Contexto de más
Se manda información que el modelo no necesita para responder.
GREEN AI
Green AI: more intelligence.
Fewer resources.
We test different models and pick the one that solves each task with the lowest possible consumption.
Fewer tokensOptimized prompts and context.
Efficient modelsThe right model for each task.
Positive impactA smaller footprint. More sustainability.
Technology that scales,
without scaling your costs.Efficiency for your business. And for the planet.
without scaling your costs.Efficiency for your business. And for the planet.
Lower token use ↓without giving up quality
Better return as you scale ↑cost does not follow usage
Smaller carbon footprint less compute, less energy
More innovation,
less impact.
less impact.
Qué es
IA verde: la eficiencia se diseña, no se corrige después
Llamamos IA verde a construir soluciones buscando el menor consumo de cómputo posible para un mismo resultado. No es una certificación ni un sello: es una forma de decidir la arquitectura. Menos tokens, el modelo justo para cada tarea y lógica tradicional donde la IA no agrega nada. El cálculo de cuánto cuesta que una máquina converse está en la serie de investigación.
El efecto es doble. Baja el costo de operar la solución y baja la energía que consume, porque cada llamada evitada es cómputo que no se ejecuta.
Dónde se va el dinero
Por qué el costo de la IA se dispara al escalar
El gasto crece con cada llamada al modelo. Estas son las cuatro fugas que más encontramos cuando un proyecto pasa del piloto a producción.
Un solo modelo para todo
El mismo modelo caro resuelve tareas simples y complejas.
Sin caché ni memoria
La misma pregunta se paga cada vez que alguien la hace.
IA donde sobra
Una regla, una API o una automatización resolvían mejor y sin costo por uso.
Cómo lo aplicamos
Matar un mosquito con una bazuca sale caro
La misma tarea, resuelta de dos maneras. A la izquierda, el reflejo de mandar todo al modelo más grande. A la derecha, la herramienta justa para el trabajo.
Una consulta
Enfoque tradicional
Todo al modelo más grande
- Modelo grande
- Prompt largo
Enfoque IA verde
Primero la base, el modelo si hace falta
- Base de conocimiento
- Modelo chico
Una factura
Enfoque tradicional
Un modelo multimodal por página
- Modelo multimodal
- Página completa
Enfoque IA verde
OCR y reglas; el modelo, para lo raro
- OCR
- Reglas
- Modelo por excepción
Clasificar
Enfoque tradicional
Prompt largo para una etiqueta
- Modelo grande
- Contexto completo
Enfoque IA verde
Un clasificador ajustado a la tarea
- Modelo chico
- Categorías propias
Buscar en docs
Enfoque tradicional
El documento entero en cada consulta
- Contexto enorme
- Respuesta lenta
Enfoque IA verde
Sólo los fragmentos que importan
- RAG
- Respuesta con fuente
Por qué funciona
La física detrás del ahorro
No es una preferencia de diseño: es cómo funciona un modelo de lenguaje por dentro. Para generar cada palabra, el modelo tiene que moverse completo desde la memoria hasta el procesador — una vez por palabra. Cuanto más grande el modelo, más pesado ese movimiento, sin importar si la tarea es simple o difícil.
Es como pagar el flete de un camión de 40 toneladas para mandar un sobre. El camión puede llevar cualquier cosa, y por eso se usa para todo — pero la mayoría de los envíos pesan menos de medio kilo. El costo no está en lo que se manda: está en la nómina del camión, ande vacío o lleno.
Por eso una tarea cerrada —clasificar un ticket, decidir entre categorías, detectar un dato en un documento— casi nunca necesita que el modelo genere texto. Alcanza con una sola pasada de reconocimiento, entre dos y tres órdenes de magnitud más barata que la alternativa generativa.
Según nuestras estimaciones internas —análisis derivado de la arquitectura de estos sistemas, no una medición de campo por proyecto— resolver la misma tarea con el modelo del tamaño correcto puede reducir el consumo de energía en un orden de magnitud de ~50 veces frente a usar el modelo más grande disponible. La cifra exacta depende de la tarea, y por eso la medimos en cada proyecto en lugar de asumirla.
