El impacto ambiental de la IA no se juega solo en la cuenta de luz de los centros de datos ni en el agua usada para enfriar servidores. Un estudio publicado en Communications Earth & Environment pone el foco en otra parte del problema: los materiales que hacen posible entrenar modelos avanzados.
La investigación conecta la carga computacional de un modelo con la cantidad de GPU necesarias y, desde ahí, con los metales y otros elementos contenidos en ese hardware.
La propuesta es simple de explicar: detrás de cada salto en capacidad de un modelo no hay solo más electricidad, sino también más chips, más extracción de materiales y, al final del ciclo, más residuos electrónicos. Para estimarlo, el equipo usó la vida útil consumida de las GPU como una forma de traducir cálculo en demanda material.
Los investigadores analizaron la composición elemental de una Nvidia A100, una GPU ampliamente usada en entrenamiento de IA, e identificaron 32 elementos. Según el artículo, ese hardware está compuesto en torno a un 90% por metales pesados y solo trazas de metales preciosos.
El punto es importante porque ayuda a aterrizar la conversación sobre el impacto ambiental de la IA: cuando se habla del crecimiento de la industria de la Inteligencia Artificial, también se está hablando de cobre, hierro, níquel, estaño, silicio, cadenas de suministro y descarte de componentes.
Impacto ambiental de la IA: cuántos GPU y materiales puede exigir un entrenamiento
El paper estima que entrenar un gran modelo de lenguaje puede requerir entre 1.760 y 8.800 GPU, según los supuestos de eficiencia y vida útil del hardware. En uno de sus escenarios base, el estudio calcula que GPT-4 habría requerido la capacidad computacional equivalente a unas 2.515 Nvidia A100, lo que se traduciría en cerca de 3.750 kilos de los materiales analizados. Los autores presentan esa cifra como una estimación basada en sus supuestos, no como una divulgación oficial de OpenAI.
La gracia del estudio es que separa tres cosas que a menudo se mezclan. La energía mide cuánta electricidad se usa. El agua apunta sobre todo a refrigeración y generación eléctrica. La huella material, en cambio, mira los objetos físicos que hay que fabricar, mantener y finalmente desechar. Son capas distintas del mismo fenómeno. Si solo se observa una, la foto queda incompleta.
También hay una advertencia relevante: las mejoras de rendimiento no siempre avanzan al mismo ritmo que los recursos que consumen. El estudio sostiene que los aumentos incrementales de desempeño pueden venir con costos materiales desproporcionadamente altos. Dicho en simple, lograr un modelo un poco mejor puede requerir bastante más infraestructura física que antes.
La conclusión práctica no es “dejar de usar IA”, sino usarla con más criterio. El artículo plantea que el impacto ambiental de la IA debe discutirse incluyendo hardware especializado, extracción de recursos peligrosos y fin de vida de los equipos. Eso empuja a mirar con más atención decisiones como cuánto conviene escalar un modelo, cuándo sirve un modelo pequeño, cuánto dura una GPU en operación real y qué mejoras de software pueden reducir demanda física.
Ahí aparecen varias pistas útiles. El estudio menciona estrategias como una mejor utilización del hardware, técnicas de compresión y despliegues más eficientes. En la práctica, eso favorece una idea que ya gana fuerza en la industria: no todo problema necesita el modelo más grande disponible.
El trabajo también suma una capa de mercado. Si la demanda por GPU sigue creciendo, la presión no cae solo en fabricantes como Nvidia, sino en toda la cadena: minería, refinado, manufactura, transporte y reciclaje. Eso vuelve más visible una tensión que hasta ahora quedaba escondida detrás de métricas abstractas de cómputo.
Si la industria quiere seguir creciendo sin ampliar de forma innecesaria el impacto ambiental de la IA, la conversación tendrá que incluir no solo cuánta energía consume la Inteligencia Artificial, sino también cuántos equipos exige, cuánto duran y qué pasa con ellos cuando termina su vida útil.
Fuentes
Communications Earth & Environment: From computation to environmental cost the resource burden of artificial intelligence
arXiv: From FLOPs to Footprints: The Resource Cost of Artificial Intelligence
