La factura de la IA: cuánto cuestan la energía y los centros de datos

La inteligencia artificial parece estar al otro lado de una pantalla: escribimos una pregunta, recibimos una respuesta y seguimos trabajando. Sin embargo, cada servicio depende de una infraestructura física que consume electricidad, necesita refrigeración, ocupa suelo, exige conexiones a la red y requiere inversiones que pueden tardar años en recuperarse. La factura no siempre aparece en el precio que paga el usuario, pero existe.

El debate ha ganado actualidad por dos noticias que conviene leer juntas. El 15 de octubre de 2026, Reuters informó de que el encarecimiento de la financiación y las dudas sobre la rentabilidad están obligando a algunos promotores de centros de datos para inteligencia artificial a aplazar operaciones o justificar mejor sus valoraciones (crónica de Reuters del 15 de octubre de 2026). Un día antes, la Agencia Internacional de la Energía (AIE) publicó un informe sobre cómo integrar esta infraestructura en los sistemas eléctricos sin trasladar injustamente sus costes a hogares y empresas. No significa que la inversión se haya detenido: significa que empieza a examinarse con más cuidado qué demanda será real, quién pagará la infraestructura y qué ingresos la sostendrán.

Para entender la factura invisible hay que separar tres cuestiones: cuánto consume la infraestructura, cuánto cuesta construirla y operarla, y qué parte de esos costes termina pagando cada cliente. No son la misma cifra, y confundirlas conduce a titulares engañosos, tanto optimistas como alarmistas.

La nube no es invisible: es una instalación industrial

Un servicio de IA se ejecuta en servidores equipados con procesadores convencionales y aceleradores especializados. Esas máquinas trabajan dentro de centros de datos con redes, almacenamiento, sistemas de alimentación ininterrumpida, generadores de respaldo, seguridad física y equipos de refrigeración. Todo debe funcionar de forma coordinada y con una disponibilidad muy alta.

La electricidad no alimenta únicamente los chips que calculan una respuesta. También se necesita para mover datos, almacenar información, distribuir energía dentro del edificio y evacuar el calor que producen los componentes. A ello se suman las pérdidas eléctricas y los sistemas auxiliares. Por eso, medir solo el consumo de un procesador no equivale a medir el consumo total del centro de datos.

Además, no todas las cargas de trabajo son iguales. Entrenar un modelo grande implica ejecutar cálculos a gran escala durante periodos prolongados; responder a una pregunta utiliza un modelo ya entrenado, aunque el coste varía según su tamaño, la longitud de la conversación y las herramientas que active. Generar una imagen, analizar un vídeo o realizar una tarea de razonamiento extensa puede exigir mucho más cálculo que una respuesta breve de texto. Los sistemas que consultan documentos, ejecutan código o llaman a otros servicios también añaden pasos.

La consecuencia práctica es sencilla: no existe una cifra única que describa «el consumo de la IA». Depende de la tarea, el modelo, el hardware, la eficiencia del centro, la localización, el nivel de ocupación y el origen de la electricidad. Incluso dos peticiones parecidas pueden tener costes distintos si se procesan con arquitecturas o configuraciones diferentes.

Qué dicen los datos sobre el consumo eléctrico

Las estimaciones globales ayudan a comprender la escala, siempre que se presenten como estimaciones y no como una medición exacta de cada consulta. En su informe Key Questions on Energy and AI, publicado en abril de 2026, la AIE calculó que el consumo eléctrico de los centros de datos rondó los 485 teravatios-hora (TWh) en 2025 y que podría acercarse a los 950 TWh en 2030 en su escenario central. La demanda de los centros centrados en IA crecería más rápido que la del conjunto de centros de datos.

Es una proyección, no una factura ya registrada. El resultado dependerá de la velocidad de adopción, de la eficiencia de los chips y modelos, de los límites de conexión a la red y de cuántos proyectos anunciados lleguen a construirse. La propia AIE advierte de que las previsiones deben actualizarse porque la tecnología y el mercado cambian con rapidez.

Los datos estadounidenses ilustran también la diferencia entre una medición y un escenario. Un informe de Lawrence Berkeley National Laboratory difundido por el Departamento de Energía de Estados Unidos estimó que los centros de datos consumieron 176 TWh en 2023, alrededor del 4,4 % de la electricidad del país. Para 2028 planteó un rango de 325 a 580 TWh, equivalente aproximadamente al 6,7-12 % de la demanda eléctrica estadounidense. Ese intervalo amplio refleja incertidumbre real, no un error que pueda resolverse escogiendo simplemente el extremo más llamativo.

