Saltar al contenido
IA y SostenibilidadAnálisis

El costo energético de un pronóstico: lo que ahorran los modelos de IA, y lo que la cifra deja fuera

Un análisis de investigación sobre lo que dicen las cifras publicadas acerca de la energía que usan los modelos de IA de pronóstico del tiempo. El centro europeo de pronóstico informa que su modelo de IA reduce la energía de hacer un pronóstico en unas 1.000 veces, y la agencia meteorológica nacional de EE. UU. dice que su modelo de IA usa cerca del 0,3% del cómputo de su modelo estándar. Esas cifras son de las propias agencias, cuentan la corrida del pronóstico y no el entrenamiento ni los sistemas físicos de los que la IA aún depende, y no dicen nada sobre el acierto en una playa. A continuación: las cifras, qué cubren y qué dejan fuera.

IA que ahorra energía

Casi todo lo que se escribe sobre IA y energía trata de la IA gastando más. El pronóstico del tiempo es un caso que va en sentido contrario. Un pronóstico tradicional resuelve la física de la atmósfera en un supercomputador con miles de procesadores. Un modelo de IA, una vez entrenado, produce un pronóstico comparable en minutos, con mucho menos hardware: el modelo de IA del ECMWF puede producir un pronóstico global de 10 días en unos 2 minutos y 30 segundos en una sola GPU.

Los ahorros que informan las agencias son grandes. El ECMWF dice que su modelo de IA trae una reducción de aproximadamente 1.000 veces en la energía usada para hacer un pronóstico, y que su ensemble de IA corre más de 10 veces más rápido que el sistema físico. La agencia meteorológica nacional de EE. UU., que lanzó sus modelos de IA el 17 de diciembre de 2025, dice que su principal modelo de IA usa cerca del 0,3% de los recursos de cómputo de su modelo estándar para un pronóstico de 16 días y termina en aproximadamente 40 minutos, y que su ensemble de IA de 31 miembros usa el 9% del cómputo del ensemble físico.

Las cifras publicadas

Cada cifra es una declaración del propio organismo que la publica, y cada una mide algo un poco distinto:

  • Unas 1.000 veces menos energía
    Quién la declara
    ECMWF, sobre su modelo de IA (2025)
    Qué cubre
    Hacer un pronóstico, frente a su modelo físico
    Qué deja fuera
    El entrenamiento; el sistema físico que aporta las condiciones iniciales
  • Cerca del 0,3% del cómputo
    Quién la declara
    Agencia meteorológica nacional de EE. UU. (dic. 2025)
    Qué cubre
    Un pronóstico de 16 días, frente a su modelo estándar
    Qué deja fuera
    Es cómputo, no energía medida; el entrenamiento
  • 9% del cómputo
    Quién la declara
    Agencia meteorológica nacional de EE. UU. (dic. 2025)
    Qué cubre
    Un ensemble de IA de 31 miembros, frente al ensemble físico
    Qué deja fuera
    Lo mismo que arriba
  • De 21 a 1.273 veces menos energía
    Quién la declara
    Un estudio de ciclo de vida de 2026 con 7 modelos de IA
    Qué cubre
    Entrenamiento más un año de pronósticos, frente al modelo físico del ECMWF
    Qué deja fuera
    Solo pronósticos de baja resolución; corridas de desarrollo antes del entrenamiento final

Lo que las cifras dejan fuera

El entrenamiento es el primer vacío. Los ahorros destacados cuentan la corrida del pronóstico, y un modelo de IA tiene que entrenarse antes de hacer uno. El estudio de ciclo de vida de 2026, que comparó 7 modelos de IA con el modelo físico del ECMWF, concluyó que el entrenamiento cuesta bastante más que un solo pronóstico físico, pero se compensa rápido: a lo largo de un año de uso, los modelos de IA usarían de 21 a 1.273 veces menos energía. El ahorro resiste la cuenta, pero el rango es amplio, y el extremo bajo queda muy lejos de 1.000.

El desarrollo es el segundo. Una revisión de septiembre de 2026 de un centro español de supercomputación encontró que, de 12 modelos de IA de punta para tiempo y clima, 3 no informan ninguna cifra de cómputo y el resto informa solo la corrida final de entrenamiento. Sostiene que una corrida final puede subestimar el esfuerzo de desarrollo en unas 4 a 10 veces, una estimación tomada del gasto de una empresa de IA, no de modelos del tiempo. La misma revisión señala que el mismo experimento puede generar hasta 30 veces más emisiones de carbono según la red eléctrica en la que corre.

El tercer vacío es que los pronósticos de IA no reemplazan la física. El ECMWF dice que su ensemble de IA depende de la asimilación de datos basada en física para sus condiciones iniciales, y que su ensemble físico sigue siendo indispensable para los campos de alta resolución. Los modelos de IA también se entrenaron con décadas de tiempo pasado reconstruido con modelos físicos. Los supercomputadores siguen encendidos.

