---
title: "Cuánta energía y agua consume la inteligencia artificial: cifras verificadas"
url: https://radarpanama.com/cuanta-energia-y-agua-consume-la-inteligencia-artificial/
author: Daniela Bohórquez
publisher: Radar Panamá
date: 2026-11-05
modified: 2026-11-05
description: "Qué consume la IA en electricidad y agua, por qué las cifras no coinciden y cómo leer un titular, con datos de la AIE, Google, Mistral y estudios académicos."
language: es
license: Prensa12 LLC. Cita permitida con enlace a la URL original.
---

# Cuánta energía y agua consume la inteligencia artificial: cifras verificadas

**En resumen:** Una consulta de texto a un asistente de IA puede gastar desde 0,24 Wh, la mediana que midió Google en Gemini, hasta más de 29 Wh en los modelos más voraces de un estudio académico. La diferencia viene de qué se cuenta, qué modelo se mide y qué tarea se pide. Los centros de datos del mundo usaron unos 415 TWh en 2024, el 1,5 % de la electricidad mundial, y la Agencia Internacional de la Energía proyecta unos 945 TWh en 2030. En agua, las cifras van de 0,26 ml a 45 ml por consulta según el alcance de la medición.

## Las cifras clave de un vistazo

La tabla reúne las cifras que más se repiten, cada una con su fuente y su año. Una cifra sin esos dos datos no dice nada, porque la eficiencia de la IA cambia rápido y cada institución mide un alcance distinto. El resto de la guía explica de dónde sale cada fila y por qué no todas se pueden comparar entre sí.

| Magnitud | Cifra | Fuente y año |
| --- | --- | --- |
| Electricidad de todos los centros de datos del mundo | Unos 415 TWh en 2024, el 1,5 % de la electricidad mundial | AIE, Energy and AI, 2025 |
| Proyección para 2030 (caso base) | Unos 945 TWh, algo menos del 3 % de la electricidad mundial | AIE, Energy and AI, 2025 |
| Centros de datos de EE. UU. | 176 TWh en 2023, alrededor del 4,4 % de la electricidad del país | Lawrence Berkeley, vía DOE, 2024 |
| Consulta de texto mediana en Gemini | 0,24 Wh, 0,03 g de CO₂e y 0,26 ml de agua | Google, 2025 |
| Respuesta de 400 tokens en Le Chat | 1,14 g de CO₂e y 45 ml de agua, con ciclo de vida | Mistral AI, 2025 |
| Modelo más intensivo frente al más eficiente, consulta larga | Más de 29 Wh, más de 65 veces la cifra del más eficiente | Jegham y otros, 2025 |
| Agua retirada por la IA en el mundo | Entre 4.200 y 6.600 millones de m³ en 2027 (proyección) | Li y otros, 2023 |

**Por dónde empezar:** leer la fila que más interesa y pasar a la sección correspondiente para ver qué incluye y qué deja fuera.

## Por qué las cifras sobre la IA no coinciden

Las cifras difieren porque cada fuente cuenta cosas distintas: qué equipos entran en la medición, qué modelo y qué tipo de tarea se evalúan, y si el agua se mide como retirada o como consumo. Dos números pueden ser correctos y, aun así, no servir para compararse entre sí.

Google lo muestra con su propio caso. En el enfoque estrecho, que mide solo el acelerador de IA con una prueba muy aprovechada en los centros de datos más eficientes, la consulta mediana de Gemini sale en 0,10 Wh. En el enfoque completo, sube a 0,24 Wh. La diferencia está en lo que se suma, según el [artículo técnico de Google](https://arxiv.org/abs/2508.15734).

| Componente de la consulta mediana de Gemini (mayo de 2025) | Energía |
| --- | --- |
| Acelerador de IA activo | 0,14 Wh |
| Procesador y memoria del servidor | 0,06 Wh |
| Máquinas en reserva, listas para picos de demanda | 0,02 Wh |
| Sobrecarga del centro de datos (refrigeración y distribución eléctrica) | 0,02 Wh |
| Total, enfoque completo | 0,24 Wh |

Con la regla estrecha, el mismo servicio daría 10.000 consultas por kWh. Con la completa, 4.167. Google deja fuera la red externa de internet porque no la controla, y estima que la red interna del centro de datos pesa poco en una consulta de texto. Además usa la mediana y no el promedio, porque unas pocas consultas muy largas o servidas por modelos poco aprovechados distorsionan el promedio.

