Cuando se habla del consumo energético de la inteligencia artificial, las miradas suelen dirigirse hacia las GPU, los enormes centros de datos y sus sistemas de refrigeración. Sin embargo, existe otra pieza fundamental de la ecuación: el software. Un algoritmo más eficiente puede realizar una tarea utilizando menos operaciones y, por lo tanto, exigir menos trabajo al hardware. Esto puede traducirse tanto en un menor consumo eléctrico como en una reducción de los costos de operación.
Y para las empresas, ese segundo punto empieza a resultar especialmente importante. La factura de utilizar IA no deja de crecer La adopción empresarial de inteligencia artificial continúa aumentando. Según una encuesta global publicada por McKinsey en 2026, el 89% de las organizaciones consultadas utiliza regularmente IA en al menos una función empresarial. Pero aproximadamente una de cada cinco también reconoce haber limitado su utilización debido a los costos operativos, entre ellos el gasto asociado al procesamiento de tokens.
El problema puede crecer a medida que se popularizan los agentes de IA. Estos sistemas pueden ejecutar tareas durante períodos prolongados, consultar información repetidamente y realizar numerosas operaciones antes de ofrecer un resultado. Todo ese procesamiento requiere cómputo. Algoritmos que hacen más con menos Una de las estrategias consiste en reducir la precisión numérica empleada durante determinados cálculos.
En lugar de trabajar siempre con representaciones de 32 o 64 bits , algunos sistemas pueden utilizar formatos de 16 u 8 bits e incluso precisiones inferiores en determinadas operaciones. Esto permite reducir memoria, transferencia de datos y capacidad de cálculo necesaria. El desafío consiste en hacerlo sin degradar significativamente el resultado. Dependiendo de la tarea, una pequeña pérdida de precisión puede ser aceptable.
Un sistema que recomienda una película, por ejemplo, tiene un margen de error muy diferente al de una aplicación médica. También pueden reutilizarse partes de modelos ya entrenados , reducir la cantidad de parámetros que se actualizan o activar únicamente determinadas regiones de una red neuronal. Q2’2026 @alexdolbun & “Agentic Swarm Orchestra Conductor” track: Gemma 4 QAT is super interesting, Mr. @ggerganov & @ggml_org .cpp is there and @huggingface OSS is winning, amazing, we need more 10-20-50-100 parallel/competitive agents locally in benches https://t.co/Jaf6bpu23T ,… pic.twitter.com/9eBFH3QVBz @alexdolbun (@alexdolbun) June 5, 2026 DeepSeek mostró hasta dónde puede llegar la eficiencia Uno de los ejemplos más conocidos apareció con DeepSeek-V3. El modelo utiliza una arquitectura denominada Mixture-of-Experts, o mezcla de expertos.
Aunque cuenta con 671.000 millones de parámetros en total, solo unos 37.000 millones se activan para procesar cada token. La idea es sencilla: en lugar de utilizar todo el modelo para resolver cada operación, el sistema dirige la información hacia los componentes especializados que necesita. DeepSeek informó que el entrenamiento completo de V3 requirió alrededor de 2,788 millones de horas de GPU Nvidia H800 . La cifra corresponde al entrenamiento final comunicado por la empresa y no incluye todo el costo previo de investigación, experimentación o infraestructura.
El consumo de los centros de datos seguirá aumentando La búsqueda de eficiencia llega en un momento especialmente sensible. La Agencia Internacional de la Energía calcula que los centros de datos consumieron alrededor de 415 TWh de electricidad en 2024, aproximadamente el 1,5% de la demanda eléctrica mundial. Para 2030, su escenario central proyecta alrededor de 945 TWh, algo menos del 3% del consumo eléctrico global previsto. La mejora del hardware seguirá siendo fundamental, pero no será la única herramienta disponible.
Cada cálculo que un algoritmo consigue evitar significa menos trabajo para los chips. En la carrera por una IA más barata y sostenible, escribir mejor software podría terminar siendo tan importante como construir GPU más potentes. Fuente: Xataka.
