El software 'verde' se convierte en la nueva frontera para abaratar los costes de la IA

El coste de la IA, un freno para la adopción empresarial

La expansión de la IA generativa ha disparado el consumo de energía de los centros de datos, y con él, la factura de las empresas que la utilizan. Un informe de McKinsey citado por la fuente revela que el 89% de las compañías a nivel global ya usa IA, y un 44% está en fase de escalado. Sin embargo, alrededor de un 20% de las empresas encuestadas restringe su uso por los elevados costes operativos.

Coral Calero, catedrática de Lenguajes y Sistemas Informáticos de la Universidad de Castilla-La Mancha, explica que el software juega un papel decisivo en el consumo: "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".

La investigadora, responsable del área 'Software Verde y Sostenible' del grupo Alarcos, subraya que el interés por la eficiencia no es principalmente ecológico: "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".

Este freno presupuestario se ha visto agravado por el auge de la IA agéntica, cuyos programas requieren leer y releer grandes volúmenes de información, multiplicando los tokens consumidos y, por tanto, el coste económico, especialmente en un contexto donde el pago por uso ha sustituido a las suscripciones planas.

Estrategias de software para recortar el consumo

Verónica Bolón Canedo, investigadora de IA en la Universidade da Coruña y directora de la Cátedra UDC-INDITEX de IA en Algoritmos Verdes, trabaja en el diseño de algoritmos que consuman menos energía durante el entrenamiento. Una de las técnicas es reducir la precisión aritmética: "En vez de utilizar los 64 bits de la aritmética habitual de un ordenador, podemos utilizar 16 u 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 conlleva un reto: mantener la precisión del modelo. Bolón explica que se modifican los algoritmos para compensar el redondeo que se produce, congelando ciertas capas de la red neuronal o refinando solo las últimas. La pérdida de precisión puede ser asumible según la aplicación: "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", señala.

Otra vía es optimizar el propio entrenamiento. Calero distingue entre entrenamientos supervisados, que requieren millones de datos etiquetados, y los no supervisados, donde el modelo aprende con refuerzos y consume menos en principio. Esta última es la estrategia que han adoptado las empresas chinas, como DeepSeek, que ante la prohibición estadounidense de vender las GPUs más avanzadas, han tenido que ingeniárselas para ser eficientes.

La eficiencia, clave en la batalla por el ahorro

La presión por reducir costes ha llevado a la industria a buscar fórmulas que reduzcan el cómputo. La irrupción de DeepSeek V3 en enero de 2025, que logró un rendimiento cercano a los mejores modelos de OpenAI con un gasto mucho menor en entrenamiento, puso de moda la mezcla de expertos (MoE), una técnica que activa solo las redes neuronales necesarias para cada tarea. Esta estrategia se ha convertido en un estándar: OpenAI, Google y probablemente Anthropic la aplican en sus modelos más avanzados.

La eficiencia de las compañías chinas se refleja en sus precios, muy inferiores a los de las estadounidenses. En la plataforma OpenRouter, los modelos de DeepSeek fueron los más utilizados en agosto, y las firmas chinas acapararon un 45,5% de la cuota, superando a la suma de Google, OpenAI, Anthropic y Meta. Los clientes, incluidas empresas estadounidenses, optan por diversificar y combinar varios modelos para abaratar la factura, reservando los más caros para tareas críticas.

El ahorro es especialmente relevante en la fase de inferencia, que ya superará al entrenamiento en demanda energética global en 2027, según estimaciones de McKinsey. El consumo de los centros de datos, que en 2024 fue de 415 TWh (un 1,5% del total mundial), podría duplicarse hasta 945 TWh en 2030, el equivalente al consumo de todo Japón. Ante esta perspectiva, Calero advierte: "Creo que las tecnológicas van a tener que empezar a echar el freno. No podemos permitir que los centros de datos consuman más que países enteros".