Más barato no es lo mismo que mejor en tu playa

El ahorro de energía es real, pero se paga en parte con resolución. El modelo de IA del ECMWF tiene una malla de 28 km y su ensemble de IA de 31 km, frente a 9 km de los modelos físicos. Las agencias informan mejoras en el tiempo de gran escala, de hasta un 20% en algunas medidas, y la agencia de EE. UU. informa que la primera versión de su modelo de IA es peor en la intensidad de los ciclones tropicales. Ninguna de estas cifras trata de una brisa marina, que es más pequeña de lo que una malla de 28 km puede resolver.

Un pronóstico barato también invita a hacer más pronósticos. La agencia de EE. UU. ahora corre un ensemble híbrido de 62 miembros, mitad físico y mitad IA, que supera a cualquiera de los dos por separado en la mayoría de las medidas. Eso es un mejor pronóstico, no una factura de energía menor. Que la energía total baje depende de lo que las agencias hagan con el ahorro.

Qué significa para quien navega, y para AYON Ecosystem

Un pronóstico es una de las cosas de menor energía que hace la IA, y se está abaratando. Eso hace del tiempo un contraejemplo útil en el debate sobre la huella de la IA, junto a los costos descritos en nuestro análisis de un solo prompt. Pero un costo energético bajo no le dice a un kitesurfista si la cifra de viento es correcta.

AYON Ecosystem no afirma ningún ahorro de energía propio. AYON Wind y AYON Wave leen una combinación de modelos físicos públicos y no declaran pronóstico por IA, como registró nuestra auditoría de apps de pronóstico. Nuestro próximo estudio prueba un modelo de IA y un modelo físico frente a estaciones de viento reales en playas de kite, e informará el acierto y, donde se publique, la energía detrás de cada pronóstico.

Qué haría que este análisis fuera erróneo

Las cifras por pronóstico son declaraciones de las propias agencias, no mediciones independientes, y las cifras de EE. UU. describen recursos de cómputo, no energía medida. Leímos el resumen del estudio de ciclo de vida, no el texto completo, así que su método y sus exclusiones aparecen aquí solo como el resumen los declara. Ninguna cifra publicada que encontramos da la energía de un pronóstico en términos absolutos para los dos tipos de modelo. Los modelos de IA del tiempo cambian rápido, por eso cada cifra lleva la fecha de su fuente y este análisis se actualizará cuando aparezcan mejores mediciones.

Disciplina de evidencia

Esto es análisis de investigación sobre fuentes publicadas, no una auditoría. Las cifras de empresas son divulgaciones de las propias empresas; los resultados de laboratorio describen sus condiciones de prueba, no todo producto; las proyecciones no son mediciones. Las cifras de este campo cambian rápido, por eso cada una está fechada por su fuente.

Referencias y datos

  1. 1.ECMWF — ECMWF's AI forecasts become operational (2025) — Modelo de IA en operación: aproximadamente 1.000 veces menos energía para hacer un pronóstico; malla de 28 km frente a 9 km del modelo físico; mejoras de hasta un 20% en algunas medidas; mismas condiciones iniciales que el modelo físico.
  2. 2.ECMWF — ECMWF's ensemble AI forecasts become operational (Jul 2025) — Ensemble de IA en operación, 1 de julio de 2025: más de 10 veces más rápido; energía reducida en aproximadamente 1.000 veces; 31 km frente a 9 km; depende de la asimilación de datos basada en física; el ensemble físico sigue siendo indispensable para los campos de alta resolución.
  3. 3.HPCwire — NOAA deploys new generation of AI-driven global weather models (Dec 2025) — Modelos de IA de EE. UU. anunciados el 17 de diciembre de 2025: cerca del 0,3% de los recursos de cómputo para un pronóstico de 16 días, en aproximadamente 40 minutos; ensemble de IA de 31 miembros con el 9% del cómputo; ensemble híbrido de 62 miembros que supera a ambos; peor intensidad de ciclones tropicales en la primera versión.
  4. 4.Rieutord et al. — Energy and carbon footprint considerations for data-driven weather forecasting models (2026) — Comparación de ciclo de vida de 7 modelos basados en datos con el modelo físico del ECMWF: el entrenamiento cuesta más que un pronóstico físico, pero se compensa rápido; de 21 a 1.273 veces menos energía a lo largo de un año de uso; pronósticos de baja resolución.
  5. 5.A checklist to assess the energy and carbon impacts of ML/AI applications in Earth system modeling (arXiv 2609.00847, Sep 2026) — Revisión de un centro español de supercomputación: de 12 modelos de punta, 3 no informan cifra de cómputo y el resto solo la corrida final; las corridas finales pueden subestimar el cómputo de desarrollo en unas 4 a 10 veces; hasta 30 veces más emisiones según la red; un pronóstico de 10 días en unos 2 minutos y 30 segundos en una sola GPU.
  6. 6.AYON Ecosystem — Which forecast is your app using? — Auditoría de apps de pronóstico de AYON Ecosystem: AYON Wind y AYON Wave nombran su fuente, no declaran pronóstico por IA y todavía no publican cifras de acierto del viento.
  7. 7.AYON Ecosystem — The hidden cost of a prompt — Análisis de AYON Ecosystem sobre el costo energético de un solo prompt de IA y lo que lo multiplica.