Las cifras de Estados Unidos no deben trasladarse automáticamente a España o al conjunto del mundo. Cambian el clima, la combinación energética, la distribución geográfica de los centros y las condiciones de acceso a la red. Para el lector, la idea importante no es memorizar un porcentaje, sino reconocer que la demanda concentrada en instalaciones grandes puede exigir nuevas líneas, subestaciones, generación y almacenamiento.

Por qué no hay un precio fiable para cada pregunta

En ocasiones se publica una cantidad de energía o de dinero por consulta. Puede servir como ejemplo si se explican las hipótesis, pero no debe presentarse como una tarifa universal. Para calcular el coste energético de una petición haría falta conocer, como mínimo, el modelo y su configuración, los tokens procesados de entrada y salida, el hardware empleado, el tiempo de cálculo, el consumo de los sistemas auxiliares y la eficiencia de la instalación. En muchos servicios, esos datos no se publican con suficiente detalle.

También hay que distinguir energía de coste económico. Una misma cantidad de electricidad puede tener precios muy diferentes según la hora, el contrato, el mercado y el país. Y la factura de una empresa no se limita al kilovatio-hora: incluye inversión en equipos, depreciación, personal, conectividad, mantenimiento, licencias, seguridad, financiación y capacidad que debe reservarse para responder a los picos de demanda.

Una comparación responsable debe especificar qué mide. ¿Es energía del chip o de toda la instalación? ¿Incluye refrigeración? ¿Se trata de entrenamiento o inferencia? ¿Qué longitud tiene la petición? ¿Se usa un modelo de texto, imagen o vídeo? ¿La estimación representa un coste marginal —lo que añade una consulta más— o un coste medio que reparte los gastos de infraestructura entre todas las peticiones? Sin esas respuestas, los decimales pueden dar una falsa sensación de precisión.

El coste marginal puede ser pequeño y, aun así, el coste total del servicio ser elevado. Si millones de personas utilizan una herramienta continuamente, incluso un consumo reducido por interacción se multiplica. Al mismo tiempo, mejorar el hardware, reducir cálculos innecesarios, reutilizar resultados cuando es apropiado y elegir modelos más pequeños para tareas sencillas puede rebajar el consumo total. La eficiencia por consulta importa, pero también importa cuántas consultas se realizan y qué nuevas funciones se incorporan.

Refrigeración y agua: el coste depende del lugar

Los servidores convierten una parte importante de la electricidad que consumen en calor. Para mantenerlos dentro de sus límites de funcionamiento, los centros de datos necesitan sistemas de refrigeración. Algunos utilizan aire acondicionado y circuitos de agua; otros incorporan refrigeración líquida cerca de los componentes de alta densidad. La elección depende del diseño, el clima, la potencia instalada, las condiciones de operación y la disponibilidad local de agua y electricidad.

Por eso, preguntar «¿cuánta agua consume la IA?» sin indicar dónde y cómo se mide no tiene una respuesta única. Puede contabilizarse el agua utilizada directamente para refrigeración, el agua asociada a la producción de la electricidad o la empleada en la fabricación de equipos. Son límites de medición distintos. Tampoco es lo mismo extraer agua que consumirla: una parte puede devolverse al entorno, aunque su temperatura y calidad importan.

El informe de la AIE publicado el 14 de octubre de 2026 señala que cerca del 40 % de la capacidad identificada de centros de datos dedicada a IA se encuentra en zonas con estrés hídrico de base alto o extremadamente alto. La cifra describe la ubicación de capacidad identificada, no el porcentaje de agua mundial consumida por la IA. Su importancia está en el riesgo local: una instalación puede ser eficiente a escala global y, aun así, competir por un recurso escaso en una cuenca concreta.

La otra factura: construir y financiar los centros de datos

Antes de que una consulta llegue al servidor, alguien ha financiado el terreno, el edificio, la conexión eléctrica, los equipos informáticos, la refrigeración y la infraestructura de respaldo. La inversión inicial es enorme y se realiza antes de saber con certeza qué volumen de clientes utilizará la capacidad. A ello se añaden costes operativos recurrentes y la necesidad de sustituir hardware que pierde competitividad o llega al final de su vida útil.

La noticia de Reuters del 15 de octubre de 2026 muestra cómo el coste del dinero afecta a este modelo. El artículo describe aplazamientos o retiradas de algunas operaciones de salida a bolsa, una mayor cautela de los inversores y un examen más estricto de la deuda, las valoraciones y los ingresos previstos. Al mismo tiempo, recoge que las operaciones de compraventa y la financiación mediante deuda siguen activas. La lectura correcta no es «se acaba la IA», sino que el mercado distingue cada vez más entre proyectos con contratos e ingresos más previsibles y apuestas cuya rentabilidad depende de expectativas futuras.

