L

a mayoría de las empresas, especialmente las pequeñas y medianas, aún tratan la energía como un alquiler: algo esencial, predecible y, en gran medida, fuera del control de la gestión. Esa era está llegando a su fin, ya que la volatilidad de los precios y el suministro de la energía ha pasado de ser una cuestión marginal de costos operativos a convertirse en un tema de resiliencia, estrategia y competitividad que se aborda a nivel directivo.

La volatilidad no está impulsada por un solo factor, sino por una convergencia: la rápida electrificación, el clima extremo, la geopolítica y, cada vez más, las demandas de energía de los centros de datos y el rápido crecimiento de las cargas de trabajo de IA, que están superando la expansión de la capacidad de la red eléctrica. Las recientes tensiones geopolíticas, incluida la creciente crisis petrolera relacionada con Irán, han puesto de manifiesto lo rápido que los mercados energéticos pueden desestabilizarse a escala global. Para los líderes empresariales, esto no es solo otro aumento de precios, sino una prueba más de que la estrategia energética debe tratarse como una capacidad central, no como un simple ejercicio de adquisición periódica.

El manual estándar de gestión de las materias primas no es suficiente. La respuesta más eficaz es construir una “pila de capacidades energéticas” que abarque datos, operaciones, contratación y gobernanza. El objetivo no es predecir los precios con exactitud, sino crear la capacidad de adaptarse. Los componentes clave son:

Construcción de inteligencia energética

Lo primero es sumergirse en los datos. Desglose su exposición sitio por sitio. Comience por mapear cómo la energía afecta el flujo de efectivo, la continuidad operativa y los compromisos con los clientes en todo su portafolio. A continuación, desglose la factura energética en sus componentes. Identifique la parte correspondiente al consumo de energía, la demanda máxima, los cargos de red y otros conceptos tarifarios. Muchas empresas descubren que una gran parte de sus costos está impulsada por unos pocos intervalos de máxima demanda o por cargos de demanda que pueden reducirse sin disminuir su producción total.

Para ello, probablemente será necesario invertir en sistemas de medición y acceso a los datos. Si no se pueden identificar los picos y las tendencias, no podrá gestionar las tarifas por demanda ni aprovechar el valor de la respuesta a la demanda. Estos datos energéticos deben constituir una única fuente de información confiable. En muchas empresas, los datos energéticos se encuentran dispersos entre los departamentos de compras, instalaciones, finanzas y sostenibilidad. Es necesario consolidar todos los datos para que los responsables puedan ver en un solo lugar los costos, los parámetros de emisiones y los riesgos contractuales.

Diseño para la flexibilidad operativa

Los líderes pueden potenciar la flexibilidad si la tratan como una capacidad gestionable. El primer paso consiste en identificar las cargas “desplazables”. Trabaje con los equipos operativos para clasificar los procesos según su nivel de criticidad, las restricciones de seguridad y los márgenes de flexibilidad (minutos, horas, días).

El segundo paso implica reestructurar las rutinas operativas. Si se pueden predecir los picos de precios (por ejemplo, al final de la tarde o al inicio de la noche, cuando la demanda es alta pero la generación solar disminuye), rediseñe los horarios, las ventanas de mantenimiento y los procesos por lotes en consecuencia.

El tercer paso es adaptar las políticas de personal. La flexibilidad suele requerir cambios en los turnos, las normas sobre horas extras o los esquemas de trabajo remoto.

Coberturas y contratación con realismo

He aquí algunas preguntas clave que debe hacerse sobre sus contratos de cobertura:

— ¿Qué es lo que se está cubriendo exactamente? Si la cobertura está vinculada a un índice mayorista, pero la factura está impulsada por cargos de demanda y componentes de red, es posible que se esté cubriendo lo que no se debe.

— ¿Cómo se manejan el volumen y el perfil de consumo? Muchas empresas se exceden o se quedan cortas en sus coberturas porque el consumo varía en función del clima, los ciclos de producción o los proyectos de electrificación. El riesgo asociado al perfil de consumo puede ser más relevante que el precio promedio.

