La IA se enfrenta a problemas relacionados con el agua: el coste oculto de los grandes modelos lingüísticos

La inteligencia artificial (IA) está transformando las industrias a un ritmo sin precedentes, impulsada en gran medida por potentes modelos de lenguaje grandes (LLM) como GPT-4, Claude y Gemini. La inmensa potencia computacional que requieren estos modelos, tanto para su entrenamiento como para su funcionamiento diario, ha desencadenado un debate fundamental sobre sus consecuencias medioambientales.

Si bien el consumo de energía y las emisiones de carbono han sido objeto de un escrutinio justificado, un aspecto crítico que a menudo se pasa por alto es el considerable consumo de agua de la IA. Se utilizan grandes cantidades de agua directamente para refrigerar los centros de datos que alimentan estos sistemas. Además, se consume agua de forma indirecta a través de la generación de electricidad y la fabricación de hardware.

A medida que aumenta la demanda mundial de servicios de IA, se intensifica esta presión sobre los recursos finitos de agua dulce, lo que plantea claros retos de sostenibilidad, especialmente en las regiones con estrés hídrico y vulnerables al cambio climático. Por lo tanto, es esencial comprender a fondo la huella hídrica de la IA. Esta comprensión constituye la base para tomar decisiones informadas y responsables que apoyen la gestión medioambiental a largo plazo.

Cómo consumen agua los modelos de IA

El funcionamiento de la IA a gran escala requiere un procesamiento ininterrumpido en centros de datos que gestionan miles de millones de operaciones, lo que genera un calor significativo. Para evitar el sobrecalentamiento y garantizar un rendimiento estable, este calor debe disiparse de manera eficiente. La mayoría de las instalaciones dependen de torres de refrigeración por evaporación, que dependen en gran medida del agua dulce. Una gran parte de esta agua se evapora en el proceso de refrigeración y se pierde, lo que da lugar a altas tasas de extracción y consumo de agua.

Investigaciones recientes han comenzado a cuantificar el impacto del agua en la IA. Un notable estudio de 2023 estimó que el entrenamiento de un solo LLM importante podría consumir más de 700 000 litros de agua dulce limpia, lo que equivale aproximadamente al agua necesaria para fabricar 370 coches de tamaño medio. Esto pone de relieve el inmenso uso de recursos que conlleva la fase inicial de desarrollo de la IA avanzada.

El uso del agua no se detiene después del entrenamiento. La fase de inferencia, en la que los modelos responden a las solicitudes de los usuarios, también se ejecuta en una potente infraestructura informática siempre activa en todo el mundo. Cada consulta se suma a la carga de procesamiento y a la demanda de refrigeración asociada. El total de agua utilizada para la inferencia está creciendo rápidamente con la adopción masiva de herramientas de IA como los chatbots, los asistentes virtuales y los motores de búsqueda mejorados.

A nivel mundial, se estima que los centros de datos extraen más de 560 000 millones de litros de agua al año solo para la refrigeración, una cifra que se prevé que aumente en 2030, en parte debido al auge de la demanda de IA. Más allá de este uso directo, la IA genera un consumo indirecto sustancial de agua debido a sus necesidades de electricidad, especialmente en regiones que se alimentan de centrales de carbón o nucleares, que a su vez consumen mucha agua.

Esta creciente demanda pone de relieve la urgente necesidad de contar con sistemas de refrigeración más eficientes, infraestructuras sostenibles y una contabilidad del agua transparente. Sin medidas proactivas, la expansión de la IA podría suponer una grave presión para las reservas de agua dulce, lo que supondría un riesgo significativo en zonas que ya se enfrentan a la sequía y a la vulnerabilidad climática.

Infraestructuras y tecnologías de refrigeración

Los modelos de IA funcionan con chips de alto rendimiento alojados en amplios centros de datos en la nube que requieren una refrigeración especializada para gestionar el calor incesante de los ordenadores. La refrigeración por evaporación sigue siendo el método dominante, que consiste en rociar agua para absorber el calor, gran parte del cual se pierde por evaporación, lo que da lugar a una elevada extracción de agua.

