Solicitar una respuesta a una inteligencia artificial podría parecer trivial. Sin embargo, cuando comienza a razonar, navegar por la web y utilizar herramientas de manera autónoma, el consumo energético cambia drásticamente. ¿Hasta dónde podremos multiplicar estos asistentes sin replantear su funcionamiento?
Los agentes IA transforman las simples respuestas en cadenas de acciones complejas
Una IA generativa clásica recibe una pregunta, calcula una respuesta y luego se detiene. En cambio, un agente IA descompone una tarea, busca información, ejecuta código, verifica resultados y lo repite. Así, no solo se limita a hablar: encadena acciones, como un asistente digital que se sumerge en una verdadera investigación.
Además, esta autonomía explica el entusiasmo de las empresas. Por ejemplo, reservar un viaje, analizar contratos o supervisar inventarios se vuelve posible sin supervisión constante. Sin embargo, detrás de esta aparente magia se oculta una sucesión de cálculos. De hecho, cada decisión utiliza el modelo de lenguaje, a veces decenas de veces antes de completar una tarea.
Un consumo energético amplificado por los tiempos de espera y los cálculos repetidos
Investigadores del KAIST han estudiado estos agentes como una nueva carga informática, considerándolos no solo como simples software, sino como un nuevo tipo de carga de trabajo para los centros de datos. Su hallazgo es sorprendente: con un modelo de 70 mil millones de parámetros, un agente consume en promedio 348,41 vatios-hora por consulta, en comparación con aproximadamente 2,55 para una respuesta simple.
El estudio fue presentado en la HPCA y prepublicado en arXiv, convirtiéndose en uno de los primeros análisis cuantitativos del fenómeno. Sin embargo, el problema no radica solamente en la cantidad de operaciones. De hecho, los agentes alternan cálculos, llamadas a herramientas y períodos de espera. Como resultado, su tiempo de respuesta puede ser multiplicado por 153,7. Durante este tiempo, las unidades de procesamiento gráfico permanecen inutilizadas casi la mitad del tiempo.
Aunque, las infraestructuras siguen consumiendo. Así, algunas tareas de agentes requieren hasta 136,5 veces más energía que una consulta clásica. Sin embargo, esta cifra no abarca todos los usos de la IA. Describe un escenario específico y muy exigente. En realidad, muestra especialmente que dos consultas similares pueden ocultar esfuerzos informáticos muy distintos.
Una generalización masiva de los agentes IA haría explotar las necesidades energéticas
Para medir el riesgo, los científicos imaginaron 13,7 mil millones de consultas de agentes. De hecho, este volumen corresponde al tráfico diario atribuido a las búsquedas de Google en su escenario. En este caso, la potencia necesaria alcanzaría aproximadamente 198,9 gigavatios. Ciertamente, esta proyección sigue siendo extrema, pero da una idea del desafío energético.
Además, la comparación revela un paradoja. Por un lado, los agentes ahorran tiempo humano, pero por otro, movilizan más servidores y por más tiempo. A pequeña escala, unos cientos de vatios-hora parecen modestos. Sin embargo, a gran escala, estos gastos se convierten en un reto para la red eléctrica, el enfriamiento y las infraestructuras.
Optimizar las infraestructuras y los modelos se vuelve crucial para una IA sostenible
En Francia, la Agencia del Medio Ambiente y la Gestión de la Energía (ADEME) contabiliza 352 centros de datos. Estos consumen aproximadamente 10 teravatios-hora al año, es decir, el 2,2 % de los 449 TWh de electricidad utilizados en 2025. Además, su escenario tendencial prevé un aumento significativo. Por lo tanto, el consumo relacionado con los usos en Francia podría multiplicarse por 3,7 para 2035.
No obstante, las soluciones no pasan solo por nuevas centrales. De hecho, los investigadores proponen modelos más pequeños y una mejor distribución de tareas. Además, recomiendan infraestructuras capaces de evitar que las GPU permanezcan encendidas sin trabajar. Así, una IA más selectiva podría reservar los agentes complejos para misiones útiles.
Finalmente, esta matización se vuelve esencial. Por un lado, un agente que optimiza una red eléctrica o acelera un descubrimiento médico puede compensar su impacto. Por otro lado, un asistente que moviliza servidores para elegir un par de zapatos plantea dudas. Por lo tanto, quizás debamos aprender a medir la utilidad de cada cálculo.
