Diario IA Verde · Agosto 2026

La eficiencia dejó de ser un gesto ambiental y pasó a ser una restricción operativa

Durante un tiempo, hablar de "IA sostenible" fue casi una declaración de intenciones: algo que quedaba bien al final de una presentación. En 2026 dejó de serlo. La energía se convirtió en el límite físico del crecimiento de la IA, y eso cambia la conversación: ya no es una discusión ambiental, es una discusión de capacidad, costo y disponibilidad.

Este es el resumen de lo que cambió en el último mes, y qué implica para una empresa que ya tiene IA en producción o está por implementarla.

1. El consumo se volvió un problema de planificación, no de conciencia

Las proyecciones del sector coinciden en la dirección, aunque difieran en el número. Gartner estima que el consumo eléctrico global de centros de datos llegará a unos 565 TWh en 2026, cerca de un 26% por encima del año anterior, y que la demanda de potencia pasará de 104 GW a 132 GW en el mismo período. La misma consultora ubica en 2027 el punto en que los servidores optimizados para IA superarían en consumo a los servidores convencionales.

La Agencia Internacional de la Energía apunta al otro lado de la ecuación: la inversión. Su análisis reciente calcula que cerca del 20% del dinero destinado a nuevos complejos de cómputo va a infraestructura energética —generación, redes y almacenamiento— y no a servidores.

Lectura para negocio: cuando la energía escasea, la optimización deja de ser una preferencia técnica del equipo de ingeniería y pasa a ser una variable de costo y de plazo. Un proyecto de IA puede demorarse por disponibilidad eléctrica de un proveedor cloud, no por falta de talento.

2. El centro de gravedad se movió del entrenamiento a la inferencia

Durante años el foco estuvo en el costo de entrenar modelos. Ese marco quedó viejo. En 2026, la inferencia —el uso cotidiano del modelo— representa aproximadamente dos tercios de la demanda de cómputo de IA, cuando en 2023 era cerca de un tercio.

Es un cambio importante porque redistribuye la responsabilidad. El entrenamiento lo hacen unos pocos laboratorios; la inferencia la hacemos todos, cada vez que un agente responde una consulta, procesa una factura o resume un ticket.

Lectura para negocio: la huella de tu IA no se define el día que elegís el proveedor. Se define en cada llamada, todos los días, durante años. Y ahí sí hay margen de decisión propio.

3. Los modelos chicos dejaron de ser el plan B

La evidencia acumulada del último año va en una sola dirección: para una parte grande de las tareas empresariales —extracción de datos, clasificación, enrutamiento, asistentes acotados, pasos intermedios de un flujo de agentes— los modelos de 3B a 8B parámetros ya entregan calidad suficiente a una fracción del cómputo.

Esto no significa que los modelos de frontera sobren. Siguen teniendo ventaja clara en razonamiento general, síntesis compleja, instrucciones ambiguas y en cualquier tarea donde un error es caro y difícil de detectar. La conclusión no es "usá modelos chicos", es "usá el modelo correcto para cada paso".

Lectura para negocio: un flujo bien diseñado no corre entero sobre el modelo más caro. Corre por niveles, y escala hacia arriba solo cuando la confianza baja.

4. El costo por token siguió cayendo, y eso tiene un efecto secundario

La caída de precios de inferencia continuó de forma sostenida: modelos que hoy superan referencias de calidad que en 2021 costaban decenas de dólares por millón de tokens hoy operan por centavos, empujados por destilación, cuantización, chips específicos de inferencia y competencia entre proveedores.

El efecto secundario es incómodo: cuando algo se abarata, se usa más. La eficiencia por consulta mejora mientras el consumo total crece. Es el mismo patrón que ya vimos en otras tecnologías, y explica por qué "el modelo es más eficiente" no equivale a "la operación consume menos".

Lectura para negocio: medir costo por token no alcanza. Hay que medir costo por resultado útil —por factura procesada correctamente, por caso resuelto sin intervención humana.

5. La regulación está empezando a mirar la etiqueta

Hay movimientos regulatorios en curso para medir y declarar la eficiencia energética de los modelos de IA, en una lógica parecida a la etiqueta de eficiencia de los electrodomésticos. Todavía no existe un estándar consensuado, y las preguntas abiertas son sustantivas: ¿se cuenta solo entrenamiento o también inferencia? ¿Cómo se normaliza por calidad de respuesta? ¿Quién audita lo que reportan las empresas?

En paralelo, algunas jurisdicciones empezaron a discutir restricciones o pausas para nuevos proyectos de centros de datos mientras resuelven la capacidad de red.

Lectura para negocio: si en dos años hay que declarar consumo, la empresa que ya mide tiene una ventaja administrativa, no solo ambiental. Empezar a registrar tokens, modelos y volumen por proceso hoy cuesta poco.

Qué hacemos nosotros con esto

En Possition, IA Verde no es una línea de comunicación: es un criterio de diseño que aplicamos antes de llevar algo a producción.

• Enrutamiento por tarea. Cada paso del flujo se asigna al modelo más chico que resuelve bien esa tarea específica, no al más potente disponible.
• Contexto optimizado. Prompts concisos, recuperación acotada y nada de arrastrar historial que no aporta. El contexto que no se necesita se paga igual.
• Caché de lo repetido. Las consultas idénticas o muy similares no vuelven a computarse.
• Procesamiento por lotes cuando la tarea no es urgente y admite espera.
• Medición explícita. Tokens, modelo, volumen y costo por proceso quedan registrados. Sin línea base no hay optimización, hay intuición.

Límites de esta nota

Las proyecciones citadas son estimaciones de consultoras y organismos, no mediciones cerradas: varían entre fuentes según qué incluyen y cómo lo cuentan. Las cifras de consumo por consulta que circulan en el mercado son especialmente inestables, porque casi ninguna empresa publica datos verificables por modelo. Y el panorama regulatorio está en discusión activa: conviene revisarlo antes de tomar decisiones basadas en él.

Lo que sí es sólido es la dirección: la demanda crece más rápido que la eficiencia, la inferencia pesa más que el entrenamiento, y el margen de decisión de cada empresa está en cómo usa los modelos, no en cuál compra.

¿Querés saber cuánto consume realmente tu operación de IA hoy? Auditamos el flujo, medimos consumo por proceso y proponemos dónde se puede reducir sin perder calidad.

Conocé el enfoque →

Fuentes consultadas

• Gartner, proyecciones de consumo eléctrico de centros de datos 2025-2030 (vía Revista Cloud y DirectorTIC, junio 2026)
• Agencia Internacional de la Energía, análisis de inversión en cómputo e infraestructura energética (agosto 2026)
• Análisis de economía de inferencia y distribución del cómputo de IA (febrero 2026)
• Revisiones sobre modelos de lenguaje pequeños y costo de inferencia (marzo-agosto 2026)