¿Cuánta Agua Consume la Inteligencia Artificial? Centros de Datos, Refrigeración y Huella Hídrica

La inteligencia artificial no "bebe" agua en sentido literal. El agua aparece porque los sistemas que entrenan y ejecutan los modelos generan una enorme cantidad de calor, y ese calor hay que retirarlo para que los equipos no fallen. Los clústeres de GPU que procesan los modelos modernos concentran mucha potencia en poco espacio, y el método más económico para enfriarlos a gran escala sigue siendo la evaporación de agua en torres de enfriamiento. El problema es que el agua evaporada sale del ciclo local: no vuelve a la cuenca de la que se tomó.

Para entender la huella completa conviene separarla en tres niveles:

1. Consumo directo en el centro de datos: es el agua que se usa en el sitio para refrigerar los servidores, principalmente por evaporación.
2. Consumo indirecto por la electricidad: las plantas que generan la energía que alimenta al centro de datos también usan agua, por ejemplo para su propia refrigeración. Esa agua no se ve en el sitio, pero existe.
3. Consumo en la fabricación de los chips: producir semiconductores es uno de los procesos industriales más intensivos en agua, y esa huella queda incorporada en cada equipo antes de que se encienda.

Hay además una causa de fondo que explica por qué se genera tanto calor. Según investigaciones de la Universidad de Stanford, hasta el 90 % de la energía consumida durante el entrenamiento de un modelo se gasta simplemente moviendo datos entre la memoria y el procesador, no haciendo cálculos. Ese movimiento constante de información es lo que calienta los equipos y, por lo tanto, lo que termina exigiendo refrigeración. Si le interesa cómo funcionan estos sistemas por dentro, lo explicamos en nuestra guía sobre qué es un modelo de lenguaje.

La investigación académica ha permitido construir estimaciones para cada etapa de la vida de un modelo.

Entrenar un modelo. El estudio "Making AI Less Thirsty", de Shaolei Ren y su equipo en la Universidad de California en Riverside, estimó que entrenar GPT-3 pudo evaporar directamente alrededor de 700.000 litros de agua dulce limpia. Es el costo de una sola fase de entrenamiento de un solo modelo, sin contar las versiones posteriores ni los experimentos previos.

Usar un modelo. El entrenamiento ocurre una vez, pero el uso se repite con cada consulta. Los investigadores de la Universidad de California en Riverside estimaron unos 519 mililitros de agua por cada intercambio de 100 palabras con un modelo de lenguaje.

Operar un centro de datos grande. Un centro de datos de gran escala puede consumir hasta 5 millones de galones de agua por día, un volumen equivalente al de una ciudad de unas 50.000 personas. Cuando esa demanda se concentra en una región con escasez, compite directamente con el consumo humano y agrícola.

Fabricar los chips. Cada chip requiere en su fabricación alrededor de 100 litros de agua ultrapura, y producir esa agua ultrapura exige entre 140 y 160 litros de agua ordinaria. Un caso ilustra la escala: TSMC, el mayor fabricante de semiconductores del mundo, consumió 193.000 toneladas de agua por día en 2020, un aumento del 25 % respecto al año anterior, en un periodo de sequías severas en el que las autoridades priorizaron a la industria sobre la agricultura.

En conjunto, estas cifras muestran que la huella hídrica de la IA no depende solo de cuántos modelos se entrenan, sino de cuánto se usan, dónde se ubican los centros de datos que los ejecutan y cómo se fabrica el hardware que los sostiene.

Frente a la presión pública, la industria ha respondido con dos estrategias principales. La primera son los compromisos de reposición: las grandes tecnológicas prometen devolver a las cuencas más agua de la que consumen. La segunda es cambiar la forma de refrigerar, reemplazando los sistemas evaporativos por enfriamiento por aire o por enfriamiento líquido directo al chip.

Ninguna de las dos resuelve el problema por completo. Los compromisos de reposición tienen una limitación geográfica importante: el agua suele reponerse en cuencas distintas a aquellas donde se extrajo, de modo que la comunidad que vive junto al centro de datos sigue enfrentando el mismo estrés hídrico. Además, los reportes corporativos muestran que el consumo ha seguido creciendo aun con esas metas vigentes.

El cambio de tecnología de refrigeración tiene su propio costo oculto. Un estudio de la Universidad de Michigan encontró que pasar de sistemas evaporativos a enfriamiento por aire reduce el consumo directo de agua en un 97 %, pero aumenta la demanda de electricidad en un 32 %. Como las plantas eléctricas también usan agua, parte de la carga hídrica no desaparece: se traslada del sitio del centro de datos a las comunidades donde se genera la energía. El enfriamiento líquido directo al chip mejora la eficiencia, pero tampoco elimina la demanda de energía y de refrigeración de fondo.

