Consumo energético ChatGPT por pregunta: la cara oculta de la IA que nadie te muestra
El consumo energético de ChatGPT por pregunta es uno de los datos más esquivos de la industria tecnológica — y también uno de los más reveladores. Cada vez que escribes algo en esa caja de texto y recibes una respuesta, algo ocurre en algún lugar del mundo que no aparece en tu pantalla: una sala llena de servidores consume electricidad, bombas de enfriamiento trabajan sin parar, y en algunos casos miles de litros de agua evaporan para mantener la temperatura bajo control. Todo eso, invisible, en los segundos que tardas en leer la respuesta.
No se trata de alarmismo. Se trata de entender que detrás de cada respuesta instantánea hay una infraestructura física enorme, con una huella ambiental que crece al mismo ritmo que la adopción masiva de estas herramientas. Cuando ChatGPT llegó a 100 millones de usuarios en dos meses —el crecimiento más rápido de cualquier aplicación en la historia— esa cifra no era solo un hito tecnológico. Era también una señal de cuánta energía comenzaría a consumirse cada día.
Este artículo reúne los datos disponibles, los que las empresas prefieren no destacar, y las preguntas que el debate público todavía no se ha hecho del todo.
Cuánta energía consume ChatGPT por cada pregunta: los números reales
La respuesta precisa es difícil de obtener porque OpenAI no publica datos desagregados de consumo por consulta. Lo que existe son estimaciones académicas y comparaciones con sistemas conocidos que permiten construir un orden de magnitud razonable.
La cifra más citada en la literatura especializada es que una consulta típica a ChatGPT consume aproximadamente 10 veces más energía que una búsqueda en Google. Una búsqueda convencional utiliza alrededor de 0,3 watios-hora. Una consulta a un modelo de lenguaje grande como GPT-4 se estima entre 0,001 y 0,01 kilovatios-hora dependiendo de la longitud y complejidad de la respuesta —cifras que, multiplicadas por los millones de consultas diarias, se vuelven significativas a escala industrial.
El problema de la opacidad de datos
Google fue una de las primeras empresas en ofrecer datos parciales: reveló que su servicio Gemini consume aproximadamente 0,24 vatios-hora por mensaje de texto promedio. OpenAI no ha publicado cifras equivalentes para ChatGPT. Microsoft, que integra modelos de OpenAI en Bing y Copilot, tampoco desglosa el consumo por consulta en sus informes de sostenibilidad.
Esta opacidad no es accidental. Las empresas tecnológicas tienen incentivos para destacar sus compromisos de energía renovable sin revelar cuánta energía consumen en términos absolutos. Un porcentaje de renovables alto puede coexistir con un volumen total de consumo que crece más rápido que la capacidad renovable instalada.
Según estimaciones del IEA (Agencia Internacional de Energía), el consumo eléctrico global de los centros de datos podría duplicarse entre 2022 y 2026, impulsado principalmente por la IA generativa.
El agua invisible: el otro recurso que consume la IA
La energía eléctrica es el recurso más discutido, pero el agua es el más invisible. Los centros de datos que procesan las consultas de IA utilizan sistemas de enfriamiento evaporativo que consumen cantidades significativas de agua fresca. Un estudio de investigadores de la Universidad de California Riverside y Texas publicado en 2023 estimó que ChatGPT consume entre 500 mililitros y un litro de agua por cada 20 a 50 preguntas —dependiendo de la ubicación geográfica del servidor y las condiciones climáticas locales.
Esa cifra puede parecer menor en términos individuales. Pero cuando se extrapola a la escala de uso de ChatGPT —decenas de millones de consultas diarias— el volumen total de agua involucrado se mide en millones de litros por día. En regiones donde el agua es escasa, la localización de centros de datos se convierte en una decisión con consecuencias ambientales y sociales directas para las comunidades locales.