La oportunidad estratégica

Tratar la energía como un mercado dinámico (uno que se gestiona activamente) le permitirá construir una ventaja que a sus competidores les resultará difícil de replicar.

L

a adopción de la inteligencia artificial se ha acelerado rápidamente en todos los sectores de la sociedad, ofreciendo la posibilidad de abordar desafíos globales compartidos, como el cambio climático y la mitigación de las sequías. Sin embargo, detrás del entusiasmo que rodea al potencial transformador de la IA, se esconden redes neuronales profundas, que consumen grandes cantidades de energía. Y las crecientes demandas de estos modelos complejos están generando inquietud sobre el impacto ambiental de la IA.

Es importante destacar que, más allá de su impacto climático global, los efectos ambientales de la IA tienen implicaciones significativas a nivel local y regional. Si bien las iniciativas recientes presentan pasos prometedores hacia una IA sostenible, a menudo priorizan parámetros ambientales fácilmente mensurables, como la cantidad total de emisiones de carbono y el consumo de agua. No prestan suficiente atención a la equidad ambiental, es decir, al imperativo de que los costos ambientales de la IA se distribuyan equitativamente entre las distintas regiones y comunidades.

Los crecientes y localizados costos ambientales de la IA

Incluso dejando de lado el impacto ambiental de la fabricación de chips y las cadenas de suministro, el proceso de entrenamiento de un solo modelo de IA (como un modelo de lenguaje de gran tamaño) puede consumir miles de megavatios-hora de electricidad, y emitir cientos de toneladas de carbono. Además, el entrenamiento de modelos de IA puede provocar la evaporación de una cantidad asombrosa de agua dulce en la atmósfera para la disipación del calor en los centros de datos, lo que podría exacerbar la presión sobre nuestros ya limitados recursos de agua dulce.

Se prevé que todos estos impactos ambientales aumenten considerablemente, y se proyecta que la demanda mundial de energía de IA aumentará exponencialmente hasta al menos 10 veces el nivel actual y superará el consumo anual de electricidad de un país pequeño (como Bélgica) para 2026. En los Estados Unidos, la creciente demanda de IA está a punto de elevar el consumo de energía de los centros de datos hasta aproximadamente el 6% del consumo total de electricidad del país en 2026, añadiendo más presión sobre las infraestructuras de la red eléctrica.

La generación de electricidad, en particular mediante la combustión de combustibles fósiles, genera contaminación atmosférica local, contaminación térmica en los cuerpos de agua y producción de desechos sólidos, incluyendo materiales peligrosos. Las elevadas emisiones de carbono en una región conllevan costos sociales localizados, que pueden conducir a mayores niveles de ozono, material particulado y mortalidad prematura. Además, la presión sobre los recursos locales de agua dulce, impuesta por el consumo sustancial de agua asociado con la IA, tanto directamente para la refrigeración de los servidores en el sitio como indirectamente para la generación de electricidad fuera de las instalaciones, puede agravar las sequías prolongadas en regiones con escasez de agua (como Arizona y Chile).

Iniciativas para impulsar la sostenibilidad ambiental de la IA

En una era de mayor conciencia ambiental, han ido ganando terreno diversas iniciativas multifacéticas, que tienen como objetivo promover la sostenibilidad ambiental de la IA y garantizar su contribución neta positiva a la mitigación del cambio climático.

Los avances en las infraestructuras de energía y refrigeración de los centros de datos han permitido reducir los altos costos energéticos que solían tener los cálculos con IA, como lo demuestra la disminución de la efectividad del uso de energía (PUE, por sus siglas en inglés) de 2.0 a 1.1, o incluso menos, en las instalaciones de centros de datos de última generación.

Otras innovaciones clave incluyen el diseño de arquitecturas de modelos de IA eficientes, algoritmos de optimización para acelerar el entrenamiento e inferencia de la IA, técnicas como la poda de peso y la cuantificación para reducir el tamaño de los modelos, así como la creación de GPU y aceleradores de bajo consumo energético.

