Detrás de cada consulta a un modelo de lenguaje existe una cadena de infraestructura física que consume electricidad y agua a una escala que los balances corporativos apenas comienzan a reflejar. En 2023, la inteligencia artificial representaba un consumo eléctrico estimado de 4.5 gigawatts (GW), equivalente al 8% del total de los centros de datos a nivel global. Las proyecciones para 2028 sitúan esa cifra entre 14 y 18.7 GW, lo que significaría entre el 15% y el 20% del consumo eléctrico total de estas instalaciones.

El crecimiento no es abstracto: tiene nombres y métricas verificables. Una empresa como Google consumió 44,046.5 GWh en 2025, más del triple de los 12,802 GWh registrados en 2019. Microsoft pasó de 10,770.7 GWh en 2020 a 37,026.35 GWh en 2025, un incremento del 24% solo en el último año del período analizado. Ambas compañías han respondido con servidores de alto rendimiento y sistemas avanzados de refrigeración, pero la eficiencia operativa no ha logrado compensar el volumen de crecimiento.

Agua: el recurso invisible del entrenamiento de modelos

El impacto hídrico es menos visible que el eléctrico, pero igualmente significativo para cualquier estrategia de sostenibilidad corporativa. Se estima que el entrenamiento del modelo GPT-3 habría requerido alrededor de 4,879 millones de litros de agua si se hubiera realizado en un centro de datos en Iowa, cifra que podría escalar hasta 15,539 millones de litros en instalaciones ubicadas en Washington. La diferencia ilustra un punto crítico: el impacto ambiental de un modelo no depende solo de su arquitectura, sino de la geografía y las condiciones climáticas de la infraestructura que lo aloja.

Para 2026, los centros de datos dedicados exclusivamente a inteligencia artificial demandarán hasta 90 TWh, mientras que los centros tradicionales alcanzarán los 580 TWh y el sector de criptomonedas sumará otros 160 TWh. En conjunto, estas cifras reconfiguran la conversación sobre gestión energética en cualquier empresa que dependa de servicios en la nube o que esté evaluando implementaciones propias de IA.

Adopción masiva y presión sobre recursos

La escala del problema se entiende mejor cuando se observa la velocidad de adopción. En julio de 2026, la aplicación móvil del modelo de lenguaje más utilizado del mercado registró aproximadamente 77.75 millones de descargas en App Store y Google Play a nivel mundial. El segundo competidor más cercano acumuló cerca de 27.57 millones en el mismo período. Cada descarga representa usuarios activos que generan consultas, y cada consulta activa ciclos de cómputo en centros de datos.

El mercado global de inteligencia artificial se estima en 548.79 mil millones de dólares para 2025, con una expansión proyectada de 866.4 mil millones adicionales hacia 2032. Esa trayectoria de crecimiento implica que la presión sobre redes eléctricas y reservas hídricas no disminuirá sin intervención deliberada.

Implicaciones para la estrategia empresarial en América Latina

Para organizaciones en México y América Latina que están integrando o evaluando soluciones de IA, la huella ambiental de estos sistemas ya no es un tema periférico de reporte ESG: es un factor de riesgo operativo y reputacional. La ubicación de los centros de datos, la fuente de energía que los alimenta y la eficiencia hídrica de los sistemas de refrigeración son variables que afectan directamente la sostenibilidad de cualquier estrategia digital de largo plazo.

Las decisiones de infraestructura tomadas hoy —qué proveedor de nube, qué región, qué modelo de IA— tienen consecuencias ambientales que se extenderán por años. Incorporar criterios de eficiencia energética e hídrica en los procesos de evaluación tecnológica es, en este contexto, tanto una obligación regulatoria emergente como una ventaja competitiva ante inversionistas y mercados que monitorean cada vez más de cerca el desempeño ambiental corporativo.