La inteligencia artificial se está convirtiendo rápidamente en parte de la infraestructura digital cotidiana. Los Large Language Models (LLM) respaldan hoy tareas que van desde la atención al cliente y el desarrollo de software hasta la gestión del conocimiento interno y el análisis de datos.

A medida que crece su adopción, las organizaciones se preguntan cada vez más por la huella de carbono de la IA y de los Large Language Models. ¿Son los LLM una fuente significativa de emisiones? ¿Debería tenerse en cuenta su uso en las estrategias climáticas corporativas?

El debate público suele centrarse en la energía necesaria para generar respuestas a los prompts. Sin embargo, la investigación demuestra que no es ahí donde se produce la mayor parte de las emisiones. La mayor parte del impacto ambiental de los LLM se produce antes en el ciclo de vida del modelo, en particular durante el entrenamiento.

Comprender dónde se producen realmente las emisiones es importante para los consultores de sostenibilidad que asesoran a organizaciones en materia de contabilidad de carbono, reporting ESG e impactos de la infraestructura digital.

¿De dónde proceden las emisiones de los LLM?

A lo largo de todo el ciclo de vida de un Large Language Model, la gran mayoría de las emisiones se produce antes de que los usuarios finales utilicen el modelo.

Entrenar un LLM requiere enormes recursos computacionales. Durante esta fase, el modelo aprende de grandes conjuntos de datos mediante procesos de optimización repetidos que requieren una gran capacidad de cálculo.

Un estudio realizado por Carbone4 sobre el LLM de Mistral ofrece un desglose útil de las emisiones a lo largo del ciclo de vida del modelo:

Esto significa que aproximadamente el 95 % de la huella de carbono total de un LLM se determina durante su desarrollo, no durante el uso cotidiano.

Dos factores explican esta distribución.

1. Elevada demanda computacional durante el entrenamiento

El entrenamiento implica cargas de trabajo informáticas extremadamente grandes, que a menudo incluyen:

Estos procesos de entrenamiento pueden durar semanas o meses, según el tamaño del modelo.

2. Emisiones incorporadas del hardware especializado

La producción de hardware de IA de alto rendimiento también contribuye a la huella total. La fabricación de:

genera importantes emisiones incorporadas.

En conjunto, el consumo de electricidad durante el entrenamiento y la fabricación de hardware dominan la huella del ciclo de vida de los Large Language Models.

El impacto de carbono del uso de Large Language Models

A diferencia del entrenamiento, las emisiones asociadas al uso de los LLM son comparativamente pequeñas.

Cuando los usuarios envían prompts, el modelo realiza una operación llamada inferencia, en la que genera una respuesta utilizando sus parámetros entrenados. Este proceso requiere capacidad de cálculo, pero consume mucha menos energía que el entrenamiento.

Las estimaciones indican que generar respuestas a 1.000 prompts produce emisiones de entre aproximadamente 5 y 500 gCO₂e. Estas cifras suponen una intensidad de carbono de la electricidad de aproximadamente 480 gCO₂/kWh.

El rango depende de varios factores:

Incluso en el extremo superior de la estimación, las emisiones siguen siendo pequeñas en comparación con la mayoría de los componentes de una huella de carbono personal o corporativa típica.

Por ejemplo, las emisiones de:

a menudo superan las emisiones asociadas a miles de consultas de IA.

Por este motivo, las emisiones derivadas del uso de LLM suelen ser insignificantes en la mayoría de las huellas de carbono corporativas.

Por qué el tamaño del modelo determina la huella de carbono de la IA

Aunque las emisiones de uso son pequeñas, la huella de carbono total de los modelos de IA está estrechamente ligada al tamaño del modelo.

Los modelos más grandes requieren:

Como resultado, las emisiones aumentan significativamente con el número de parámetros del modelo.

Esto crea una palanca de sostenibilidad importante. En muchas aplicaciones reales, no se necesitan modelos de propósito general extremadamente grandes.

En su lugar, las organizaciones a menudo pueden utilizar:

Estos enfoques pueden reducir significativamente los requisitos computacionales sin dejar de ofrecer un rendimiento adecuado.

Para los consultores de sostenibilidad que asesoran a organizaciones sobre la adopción de IA, la selección del modelo se convierte en uno de los factores más importantes que influyen en el impacto ambiental.

Qué significan las emisiones de la IA para la contabilidad de carbono corporativa

El auge de la IA plantea varias cuestiones prácticas para la contabilidad de carbono y el reporting de sostenibilidad.

Tres aspectos son especialmente relevantes.

1. Contextualizar las emisiones de la IA

En la mayoría de las organizaciones, las emisiones vinculadas al uso de la IA representarán una parte muy pequeña de las emisiones totales.

Otras fuentes de emisiones suelen dominar la huella corporativa, entre ellas:

Esto significa que el uso de la IA rara vez se convierte en un foco principal de las estrategias corporativas de descarbonización.

2. Comprender los límites del ciclo de vida

La mayoría de las emisiones se producen durante el desarrollo del modelo y la producción de hardware, que normalmente tienen lugar en la infraestructura de los proveedores tecnológicos.

Esto plantea retos para los marcos de contabilidad corporativa porque:

Comprender estos límites del ciclo de vida es esencial al evaluar el impacto ambiental de las tecnologías digitales.

3. Identificar palancas prácticas de reducción

Para las organizaciones que implementan sistemas de IA, las opciones más realistas de reducción de emisiones incluyen:

Estas decisiones pueden reducir el consumo de energía sin renunciar a los beneficios de las tecnologías de IA.

La futura huella de carbono de la inteligencia artificial

El impacto ambiental de la IA dependerá en gran medida de cómo se diseñen, entrenen y desplieguen los modelos.

Varias tendencias influirán en la futura huella de carbono de los Large Language Models:

Al mismo tiempo, el rápido crecimiento del uso de la IA implica que la demanda total de energía podría seguir aumentando.

Para los profesionales de la sostenibilidad, esto refuerza la importancia de comprender la infraestructura digital que hay detrás de los sistemas de IA, incluyendo:

Conclusiones clave: el impacto de carbono de los Large Language Models

Para los consultores de sostenibilidad que asesoran a organizaciones sobre la adopción de IA, destacan varias conclusiones:

En la práctica, la estrategia más eficaz para reducir la huella de carbono de la IA no es limitar el uso individual, sino mejorar la eficiencia de los modelos y las decisiones de despliegue.

A medida que la inteligencia artificial siga extendiéndose por los sistemas digitales, comprender estas dinámicas será cada vez más importante para los profesionales de la sostenibilidad que trabajan en la intersección entre la IA, la contabilidad de carbono y la estrategia climática.

Este blog se basa en las siguientes fuentes:

---

Sobre Carbon+Alt+Delete

Ofrecemos software de contabilidad de carbono para consultores de sostenibilidad y consultoras que guían a las empresas hacia el net zero.

¿Quiere descubrir cómo nuestro software puede mejorar sus servicios de contabilidad de carbono?

Escríbanos a [email protected] o reserve una reunión con uno de nuestros expertos aquí.