Antes de comparar dos cifras hay que fijar cuatro cosas:

- Qué incluye la medición: solo el chip, el servidor completo, el centro de datos o también la fabricación de los equipos.

- Qué modelo y qué tarea: una respuesta corta no equivale a un texto largo, y un modelo de razonamiento no equivale a uno ligero.

- Quién mide: el propio proveedor, un laboratorio o un estudio académico que estima desde fuera.

- Qué agua se cuenta: la que se retira de una fuente o la que se consume.

**Por dónde empezar:** ante dos cifras que chocan, buscar qué equipos incluye cada una y qué modelo mide antes de decidir cuál es la correcta.

## Cuánta electricidad consumen los centros de datos

Según la Agencia Internacional de la Energía (AIE), los centros de datos del mundo consumieron unos 415 TWh en 2024, el 1,5 % de la electricidad mundial, y llegarían a unos 945 TWh en 2030, algo menos del 3 %. Esa cantidad es ligeramente superior a todo el consumo eléctrico actual de Japón.

Estas cifras cubren todos los centros de datos, no solo los de IA. El consumo crece alrededor del 15 % anual entre 2024 y 2030, más de cuatro veces el ritmo del consumo eléctrico del resto de los sectores. Aun así, la AIE aclara que el crecimiento de los centros de datos explica menos del 10 % del aumento de la demanda eléctrica mundial en ese período, y que una cuota del 3 % sigue siendo limitada en el panorama global.

La IA pesa en ese crecimiento. Los servidores acelerados, que impulsa sobre todo la IA, crecerían un 30 % anual en el caso base, frente al 9 % de los servidores convencionales. Los acelerados explican casi la mitad del aumento neto del consumo de los centros de datos; los convencionales, alrededor del 20 %; otros equipos informáticos, cerca del 10 %, y la infraestructura de refrigeración y apoyo, alrededor del 20 %.

En Estados Unidos, el Laboratorio Nacional Lawrence Berkeley estimó que el consumo pasó de 58 TWh en 2014 a 176 TWh en 2023, alrededor del 4,4 % de la electricidad del país, y calcula que en 2028 estaría entre 325 y 580 TWh. El [Departamento de Energía](https://www.energy.gov/articles/doe-releases-new-report-evaluating-increase-electricity-demand-data-centers) resume que la carga de los centros de datos se triplicó en una década y podría duplicarse o triplicarse de nuevo hacia 2028.

| Escenario de la AIE para 2035 | Qué supone | Consumo de los centros de datos |
| --- | --- | --- |
| Caso base | Crecimiento según las proyecciones de envíos de servidores | Unos 945 TWh ya en 2030 |
| Lift-Off | Adopción de IA más fuerte que en el caso base | Más de 1.700 TWh, cerca del 4,4 % de la demanda mundial, un 45 % sobre el caso base |
| High Efficiency | Más avance en eficiencia de software, hardware e infraestructura | Unos 970 TWh, con ahorros de más del 15 % |
| Headwinds | Adopción de IA más lenta de lo esperado | Se estabiliza en unos 700 TWh, menos del 2 % |

**Dato clave:** la AIE proyecta que el consumo de los centros de datos más que se duplique entre 2024 y 2030, hasta unos 945 TWh, según su [comunicado sobre IA y electricidad](https://www.iea.org/news/ai-is-set-to-drive-surging-electricity-demand-from-data-centres-while-offering-the-potential-to-transform-how-the-energy-sector-works).

**Por dónde empezar:** leer la cifra de la AIE junto con su año y su alcance, y comparar los escenarios antes de citar una sola proyección.

## Cuánto gasta una consulta a un asistente de IA

Depende de quién la mida. Google midió 0,24 Wh para la consulta de texto mediana de Gemini, y un estudio académico que comparó 30 modelos halló que los más intensivos superan los 29 Wh por consulta larga, más de 65 veces lo que gastan los más eficientes. La brecha mezcla modelos, longitudes de texto y reglas de medición.

| Fuente | Qué mide | Energía | Agua | CO₂e |
| --- | --- | --- | --- | --- |
| Google, agosto de 2025 | Consulta de texto mediana en Gemini Apps, medición completa en producción | 0,24 Wh | 0,26 ml | 0,03 g |
| Mistral AI, julio de 2025 | Respuesta de 400 tokens en Le Chat, análisis de ciclo de vida, sin contar los dispositivos del usuario | No se detalla en el anuncio | 45 ml | 1,14 g |
| Jegham y otros, 2025 | Consulta larga en 30 modelos comerciales, estimada desde fuera | Más de 29 Wh en los más intensivos | No se detalla en el resumen | No se detalla en el resumen |

