UIA – UNIDAD DE INFRAESTRUCTURA DE IA: CUANTIFICACIÓN DEL CONSUMO FÍSICO DE ELECTRICIDAD Y AGUA EN APLICACIONES DE INTELIGENCIA ARTIFICIAL
DOI:
https://doi.org/10.56238/ERR01v10n7-002Palabras clave:
Inteligencia Artificial, Sostenibilidad Digital, Eficiencia Computacional, UIA, Consumo Energético, Huella Hídrica, Green AI, Infraestructura ComputacionalResumen
El crecimiento acelerado de la Inteligencia Artificial (IA) ha incrementado significativamente la demanda de recursos físicos, como la electricidad y el agua, a menudo desatendidos en los análisis económicos y tecnológicos convencionales. Este artículo propone la Unidad de Infraestructura de IA (UIA), una métrica cuantitativa estandarizada diseñada para expresar el consumo combinado de energía (kWh) y agua (litros) por operación de inferencia en modelos de IA. La metodología integra datos empíricos de centros de datos, estándares internacionales de eficiencia (PUE y WUE) y coeficientes económico-ambientales para construir una unidad compuesta de costo físico. Se estimaron y compararon los valores de la UIA para diferentes modelos de lenguaje a gran escala, que abarcan escenarios de consulta cortos y largos. Los resultados muestran variaciones significativas en el consumo físico entre modelos, lo que indica que las diferencias en infraestructura y hardware pueden multiplicar el costo ambiental por operación hasta por 80. El análisis demuestra que las ganancias marginales de eficiencia, cuando se aplican a gran escala, representan reducciones significativas en el consumo de energía y agua. Se concluye que la adopción de la UIA puede contribuir a la transparencia ambiental, la fijación de precios justos y los incentivos para la eficiencia computacional. La métrica propone una nueva forma de medir la sostenibilidad de la IA, visibilizando la base material de sistemas que, hasta entonces, se consideraban puramente digitales.
Descargas
Referencias
[1] Li, P. et al. (2023). Making AI Less ”Thirsty”: Uncovering and Addressing the Secret Water Footprint of AI Models. arXiv:2304.03271.
[2] Patterson, D. et al. (2021). Carbon Emissions and Large Neural Network Training. Google Research Technical Report.
[3] Strubell, E., Ganesh, A., McCallum, A. (2019). Energy and Policy Considerations for Deep Learning in NLP. ACL.
[4] Masanet, E. et al. (2020). Recalibrating Global Data Center Energy-Use Estimates. Science.
[5] ISO/IEC 30134-2:2016. Data centres — Key performance indicators — Part 2: Power usage effectiveness (PUE).
[6] ISO/IEC 30134-9:2022. Data centres — Key performance indicators — Part 9: Water usage effectiveness (WUE).
[7] The Green Grid. (2011). White Paper 35: Water Usage Effectiveness (WUE): Usage Guidelines for the Data Center Industry.
[8] The Green Grid. (2010). White Paper 32: Carbon Usage Effectiveness (CUE): A Green Grid Data Center Sustainability Metric.
[9] Henderson, P. et al. (2020). Towards the Systematic Reporting of the Energy and Carbon Footprints of Machine Learning. JMLR, 21.
[10] Mytton, D. (2021). Data Centre Water Consumption. npj Clean Water, 4(11).
[11] International Energy Agency / 4E (2025). Data Centre Energy Use: Critical Review of Models and Results.
[12] Uptime Institute. (2025). Water is Local: Generalities Do Not Apply.
