E

n 2020, Microsoft anunció su iniciativa “Planetary Computer”, un proyecto monumental destinado a recopilar datos ambientales a escala mundial y hacerlos accesibles para soluciones de sostenibilidad. Al asociarse con organizaciones medioambientalistas y aprovechar algoritmos de inteligencia artificial de vanguardia, Microsoft pretende abordar algunos de los problemas ambientales más apremiantes del planeta, desde la pérdida de biodiversidad hasta el cambio climático. Este proyecto con visión de futuro sirve como algo más que un simple ejemplo de responsabilidad corporativa. Se trata de un hito importante, que indica un cambio de paradigma más amplio para hacer de la IA y la sostenibilidad la columna vertebral de la gestión moderna de proyectos.

En la actual economía de proyectos, donde los proyectos son la principal unidad de trabajo y la creación de valor, los paradigmas tradicionales de gestión de proyectos están experimentando una transformación radical. La sostenibilidad ya no es algo que “es bueno tener”, sino un criterio esencial para el éxito, tanto en la fase inicial de los proyectos como cuando los resultados del proyecto siguen generando beneficios a lo largo de su vida útil. Como lo demuestran empresas como Microsoft, existe una oportunidad sin precedentes en la intersección de la IA, la gestión de proyectos y la sostenibilidad (en los ámbitos social y financiero, así como en el ámbito medioambiental).

Desafortunadamente, sin una ejecución adecuada, la integración de IA y la gestión de proyectos para lograr objetivos de sostenibilidad, puede contribuir a la misma huella de carbono que pretendemos reducir. ¿Cómo podemos aprovechar simultáneamente los poderes computacionales de la IA y cumplir los objetivos de sostenibilidad sin inclinar la balanza desfavorablemente en términos de costo e impacto ambiental? Aquí es donde entran en escena los “algoritmos ecológicos” (construcciones especializadas de IA diseñadas para mejorar la eficiencia operativa y priorizar la sostenibilidad).

Complejidad, costo y carbono

La gestión de proyectos siempre ha requerido un delicado equilibrio entre alcance, tiempo, presupuesto y beneficios. Medir el impacto ambiental, social y humano de los proyectos añade más complejidades. Las herramientas de IA para la gestión de proyectos tienen el potencial de ayudar a abordar estas preocupaciones, pero a medida que la implementación de la IA pasa de la teoría a la realidad, surge otra capa de tres desafíos clave: la complejidad, el costo y el carbono de la implementación de la IA.

Complejidad

— Demandas interdisciplinarias. La fusión de la IA y la gestión de proyectos exige un grupo de expertos de diversos ámbitos. La complejidad se multiplica cuando se reúnen especialistas en aprendizaje automático, científicos de datos, científicos medioambientales y responsables de cumplimiento de políticas, solo por nombrar algunos.

— Entorno normativo dinámico. Los objetivos de sostenibilidad no son estáticos; evolucionan bajo la influencia de leyes, culturas y tradiciones locales, estatales e internacionales.

— Sobrecarga de datos. La IA se basa en datos, y gestionar e interpretar conjuntos de datos multidimensionales, que van desde el uso de energía hasta la producción de residuos, introduce aún más complejidad.

Costo

— Costos directos de los requerimientos interdisciplinarios. Los recursos humanos interdisciplinarios descritos anteriormente tienen un precio. La experiencia en múltiples áreas se suma.

— Costo del ciclo de vida. Los modelos de IA son entidades vivas que necesitan un cuidado continuo. Esto incluye actualizaciones periódicas, ajustes para adaptarse a nuevos datos o condiciones, e incluso revisiones completas para incorporar nuevos estándares.

Carbono

— Impacto de carbono de los requerimientos interdisciplinarios. Se deben tener en cuenta los desplazamientos para reuniones de las partes interesadas, el transporte de hardware, e incluso la energía consumida en los espacios de oficina donde trabajan los equipos del proyecto.

