Estudio de la ONU: la IA consumirá 9,3 billones de litros de agua para 2030, equivalente a la demanda de 1.300 millones de personas

La investigadora del Instituto de la Universidad de las Naciones Unidas para el Agua, el Medio Ambiente y la Salud (UNU-INWEH) Miriam Aczel (autora principal del informe) advirtió el 7 de junio que, para 2030, las instalaciones de centros de datos que operan sistemas de IA podrían consumir cada año 9,3 billones de litros de agua, lo que equivale a la demanda anual básica de agua de 1.300 millones de personas en África subsahariana.

Tres estimaciones de recursos confirmadas para 2030

De acuerdo con el informe de UNU-INWEH, las cifras de las tres principales estimaciones de recursos son las siguientes: el volumen anual de agua alcanza 9,3 billones de litros (equivalente a la demanda anual básica de agua de 1.300 millones de personas); el consumo de electricidad llega a 945 TWh; y la demanda de terreno supera 14.500 kilómetros cuadrados (incluye instalaciones, infraestructura energética y cadena de suministro).

El profesor de ingeniería de la Universidad de California en Riverside, Ren Shaolei (a través de la versión en inglés de The National Report), dijo: «Este informe es oportuno e importante porque nos recuerda que la IA no se limita a los modelos y los algoritmos; también tiene efectos físicos y ambientales reales en los centros de datos, los sistemas eléctricos, los sistemas de abastecimiento de agua, el uso de la tierra y las cadenas de suministro de hardware».

Mecanismos de consumo de recursos de IA confirmados

La inferencia de IA (es decir, el uso diario, no el entrenamiento) representa entre el 80% y el 90% del consumo total de energía de la IA, lo que convierte el uso rutinario diario en la principal fuente de consumo de recursos. ChatGPT procesa alrededor de 2.500 millones de mensajes de prompts al día; una conversación única de un chatbot estándar consume mucha más energía que una tarea simple de clasificación. El investigador Alex Hernandez, del Instituto de Inteligencia Artificial de Quebec, señaló que, actualmente, el consumo de energía de los sistemas de IA sigue siendo difícil de medir con precisión, lo que limita la exactitud de las proyecciones.

Preguntas frecuentes

¿Cuál es la base de cálculo de la predicción de 9,3 billones de litros de agua de UNU-INWEH?

La estimación del agua de UNU-INWEH abarca dos niveles: el uso de agua directo de los sistemas de enfriamiento de los centros de datos (huella hídrica) y el uso de agua indirecto asociado a la generación de electricidad. El informe integra el consumo de agua de la fuente de energía en el marco de cálculo, y no se limita al consumo de agua directo del emplazamiento del centro de datos. El investigador Alex Hernandez señaló que, dado que los propios datos de consumo energético de las instalaciones de IA siguen siendo difíciles de medir con precisión, esta estimación tiene una incertidumbre inherente.

¿Por qué las medidas de reducción de carbono llevan a un aumento de más de 30 veces en el uso de agua?

Según el análisis de UNU-INWEH, cambiar la electricidad de los centros de datos del carbón hacia la energía de origen biológico es una ruta común para reducir el carbono, lo que podría disminuir las emisiones de carbono en aproximadamente un 70%; pero el cultivo de energía biológica requiere grandes cantidades de agua de riego y ocupa extensas áreas agrícolas, lo que provoca un aumento de más de 30 veces en el uso de agua y cerca de 100 veces en la cantidad de tierra utilizada. Aczel señaló que medir solo las emisiones de carbono como criterio de impacto ambiental oculta estos costos en recursos hídricos y tierra.

¿Los modelos de IA más eficientes pueden reducir significativamente el consumo de recursos hídricos?

El informe de UNU-INWEH menciona el riesgo del «efecto rebote»: la IA más barata y eficiente podría reducir el consumo de recursos por uso, pero la disminución de costos suele llevar a un aumento considerable de la frecuencia de uso, lo que finalmente puede hacer que el consumo total de recursos sea superior al nivel de antes de la mejora de eficiencia. Por lo tanto, si el aumento de eficiencia de los modelos puede reducir el impacto de la IA sobre los recursos hídricos a escala macro depende de si el ritmo de crecimiento del tamaño de uso supera la magnitud de la mejora de eficiencia.