Cuando hablamos de inteligencia artificial generativa, la conversación suele centrarse en qué modelo es más inteligente, cuál escribe mejor o cuál programa más rápido. Pero hay un factor que rara vez entra en la ecuación: el coste energético que hay detrás de cada respuesta. Y ese coste, querido lector, es el que está provocando que tu suscripción suba de precio como la espuma.

ChatGPT y Claude representan dos enfoques distintos de la misma carrera tecnológica. OpenAI, con su modelo GPT-4, ha apostado por un enfoque generalista y masivo, con una infraestructura que consume cantidades industriales de electricidad para dar servicio a cientos de millones de usuarios. Anthropic, por su parte, ha seguido una filosofía diferente con Claude, centrándose en la «seguridad constitucional» y en un uso más controlado de la inferencia.

Pero aquí está la trampa: ambos modelos se enfrentan al mismo problema de fondo. Sus centros de datos necesitan electricidad, y esa electricidad cada vez es más cara. La diferencia es cómo están gestionando ese problema. OpenAI ha optado por subir precios de forma más evidente, mientras que Anthropic ha aplicado una estrategia más sutil: mantener el precio nominal pero inflar el consumo de tokens a través de cambios en el tokenizador, como hemos visto con Opus 4.7.

Los datos son claros: el coste por millón de tokens de entrada en Claude es de unos 5 dólares, y de salida unos 25 dólares. Pero como hemos documentado, el nuevo tokenizador de Opus 4.7 puede inflar el consumo hasta un 35% para exactamente el mismo texto. Eso significa que, en la práctica, el coste efectivo para el usuario ha subido sin que el precio oficial haya cambiado ni un céntimo. ChatGPT sigue una lógica similar con sus propios ajustes.

Y aquí está lo que nadie te dice: el verdadero problema no es qué modelo es mejor, sino que ambos están construyendo castillos de naipes sobre un pilar energético que se está resquebrajando. La diferencia entre ChatGPT y Claude se está difuminando frente al problema común: los centros de datos que los alimentan están chupando electricidad como si no hubiera un mañana, y ese mañana ya ha llegado con la factura en la mano.

---

Impacto medioambiental de la IA: El elefante en la habitación que nadie quiere ver

La inteligencia artificial generativa está dejando una huella de carbono que pocos están dispuestos a reconocer. Cuando le pides a ChatGPT que te escriba un email, o a Claude que te revise un contrato, estás activando procesos físicos que consumen energía y generan calor. Y ese calor tiene que ser disipado. Y esa energía tiene que ser producida. Y esa producción, en la mayoría de los casos, sigue dependiendo de combustibles fósiles.

El impacto ambiental de la IA no es una anécdota, es un problema sistémico. Los centros de datos que albergan estos modelos son responsables de aproximadamente el 1-2% de las emisiones globales de gases de efecto invernadero, y se espera que esta cifra crezca exponencialmente. La Agencia Internacional de la Energía estima que el consumo de electricidad de los centros de datos se duplicará entre 2022 y 2026, pasando de 460 TWh a más de 1.000 TWh. Esa es la factura energética que estamos pagando con nuestros tokens.

Pero el problema va más allá del consumo eléctrico directo. Los centros de datos necesitan agua para refrigerarse, y en muchas regiones del mundo, el agua es un recurso escaso. Se estima que un centro de datos de tamaño medio puede consumir hasta 600.000 litros de agua al día para mantener sus sistemas de refrigeración funcionando. Eso es agua que podría ir a cultivos, a consumo humano, a ecosistemas que ya están secos.

Lo que realmente me preocupa es cómo se está contando esta historia. Las grandes tecnológicas han creado una narrativa de «IA verde» que es, en el mejor de los casos, una distorsión de la realidad. Hablan de eficiencia, de renovables, de compensación de carbono. Y sí, es cierto que algunas compañías están haciendo inversiones significativas en energías limpias. Pero también es cierto que el crecimiento del consumo está superando cualquier ganancia en eficiencia. Es la misma trampa que con los coches: los hacemos más eficientes, pero como hay más, al final gastamos más combustible.

Un dato que debería hacerte pensar: entrenar un modelo como GPT-3 emitió aproximadamente 552 toneladas de CO2. Eso es el equivalente a 123 coches circulando durante un año. Y los modelos actuales son mucho, mucho más grandes. GPT-4 se estima que emitió entre 5.000 y 10.000 toneladas durante su entrenamiento. Estamos hablando de que cada modelo nuevo es una pequeña ciudad industrial funcionando a pleno rendimiento.