El estudio de Jegham y sus colegas no mide en los centros de datos: estima con datos públicos de rendimiento y con factores ambientales de cada empresa. Analiza 30 modelos de OpenAI, Anthropic, Meta y DeepSeek con tres tamaños de consulta. La tabla recoge tres modelos de OpenAI y los extremos de la consulta larga.

| Modelo | Consulta corta (100 tokens de entrada, 300 de salida) | Consulta larga (10.000 de entrada, 1.500 de salida) |
| --- | --- | --- |
| GPT-4.1 nano | 0,207 Wh | 0,827 Wh |
| GPT-4.1 mini | 0,450 Wh | 2,122 Wh |
| GPT-4.1 | 0,871 Wh | 4,833 Wh |
| LLaMA-3.1-8B (el más eficiente en consulta larga) | No se recoge aquí | 0,443 Wh |
| DeepSeek-R1 (modelo de razonamiento) | No se recoge aquí | 29,075 Wh |

Dos lecciones salen de esa tabla. La primera es que el tamaño del modelo pesa: dentro de la familia LLaMA, el consumo sube de 0,443 Wh con 8.000 millones de parámetros a 25,202 Wh con 405.000 millones. La segunda es que los modelos de razonamiento gastan mucho más, y DeepSeek-R1 consume unas 65 veces lo que el más eficiente.

Google añade que la energía de su consulta mediana bajó 33 veces y su huella de carbono total 44 veces en 12 meses, comparando mayo de 2024 con mayo de 2025. En ese mismo artículo, Google cita una publicación de junio de 2025 del director de OpenAI, Sam Altman, que daba 0,34 Wh y unos 0,3 ml de agua para una consulta promedio de ChatGPT. Es una declaración en un blog, sin metodología publicada, así que no se puede contrastar con las otras.

**Dato clave:** una consulta corta de 0,42 Wh, multiplicada por 700 millones de consultas diarias, equivale al consumo anual de electricidad de unos 35.000 hogares de EE. UU., según [Jegham y otros](https://arxiv.org/abs/2505.09598).

**Por dónde empezar:** tomar las cifras de Google y de Mistral como mediciones de cada proveedor, y la de Jegham como una estimación externa.

## Cuánta agua consume la IA: los tres grifos

El agua de la IA sale de tres grifos: la que refrigera el centro de datos, la que usan las plantas que generan su electricidad y la que se gasta fabricando los servidores. Por eso las cifras por consulta van de 0,26 ml, en Google, a 45 ml, en Mistral, que cuenta también el ciclo de vida. Miden alcances distintos.

Esa división en tres alcances la describen Li y colegas: agua en el sitio para refrigerar (alcance 1), agua fuera del sitio para generar la electricidad (alcance 2) y agua de la cadena de suministro para fabricar los servidores (alcance 3). Quien cuenta solo el primer grifo obtiene una cifra menor que quien suma los tres.

También hay que distinguir dos conceptos. La retirada es el agua que se toma del suelo o de una fuente superficial. El consumo es la retirada menos lo que se devuelve: lo que se evapora o deja de estar disponible. Según el mismo estudio, en las torres de refrigeración cerca del 80 % de lo retirado se evapora. Google, en su artículo, explica que considera el consumo la mejor medida de su efecto sobre el agua local, y que en promedio consume el 80 % de lo que retira.

La cantidad que se evapora por kWh de energía del servidor varía con el clima. Li y colegas la sitúan entre 1 y 9 litros por kWh: 1 litro por kWh en el promedio anual de Google y 9 en un centro comercial grande de Arizona durante el verano. Para 2023 y 2024, Google reporta 1,15 litros por kWh en su indicador de uso de agua.

| Cifra de agua | Qué es | Fuente |
| --- | --- | --- |
| 0,26 ml por consulta mediana | Agua consumida en el servicio de Gemini, sin la fabricación | Google, 2025 |
| 45 ml por respuesta de 400 tokens | Agua consumida, con análisis de ciclo de vida | Mistral AI, 2025 |
| Unos 700.000 litros | Agua evaporada de forma directa al entrenar GPT-3 en centros de datos de Microsoft en EE. UU. | Li y otros |
| Unos 5,4 millones de litros | Agua consumida en total al entrenar GPT-3, sumando los alcances 1 y 2 | Li y otros |
| De 10 a 50 respuestas por botella de 500 ml | Lo que GPT-3 consume en respuestas medianas, según cuándo y dónde se use | Li y otros |
| 4.200 a 6.600 millones de m³ en 2027 | Agua retirada por la demanda mundial de IA (proyección), con los alcances 1 y 2 | Li y otros |
| 380 a 600 millones de m³ en 2027 | Parte de esa proyección que se consumiría por evaporación | Li y otros |

