La búsqueda desesperada del algoritmo "verde": la IA está buscando en el software abaratar sus descomunales costes

A estas alturas de guion queda claro que la IA necesita un alto consumo energético. Para reducirlo se tiende a mirar al hardware. Se optimizan la eficiencia de las GPUs, de los chips que llenan los centros de datos, de la propia arquitectura de la infraestructura, sus conexiones o su sistema de refrigeración. Pero el software también juega un papel decisivo. "El hardware consume porque tiene un software que se está ejecutando. Cuando tú ejecutas algo, al final estás tirando de máquina y estás pidiéndole a esa máquina los recursos. Cuanto mejor sea el software y más optimice esos recursos que va a utilizar, más podremos reducirlos. Por tanto, se reducirá el consumo energético", destaca Coral Calero, catedrática de Lenguajes y Sistemas Informáticos de la Universidad de Castilla-La Mancha. El desmesurado consumo energético es uno de los grandes problemas de la IA, con permiso del apocalipsis que pregonan Dario Amodei, Altman y compañía. Lo es a nivel global al presionar un recurso escaso y costoso como es la energía, sobre todo si se quiere elevar su producción. Al mismo tiempo, aumentan las emisiones a la atmósfera. Pero también afecta a un nivel más prosaico, en concreto al bolsillo de las empresas. En Xataka Estos investigadores han logrado que la IA consuma un 95% menos de energía. Solo hay que multiplicar mejor A medida que la adopción de la AI se expande entre las empresas, el consumo energético se ha convertido en una cuestión económica insoslayable. Según el informe de McKinsey The State of AI in 2026: On the road to ROI, el 89% de las empresas a nivel global usan la IA. Además, un 44% se encuentra en fase de escalar la tecnología. La expansión es vertiginosa. Pero el documento apunta que alrededor del 20% de las empresas encuestadas restringe el uso de la IA por sus elevados costes operativos. Esto refrenda el golpe de timón que dieron las empresas cuando abdicaron de la moda del 'tokenmaxxing' unos meses atrás. "Las empresas están interesadas en que los modelos sean eficientes no porque estén especialmente preocupadas por el medio ambiente sino porque económicamente no les va a resultar viable", apunta Calero, que es responsable del área 'Software Verde y Sostenible' en el Grupo de investigación Alarcos de su universidad. Es evidente que la factura de la IA cada vez sale más cara. Especialmente ahora que prolifera el uso de agentes. Estos programas pueden hacer tareas por sí mismos pero necesitan leer y releer una gran cantidad de información, así como tomar decisiones. Todo esto son tokens consumidos, en una cantidad mucho mayor que la que consume un usuario preguntando algo a un chatbot. Y esto se traduce en dinero una vez que el modelo de negocio de las suscripciones ha dado paso a uno de pago por uso. En busca de un software de IA eficiente La cautela presupuestaria ante el gasto en inteligencia artificial lleva a que las empresas busquen opciones más baratas. Como consecuencia, el sector vive un frenesí por encontrar fórmulas que reduzcan la cantidad de cómputo que consumen y, por tanto, la energía. Verónica Bolón Canedo, investigadora de IA en la Universidade da Coruña y directora de la Cátedra UDC-INDITEX de IA en Algoritmos Verdes, conoce el impacto que tiene el software en el desarrollo de los modelos de inteligencia artificial. Ella y su equipo juegan con los algoritmos para que consuman menos energía al entrenarse. En Xataka Qué son los modelos destilados de inteligencia artificial y la destilación LLM "Diseñamos nuevos algoritmos o adaptamos los que ya tenemos para que consuman menos energía", indica Bolón. "Esto se puede hacer de muchas formas. Por ejemplo, para hacer los cálculos que hace un algoritmo, en vez de utilizar los 64 bits de la aritmética habitual de un ordenador, podemos utilizar 16 o 8 bits. De esta manera, es como si perdiésemos decimales, simplificando mucho las cosas, pero nos ayuda a reducir el consumo". Esta reducción de bits tiene dos caras. "Vamos a utilizar un hardware que tenga menos bits, pero el algoritmo no va a funcionar igual", prosigue Bolón. "Para que siga funcionando igual de