes ahorros energéticos. Se propone incluso la creación de hardware biodegradable para mitigar el desperdicio tecnológico.
Conclusión
Mientras la Red AI exige máxima precisión sin tanto enfoque en la optimización de recursos y con un alto impacto ambiental, la Green AI, respaldada con ejemplos tangibles y avances tecnológicos, demuestran que es posible innovar sin comprometer el planeta y obteniendo buena precisión.
El reto ahora es escalar estas soluciones y transformar la cultura investigativa hacia un paradigma donde la eficiencia energética sea tan valorada como la precisión.
El Programa Nacional de Algoritmos Verdes (PNAV) tiene como objetivo fomentar el desarrollo de soluciones basadas en Green AI, siendo prueba de ello los diferentes Hackathones que celebra a lo largo del año. Por otro lado, cuenta con un Ecosistema compuesto por empresas, estudiantes, startups e instituciones con el objetivo de servir como punto de encuentro entre dichos profesionales y que sirva como foro conversacional para el intercambio de ideas y datos que fomenten la obtención de nuevas soluciones.
Fuentes consultadas
Bolón‐Canedo, V., Morán‐Fernández, L., Cancela, B., & Alonso Betanzos, A. (2024). A review of green artificial intelligence: Towards a more sustainable future. Neurocomputing, 599, 128096. https://doi.org/10.1016/j.neucom.2024.128096
Schwartz, R., Dodge, J., Smith, N. A., & Etzioni, O. (2019). Green AI. arXiv. https://arxiv.org/pdf/1907.10597
Newswise. (2025). Energy-hungry artificial intelligence has an unsustainable environmental impact. Recuperada de https://www.newswise.com/articles/energy-hungry-artificial-intelligence-has-an-unsustainable-environmental-impact/?ad2f=1&aid=825594
Verdecchia, R., Sallou, J., & Cruz, L. (2023). A systematic review of Green AI. arXiv. https://arxiv.org/pdf/2301.11047
Dodge, J., Gururangan, S., Card, D., Schwartz, R., & Smith, N.A. (2019). Show Your Work: Improved Reporting of Experimental Results. arXiv. Recuperado de https://arxiv.org/pdf/1909.03004
Universitat Politècnica de Catalunya. (2025). Nueva cátedra en IA y sostenibilidad en el sector energético con Siemens Energy. Recuperado de https://www.upc.edu/es/sala-de-prensa/noticias/nueva-catedra-ia-sostenibilidad-sector-energetico-con-siemens-energy
PV Magazine. (2024, May 28). Google recupera el calor de un centro de datos para suministrar calefacción residencial en Finlandia. Recuperado de https://www.pv-magazine.es/2024/05/28/google-recupera-el-calor-de-un-centro-de-datos-para-suministrar-calefaccion-residencial-en-finlandia/