— Emisiones de carbono relacionadas con la IA. Los algoritmos de aprendizaje automático requieren una cantidad de energía considerable, lo que eleva el impacto ambiental del proyecto debido a su amplia potencia computacional. El ciclo de vida del hardware necesario para estos complejos algoritmos (desde la fabricación hasta la eliminación) también conlleva un costo medioambiental. El hardware especializado (GPU y TPU), además de acelerar los procesos algorítmicos, aumenta la huella de carbono general del proyecto. Un estudio realizado por investigadores de la Universidad de Massachusetts Amherst, encontró que las emisiones derivadas del entrenamiento de un solo modelo de IA pueden generar hasta 626,000 libras de CO2 equivalente, aproximadamente cinco veces las emisiones de un automóvil estadounidense promedio durante su vida útil.

Introduciendo los algoritmos ecológicos

Aquí es donde entran en juego los algoritmos ecológicos. Se integran a la perfección con una serie de metodologías de IA, desde el aprendizaje automático que permite el mantenimiento predictivo hasta el procesamiento del lenguaje natural para el análisis de los sentimientos de las partes interesadas, e incluso el aprendizaje reforzado para la asignación dinámica de recursos. El resultado final son herramientas de IA que no sólo son inteligentes en su ejecución, sino también sostenibles en su impacto en los proyectos. Los algoritmos ecológicos ayudan a abordar los desafíos de complejidad, costo y carbono:

— Gestión de la complejidad. Las herramientas y metodologías modernas de gestión de proyectos están cada vez más orientadas a aliviar la complejidad y facilitar la integración. Muchas plataformas, como Notion y Forecast, ofrecen ahora funciones que simplifican la gestión de algoritmos y conjuntos de datos complejos, convirtiéndolos en información procesable para una mejor toma de decisiones. También ofrecen servicios especializados de formación y consultoría para ayudar a los gestores de proyectos a adquirir las habilidades necesarias para implementar los algoritmos ecológicos de manera efectiva.

— Gestión de costos. Implementar las soluciones de IA requiere un precio financiero inicial y habilidades especializadas, que podrían considerarse barreras para su adopción. Sin embargo, es esencial considerar estas tecnologías como inversiones con beneficios a largo plazo, y no como un mero gasto. Los ahorros de energía de los centros de datos eficientes se traducen en reducciones significativas de los gastos operativos y menores costos de cumplimiento. La adopción de algoritmos ecológicos también puede ir acompañada de beneficios intangibles, como la reducción del riesgo y el incremento del valor de la marca.

— Gestión del carbono. Con los algoritmos ecológicos, se obtiene la eficiencia operativa comprobada que ofrecen las soluciones automatizadas y ahorros significativos mediante la optimización del uso recursos, la reducción de residuos y el cumplimiento de las regulaciones de sostenibilidad. Cambiar de un centro de datos promedio a uno más eficiente puede reducir la huella de carbono hasta en un 30%, y en el horizonte se vislumbran nuevas mejoras.

GE Research es un ejemplo de ello. En colaboración con GE Renewable Energy, han desarrollado una herramienta de aprendizaje automático de vanguardia diseñada para optimizar la logística de las turbinas eólicas, lo que podría ahorrarle a la industria miles de millones de dólares durante la próxima década. La solución algorítmica se centra en optimizar diversos aspectos de las operaciones de los parques eólicos, desde el envío y la instalación hasta el mantenimiento continuo. El costo, la complejidad y las emisiones de carbono se gestionaron o redujeron.

Con historias de éxito como ésta cada vez más frecuentes, el mensaje para los gestores de proyectos de todo el mundo es claro: Es hora de aprender a implementar algoritmos ecológicos.

Los gestores de proyectos están aprendiendo que la integración de algoritmos ecológicos en sus proyectos cataliza la eficiencia operativa y fortalece su compromiso con la sostenibilidad. Al mismo tiempo, los líderes organizacionales están viendo que la convergencia de IA y la conciencia ecológica ofrece una hoja de ruta para lograr resultados comerciales. Con una planificación meticulosa y un compromiso con la sostenibilidad, los algoritmos ecológicos pueden ayudar a los gestores y patrocinadores de proyectos a convertir los desafíos en oportunidades para lograr un impacto significativo. A medida que los proyectos se convierten cada vez más en la columna vertebral del valor organizacional, los algoritmos ecológicos ofrecen una forma tangible y efectiva de lograr tanto la sostenibilidad como la IA.

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.