En respuesta a ello, algunos operadores están adoptando alternativas como la refrigeración por inmersión en líquido o los sistemas directos al chip. Estos utilizan fluidos especializados o refrigerantes de circuito cerrado para extraer el calor de los procesadores de forma más eficiente. Si bien estas tecnologías pueden reducir el uso directo de agua, siguen contribuyendo a la huella indirecta a través de la fabricación de sistemas y el agua necesaria para la generación de electricidad, en particular a partir de fuentes de energía térmica como el carbón y la energía nuclear.

Las estrategias de refrigeración también dependen de la geografía y el clima. En las regiones áridas, los operadores se decantan cada vez más por sistemas refrigerados por aire o de circuito cerrado para conservar el agua local, aunque estos suelen requerir más energía, lo que crea un equilibrio entre el ahorro de agua y el aumento de las emisiones de carbono.

En última instancia, cada capa de la infraestructura de IA, desde la disipación del calor a nivel de chip hasta la refrigeración y el suministro de energía de toda la instalación, se suma a su huella hídrica total. Satisfacer la creciente demanda de IA de forma sostenible requerirá una innovación continua tanto en la eficiencia de la refrigeración como en los sistemas energéticos para evitar una presión cada vez mayor sobre los recursos hídricos mundiales.

Influencias geográficas y medioambientales en el consumo de agua de los centros de datos

El consumo de agua de un centro de datos depende en gran medida de su ubicación y del clima local. En regiones cálidas y áridas como Arizona o Texas, los sistemas de refrigeración deben trabajar mucho más para mantener temperaturas de funcionamiento seguras, a menudo dependiendo más de la refrigeración por evaporación, que consume mucha agua, lo que conduce a un consumo significativamente mayor que en climas más fríos como el de Escandinavia. La humedad también juega un papel clave: el aire seco mejora la eficiencia de la refrigeración por evaporación, pero también acelera la pérdida de agua.

El contexto local del agua es fundamental. Las instalaciones situadas en zonas con escasez de agua suelen abastecerse de los suministros municipales, que pueden estar ya sometidos a una gran presión, lo que puede crear competencia con las necesidades residenciales o agrícolas. Un ejemplo destacado es el centro de datos de Google en Oregón, que se enfrentó al escrutinio público por su consumo de agua durante una sequía regional.

Además, el entrenamiento de grandes modelos de IA puede crear picos repentinos e intensos en la demanda de agua. Aunque estos picos pueden ser temporales, pueden ejercer presión sobre los sistemas hídricos locales, lo que podría reducir los niveles de los ríos o agotar las aguas subterráneas, con efectos negativos en los ecosistemas locales y la biodiversidad.

Para hacer frente a estos retos es necesario planificar la infraestructura de IA teniendo en cuenta cuidadosamente los factores locales: el clima, la disponibilidad de agua y los marcos normativos. El despliegue sostenible depende de políticas claras, de la participación de la comunidad y de la selección de tecnologías de refrigeración adecuadas al contexto hídrico local.

Compromisos corporativos y lagunas de transparencia

Las principales empresas de IA reconocen cada vez más sus responsabilidades medioambientales y se han fijado ambiciosos objetivos de gestión del agua. Google, Microsoft y Meta se han comprometido a ser «positivas en materia de agua» para 2030, con el objetivo de reponer más agua de la que consumen a nivel mundial mediante iniciativas como la restauración de cuencas hidrográficas, la recogida de agua de lluvia y el apoyo a proyectos de conservación locales.

Por ejemplo, Google pretende reponer el 120 % de su consumo y proporciona informes anuales de sostenibilidad con datos de uso. Microsoft ha desplegado sistemas avanzados de refrigeración adiabática que pueden reducir el consumo de agua hasta en un 90 % en comparación con las torres tradicionales. Meta centra sus objetivos de reposición —200 % en zonas de alto estrés, 100 % en zonas de estrés medio— donde la escasez es más acuciante. Algunas instalaciones también utilizan el reciclaje de agua in situ o la recogida de agua de lluvia.