La geografía del consumo importa
No todos los centros de datos tienen el mismo impacto. Un servidor ubicado en Islandia, alimentado por energía geotérmica y con temperaturas exteriores que reducen la necesidad de enfriamiento activo, tiene una huella radicalmente distinta a uno ubicado en el desierto de Arizona, donde las temperaturas extremas requieren más agua y más energía de refrigeración. La misma consulta a ChatGPT puede tener impactos ambientales muy diferentes dependiendo de dónde se procese.
Según el informe Electricity 2024 de la Agencia Internacional de Energía, los centros de datos ya representan entre el 1% y el 1,5% del consumo eléctrico mundial, y la proyección es que esa cifra crezca de forma sostenida durante la segunda mitad de la década, con la IA como principal motor de ese crecimiento.
| Actividad digital | Energía aprox. por uso | Equivalencia |
|---|---|---|
| Búsqueda en Google | ~0,3 Wh | LED encendido 18 minutos |
| Email de texto simple | ~0,04 Wh | Cargador de móvil 2 minutos |
| Consulta a ChatGPT (texto) | ~1–10 Wh | LED encendido 1–6 horas |
| Generación de imagen con IA | ~2–50 Wh | Hervir medio litro de agua |
| Entrenamiento GPT-3 (total) | ~1.287 MWh | Vuelo transatlántico × 300 |
Para entender por qué el entrenamiento consume tanta energía, el artículo cómo aprende la IA sin que nadie le enseñe explica el proceso técnico que está detrás de esos números.
La huella de carbono del entrenamiento versus el uso diario
Hay una distinción importante que suele perderse en el debate: la diferencia entre el costo energético de entrenar un modelo y el de usarlo. El entrenamiento es el proceso más intensivo: ocurre una vez (o con cada nueva versión) y requiere ejecutar millones de operaciones matemáticas sobre cantidades masivas de datos durante semanas o meses. El uso —lo que ocurre cuando tú haces una pregunta— es el proceso de inferencia, que consume menos energía por operación pero se repite miles de millones de veces al día.
Un estudio de la Universidad de Massachusetts Amherst calculó que entrenar un modelo de lenguaje grande puede emitir hasta 284 toneladas de CO₂ equivalente —similar a la huella de carbono de cinco automóviles durante toda su vida útil. Pero ese es el costo del entrenamiento. La huella acumulada del uso masivo, repetido día tras día por millones de usuarios, puede superar ese número inicial con relativa rapidez.
El verdadero costo ambiental de la IA no está en el momento del lanzamiento. Está en los billones de consultas que vienen después.— Kate Crawford, investigadora de IA y autora de Atlas of AI
Los compromisos de energía renovable y sus límites
Microsoft, Google y Amazon han anunciado compromisos de operar con energía 100% renovable para sus centros de datos. Estos compromisos son reales y representan inversiones significativas. Pero tienen una trampa contable: muchos se basan en la compra de certificados de energía renovable (RECs) que no garantizan que la electricidad consumida en un momento específico sea verde. El servidor que procesa tu consulta puede estar funcionando con carbón mientras la empresa compensa esas emisiones con paneles solares en otro país.
Además, la velocidad de crecimiento de la demanda de IA está superando la velocidad de instalación de nueva capacidad renovable. Incluso con los mejores compromisos corporativos, el aumento absoluto en consumo energético es tan rápido que la red eléctrica en muchas regiones debe recurrir a fuentes convencionales para cubrirlo.
Lo que nadie te dice sobre el consumo energético de la IA
1. La eficiencia por consulta mejora, pero el volumen crece más rápido
Los modelos actuales son significativamente más eficientes por parámetro que los de hace tres años. GPT-4 hace más con menos energía por operación que GPT-3. Pero la adopción masiva ha multiplicado el número total de operaciones a una velocidad que supera con creces las ganancias de eficiencia. Es la paradoja de Jevons aplicada a la IA: cuando una tecnología se vuelve más eficiente, su uso total aumenta, y el consumo agregado sube en lugar de bajar.
