Un nuevo estudio de benchmarking ambiental realizado por la Universidad de Rhode Island y la Universidad de Túnez ha desvelado el considerable impacto ecológico que tienen las consultas de Inference de modelos de lenguaje a gran escala (LLM) en los centros de datos comerciales. Los investigadores han diseñado un marco para evaluar la huella energética, hídrica y de dióxido de carbono de más de 30 modelos, destacando que mientras el uso de inteligencia artificial (IA) se vuelve más accesible y extendido, su huella ambiental es cada vez más significativa.

Los modelos más intensivos en consumo, como o3 y DeepSeek-R1, utilizan más de 33 Wh por cada solicitud de consulta extensa, cifras que son casi 70 veces superiores al consumo del modelo GPT-4.1 nano. En contraste, modelos como Claude-3.7 Sonnet han demostrado ser ejemplos de ecoeficiencia gracias a su diseño optimizado.

El impacto de los modelos de IA a nivel global es considerable. Se estima que solo una sola consulta breve a GPT-4o consume 0.43 Wh. Multiplicado por 700 millones de consultas diarias, el consumo energético anual es comparable al consumo de electricidad de unas 35,000 viviendas estadounidenses. Además, la evaporación de agua fresca por enfriamiento del sistema equivale a las necesidades de agua potable de 1.2 millones de personas al año. Las emisiones de carbono generadas requerirían un bosque del tamaño de Chicago para compensarse.

Desde la perspectiva del mercado, LLMs han alcanzado un hito crucial, expandiendo su aplicación desde laboratorios de investigación a asistentes virtuales y plataformas de educación. Sin embargo, esta expansión no está exenta de costos. Mientras el entrenamiento de modelos como GPT-3 ya se sabía costoso en términos energéticos, la ahora ineludible fase de inferencia se declara como el peor culpable en términos de daño ambiental potencial.

Las metodologías actuales para medir estos recursos se ven exacerbadas por la falta de transparencia de los proveedores de IA comerciales, dificultando evaluaciones precisas del verdadero costo ambiental. Sin estándares de sostenibilidad en vigor, los investigadores urgen a la aplicación de nuevos marcos metodológicos como el suyo para responsabilizar a la industria y facilitar el desarrollo de normativas futuras.

Algunos de los modelos más recientes, como o3-mini y DeepSeek, demuestran que la eficiencia de modelos no siempre equivale a una huella ecológica menor, refiriéndose a problemas de diseño arquitectónico y prácticas ineficientes en los centros de datos como culpables de sus masivos consumos de recursos.

Este estudio marca el inicio de una base estandarizada sobre la que construir un uso más sustentable de la IA y aboga por la regulación futura para controlar el impacto medioambiental masivo de su despliegue. El balance entre capacidad y costo ambiental es ahora más crucial que nunca, como los investigadores concluyen con un llamado a un enfoque holístico para la sostenibilidad en la IA.