A nivel de sistema, la gestión holística de los recursos informáticos y no informáticos es esencial para construir sistemas de IA sostenibles. Por ejemplo, el equilibrio geográfico de la carga, una técnica bien establecida, puede alinear dinámicamente la demanda de energía con las condiciones operativas y las intensidades de carbono en tiempo real a través de una red de centros de datos distribuidos.

Además, los operadores de centros de datos han aplicado diversas estrategias para lograr emisiones “netas cero”, incluyendo el desarrollo de parques solares a gran escala y la adquisición de créditos de energía renovable. Del mismo modo, reconociendo que el agua dulce es un recurso social vital, los líderes de la industria se han fijado el ambicioso objetivo de ser “positivos en agua” para 2030, reponiendo más agua de la que consumen.

El preocupante aumento de la inequidad ambiental de la IA

Desafortunadamente, persiste una disparidad cada vez mayor en la forma en que distintas regiones y comunidades se ven afectadas por los impactos ambientales de la IA. En muchos casos, los efectos ambientales adversos de la IA afectan desproporcionadamente a las comunidades y regiones que son particularmente vulnerables a los daños ambientales resultantes. Por ejemplo, en 2022, Google operó su centro de datos en Finlandia con un 97% de energía libre de carbono; esa cifra se reduce al 4-18 % en el caso de sus centros de datos en Asia. Esto pone de manifiesto una disparidad significativa en el consumo local de combustibles fósiles y la creación de contaminación atmosférica. De manera similar, la tasa de consumo de agua para la disipación de calor en los centros de datos puede ser desproporcionadamente mayor en regiones afectadas por la sequía (como Arizona) debido a sus climas más cálidos.

Además, los enfoques existentes para implementar y gestionar los cálculos con IA a menudo exacerban la inequidad ambiental, que se ve agravada por las persistentes disparidades socioeconómicas entre regiones. Por ejemplo, el equilibrio geográfico de la carga que prioriza los costos totales de energía o la huella de carbono puede, inadvertidamente, aumentar la huella hídrica de los centros de datos en regiones con escasez de agua, ejerciendo aún más presión sobre los recursos locales de agua dulce. También podría contribuir desproporcionadamente a la congestión de la red y elevar los precios marginales locales de la electricidad, conduciendo a un aumento en las tarifas de los servicios públicos y a una carga injusta para los residentes locales con mayores costos energéticos.

Un imperativo estratégico para abordar la inequidad ambiental de la IA

El preocupante aumento de la desigualdad ambiental de la IA ha obstaculizado el progreso hacia una IA ambientalmente responsable. Este problema ha acaparado cada vez más la atención pública, lo que ha provocado llamamientos urgentes para que se adopten medidas de mitigación. Por ejemplo, en su informe Landscape de 2023, el AI Now Institute establece paralelismos entre la desigual distribución regional de los costos ambientales de la IA y las prácticas históricas del colonialismo de asentamiento y capitalismo racial.

La desigualdad ambiental que genera la IA en distintas regiones está profundamente entrelazada con las disparidades socioeconómicas globales. Por lo tanto, tomar medidas proactivas para abordar esta cuestión no es solo una necesidad moral, sino un imperativo estratégico para minimizar los posibles riesgos comerciales y reducir la creciente brecha socioeconómica.

Fomentar una IA ambientalmente equitativa a través del equilibrio geográfico de la carga

Es cierto que lograr un impacto ambiental uniforme para los centros de datos de IA en todas las ubicaciones geográficas es un desafío, ya que algunas regiones se enfrentan inherentemente a mayores desventajas ambientales que otras.

