El coste energético de los agentes de IA: 136 veces más que un chatbot
Durante los últimos años, la conversación sobre el impacto ambiental de la inteligencia artificial ha girado en torno al agua y, más recientemente, a la energía que consumen los centros de datos. Pero a medida que la IA evoluciona hacia sistemas más autónomos, el problema se multiplica. Un estudio pionero del Instituto Avanzado de Ciencia y Tecnología de Corea (KAIST) acaba de cuantificar por primera vez el coste energético de los agentes de IA, y los resultados son preocupantes.
La diferencia fundamental entre un chatbot y un agente radica en su forma de operar. Un chatbot recibe una pregunta, genera una respuesta y se detiene. Un agente, en cambio, es una cadena de funcionamiento en la que el software realiza diferentes acciones de forma autónoma: planifica, utiliza herramientas externas como buscadores o ejecutores de código, verifica resultados y planifica de nuevo. Todo ese proceso, evidentemente, implica que el hardware que está moviendo ese software está más tiempo haciendo cosas .
El estudio de KAIST: cifras que preocupan
El equipo liderado por el profesor Minsoo Rhu de la Escuela de Ingeniería Eléctrica de KAIST ha analizado de forma sistemática cuántos recursos computacionales y energía consumen los agentes de IA en entornos de servicio reales . Las conclusiones son contundentes.
Consumo energético: hasta 136 veces más
Utilizando un modelo de lenguaje de 70.000 millones de parámetros —una escala comparable a la de los servicios comerciales actuales—, una sola petición compleja a un agente consumió una media de 348,41 Wh de electricidad . Esto supone hasta 136,5 veces más energía que una consulta a un chatbot convencional .
La cifra varía según el framework utilizado. Por ejemplo, un framework llamado LATS consumió 62 veces más energía que un chatbot, mientras que uno basado en el modelo Llama-3.1 Instruct 70B de Meta alcanzó el pico de 136,5 veces más . Como señala un análisis de Forbes, la cifra de 136,5 veces es el extremo superior de la horquilla, no el promedio .
Tiempo de respuesta: hasta 153 veces más lento
El estudio también midió la latencia de respuesta. Los agentes tardan hasta 153,7 veces más que los chatbots convencionales en procesar las respuestas . La razón es que necesitan realizar múltiples llamadas al modelo de lenguaje, a veces decenas, para completar una sola tarea.
GPU inactivas pero consumiendo
Uno de los hallazgos más reveladores del estudio es la ineficiencia en el uso de los recursos. Durante la ejecución de un agente, las GPU permanecen inactivas hasta el 54,5% del tiempo total, esperando respuestas de herramientas externas como buscadores o APIs . Durante esos periodos, siguen consumiendo electricidad sin estar realizando cálculo útil alguno .
Esta inactividad no es un detalle menor. Como señala el análisis, en un centro de datos donde las GPU son el elemento más caro, una utilización tan baja no es una nota a pie de página sobre eficiencia; es la economía misma del producto .
La proyección a escala: medio Estados Unidos
El estudio proyecta un escenario futuro en el que se produjeran 13.700 millones de peticiones a agentes de IA al día —un volumen equivalente al tráfico diario de búsquedas de Google . En ese caso, la demanda de energía de los centros de datos alcanzaría aproximadamente 198,9 GW, una cifra que equivale a cerca de la mitad del consumo eléctrico promedio de todo Estados Unidos .
Es importante señalar que esta cifra no es una previsión, sino un ejercicio hipotético para mostrar la magnitud del riesgo . No obstante, pone de manifiesto que la industria se dirige hacia una fase en la que el consumo energético podría dispararse de forma difícilmente gestionable.
El contexto actual del consumo energético
En 2023, los centros de datos estadounidenses consumieron aproximadamente el 4,4% de la electricidad total del país, según el Laboratorio Nacional Lawrence Berkeley . Gartner estima que el consumo global de los centros de datos alcanzará los 565 TWh en 2026, un 26% más que en 2025, y podría superar los 1.200 TWh en 2030 .
Lo que hace especialmente preocupante el estudio de KAIST es que las proyecciones actuales no contemplan el impacto que tendrá la transición de chatbots a agentes. Como señala un análisis de Forbes, si el consumo por consulta se multiplica por un factor de decenas, la demanda energética real podría ser muy superior a lo que anticipan los modelos actuales .