Los autores comparan la proyección de retirada con el agua que retiran en un año de 4 a 6 Dinamarcas o la mitad del Reino Unido. Es una comparación de retirada y no de consumo, y conviene leerla así. Su fuente es un estudio de 2023 que se actualizó en 2025, y las proyecciones a 2027 dependen de supuestos sobre el consumo eléctrico de la IA.

**Por dónde empezar:** comprobar a qué alcance de agua se refiere la cifra, si es retirada o consumida y si habla de una consulta, de un entrenamiento o de un año completo.

## Tamaño del modelo y ciclo de vida

Mistral calculó el ciclo de vida de su modelo Mistral Large 2 hasta enero de 2025, tras 18 meses de uso: 20,4 kt de CO₂e y 281.000 m³ de agua consumida. También halló que el impacto crece casi en proporción al tamaño: un modelo diez veces mayor genera un impacto de un orden de magnitud más por la misma cantidad de texto.

El análisis lo hizo la empresa con la consultora Carbone 4 y la agencia francesa de transición ecológica ADEME, y lo revisaron Resilio y Hubblo. Mistral lo presenta como el primer análisis de ciclo de vida completo de un modelo de IA. Mide tres categorías: emisiones de gases de efecto invernadero, uso de agua y agotamiento de recursos, y esta última da 660 kg de antimonio equivalente para Large 2.

Con esos resultados, la empresa propone tres indicadores para informar al público: el impacto absoluto de entrenar un modelo, el impacto marginal de cada respuesta y la proporción entre el impacto total de las respuestas y el del ciclo de vida completo. Los dos primeros, dice, podrían ser de reporte obligatorio. El tercero sirve para saber si el costo de entrenar se reparte entre muchas respuestas o se desperdicia.

El estudio de Jegham apunta en la misma dirección: dentro de una misma familia, el consumo se dispara con el número de parámetros. De ahí la utilidad práctica de elegir el modelo adecuado para cada uso, en vez del más grande por defecto.

**Por dónde empezar:** para tareas sencillas, probar primero un modelo más pequeño; el impacto sube con el tamaño.

## Un problema concentrado en pocos lugares

Estados Unidos y China concentrarán casi el 80 % del crecimiento del consumo de los centros de datos hasta 2030, según la AIE: unos 240 TWh más en Estados Unidos, un 130 % por encima de 2024, y unos 175 TWh más en China, un 170 % más. Estados Unidos ya tenía en 2024 el mayor consumo por habitante, unos 540 kWh.

La AIE señala que, a diferencia de los vehículos eléctricos, los centros de datos tienden a agruparse en ubicaciones concretas, lo que puede complicar su conexión a la red. Un promedio nacional o mundial no muestra la presión que sienten las redes y las fuentes de agua de esas zonas. Sudeste Asiático es otro ejemplo: su demanda se duplicaría con creces hacia 2030, en parte por el centro regional de Singapur y el sur de Malasia.

El tipo de instalación también cuenta. Según la AIE, la refrigeración pesa cerca del 7 % del consumo total en los centros de datos hiperescalares eficientes y más del 30 % en los empresariales menos eficientes. Dos instalaciones con los mismos servidores pueden tener huellas distintas por cómo se enfrían.

**Por dónde empezar:** al leer un porcentaje mundial, buscar también el dato de la región donde se concentran los centros de datos.

## Qué reduce el impacto

Las fuentes consultadas apuntan a cuatro palancas medibles: elegir un modelo más pequeño, mejorar la eficiencia del software y del hardware, decidir dónde y cuándo se ejecuta la carga y publicar métricas comparables. Ninguna basta sola, y la AIE advierte de que el crecimiento de la demanda puede superar las mejoras.

- Modelo adecuado: según Mistral, el impacto sube casi en proporción al tamaño del modelo, y en Jegham el consumo de la familia LLaMA pasa de 0,443 Wh a 25,202 Wh entre 8.000 y 405.000 millones de parámetros.