Estos compromisos están directamente relacionados con la IA, ya que el entrenamiento y el funcionamiento de los LLM dependen de enormes centros de datos que consumen mucha energía y cuyas necesidades de refrigeración requieren un uso considerable de agua. A medida que los servicios de IA, especialmente los que implican LLM, se expanden a nivel mundial, su huella medioambiental crece al mismo tiempo, lo que convierte la gestión responsable del agua en una piedra angular del desarrollo sostenible de la IA.

Reducir la huella hídrica de la IA: pasos sencillos y acción colectiva

Reducir el impacto hídrico de la IA requiere un enfoque multifacético que combine la eficiencia tecnológica, la planificación estratégica y la responsabilidad compartida. Desde el punto de vista tecnológico, el desarrollo de modelos más pequeños y eficientes mediante técnicas como la poda, la cuantificación y la destilación de conocimientos puede reducir la carga computacional, lo que a su vez reduce la energía y el agua de refrigeración necesarias tanto para el entrenamiento como para la inferencia.

Las decisiones operativas también son importantes. Programar las tareas informáticas intensivas para las horas más frescas del día puede minimizar la pérdida de agua por evaporación. Ubicar los nuevos centros de datos en regiones con recursos hídricos sostenibles y acceso a energías renovables (como la eólica o la solar) reduce la huella hídrica indirecta vinculada a la generación de energía térmica.

Sin embargo, las soluciones deben ir más allá de las empresas tecnológicas. Los gobiernos son fundamentales para establecer regulaciones que exijan la presentación de informes transparentes sobre el agua y promuevan métricas coherentes. También pueden vincular los permisos de infraestructura al abastecimiento sostenible de agua. Las organizaciones medioambientales ayudan supervisando los progresos, abogando por políticas más estrictas y exigiendo responsabilidades a la industria. Los planificadores locales deben evaluar los nuevos proyectos teniendo en cuenta el impacto sobre los recursos hídricos como una preocupación primordial, especialmente en las zonas más afectadas.

Los usuarios individuales y la comunidad investigadora también tienen poder. Al favorecer las plataformas que divulgan datos medioambientales y dan prioridad a la sostenibilidad, los usuarios señalan la demanda del mercado. Los desarrolladores e investigadores deben incorporar la eficiencia hídrica como métrica clave a la hora de evaluar los sistemas de IA. El mundo académico puede contribuir desarrollando mejores herramientas para medir y minimizar el uso del agua.

En última instancia, es fundamental fomentar una mayor concienciación pública. Muchos usuarios desconocen los costes ocultos del agua que se esconden detrás de las simples consultas de IA. A medida que aumenta la comprensión, se crea una demanda de responsabilidad corporativa y prácticas sostenibles. Con el crecimiento imparable de los grandes modelos de IA, que añaden presión al suministro mundial de agua dulce, es esencial tratar el uso del agua como un componente fundamental del impacto medioambiental de la IA. Lograr un progreso significativo dependerá del esfuerzo concertado de los responsables políticos, los desarrolladores, las empresas y los usuarios por igual. Al integrar la gestión del agua en el diseño y la implementación de la IA, podemos proteger un recurso vital sin dejar de aprovechar los beneficios de la tecnología inteligente.

Conclusión

Minimizar la huella hídrica de la IA ya no es una preocupación secundaria, sino un requisito fundamental para el progreso tecnológico sostenible. El entrenamiento y el funcionamiento de los grandes modelos ejercen una presión real sobre los suministros de agua dulce, un reto que se amplifica en las regiones que ya se enfrentan a tensiones relacionadas con el clima.

Para abordar esta cuestión es necesario avanzar en modelos eficientes, hardware y una ubicación cuidadosa de los centros de datos. Sin embargo, la tecnología por sí sola no es suficiente. El cambio real exige un esfuerzo colectivo: políticas claras por parte de los gobiernos, transparencia e innovación por parte de las empresas, defensa informada por parte de los investigadores y elecciones conscientes por parte de los usuarios. Al integrar las consideraciones sobre el impacto del agua desde el principio del desarrollo de la IA, podemos innovar de forma responsable y proteger los recursos hídricos vitales a largo plazo.