La carrera por la infraestructura y la respuesta de la industria
Jensen Huang: «Billones de dólares más»
El CEO de Nvidia, Jensen Huang, ha defendido en Davos la necesidad de continuar invirtiendo de forma masiva en infraestructura para IA. Según Huang, la industria lleva «unos cientos de miles de millones de dólares» invertidos, pero «hay billones de dólares de infraestructura que necesitan construirse» . Lo describió como «el mayor despliegue de infraestructura de la historia de la humanidad» .
La estrategia de inversión de Nvidia, a través de su brazo NVentures, refleja esta apuesta por la infraestructura. El portafolio incluye empresas como CoreWeave, Hugging Face, Mistral AI, OpenAI y xAI . Cada inversión está diseñada para reforzar el ecosistema que demanda sus chips, un círculo virtuoso desde la perspectiva del negocio.
Un nuevo campo de batalla: la eficiencia energética
El estudio de KAIST sugiere que la competitividad en la era de la IA está dejando de medirse únicamente por la inteligencia de los modelos para incluir la eficiencia de los centros de datos y la infraestructura eléctrica . El profesor Rhu ha señalado que será esencial adoptar un enfoque de «codiseño» que optimice de forma conjunta los modelos, los semiconductores, los centros de datos y la infraestructura eléctrica .
Algunas empresas ya están explorando vías para mejorar la eficiencia. Según el MIT Technology Review, se están aplicando técnicas para minimizar los procesos de pensamiento redundantes de los agentes, y el Foro Económico Mundial señala que las grandes tecnológicas están acelerando la construcción de centros de datos energéticamente independientes, integrando reactores modulares pequeños (SMR) o energía solar in situ .
Preguntas frecuentes sobre el consumo energético de la IA
1. ¿Cuánta energía consume un agente de IA comparado con un chatbot?
Un agente de IA puede consumir hasta 136,5 veces más energía por consulta que un chatbot convencional, según el estudio de KAIST . La cifra varía según el framework y el modelo utilizado .
2. ¿Por qué los agentes de IA consumen tanta energía?
Porque realizan múltiples llamadas al modelo de lenguaje, utilizan herramientas externas y mantienen las GPU activas durante todo el proceso, incluso cuando están inactivas esperando respuestas .
3. ¿Es realista la proyección de que consuman la mitad de la energía de EE.UU.?
No es una previsión, sino un escenario hipotético que utiliza el volumen diario de búsquedas de Google como referencia . Muestra la magnitud del riesgo, no una predicción.
4. ¿Qué soluciones se están planteando para reducir el consumo?
Los expertos proponen un enfoque de «codiseño» que optimice modelos, semiconductores y centros de datos de forma conjunta . También se están explorando fuentes de energía alternativas como los reactores modulares pequeños .
Recuerde que…
El consumo energético de los agentes de IA es un problema real que la industria acaba de empezar a cuantificar. El estudio de KAIST ha puesto cifras a algo que muchos intuían: los sistemas autónomos que requieren múltiples pasos de razonamiento y uso de herramientas son mucho más costosos en términos energéticos que los chatbots conversacionales.
La industria se encuentra en una encrucijada. Por un lado, la carrera por desplegar agentes de IA en aplicaciones empresariales y de consumo está en pleno apogeo. Por otro, la red eléctrica no puede seguir el ritmo de una demanda que, según el propio Jensen Huang, requerirá billones de dólares en inversión . La transición hacia una IA «agéntica» no solo es un reto tecnológico, sino también un desafío de infraestructura que obligará a replantear desde los microchips hasta la propia red eléctrica.
Si quieres profundizar en temas de tecnología e innovación, te invitamos a explorar más contenidos en fernandojuca.com y a suscribirte al canal de youtube.com/fernandojucamaldonado, donde encontrarás análisis y recursos sobre el futuro de la inteligencia artificial y su impacto en la sociedad.
Ingeniero en Sistemas de Información y docente universitario en el área de tecnología. Especialista en el desarrollo de sitios web, plataformas e-commerce y entornos virtuales de aprendizaje basados en Moodle. Experiencia en soluciones tecnológicas aplicadas a la educación y a la transformación digital de organizaciones.