Sin embargo, la capacidad de implementar y gestionar de manera flexible los cálculos con IA a través de una red de centros de datos distribuidos geográficamente ofrece oportunidades sustanciales para abordar la desigualdad ambiental de la IA, dando prioridad a las regiones desfavorecidas y distribuyendo equitativamente el impacto ambiental negativo general. El uso del equilibrio geográfico de la carga para redirigir espacialmente el «tráfico de IA», incluidas las tareas de entrenamiento de IA y determinadas solicitudes de inferencia, es fácil y de acción inmediata. Y lo que es más importante, se aplica independientemente de si una empresa opera sus propias infraestructuras de centros de datos distribuidos geográficamente o si utiliza servicios de IA basados ​​en la nube. La innovación clave se centra en priorizar las regiones con mayor impacto ambiental adverso, como el incremento de la contaminación atmosférica y la disminución de los recursos de agua dulce.

A medida que nos esforzamos por desarrollar una IA ambientalmente responsable, no debemos centrarnos únicamente en parámetros de sostenibilidad fácilmente medibles, como las emisiones totales de carbono y el consumo de agua, pasando por alto la equidad en el proceso. Los impactos ambientales de la IA deben alinearse con las prioridades e intereses de las regiones locales.

P

ara 2026, se espera que la potencia informática dedicada al entrenamiento de la IA se multiplique por diez. A medida que se gasta más energía, se necesitan más recursos. Como resultado, hemos visto aumentos exponenciales en el consumo de energía y, quizás de manera más inesperada, en el consumo de agua. Incluso, algunas estimaciones muestran que el funcionamiento de un modelo de IA de gran tamaño genera más emisiones a lo largo de su vida útil que un coche promedio. Un informe reciente de Goldman Sachs encontró que para 2030 habrá un aumento del 160% en la demanda de energía impulsada por aplicaciones de inteligencia artificial.

Sabemos que existe un riesgo ambiental palpable al operar de esta manera indefinidamente, pero también sabemos que la IA puede ser una nueva y poderosa herramienta para la sostenibilidad, acelerando la velocidad con la que resolvemos problemas, ayudándonos a comprender y enfrentar el cambio climático, y apoyando la incipiente transición energética.

La adopción de la IA es la nueva normalidad para las empresas y los gobiernos que buscan mejorar la toma de decisiones, aumentar la productividad empresarial y reducir los costos. Por ello, debemos considerar prácticas de IA más sostenibles ahora y, al mismo tiempo, priorizar los casos de uso de la IA para impulsar los beneficios generales de sostenibilidad.

¿Cómo podemos utilizar eficazmente la IA y aprovechar sus beneficios, al tiempo que minimizamos el impacto ambiental en la medida de nuestras posibilidades colectivas?

Tomar decisiones inteligentes sobre los modelos de IA

Un modelo de IA consta de tres fases (entrenamiento, ajuste e inferencia), y en cada fase existen oportunidades para ser más sostenible. Al inicio de un proyecto de IA, los líderes empresariales deben considerar la elección de un modelo base, en lugar de crear y entrenar código desde cero. En comparación con la creación de un nuevo modelo, los modelos base se pueden ajustar para fines específicos en una fracción de tiempo, con una fracción de los datos y una fracción de los costos de energía. De este modo, se “amortizan” efectivamente los costos iniciales de entrenamiento a lo largo de su vida útil con usos diferentes.

También es importante elegir el modelo base de tamaño adecuado. La mayoría de los modelos ofrecen diferentes opciones, con 3 mil millones, 8 mil millones, 20 mil millones o más parámetros. Más grande no siempre es mejor. Un modelo pequeño, entrenado con datos curados de alta calidad, puede ser más eficiente energéticamente y lograr los mismos (o mejores) resultados en función de sus necesidades. La investigación de IBM ha descubierto que algunos modelos entrenados con datos específicos y relevantes pueden funcionar a la par de otros que son de tres a cinco veces más grandes, pero con mayor rapidez y menor consumo de energía. La buena noticia para las empresas es que esto probablemente también signifique menores costos y mejores resultados.