La AIE, en su informe Powering Artificial Intelligence publicado el 14 de octubre de 2026, estima que los grandes operadores mundiales de centros de datos invertirán más de 700.000 millones de dólares en gastos de capital durante 2026, principalmente en nuevas instalaciones. Es una estimación agregada de inversión, no el dinero que se destina exclusivamente a entrenar modelos ni una previsión de beneficios. La magnitud revela por qué los tipos de interés, los retrasos en la conexión eléctrica y la ocupación efectiva de las instalaciones pueden cambiar la rentabilidad de un proyecto.

Un centro de datos puede tener contratos de alquiler o capacidad reservada a largo plazo, pero eso no elimina todos los riesgos. El cliente puede cambiar de necesidades, los costes de energía pueden variar, una obra puede retrasarse y los equipos pueden quedar obsoletos antes de lo previsto. Si se construye demasiada capacidad, parte puede quedar infrautilizada; si se construye demasiado poca, aparecen cuellos de botella y precios más altos. En ambos casos, la planificación y la financiación influyen en el coste final de la computación.

¿Quién paga la infraestructura: la plataforma, la empresa o la sociedad?

El reparto depende del contrato y del sistema eléctrico. En un servicio de suscripción, el proveedor asume el coste de operar el modelo y lo recupera mediante cuotas, planes empresariales, publicidad, venta de acceso a una API u otros ingresos. En una API, el cliente suele pagar por unidades de uso definidas por el proveedor, como tokens o solicitudes. Esos precios comerciales no equivalen al coste físico exacto de la energía: incluyen otros gastos, márgenes y decisiones de negocio.

En el caso de una empresa que incorpora IA a su trabajo, la factura visible puede ser una licencia mensual o un cargo por consumo. La factura completa incluye también integración, revisión humana, seguridad, protección de datos, formación, evaluación de resultados y cambios en los procesos. Si se automatiza una tarea que luego requiere mucha corrección, el ahorro aparente puede desaparecer. Por eso conviene medir el coste por tarea terminada y útil, no solo el precio por llamada al modelo.

Hay un segundo nivel: la infraestructura eléctrica compartida. Si un nuevo centro exige reforzar la red o construir generación, las reglas regulatorias determinan quién asume esos costes. El informe de la AIE advierte de que el efecto sobre las facturas eléctricas no es automático. Una gran instalación puede contribuir a repartir costes fijos si utiliza capacidad existente y paga la parte que le corresponde; en cambio, si obliga a realizar nuevas inversiones y los costes se distribuyen entre todos los usuarios, puede aumentar la presión sobre otras facturas.

¿Puede la eficiencia resolver el problema?

La eficiencia es una parte esencial de la respuesta, pero no garantiza que el consumo total disminuya. Un modelo que necesita menos energía por respuesta puede hacer que el servicio sea más barato y que se utilice con mayor frecuencia. Si el volumen de uso crece más deprisa que la eficiencia, el consumo agregado puede seguir aumentando. Es un efecto de escala que obliga a observar tanto el rendimiento unitario como la demanda total.

La transparencia sigue siendo una limitación. Sin datos consistentes sobre consumo, agua, emisiones, ubicación y carga de trabajo, resulta difícil comparar servicios o comprobar si una mejora anunciada se traduce en un beneficio neto. Los indicadores deberían explicar qué incluyen y qué excluyen, y permitir distinguir los resultados reales de las previsiones.

Qué puede hacer una empresa que utiliza IA

Una pyme no necesita conocer el consumo exacto de cada chip para tomar decisiones razonables. Puede empezar con una prueba pequeña y una métrica clara: coste por tarea completada, tiempo ahorrado, porcentaje de errores y cantidad de revisión humana necesaria. Después puede comparar modelos y proveedores con el mismo conjunto de tareas, sin asumir que el más grande o el más caro es siempre el mejor.

• Elegir el modelo adecuado. Reservar los modelos más potentes para tareas que realmente los necesitan y probar opciones más ligeras para clasificación, extracción o borradores sencillos.
• Reducir trabajo innecesario. Evitar repetir instrucciones extensas en cada petición cuando el sistema permita reutilizar contexto de forma segura; limitar salidas demasiado largas y llamadas a herramientas que no aporten valor.
• Medir el resultado final. Incluir el coste de comprobación, corrección, integración y errores, no solo el precio que aparece en el panel del proveedor.
• Revisar las condiciones comerciales. Comprobar límites de uso, tarifas, retención de datos, disponibilidad, cambios de precio y qué ocurre si el servicio deja de estar disponible.
• Exigir información útil. Para usos intensivos, preguntar al proveedor qué datos ambientales publica, qué metodología emplea y si ofrece métricas específicas para el servicio contratado.
• Evitar automatizar por inercia. Si una tarea se resuelve de forma fiable con una herramienta convencional, no es obligatorio añadir IA. La tecnología debe justificar su coste y complejidad.