- Eficiencia: Google atribuye su reducción de 33 veces en energía y 44 veces en carbono en un año a mejoras de software y a la compra de energía limpia, según el resumen de su artículo técnico. En el escenario High Efficiency de la AIE, el mismo servicio digital se cubre con más de un 15 % de ahorro.

- Lugar y momento: Li y colegas muestran que el uso de agua varía en el espacio y en el tiempo, y que elegir cuándo y dónde entrenar un modelo grande puede recortar de forma notable su huella hídrica.

- Transparencia: Mistral y Google publican su metodología y defienden más transparencia en el sector, para poder comparar modelos y tomar decisiones de compra informadas.

La paradoja que señalan Jegham y colegas limita el efecto de la eficiencia: a medida que la IA se abarata y se acelera, la adopción masiva consume recursos de forma desproporcionada. La mejora por consulta puede quedar compensada si el número de consultas crece más rápido.

**Por dónde empezar:** pedir al proveedor de IA la metodología y el alcance de sus cifras, y elegir el modelo más pequeño que resuelva la tarea.

## Lo que todavía no se sabe

Hay cuatro vacíos importantes: no existe un estándar común para medir el impacto de los modelos, pocas empresas publican mediciones propias, las estimaciones externas dependen de supuestos y la cifra de una consulta cambia casi cada trimestre. Cualquier número de esta guía debe leerse con su fecha.

- Falta de estándar: Mistral reconoce que su estudio es una primera aproximación porque no hay estándares ni factores de impacto públicos para los modelos de lenguaje.

- Medición propia: Google y Mistral miden sus sistemas. Google no cita una auditoría externa de sus cifras, y el análisis de Mistral lo revisaron dos consultoras, Resilio y Hubblo.

- Estimaciones externas: Jegham calcula a partir de datos públicos de rendimiento y de factores de cada empresa, no de mediciones en el centro de datos.

- Proyecciones: la AIE presenta cuatro escenarios para 2035 que van de unos 700 TWh a más de 1.700 TWh, y el rango dice por sí solo cuánta incertidumbre hay.

- Falta de cifras de otros proveedores: esta guía no encontró una medición publicada con metodología para ChatGPT, Claude u otros asistentes comparable a la de Google.

**Por dónde empezar:** citar siempre el año y el proveedor de cada cifra, y rechazar las que no digan cómo se midieron.

## Cómo leer un titular sobre consumo de IA

Un titular sobre consumo de IA se lee bien con cinco comprobaciones: qué se midió, quién lo midió, de qué año es, qué unidad usa y si habla de agua retirada o consumida. Si falta alguna, la cifra todavía no sirve para comparar con otra.

- **Identificar el alcance:** chip, servidor, centro de datos o ciclo de vida completo.

- **Ver quién mide:** el proveedor, un laboratorio o un estudio externo.

- **Revisar la fecha:** Google reporta una mejora de 33 veces en un año, así que una cifra de 2023 o 2024 puede estar desfasada.

- **Comprobar la unidad:** Wh por consulta, TWh por año, ml por respuesta o m³ al año no se comparan sin convertirlas.

- **Distinguir el agua:** retirada o consumida, y de qué alcance.

Un ejemplo sencillo: 0,24 Wh y 29 Wh no se contradicen. Uno es la mediana de una consulta de texto en Gemini y el otro es una consulta larga en un modelo de razonamiento, estimada desde fuera.

**Por dónde empezar:** abrir la fuente original del titular y buscar la tabla de método antes de repetir la cifra.

## Mitos y realidad

- **Mito: una consulta de IA gasta siempre lo mismo.** Realidad: va de 0,24 Wh a más de 29 Wh según el modelo, la longitud y la forma de medir.

- **Mito: la IA ya consume una parte enorme de la electricidad mundial.** Realidad: todos los centros de datos sumaron el 1,5 % en 2024 y la AIE proyecta algo menos del 3 % en 2030.

- **Mito: Google y Mistral dan cifras de agua contradictorias.** Realidad: 0,26 ml y 45 ml corresponden a alcances distintos, y el segundo incluye el ciclo de vida.

- **Mito: toda el agua que se usa se pierde.** Realidad: se distingue entre retirada y consumo, y en las torres de refrigeración cerca del 80 % de lo retirado se evapora.

- **Mito: la eficiencia ya resolvió el problema.** Realidad: Google redujo 33 veces la energía de su consulta mediana en un año, pero la AIE proyecta que el consumo de los centros de datos se duplique hacia 2030.

- **Mito: el impacto es parejo en todo el planeta.** Realidad: Estados Unidos y China concentran casi el 80 % del crecimiento hasta 2030, según la AIE.

