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.

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.