En una web profesional, por ejemplo, incorporar IA para redactar, atender consultas o clasificar información puede ser útil, pero conviene calcular el coste de revisión y mantenimiento antes de desplegarla a gran escala. En este blog puedes ampliar el contexto con la guía sobre consumo energético y sostenibilidad de los centros de datos y el análisis sobre la importancia del hardware en la evolución de la IA. Para valorar la automatización desde el punto de vista operativo, también resulta útil el artículo sobre cómo limitar los permisos de los agentes de IA en una empresa.

Qué deberíamos exigir a los proveedores y a las administraciones

El debate no se resuelve culpando a cada usuario por escribir una pregunta ni suponiendo que toda infraestructura nueva es perjudicial. La cuestión es cómo conseguir que la capacidad informática se construya donde tiene sentido, utilice los recursos con eficiencia y pague los costes que realmente provoca.

Los proveedores pueden mejorar la información pública sobre energía y agua, explicar los límites de sus métricas y ofrecer herramientas para que los clientes midan su uso. Las administraciones y los reguladores pueden exigir previsiones realistas, transparencia sobre las solicitudes de conexión, condiciones de pago que reduzcan el riesgo de inversiones abandonadas y mecanismos que protejan a los consumidores frente a costes trasladados sin justificación. Las comunidades locales necesitan conocer el impacto previsto antes de que los proyectos sean irreversibles.

La AIE plantea principios que incluyen mejorar la visibilidad de la demanda, coordinar las tarifas y permitir que los centros contribuyan a la flexibilidad y estabilidad de la red. No se trata de detener el desarrollo tecnológico, sino de evitar que la rapidez de construcción supere la capacidad de planificar electricidad, agua y financiación. Una infraestructura bien integrada puede crear actividad económica; una mal planificada puede dejar activos infrautilizados, tensiones locales y costes difíciles de recuperar.

Preguntas frecuentes sobre el coste de la IA

¿Cuánta electricidad consume una consulta de inteligencia artificial?

No hay una cifra universal aplicable a todos los modelos y tareas. El consumo depende del modelo, la longitud de la entrada y la respuesta, el hardware, la refrigeración y la eficiencia de la instalación. Una estimación útil debe declarar sus supuestos y aclarar si mide solo el cálculo o el sistema completo.

¿La IA hará que suba la factura de la luz?

No necesariamente en todos los lugares. El efecto depende de la capacidad disponible, de las nuevas inversiones necesarias y de las reglas para repartir sus costes. La AIE advierte de que una instalación puede presionar las facturas si sus nuevas necesidades se socializan, pero también puede aprovechar infraestructura existente y contribuir a cubrir costes si el diseño tarifario es adecuado.

¿El centro de datos más eficiente es siempre el más sostenible?

No por definición. La eficiencia energética es importante, pero también cuentan la fuente de electricidad, el agua disponible, las emisiones, el hardware, el clima y el impacto local. Una medida que ahorra agua puede requerir más energía, por lo que hay que evaluar los indicadores conjuntamente.

¿Por qué se habla de una burbuja si la demanda de IA sigue creciendo?

Porque una demanda tecnológica creciente no garantiza que todas las empresas o proyectos sean rentables. La inversión puede adelantarse a los ingresos, financiarse con demasiada deuda o basarse en previsiones demasiado optimistas. La noticia de Reuters muestra una mayor exigencia de los inversores, no una prueba de que toda la infraestructura vaya a fracasar.

Conclusión: la factura debe medirse, no imaginarse

La IA no vive en una nube abstracta: depende de servidores, energía, refrigeración, agua, redes y capital. Su coste real combina recursos físicos, inversión inicial, gastos de operación y el trabajo necesario para convertir una respuesta en un resultado útil. El precio que ve el usuario es solo una parte de esa ecuación.

Las cifras globales y las previsiones ayudan a entender la escala, pero no permiten asignar una cantidad exacta a cada consulta sin información adicional. La respuesta responsable consiste en comparar tareas equivalentes, explicar las hipótesis y distinguir consumo medido, coste comercial y proyección futura. En paralelo, empresas y administraciones deben asegurarse de que los costes de infraestructura se repartan de forma transparente y que la eficiencia se mida junto con los impactos sobre electricidad, agua y emisiones.

La pregunta más útil no es si la IA es barata o cara en abstracto. Es qué problema resuelve, cuánto cuesta completar bien ese trabajo y qué recursos exige hacerlo de manera fiable. Cuando podamos responder a esas tres cuestiones con datos comparables, la factura dejará de ser invisible.