Y lo peor es que el entrenamiento es solo la punta del iceberg. La inferencia —es decir, cada maldita vez que usas el modelo— supone un consumo energético que ya está superando al entrenamiento. En 2023, el 60% del consumo energético de los centros de datos de IA se destinaba a inferencia. En 2025, esa cifra ya se acerca al 80%. Tu uso diario del asistente está dejando una huella de carbono equivalente a la de un pequeño electrodoméstico encendido sin parar.

---

Evolución de los costes de inferencia en IA: De la euforia a la realidad

La inferencia es ese proceso mágico que ocurre cuando le haces una pregunta a la IA y esta te devuelve una respuesta. Parece simple, casi instantáneo. Pero detrás de esa aparente simplicidad hay un ejército de servidores quemando electricidad para procesar tus tokens, interpretar tu intención y generar una respuesta coherente.

El coste de inferencia ha sido la gallina de los huevos de oro de la industria tecnológica. Durante años, las empresas han estado quemando dinero de inversores para ofrecerte tokens prácticamente gratis. La estrategia era clara: engancharte, crear dependencia, y cuando ya no puedas vivir sin ella, subir el precio. Es la misma jugada que Amazon hizo con el envío gratis o Spotify con la música en streaming. Pero hay una diferencia crucial: Amazon y Spotify no tienen que alimentar sus servicios con cantidades industriales de electricidad cada vez más cara.

Los datos son abrumadores. El coste de inferencia de un modelo como GPT-4 se estima en unos 4 céntimos por cada 1.000 tokens procesados. Eso no suena a mucho, hasta que haces números. Si tienes un usuario intensivo que consume 100.000 tokens al día —que no es nada descabellado para un desarrollador—, el coste mensual para la empresa es de unos 120 dólares. Pero el usuario solo paga 20. La diferencia la ponen los inversores, y esa fiesta se está acabando.

Anthropic, con su Opus 4.7, ha sido especialmente transparente —quizás demasiado— con este problema. Su margen bruto fue del -94% en 2024. Perdían casi dos dólares por cada dólar que ingresaban. En 2025, tras una serie de ajustes —límites semanales, nuevos tokenizadores, bloqueo de herramientas de terceros— han logrado subir al 40%. Pero sigue sin ser suficiente. Están en una carrera contrarreloj para hacer que la inferencia sea rentable antes de que los inversores se cansen de poner dinero.

Y aquí está la trampa que hace que esta evolución sea tan perversa: el coste de inferencia no solo depende de la eficiencia de los modelos, sino del precio de la energía. Y la energía está subiendo. Como hemos visto, el petróleo caro tensa todo el sistema, el gas natural se dispara, y las eléctricas aprovechan para subir el precio del megavatio hora. Eso significa que, aunque los modelos sean más eficientes, si la energía es más cara, el coste por token no baja.

En 2023, el coste de inferencia de un modelo de lenguaje grande era de unos 15 dólares por millón de tokens. En 2025, gracias a mejoras en eficiencia, ese coste se redujo a unos 5-8 dólares. Pero en 2026, con la energía por las nubes, las empresas están estimando que los costes de inferencia van a superar los 10 dólares por millón de tokens de nuevo. Es el péndulo de la eficiencia chocando con la realidad de un mundo con recursos finitos y una red eléctrica que no da abasto.

---

Eficiencia energética en centros de datos: La batalla oculta de los megavatios

Cuando hablamos de eficiencia energética en centros de datos, no estamos hablando solo de que un servidor consuma menos electricidad. Estamos hablando de un ecosistema completo donde cada vatio de energía tiene que ser gestionado, refrigerado y optimizado para que la máquina no se funda de calor.

La métrica que mide esto es el PUE (Power Usage Effectiveness). Es un ratio que compara la energía total que consume un centro de datos con la que consumen exclusivamente los servidores. Un PUE de 1.0 sería perfecto: toda la energía va a los servidores, nada a refrigeración o iluminación. La realidad es que la mayoría de los centros de datos tienen un PUE entre 1.2 y 1.6, lo que significa que entre el 20% y el 60% de la energía se gasta en mantener las máquinas frías. Y con la IA generativa, ese coste se dispara.

Los centros de datos de IA son especialmente voraces porque los chips de entrenamiento e inferencia generan muchísimo más calor que los servidores tradicionales. Una GPU como la NVIDIA H100, que es la que usan la mayoría de los centros de IA, puede consumir hasta 700 vatios en funcionamiento. Eso es el equivalente a tener un calefactor eléctrico encendido permanentemente. Y en un centro de datos hay miles de estas GPUs funcionando a la vez.

