Qué está pasando: la demanda de los centros de datos sube
La demanda de electricidad de los centros de datos creció un 17% en 2025, y la de los centros de datos enfocados en IA creció cerca de un 50%, frente a un 3% de crecimiento de la demanda mundial de electricidad, según la Agencia Internacional de Energía. La agencia proyecta que el consumo de los centros de datos casi se duplique hacia 2030, hasta unos 945 TWh al año — comparable al consumo total de electricidad de Japón —, con la IA como principal impulsor. Esa cifra es una proyección, no una medición.
El agua sigue la misma curva. Los centros de datos enfrían sus servidores en gran parte evaporando agua, y las centrales que los alimentan también usan agua. Investigadores de las Naciones Unidas proyectan que el consumo de agua de los centros de datos también casi se duplique hacia 2030, y la presión recae sobre las cuencas concretas donde se concentran las instalaciones, no sobre el planeta por igual.
Un prompt es pequeño
La mejor cifra pública viene de Google, que instrumentó su propia infraestructura: en mayo de 2025, el prompt de texto mediano en las apps de Gemini usó 0,24 Wh de energía, emitió 0,03 g de CO2 equivalente y consumió 0,26 mL de agua — unas 5 gotas. La medición incluye los chips inactivos y la estructura del centro de datos, no solo los procesadores activos. Google también informa que la energía por prompt mediano cayó 33 veces en los 12 meses anteriores.
OpenAI ha declarado una cifra de unos 0,34 Wh por consulta media a ChatGPT, sin publicar el método. Los demás proveedores no han publicado una cifra comparable. Para dar escala, 0,24 Wh mantienen encendido un televisor unos 9 segundos. Por prompt, el costo es pequeño; el total crece con el volumen y, como muestra la siguiente sección, con los hábitos.
Qué lo multiplica
La misma petición puede costar cantidades muy distintas según el modo, el modelo y el número de intentos. Estos son los multiplicadores que respaldan los estudios publicados, frente a un solo prompt simple:
- Un prompt claro que funciona a la primera
- Energía frente a un prompt simple
- 1× — la referencia
- Evidencia
- Medianas medidas arriba
- Enviar una petición 5 veces hasta que la respuesta salga bien
- Energía frente a un prompt simple
- 5× — cada intento repite el costo completo
- Evidencia
- Aritmética; estudio de contabilidad por objetivo, 2026
- Modo de razonamiento activado
- Energía frente a un prompt simple
- Unas 30× en promedio en 40 modelos abiertos; cientos de veces en algunos
- Evidencia
- Benchmark AI Energy Score, 2025
- Un prompt largo a los modelos que más energía consumen
- Energía frente a un prompt simple
- Más de 29 Wh por prompt, más de 65× los sistemas más eficientes
- Evidencia
- Benchmark entre modelos, 2025
- Un flujo con agentes en lugar de uno lineal
- Energía frente a un prompt simple
- Unas 4× por objetivo cumplido (888 J frente a 205 J)
- Evidencia
- Estudio de contabilidad por objetivo, 2026
- Un agente de IA resolviendo una petición compleja
- Energía frente a un prompt simple
- Hasta 136,5× por petición; 348 Wh en promedio
- Evidencia
- Estudio de una universidad coreana, 2026
La mayor palanca: el modo
En el benchmark AI Energy Score, un modelo abierto de razonamiento usó 9.462 Wh en el conjunto de prueba con el razonamiento activado y unos 18 Wh con él desactivado. El razonamiento ayuda en problemas difíciles; en una pregunta simple, la mayor parte de esa energía extra aporta poco.
Por qué escribir buenos prompts es una habilidad de sostenibilidad
Un modelo gasta energía en cada palabra que escribe, así que la longitud de la respuesta pesa más en el costo que la de la pregunta. Un estudio sobre el diseño de prompts en modelos abiertos concluyó que la tarea pedida importa más que la longitud del prompt, y que palabras abiertas como explica o analiza tienden a generar respuestas más largas y más costosas.
Pedir menos funciona. En un estudio sobre la longitud de las respuestas, los prompts que pedían respuestas concisas redujeron el consumo de energía entre un 25 y un 60%, preservando la calidad frente a respuestas de referencia. Y los reintentos son el multiplicador oculto: un prompt vago que necesita cuatro intentos más cuesta cinco veces lo que uno que funciona a la primera.
El Método de Prompt Sostenible
Seis hábitos, cada uno tomado de la evidencia anterior. Ninguno pide usar menos IA; llevan antes a la respuesta correcta.