bien, utilizando menos bits, tenemos que modificar la parte software y hacer ciertos cambios en el algoritmo para solucionar esa especie de redondeo que perdemos con el mínimo impacto posible". La investigadora de IA se refiere a la menor precisión que tiene un algoritmo de 16 bits frente a uno de 64 bits. Para entenderlo podríamos decir que este representa números con más cantidad de decimales. En cambio, la arquitectura de 16 bits tiene menos capacidad de representación y llegado a un punto realiza un redondeo. Todos los decimales que van detrás se pierden y con ellos la información que ofrecían, con el consiguiente impacto en el resultado de la siguiente operación aritmética. El problema es que la imprecisión en esa operación aritmética se transfiere al siguiente cálculo que hace el algoritmo. Y así se pueden acumular errores, de forma que el resultado final varía en cierta medida del que hubiera ofrecido una arquitectura de 64 bits. Pero los investigadores cuentan con ello. "Hay muchas capas por las que van pasando los datos [en la red neuronal]. Tratamos de congelar una parte, solo intentar refinar la última o poner un modelo simple al final", explica Bolón. "A veces pierdes un poco de precisión, pero hay que pensar para qué se usará el algoritmo. Si vas a curar el cáncer no te puedes permitir perder un 1% de precisión, pero si voy a recomendar una película, me puedo equivocar un poco más. Lo haré utilizando muchísimos menos recursos y de esto tenemos que concienciar tanto a los usuarios como a los desarrolladores". En Xataka Si con los chatbots el consumo energético ya se había disparado, con la IA agéntica este consumo se multiplica por 136,5 El consumo energético de la IA se divide en las dos fases. La primera es el entrenamiento. Un modelo, especialmente uno de los más avanzados, necesita cuantiosos recursos para entrenarse. Son grandes volúmenes de cómputo que requieren energía para alimentar los servidores y a los sistemas refrigeración. Después aparece la fase de inferencia, donde el consumo se produce cada vez que la IA se utiliza, cada vez que procesa y resuelve una consulta. Una estimación McKinsey señala que en 2027 la demanda energética global de la inferencia superará a la del entrenamiento. Será la primera vez que ocurra. Y si pensamos en todo lo que ya se usa la IA a día de hoy, lo abultada que ya es la inferencia, podemos hacernos una idea de la energía que se consume entrenando los modelos. Por eso el entrenamiento es una fase clave para mejorar la eficiencia de la IA. Una de las fórmulas es intentar acortar el entrenamiento adaptando el software. "Si quieres hacer un modelo que tiene que aprender a reconocer un tipo de imágenes, pues a lo mejor ya tienes una arquitectura que sabe buscar bordes, por ejemplo. Y esto lo aprovechas. Porque los bordes son bordes, ya sea si quieres distinguir entre perros y gatos o entre señales de tráfico", comenta Bolón. La forma de entrenar al modelo puede derivar en un mayor o menos consumo de energía. Así lo expone Coral Calero: "En los entrenamientos supervisados tú le das al modelo muchísimos datos etiquetados y gracias a eso aprende. Estamos hablando de muchos millones de datos, pero además tienen que estar etiquetados, con el esfuerzo que eso conlleva. Luego están los [entrenamientos] no supervisados. Tú puedes dejar que el modelo trabaje y cuando llega a una buena solución le das una recompensa. Y sigues dejando que se entrene así. Esto carga más al modelo en su propio entrenamiento, pero en principio consume menos". Agudizando el ingenio para ahorrar La industria de la IA conoce las consecuencias, pero cada actor sigue su propia estrategia. En China, la eficiencia ha sido una necesidad imperiosa desde que Estados Unidos prohibió la venta de las GPUS más avanzadas de Nvidia al gigante asiático en 2022. Y esto se ha reflejado en cómo las empresas del país entrenan sus modelos. "El grueso del entrenamiento es no supervisado, se deja que el propio modelo vaya aprendiendo, se le va dando refuerzo", explica Calero. "Al final sí que hacen un entrenamiento supervisado, pero con un conjunto más pequeño de datos, muy específico. Con eso consiguen alcanzar los mismos niveles de fiabilidad que los [entrenamientos] supervisados desde el principio". En Xataka EEUU ha hecho una apuesta casi total por modelos IA descomunales. China está mostrando otro camino Precisamente la eficiencia del modelo DeepSeek V3 puso patas arriba el campo de la IA en enero de 2025. La empresa china había conseguido un rendimiento que se acercaba a los mejores sistemas de OpenAI con un gasto mucho menor en el entrenamiento. "Cuando salió DeepSeek se hizo famoso por muchas cosas, pero a mí lo que me llamaba la atención era que como no tenían acceso a las GPUs más potentes, tuvieron que hacerlo de una forma más eficiente", apunta Bolón. "Y pusieron otra vez de moda el paradigma de mezcla de expertos (mixture of experts, MoE), que opera con redes más pequeñas especializadas en distintos ámbitos. Solo se activaba la parte que hiciera falta en vez de activar todas las redes neuronales del modelo" Los fundamentos teóricos de la mezcla de expertos o MoE se remontan a los años 90. Pero tras la irrupción de DeepSeek en la primera línea de la IA, la técnica se ha convertido casi en un estándar en la industria. OpenAI utilizó MoE ya en las versiones avanzadas de GPT-4. Por supuesto GPT 5.6 y GPT 6 Astra incorporan esta técnica. Las versiones Pro y Flash de Google Gemini 3.1 también usan MoE y es muy probable que Anthropic también la aplique a sus modelos, aunque no hay certeza pues suele envolver sus desarrollos en secretismo. Los entrenamientos menos costosos son una de las razones por las que las compañías chinas, como Alibaba, Z.ai, Moonshot o DeepSeek, ofrecen sus modelos a precios mucho más baratos que las estadounidenses. Y los clientes, incluidas empresas estadounidenses, han empezado a usarlos masivamente. En la plataforma OpenRouter, que permite acceder a cientos de modelos, los más utilizados en el mes de agosto fueron los de DeepSeek. En general, las compañías chinas tuvieron un 45,5% de cuota y superaron la suma de Google, OpenAI, Anthropic y Meta. La IA china, más eficiente, está en ascenso. Los clientes apuestan por una diversificación: combinan varios modelos para que la factura salga más barata. El grueso de las tareas no requieren modelos avanzados y estos, más caros, se tienden a utilizar de forma más limitada: en ámbitos de negocio concretos, como orquestadores o como revisores. En Xataka La inteligencia artificial se abarata a velocidad récord. Lo paradójico es que usarla resulta cada vez más caro En este sentido, la necesidad de ahorrar costes viaja en el mismo barco que la sostenibilidad de la industria. En 2024 el consumo global de electricidad de los centros de datos se situaba en 415 TWh, según la Agencia Internacional de la Energía. Suponía un 1,5% del total. Pero las estimaciones de la entidad apuntan a los 945 TWh para 2030. Se doblaría el consumo, que alcanzaría el 3% de la electricidad mundial. La cifra significaría que los centros de datos consumirían en un año la misma electricidad que todo Japón, el quinto país que más consume en el mundo. Y no se espera que el crecimiento de estas infraestructuras vaya a menos. "Creo que las tecnológicas van a tener que empezar a echar el freno. Creo que ellas mismas han visto que esto se les está yendo de las manos. No podemos permitir que los centros de datos consuman más que países enteros", destaca Calero. Las empresas buscan el ahorro energético, no solo los clientes, también los desarrolladores de IA, que incurren en gastos descomunales. Al mismo tiempo crece la preocupación por el consumo eléctrico, a nivel global pero también en los lugares concretos donde se construyen los centros de datos. Los esfuerzos en pos de la eficiencia ponen de acuerdo a estas dos inquietudes. Y el software puede actuar como clave de bóveda para avanzar en ello. Imagen | Taylor Vick, Geoffrey Moffett, Laura Ockel, Nikola Johnny Mirkovic, Lukáš Lehotský En Xataka | La IA era absurdamente cara por el "entrenamiento". A partir de ahora lo será por algo distinto  En Xataka | Google ha revelado al fin cuánta electricidad y agua consume su IA - La noticia La búsqueda desesperada del algoritmo "verde": la IA está buscando en el software abaratar sus descomunales costes fue publicada originalmente en Xataka por Pablo G. Bejerano .