La refrigeración se ha convertido en el segundo mayor coste operativo de un centro de datos, solo por detrás de la electricidad para los servidores. Y no es un problema que se pueda resolver simplemente poniendo más ventiladores. Cuanto más calor generas, más complejos necesitan ser los sistemas de refrigeración. Algunos centros de datos están utilizando refrigeración líquida directa, que consiste en hacer pasar agua por los propios chips para extraer el calor de forma más eficiente. Pero eso requiere infraestructura adicional, tuberías, bombas, y consumos energéticos que se suman a la cuenta final.

Un dato que pocos tienen en cuenta: por cada vatio que consumes para ejecutar un modelo de IA, necesitas entre 0,5 y 1 vatio adicional para enfriar el equipo. Eso significa que el coste energético real de cada token no es solo el que consume el servidor, sino también el que consumen los sistemas de refrigeración. Estamos pagando doble por la misma energía.

Y la situación empeora porque los centros de datos de IA necesitan estar cerca de fuentes de energía y de redes de telecomunicaciones de alta velocidad, lo que los limita a zonas específicas. En Virginia, que es el mayor centro de datos del mundo, la demanda de electricidad para centros de datos ya supera el 25% del consumo total de la región. La red eléctrica local está al borde del colapso y las colas de espera para nuevas interconexiones superan los cuatro años. No es que las tecnológicas no quieran ampliar, es que físicamente no pueden.

---

IA generativa y consumo eléctrico: La cuenta que no salía en las diapositivas de inversores

La IA generativa ha sido vendida como una revolución tecnológica comparable a la invención de internet. Y en cierto modo lo es. Pero lo que nadie te cuenta en las presentaciones de los inversores es que esta revolución necesita una infraestructura energética que no existe y que está tensionando los sistemas eléctricos de medio mundo.

Cuando hablamos de IA generativa y consumo eléctrico, los datos son abrumadores. Las estimaciones más conservadoras sitúan el consumo eléctrico de la IA generativa en el equivalente a un país como España. Y las estimaciones más agresivas, las que tienen en cuenta el crecimiento exponencial, dicen que para 2030 la IA podría consumir tanto como el Reino Unido entero. Esto no es una exageración. Es la proyección que están haciendo los analistas de energía cuando tienen en cuenta el ritmo de construcción de centros de datos.

La explosión de la IA generativa ha pillado a la industria energética con los pantalones bajados. En 2023, el consumo eléctrico de los centros de datos de IA era de unos 25 TWh. En 2026, esa cifra ya ha superado los 100 TWh. Es un crecimiento del 300% en tres años. Ningún otro sector ha crecido tan rápido en la historia reciente, ni siquiera el de los vehículos eléctricos.

Y lo que es peor: la IA generativa no es un consumo flexible. No puedes decirle a un modelo de IA «ahora no pienses tanto porque es la hora punta de la red eléctrica». Cuando millones de usuarios usan ChatGPT a la vez, la demanda es inmediata e inelástica. Las redes eléctricas no pueden adaptarse a este tipo de consumo punta sin tener capacidad de respaldo, y esa capacidad de respaldo la proporcionan, cómo no, las centrales de gas, carbón y, en algunos casos, las nucleares.

Un ejemplo concreto: la integración de IA en las búsquedas de Google, que anunciaron con bombo y platillo, multiplica el consumo eléctrico por 10 en comparación con una búsqueda tradicional. Eso significa que si todas las búsquedas en Google tuvieran un componente de IA, el consumo eléctrico de la compañía se multiplicaría por 5. Y Google no es la única. Microsoft, Amazon, Meta, todas están integrando IA en sus productos básicos.

El resultado es una tormenta perfecta de demanda eléctrica que está chocando con una oferta energética que no puede crecer al mismo ritmo. Las renovables son una solución, pero no pueden proporcionar la estabilidad que necesitan los centros de datos 24/7. La energía nuclear es estable, pero construir una central lleva 10 años. El gas es flexible, pero es caro y emite carbono. El carbón es barato, pero es un desastre medioambiental. Y mientras decidimos, el precio de la electricidad sube y sube.

---

Comparar costes de servicios cloud: El arte de cobrarte más por hacer menos

Comparar los costes de los servicios cloud que ejecutan IA es como comparar el precio de los coches eléctricos: todos te dicen que son más baratos de mantener, pero luego ves la factura de la batería y se te caen los palmos. Las nubes de AWS, Google Cloud y Azure han convertido el coste de inferencia en un juego de prestidigitación donde las cifras bailan a su antojo.