Cuándo NO conviene
El modelo chico no es la respuesta correcta siempre
Ningún análisis serio termina en "usá siempre el modelo chico". Hay casos reales donde sale más caro que el modelo grande, y conviene conocerlos antes de decidir.
El impuesto del razonamiento
Un modelo chico en modo "pensante" puede generar tanto texto de más para llegar a la respuesta, que termina consumiendo más cómputo que un modelo grande que responde directo.
El costo del error
Si el modelo chico se equivoca con más frecuencia, lo que se ahorra en cómputo se pierde -y de sobra- en el tiempo de una persona corrigiendo el error aguas abajo.
El costo de mantenerlo
Operar un modelo propio exige trabajo constante que no aparece en ninguna factura de API. Para volúmenes bajos, ese costo domina todo lo demás.
Si hoy no sabés cuánto te cuesta resolver un ticket, procesar un documento o correr un agente, ese es el punto de partida de nuestra auditoría de eficiencia de IA.
El método
Qué hacemos en cada proyecto
01
Medimos la línea de base
Consumo por tarea, latencia y calidad antes de tocar nada.
02
Separamos por tipo de tarea
No todas necesitan un modelo de lenguaje, y las que lo necesitan no necesitan el mismo.
03
Elegimos con pruebas
Comparamos modelos sobre tus casos reales, no sobre benchmarks generales.
04
Dejamos el consumo a la vista
Tableros de uso y costo para que la eficiencia se sostenga con el tiempo.
Lo que se lleva la empresa
- Una línea de base de consumo y calidad para comparar contra ella.
- La arquitectura documentada: qué resuelve cada componente y por qué.
- Tableros de uso y costo por tarea.
- Un margen para escalar sin que la factura crezca al mismo ritmo.
Antes de escribirnos
Preguntas frecuentes sobre IA verde
¿Qué es la IA verde?
+
Es diseñar soluciones de inteligencia artificial buscando el menor consumo de cómputo posible para un mismo resultado. Menos tokens, modelos más chicos donde alcanzan y lógica tradicional donde la IA no aporta nada. Baja el costo y baja la energía que consume la solución.
¿Por qué se dispara el costo de la IA cuando un proyecto escala?
+
Porque el gasto crece con cada llamada al modelo. Si todas las tareas se resuelven con el modelo más grande y el prompt más largo, multiplicar el uso multiplica la factura. La arquitectura que funcionó en el piloto es la que rompe el presupuesto en producción.
¿Usar un modelo más chico no empeora el resultado?
+
Depende de la tarea. Clasificar un mensaje o extraer datos de un comprobante no necesitan el mismo modelo que redactar un informe. Medimos calidad y costo en cada caso y elegimos con datos, no por defecto.
¿Cómo se mide el ahorro?
+
Antes de optimizar dejamos una línea de base: consumo por tarea, latencia y calidad. Después comparamos contra esa base, así el ahorro es verificable y no una afirmación de marketing.
¿Esto aplica a un proyecto que ya está andando?
+
Sí. En soluciones existentes solemos encontrar prompts con contexto de más, llamadas que podrían resolverse con caché y tareas enteras que no necesitan un modelo de lenguaje.
¿El modelo más chico siempre es la opción más verde?
+
No siempre. Si el modelo chico razona de más antes de responder, si se equivoca con más frecuencia que uno grande, o si mantenerlo en infraestructura propia exige más trabajo del que ahorra, puede terminar costando más caro. Por eso medimos antes de recomendar, en vez de aplicar la misma receta a todos los casos.
¿Querés ver esto aplicado? Mirá los casos de éxito o cómo trabajamos la inteligencia artificial para empresas.
¿Cuánto te está costando tu IA hoy?
Revisamos tu solución, medimos el consumo por tarea y te decimos dónde se puede bajar sin resignar calidad.