Localizar su procesamiento de forma reflexiva

A menudo, un enfoque de nube híbrida puede ayudar a las empresas a reducir el consumo de energía al brindarles flexibilidad sobre dónde tiene lugar el procesamiento. Con un enfoque híbrido, puede tener lugar en la nube, en los centros de datos más cercanos a las necesidades. Otras veces, por motivos de seguridad, reglamentarios o de otro tipo, puede tener lugar en las instalaciones, es decir, en servidores físicos propiedad de la empresa.

Un enfoque híbrido puede apoyar la sostenibilidad de dos maneras. En primer lugar, puede ayudarle a ubicar sus datos junto a su procesamiento, lo que puede minimizar la distancia que deben recorrer los datos y, con el tiempo, resultar en ahorros reales de energía. En segundo lugar, esto puede permitirle elegir ubicaciones de procesamiento con acceso a energías renovables. Por ejemplo, dos centros de datos pueden ofrecer un rendimiento similar para sus necesidades, pero uno estar rodeado de energía hidroeléctrica y el otro de carbón.

Por último, es importante utilizar sólo el procesamiento que se necesita. Muchas organizaciones sobreaprovisionan la cantidad de potencia informática disponible para sus necesidades, sin embargo, ya existe software para que puedan hacerlo mejor. En un caso de nuestras propias cargas de trabajo de IA, IBM pudo reducir el exceso de «espacio libre» de reserva del equivalente de 23 a 13 unidades de procesamiento de gráficos (GPU, por sus siglas en inglés), reduciendo significativamente el uso de energía y liberando GPU de alta demanda para otros fines, sin ninguna reducción en el rendimiento.

Utilizar la infraestructura adecuada

Una vez que ha elegido un modelo de IA, aproximadamente el 90% de su vida transcurrirá en modo de inferencia, donde los datos se procesan para hacer una predicción o resolver una tarea. Naturalmente, la mayor parte de la huella de carbono de un modelo también se produce aquí, por lo que las organizaciones deben invertir tiempo y capital en hacer que el procesamiento de datos sea lo más sostenible posible.

La IA se ejecuta de forma más eficiente en procesadores que soportan tipos muy específicos de cálculos. Es bien sabido que la IA funciona mejor en GPU que en unidades centrales de procesamiento (CPU, por sus siglas en inglés), pero ninguna fue originalmente diseñada para la IA. Cada vez vemos más (y nuevos) prototipos de procesadores, diseñados desde cero para ejecutar y entrenar modelos de aprendizaje profundo de manera más rápida y eficiente. En algunos casos, se ha demostrado que estos chips son hasta 14 veces más eficientes desde el punto de vista energético.

El procesamiento energéticamente eficiente es el paso más importante que se puede tomar, ya que reduce la necesidad de refrigeración a base de agua (e incluso de energía renovable adicional), que a menudo conlleva sus propios costos ambientales.

Adoptar el código abierto

Ser abierto significa tener más ojos en el código, más mentes en los problemas y más manos en las soluciones. Ese nivel de colaboración transparente puede tener un gran impacto. Por ejemplo, el proyecto Kepler de código abierto (gratuito y disponible para todos) ayuda a los desarrolladores a estimar el consumo de energía de su código a medida que lo construyen, permitiéndoles desarrollar un código que les permita cumplir sus objetivos sin ignorar las compensaciones energéticas que repercutirán en los costos y las emisiones a largo plazo.

El código abierto también significa aprovechar la “sabiduría de la multitud” para mejorar los modelos de IA existentes, en lugar de depender de nuestras redes de energía para construir nuevos modelos constantemente. Estos modelos permitirán que las organizaciones con recursos limitados persigan la innovación rentable y tranquilicen a las organizaciones escépticas con flexibilidad, seguridad y confiabilidad.

El proyecto de código abierto más grande de la historia (Internet) originalmente se utilizaba para compartir contenido académico. Ahora, sustenta gran parte de nuestra economía y sociedad.

De manera similar, al prever cómo la IA puede contribuir a un futuro mejor, debemos esforzarnos por innovar y, al mismo tiempo, ser conscientes y responsables de las opciones que tenemos y los recursos naturales involucrados.