- Sé específico — indica el objetivo, el público, el formato y la longitud en el primer mensaje.
- Da el contexto desde el inicio — pega lo que el modelo necesita en lugar de corregirlo después.
- Usa el modelo del tamaño justo — un modelo rápido y ligero para tareas simples; modos de razonamiento y agentes para problemas de verdad difíciles.
- Pide la longitud que necesitas — dos frases, una tabla o ninguna explicación, cuando eso basta.
- Edita, no regeneres — pide un ajuste puntual en lugar de volver a tirar los dados.
- Pregúntate si de verdad necesita IA — una calculadora, una búsqueda o una fuente conocida a veces es la mejor herramienta.
Lo que ya existe, y la brecha
Ya hay extensiones de navegador que estiman la energía, el carbono y el agua de las sesiones con chatbots, y el AI Energy Score califica modelos abiertos con estrellas, como las etiquetas de eficiencia de los electrodomésticos. Ambos muestran el costo después de gastarlo. Pocas herramientas enseñan los hábitos que lo evitan, y ahí es donde este tema de la biblioteca seguirá.
Qué haría que esto estuviera equivocado
Las cifras por prompt son medianas o promedios elegidos y publicados por los propios proveedores; solo la de Google viene con método, y ninguna es una auditoría independiente. Los multiplicadores de los benchmarks describen modelos abiertos en hardware fijo, y los servicios comerciales agrupan peticiones, guardan respuestas en caché y cambian de modelo a menudo. La eficiencia mejora rápido — la propia cifra de Google cayó 33 veces en un año —, lo que podría reducir cada cifra por prompt de este artículo, mientras el uso creciente empuja los totales hacia arriba. Cada cifra está fechada por su fuente, y este artículo se actualizará cuando cambien.
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.International Energy Agency — Energy and AI — Demanda de electricidad de los centros de datos: crecimiento del 17% en 2025 (cerca del 50% en los enfocados en IA) y la proyección de unos 945 TWh al año hacia 2030.
- 2.Google — Measuring the environmental impact of delivering AI at Google scale (arXiv 2508.15734) — Prompt de texto mediano en las apps de Gemini, mayo de 2025: 0,24 Wh, 0,03 gCO2e, 0,26 mL de agua; reducción de energía de 33 veces en 12 meses.
- 3.Sam Altman — The Gentle Singularity — Cifra declarada por OpenAI de unos 0,34 Wh por consulta media a ChatGPT, junio de 2025; sin método publicado.
- 4.AI Energy Score — Hugging Face and Salesforce — Calificaciones estandarizadas de energía para modelos abiertos; la comparación de modos de razonamiento en 40 modelos, diciembre de 2025.
- 5.Fortune — The rise of AI reasoning models comes with a big energy tradeoff — Reportaje sobre el estudio de razonamiento del AI Energy Score: unas 30 veces la energía en promedio; 9.462 Wh frente a unos 18 Wh en un modelo.
- 6.How Hungry is AI? (arXiv 2505.09598) — Benchmark de energía, agua y carbono por prompt: los modelos que más consumen superan los 29 Wh por prompt largo, más de 65 veces los más eficientes.
- 7.Panigrahy and Tyagi — Energy per Successful Goal (arXiv 2605.22883) — Contabilidad de energía por objetivo: los flujos con agentes usaron 888,1 J frente a 205,3 J por objetivo cumplido; los reintentos se cuentan completos.
- 8.The Korea Times — KAIST study on AI agent energy use — Los agentes usaron hasta 136,5 veces la energía por consulta de la IA generativa estándar; 348,41 Wh en promedio en una petición compleja, julio de 2026.
- 9.Brevity is the soul of sustainability (arXiv 2506.08686) — Estrategias de prompt para respuestas concisas redujeron el consumo de energía de los LLM entre un 25 y un 60%, preservando la calidad de las respuestas.
- 10.Green Prompting (arXiv 2503.10666) — Cómo las características del prompt y de la respuesta determinan la energía de inferencia; la tarea pedida y ciertas palabras clave pesan más que la longitud del prompt.
- 11.Reuters — AI to double data centre power and water use by 2030, UN researchers say — Informe de la Universidad de las Naciones Unidas sobre la demanda de electricidad y agua de los centros de datos, junio de 2026.
- 12.AI Wattch — Extensión de navegador de código abierto que estima la energía y el carbono de las sesiones en ChatGPT, Claude y Gemini.