Se está intentando vender la idea de que el desarrollo de la inteligencia artificial y los objetivos de sostenibilidad pueden avanzar en paralelo, pero en la práctica están chocando constantemente. No es un problema de comunicación ni de intención, es un problema estructural. La IA necesita escalar para justificar su modelo económico, y esa escala implica más consumo de energía, más infraestructura y más presión sobre recursos.
El discurso dominante insiste en que la IA puede ayudar a resolver problemas climáticos, y es cierto en casos concretos. Puede optimizar sistemas energéticos, mejorar procesos industriales o analizar datos climáticos con mayor precisión. Pero ese potencial no compensa automáticamente el impacto que genera su propia expansión. Son dos dinámicas distintas, y mezclarlas es una forma de evitar el problema real.
Cuando se habla de sostenibilidad en este contexto, muchas veces se está hablando de eficiencia relativa, no de impacto absoluto. Y esa diferencia es clave. Puedes ser más eficiente por unidad y, aun así, consumir más en total si el sistema crece sin control. Eso es exactamente lo que está ocurriendo.
El crecimiento de la IA convierte cualquier mejora en insuficiente
El punto crítico no está en si los modelos son más eficientes o si la infraestructura utiliza energías renovables. El punto crítico es la velocidad a la que está creciendo la demanda. Cada nueva integración de IA en productos existentes, cada nuevo servicio y cada nueva capa de automatización aumenta el consumo total del sistema.
No se trata solo del entrenamiento de modelos, que ya es intensivo, sino de la inferencia constante a escala global. Millones de usuarios interactuando diariamente con sistemas que requieren procesamiento continuo. Eso genera una demanda sostenida que no se reduce con pequeñas mejoras técnicas.
La eficiencia ayuda a que el sistema sea más viable, pero también facilita que se use más. Reduce el coste por uso, lo que incentiva su expansión. Este efecto rebote es lo que hace que la optimización no sea suficiente como estrategia de sostenibilidad. Mientras la adopción crezca más rápido que la eficiencia, el impacto total seguirá aumentando.
El problema es que este crecimiento no se está cuestionando. Se da por hecho que todo uso de IA es positivo o necesario, cuando en realidad hay una gran cantidad de aplicaciones que aportan poco valor real y, aun así, consumen recursos de forma constante.
La falta de transparencia impide medir el problema real
Uno de los mayores obstáculos para abordar este tema con seriedad es la falta de claridad sobre el impacto específico de la IA. Los datos que se publican suelen estar agregados y no permiten distinguir qué parte del consumo corresponde realmente a sistemas de inteligencia artificial.
Sin ese nivel de detalle, cualquier análisis queda incompleto. No se puede optimizar lo que no se mide correctamente, y tampoco se puede exigir responsabilidad si no hay visibilidad. Esta opacidad favorece que el discurso de sostenibilidad se mantenga en un nivel superficial, donde se destacan avances generales sin entrar en los costes reales.
Además, el impacto no es solo energético. Los centros de datos requieren grandes cantidades de agua para su refrigeración y generan presión sobre infraestructuras locales. Estos factores rara vez forman parte del debate principal, pero son esenciales para entender la dimensión completa del problema.
Reducir la sostenibilidad a emisiones de carbono es simplificar demasiado. El impacto es más amplio y más complejo.
El problema no es la tecnología, es cómo se está utilizando
En mi opinión, el foco está completamente desviado. No es una cuestión de si la IA puede ser sostenible en términos técnicos, sino de cómo se está utilizando en la práctica. Se está integrando en todo, muchas veces sin una justificación clara más allá de la presión competitiva o la narrativa de innovación.
Hay procesos donde la IA aporta valor real, pero también hay muchos donde su uso es innecesario o marginal. Cada una de esas implementaciones suma consumo, y ese consumo se acumula. Sin un criterio claro sobre dónde tiene sentido aplicar IA, el sistema se llena de ineficiencias disfrazadas de innovación.
Hablar de sostenibilidad sin hablar de uso es evitar la parte incómoda. Porque implica aceptar que no todo debería automatizarse, que no todo necesita IA y que el crecimiento tiene límites si se quiere mantener un equilibrio real con el entorno.
La conclusión es muy tocahuevos pero bastante clara: las ambiciones de la IA, tal y como están planteadas hoy, no están alineadas con los objetivos de sostenibilidad. No porque sea imposible hacerlo mejor, sino porque el modelo actual prioriza crecer antes que equilibrar. Y mientras eso no cambie, cualquier avance en eficiencia será solo una forma de retrasar un problema que sigue creciendo.