Empecemos por lo básico: el coste por hora de una GPU en la nube. AWS te cobra unos 8 dólares la hora por una NVIDIA H100. Azure unos 9,5. Google Cloud unos 8,2. A primera vista parece que todos compiten. Pero la letra pequeña es donde empieza el baile: el coste de salida de datos, el almacenamiento, los créditos de compromiso, los descuentos por volumen…

Un desarrollador que ejecuta un modelo de IA en la nube no paga solo por la GPU. Paga por los datos que entran, por los que salen, por el almacenamiento, por las llamadas a API, por las transferencias entre regiones. El coste real de inferencia en la nube puede ser entre 2 y 5 veces superior al coste nominal de la GPU. Es como cuando vas al concesionario y el coche cuesta 20.000 pero cuando te vas de allí con el seguro, los impuestos, el mantenimiento y el gasoil, la cifra se ha ido a 30.000.

GitHub Copilot es el ejemplo perfecto de cómo inflar costes sin que parezca una subida. Antes, un usuario podía acceder a Opus 4.6 por 3 créditos premium. Ahora, Opus 4.7 cuesta 7,5 créditos. Eso es un aumento del 150% en el coste efectivo para el usuario. La excusa oficial es que el modelo «piensa más» y que el tokenizador es menos eficiente. Pero como hemos visto, el tokenizador infla el consumo entre un 0% y un 35%. Incluso asumiendo el peor escenario, 3 créditos por 1,35 son 4 créditos. ¿De dónde salen los otros 3,5 créditos? Eso es comisión pura y dura, un sobreprecio que no tiene justificación técnica.

Y no es solo GitHub. Las suscripciones de Anthropic para uso intensivo de API ya han empezado a incluir límites de tokens que antes no existían. Te venden una suscripción de 200 dólares al mes con un límite semanal, y si te pasas, entras en un sistema de pago por uso que te puede cascar 2.000 dólares en un día sin avisar. El coste real de inferencia en la nube se ha convertido en un sumidero de dinero impredecible que vacía la cartera de los desarrolladores.

La tendencia general es clara: los servicios cloud están moviendo la factura de la IA de los inversores a los usuarios finales. Durante años, las grandes tecnológicas han estado quemando dinero para ganar cuota de mercado. Ahora que ya tienen enganchados a millones de usuarios y que la energía está por las nubes, están aplicando el mismo modelo que las eléctricas: te cobran por el consumo real, con precios que suben cuando la demanda aprieta.

---

Sistemas de refrigeración en centros de datos: La guerra contra el calor que nadie ve

La refrigeración es el talón de Aquiles de la inteligencia artificial. Cada chip que ejecuta un modelo de IA genera tanto calor como un radiador de coche. Y cuando tienes miles de chips en una misma sala, el calor que generan es suficiente para cambiar el microclima de la zona donde está ubicado el centro de datos.

Los sistemas de refrigeración han tenido que evolucionar a la velocidad de la luz para mantener el ritmo de la demanda de IA. Los sistemas tradicionales de aire acondicionado ya no son suficientes. Estamos viendo soluciones que van desde la refrigeración líquida directa hasta la inmersión total de servidores en fluidos dieléctricos, donde los chips se sumergen literalmente en un baño de aceite especial que absorbe el calor y luego se enfría en un intercambiador.

El coste de estos sistemas de refrigeración es astronómico. Un centro de datos de nueva generación puede gastar entre el 30% y el 50% de su presupuesto energético solo en refrigeración. Y eso sin contar la inversión inicial en tuberías, bombas, intercambiadores de calor y sistemas de control. Los centros de datos más avanzados están utilizando refrigeración por agua de mar o agua de río en lugares donde el agua está disponible de forma natural. Pero eso limita mucho dónde puedes construir, porque no todos los sitios tienen un río cerca.

Los datos son impactantes: un centro de datos de tamaño medio consume 600.000 litros de agua al día para refrigeración. Eso es el equivalente al consumo de agua de 10.000 personas. Y los centros de datos de IA son todo menos pequeños. El centro de datos de Microsoft en Iowa, por ejemplo, consume 1,5 millones de litros de agua al día. Eso es el equivalente a 1.000 piscinas olímpicas al año. Estamos desviando agua de ecosistemas que ya están secos para enfriar máquinas que nos escriben emails.