**Preguntas frecuentes**

### ¿Cuánta energía consume una consulta a ChatGPT o a Gemini?

Para Gemini, Google midió 0,24 Wh en la consulta de texto mediana. Para ChatGPT, Google cita una declaración de Sam Altman de 0,34 Wh por consulta promedio, sin metodología publicada. Los estudios externos dan rangos más amplios, de menos de 1 Wh a más de 29 Wh según el modelo.

### ¿Es verdad que la IA consume mucha agua?

Depende del alcance. Google reporta 0,26 ml por consulta mediana y Mistral 45 ml por una respuesta de 400 tokens. A escala mundial, Li y colegas proyectan entre 4.200 y 6.600 millones de metros cúbicos de agua retirada en 2027, y entre 380 y 600 millones de agua consumida.

### ¿Qué porcentaje de la electricidad mundial consume la IA?

La fuente consultada no da el porcentaje solo de IA. La AIE indica que todos los centros de datos usaron el 1,5 % de la electricidad mundial en 2024 y que serían algo menos del 3 % en 2030, y que los servidores acelerados explican casi la mitad del aumento.

### ¿Es más costoso entrenar un modelo o usarlo?

Las fuentes consultadas no permiten dar una proporción general. Mistral midió el ciclo de vida de Large 2 tras 18 meses de uso y propone reportar por separado el impacto del entrenamiento y el de cada respuesta, justo porque la proporción cambia según el modelo y su uso.

### ¿Las mejoras de eficiencia resuelven el problema?

Ayudan mucho, pero no bastan por sí solas. Google logró una reducción de 33 veces en la energía de su consulta mediana en un año, y aun así la AIE proyecta que el consumo de los centros de datos se duplique con creces hacia 2030.

### ¿Qué puede hacer una empresa para reducir su huella al usar IA?

Puede elegir el modelo más pequeño que resuelva la tarea, porque el impacto sube con el tamaño, y pedir a su proveedor cifras con metodología completa. Mistral propone que se informe el impacto de entrenar el modelo y el de cada respuesta.

### ¿Por qué cambian tanto las cifras entre un estudio y otro?

Porque miden alcances distintos: algunos cuentan solo el chip y otros el centro de datos completo o el ciclo de vida. También cambian el modelo, la longitud de la consulta y el año. La mejora de eficiencia es rápida, y una cifra de hace dos años puede estar muy desfasada.

## Artículos relacionados

- [Tres casos en Panamá: qué pasó al estructurar el contenido para la IA](/tres-casos-en-panama-contenido-estructurado-para-la-ia/)

- [Instalar una empresa tecnológica en una zona franca de Panamá: pasos](/instalar-empresa-tecnologica-zona-franca-panama-pasos/)

- [Ecosistema de innovación en Panamá: cómo elegir sede para una startup](/ecosistema-de-innovacion-panama-como-elegir-sede-startup/)

## Fuentes

Consultadas el 5 de noviembre de 2026. Las fuentes originales están en inglés.

- [Google Cloud, Measuring the environmental impact of AI inference, 21 de agosto de 2025](https://cloud.google.com/blog/products/infrastructure/measuring-the-environmental-impact-of-ai-inference).

- [Elsworth y otros, Measuring the environmental impact of delivering AI at Google Scale, arXiv 2508.15734](https://arxiv.org/abs/2508.15734).

- [Mistral AI, Our contribution to a global environmental standard for AI, 22 de julio de 2025](https://mistral.ai/news/our-contribution-to-a-global-environmental-standard-for-ai).

- [Jegham y otros, How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference, arXiv 2505.09598](https://arxiv.org/abs/2505.09598).

- [Li y otros, Making AI Less Thirsty, arXiv 2304.03271, aceptado en Communications of the ACM](https://arxiv.org/abs/2304.03271).

- [Agencia Internacional de la Energía, Energy and AI, capítulo Energy demand from AI](https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai).

- [Agencia Internacional de la Energía, comunicado sobre IA y demanda eléctrica de los centros de datos](https://www.iea.org/news/ai-is-set-to-drive-surging-electricity-demand-from-data-centres-while-offering-the-potential-to-transform-how-the-energy-sector-works).

- [Departamento de Energía de EE. UU., resumen del informe del Laboratorio Nacional Lawrence Berkeley sobre centros de datos](https://www.energy.gov/articles/doe-releases-new-report-evaluating-increase-electricity-demand-data-centers).