Esto tiene implicaciones para quienes esperan que la eficiencia técnica resuelva el problema ambiental de la IA. Puede mitigarlo, pero no eliminarlo mientras el crecimiento de usuarios y casos de uso siga siendo exponencial.
2. El costo ambiental se distribuye de forma profundamente desigual
Los beneficios de la IA —productividad, acceso a información, automatización— se concentran en países del norte global y en las clases con acceso a tecnología. Los costos ambientales —extracción de minerales para hardware, agua consumida en refrigeración, emisiones de carbono— se distribuyen de forma mucho más amplia y frecuentemente recaen sobre comunidades que no usan estas herramientas. Las minas de litio en Sudamérica, los trabajadores de anotación de datos en África y los acuíferos afectados por centros de datos en regiones áridas son parte del costo que no aparece en la factura de electricidad de OpenAI.
3. La pregunta no es si usar IA, sino cómo usarla con criterio
El objetivo de este artículo no es inducir culpa por usar ChatGPT. Es proporcionar el contexto que permite tomar decisiones informadas. Usar IA para tareas que genuinamente ahorran tiempo y recursos puede tener un balance ambiental positivo. Usarla de forma irreflexiva —para tareas triviales que se podrían resolver con una búsqueda convencional o con conocimiento propio— suma al consumo sin generar valor proporcional.
Para quienes quieren entender en profundidad hacia dónde se dirige este equilibrio entre beneficios y costos de la IA, el libro Cómo la IA Transformará Nuestro Futuro de Pedro Uria-Recio analiza el impacto energético, económico y geopolítico de la IA en términos accesibles para lectores no técnicos.
Qué pueden hacer los usuarios y qué deben hacer las empresas
La responsabilidad del impacto ambiental de la IA no recae solo en los usuarios finales —la escala del problema requiere respuestas estructurales. Pero hay acciones en ambos niveles que tienen sentido.
Lo que los usuarios pueden hacer
- Usar la herramienta adecuada para cada tarea: una búsqueda convencional consume una fracción de la energía de una consulta a un LLM. Si la tarea no requiere lenguaje natural complejo, la búsqueda es más eficiente.
- Consolidar consultas: una consulta larga bien formulada suele ser más eficiente energéticamente que cinco consultas cortas para llegar al mismo resultado.
- Preferir modelos más pequeños cuando sean suficientes: los modelos ligeros consumen significativamente menos energía que los modelos frontier para tareas simples.
Lo que las empresas deberían hacer
La transparencia es el primer paso. Publicar datos de consumo energético por servicio, por tipo de consulta y por región —como hace Google parcialmente con Gemini— debería convertirse en estándar de la industria, no en excepción. Segundo, los compromisos de energía renovable deberían medirse en términos de consumo horario real, no de certificados anuales. Y tercero, la localización de centros de datos debería incluir evaluaciones de impacto hídrico en las comunidades afectadas.
Según el Programa de Naciones Unidas para el Medio Ambiente (PNUMA), la regulación del impacto ambiental de la IA es todavía incipiente en la mayoría de jurisdicciones, lo que deja el campo principalmente a la autorregulación corporativa —con todos los incentivos perversos que eso implica.
El debate sobre regulación de la IA tiene otro frente importante: lee el artículo sobre la regulación de la IA en Europa 2026 para entender qué marcos legales están emergiendo para este tipo de impactos.
Una tecnología poderosa con un precio que todavía no está en la factura
El consumo energético de ChatGPT por pregunta no es un dato que las empresas publiciten, y no es difícil entender por qué. La imagen de una IA limpia, instantánea e infinitamente disponible es más fácil de vender que la realidad de salas de servidores que consumen electricidad sin parar, sistemas de enfriamiento que evaporan agua y emisiones de carbono que se suman consulta a consulta.