El problema se agrava porque el calor que generan los chips de IA es tan concentrado que los sistemas de refrigeración tradicionales no pueden disiparlo eficientemente. Una GPU H100 genera entre 500 y 700 vatios de calor en un espacio del tamaño de una palma de la mano. Eso es una densidad térmica que ningún sistema de aire acondicionado puede manejar sin consumir cantidades industriales de energía. Por eso los centros de datos están pasando a refrigeración líquida, que puede disipar el calor de forma mucho más eficiente.

Pero la refrigeración líquida tiene sus propios problemas: requiere infraestructura especial, sistemas de bombeo que consumen energía, tuberías que pueden tener fugas, y un mantenimiento mucho más complejo. Y a pesar de todo, la eficiencia energética de los centros de datos está empeorando porque los chips son cada vez más potentes y generan más calor por centímetro cuadrado. Estamos ganando la batalla del rendimiento pero perdiendo la guerra de la eficiencia.

---

Futuro de la infraestructura de IA: Un horizonte de tensión y contradicción

El futuro de la infraestructura de IA está lleno de contradicciones que harían palidecer a cualquier economista. Por un lado, todo el mundo quiere más IA. Por otro lado, nadie quiere pagar el coste energético que eso implica.

Las proyecciones de crecimiento son sencillamente insostenibles. Se espera que la demanda de capacidad de cómputo para IA crezca un 30% anual durante la próxima década. Para 2035, los centros de datos de IA podrían estar consumiendo el 4,4% de toda la electricidad mundial. Eso es más que el consumo combinado de países como Alemania, Francia y Reino Unido. No es que la IA vaya a consumir mucha electricidad, es que va a consumir toda la electricidad que podamos producir y un poco más que no tenemos.

Y el problema no es solo de cantidad, sino también de distribución geográfica y temporal. Los centros de datos de IA necesitan estar cerca de fuentes de energía estables y redes de comunicación de alta velocidad. Eso significa que se concentran en unas pocas regiones del mundo: Virginia, California, Texas, Irlanda, Singapur. Estas regiones ya tienen redes eléctricas tensionadas, y la llegada de estos centros de datos está provocando retrasos en la conexión de otros proyectos, incluso de hospitales o barrios residenciales.

Los cuellos de botella no son solo energéticos. La cadena de suministro de chips, la disponibilidad de transformadores, los materiales para los sistemas de refrigeración, todo está al límite. Estamos en una situación en la que no podemos construir nuevos centros de datos porque no hay suficiente capacidad de fabricación de transformadores, ni suficientes chips de alta gama, ni suficiente capacidad de transporte de energía para alimentar todo esto.

Las grandes tecnológicas están tomando decisiones que hace cinco años habrían parecido de ciencia ficción. Microsoft ha firmado acuerdos para reiniciar centrales nucleares. Google está invirtiendo en pequeños reactores modulares. Amazon está comprando energía solar a gran escala pero también ha aumentado su dependencia del gas natural. La contradicción es total: las empresas que más proclaman su compromiso con el medio ambiente son las que están manteniendo con vida el carbón y el gas.

La infraestructura de IA se está convirtiendo en un campo de batalla entre la necesidad de energía barata y la obligación de reducir emisiones. Y por ahora, la energía barata está ganando. Estamos viendo cómo el carbón vuelve a ser una opción viable en Estados Unidos, cómo el gas natural se afianza como el combustible de transición, cómo las nucleares se reconsideran incluso en países que las habían descartado. La IA está matando el cambio climático en tiempo real, y lo está haciendo en nombre del progreso.

El futuro, me temo, es un mundo de dos velocidades. Por un lado, los que puedan pagar la energía tendrán acceso a la mejor IA, a los modelos más rápidos, a la investigación de vanguardia. Por el otro, los que no puedan pagarla, se quedarán con modelos capados, con límites de tokens, con facturas que les harán llorar. La IA no va a democratizar el conocimiento, va a perpetuar las desigualdades energéticas del planeta. Y esa, querido lector, es la historia que nadie está contando en las noticias de la tarde.

Y así, entre tokens caros, modelos que van a pedales, centros de datos que chupan electricidad como un pulpo y una energía que no para de subir, nos encontramos en 2026 con una realidad que nadie quiere ver. El sueño de la IA barata y abundante se está desvaneciendo entre columnas de humo de las centrales de carbón y el zumbido incesante de los sistemas de refrigeración que luchan por mantener frío un monstruo que no para de crecer. La pregunta no es si la IA va a cambiar el mundo, sino quién va a pagar la factura de ese cambio. Spoiler: no van a ser los que se están forrando.