Nada de esto significa que la IA sea inherentemente insostenible o que deba abandonarse. Significa que la conversación sobre su futuro no puede limitarse a las capacidades del modelo —tiene que incluir el costo de infraestructura, la huella hídrica, la distribución desigual de beneficios y costos, y los incentivos que llevan a las empresas a crecer más rápido de lo que pueden hacerlo de forma responsable.
La próxima vez que hagas una consulta, el costo no desaparece porque no lo veas. Forma parte del precio real de estas herramientas, que por ahora paga el planeta de manera silenciosa.
Si este artículo te generó preguntas sobre cómo funciona la IA por dentro, el siguiente paso es entender cómo procesa la IA el lenguaje humano — el mecanismo técnico que hace necesaria toda esa infraestructura energética.
Para entender cómo usar la IA de forma más estratégica —y eficiente— en tu trabajo, lee cómo usar ChatGPT para trabajar mejor.
Preguntas frecuentes acerca de Consumo energético ChatGPT por pregunta
¿Cuánta energía consume ChatGPT por cada pregunta?
Las estimaciones académicas sitúan el consumo de una consulta típica a ChatGPT entre 0,001 y 0,01 kilovatios-hora, dependiendo de la longitud y complejidad de la respuesta. Esto representa entre 5 y 10 veces más energía que una búsqueda convencional en Google. OpenAI no publica datos oficiales desagregados por consulta.
¿Por qué la IA consume tanta energía comparada con una búsqueda normal?
Una búsqueda convencional recupera resultados de un índice preexistente —un proceso relativamente simple. Un modelo de lenguaje genera cada respuesta mediante millones de operaciones matemáticas en tiempo real sobre redes neuronales con miles de millones de parámetros. Ese proceso de inferencia es computacionalmente mucho más intensivo, y requiere hardware especializado (GPUs) que consume más electricidad que los servidores de búsqueda convencionales.
¿Cuánta agua consume la IA?
Según investigaciones académicas, ChatGPT consume entre 500 ml y 1 litro de agua por cada 20 a 50 preguntas, a través de los sistemas de enfriamiento evaporativo de los centros de datos. La cantidad varía según la ubicación geográfica del servidor y las condiciones climáticas locales. En regiones cálidas y áridas, el consumo hídrico es significativamente mayor.
¿Las empresas de IA usan energía renovable?
Microsoft, Google y Amazon tienen compromisos de energía renovable para sus centros de datos, pero muchos se basan en la compra de certificados de energía renovable que no garantizan que la electricidad consumida en cada momento sea verde. Además, la velocidad de crecimiento de la demanda de IA está superando la velocidad de instalación de nueva capacidad renovable, lo que obliga a recurrir a fuentes convencionales para cubrir picos de demanda.
¿Qué consume más energía: entrenar un modelo o usarlo?
El entrenamiento es más intensivo por evento —puede emitir cientos de toneladas de CO₂ equivalente en semanas. Pero es un costo que ocurre una vez por versión del modelo. El uso (inferencia) consume menos energía por consulta individual, pero se repite miles de millones de veces al día. A escala global y en el largo plazo, el consumo acumulado del uso masivo puede superar al del entrenamiento.
¿Puedo reducir mi impacto ambiental al usar IA?
Sí, aunque el impacto individual es pequeño. Las prácticas más efectivas son: usar búsquedas convencionales para tareas que no requieren lenguaje natural complejo, consolidar varias preguntas en una sola consulta bien formulada, preferir modelos más pequeños cuando sean suficientes para la tarea, y evitar generar imágenes o contenido multimedia con IA para usos triviales, ya que consumen significativamente más energía que las consultas de texto.
Héctor Nexo es especialista en inteligencia artificial aplicada a negocios digitales. Con experiencia en automatización, marketing con IA y productividad para emprendedores, fundó Portal Digital 21 para ayudar a profesionales y empresas a entender y aprovechar las herramientas de IA que están transformando el mundo digital. Su enfoque es práctico, directo y sin tecnicismos innecesarios.