La lección para quien toma decisiones es que ninguna métrica aislada cuenta la historia completa. Un proveedor puede mostrar un consumo de agua en sitio muy bajo y, al mismo tiempo, depender de una red eléctrica con alta huella hídrica. Por eso los análisis más serios recomiendan reportar juntos el consumo directo y el indirecto asociado a la electricidad, y hacerlo con resolución mensual: los promedios anuales esconden los picos de estrés hídrico de las temporadas secas.

La discusión no es abstracta ni exclusiva de Estados Unidos o Asia. En América Latina ya hay casos que muestran cómo el agua se convirtió en un riesgo real de negocio para los proyectos de infraestructura digital.

El más citado es el de Cerrillos, en Chile. En 2024, el Segundo Tribunal Ambiental anuló parcialmente la aprobación del proyecto de centro de datos de Google en las comunas de Cerrillos y San Bernardo. El motivo fue la falta de información sobre los efectos del cambio climático en el Acuífero Santiago Central. El diseño original contemplaba usar 169 litros de agua subterránea por segundo en una zona con fuerte presión sobre el recurso. Ante la movilización de organizaciones y vecinos, Google anunció un cambio a enfriamiento por aire, pero el tribunal exigió retroceder la evaluación ambiental para verificar que el nuevo diseño no afectara el acuífero en las condiciones climáticas actuales.

En México, el crecimiento de centros de datos en Querétaro ha abierto un debate similar. Organizaciones como Oxfam han cuestionado la expansión de estas instalaciones en una región donde el estrés hídrico viene en aumento, y el tema ha llegado a la prensa local como un asunto de disponibilidad de agua para la población.

Estos casos dejan tres aprendizajes útiles para cualquier empresa de la región:

- La ubicación importa tanto como la tecnología. Un centro de datos eficiente en una cuenca con escasez puede generar más conflicto que uno menos eficiente en una zona con agua abundante.
- La transparencia es una condición para operar. La presión ciudadana y judicial puede detener megaproyectos cuando no hay información clara sobre el impacto en el acuífero.
- La evaluación ambiental debe incluir el clima futuro. Lo que fue sostenible con los caudales del pasado puede no serlo con las condiciones que ya trae el cambio climático.

La mayoría de las empresas en Colombia no construye centros de datos, pero sí contrata servicios de nube e inteligencia artificial, y esas decisiones de compra y de uso también determinan cuánta agua se consume. Estas son las palancas más prácticas:

1. Medir el consumo directo y el indirecto. Los análisis del sector recomiendan reportar juntos el agua usada en el sitio y la asociada a la electricidad. Pida a sus proveedores de nube e IA información sobre el uso de agua de las regiones donde se procesan sus cargas de trabajo. La industria usa el indicador WUE (Water Usage Effectiveness), propuesto por The Green Grid, que relaciona el agua usada por el centro de datos con la energía consumida por sus equipos de TI. Pregunte también por el consumo indirecto asociado a la electricidad, no solo por el de sitio.
2. Incluir el agua como criterio de riesgo. Al elegir la región donde se alojan sus datos y modelos, considere la disponibilidad de agua local como un criterio de riesgo de negocio, al mismo nivel que el costo o la latencia.
3. Reducir el cómputo y la precisión innecesarios. Las propuestas técnicas para bajar la huella apuntan a minimizar el movimiento de datos y la precisión que no aporta, porque eso es lo que genera el calor. En la práctica, no todas las tareas necesitan el modelo más grande disponible: para clasificar documentos, resumir textos cortos o responder preguntas frecuentes, un modelo más pequeño suele bastar.
4. Exigir reportes con detalle mensual. Si su organización reporta indicadores de sostenibilidad, incorpore la huella hídrica de los servicios digitales y pida a los proveedores datos mensuales, no solo promedios anuales.

Estas medidas se integran mejor cuando forman parte del plan general de adopción de IA y no se agregan al final. En nuestra guía práctica para implementar inteligencia artificial en procesos empresariales explicamos cómo priorizar casos de uso; la eficiencia en el uso de recursos es un criterio más para decidir qué proyectos valen la pena.

### ¿Por qué la inteligencia artificial necesita agua?

No "bebe" agua: los servidores que entrenan y ejecutan los modelos generan mucho calor, y retirarlo con sistemas de refrigeración consume agua, que en muchos casos se evapora.

### ¿Cuánta agua consume entrenar un modelo de IA?

Las estimaciones académicas, como el estudio "Making AI Less Thirsty" de Shaolei Ren y su equipo, construyen cifras para cada etapa de la vida de un modelo: entrenar, usar y fabricar. El artículo las detalla.

### ¿Refrigerar con aire o con agua resuelve el problema?

Es un dilema: cada opción traslada el problema, porque enfriar con aire consume más energía y enfriar con agua consume más agua. La industria responde además con compromisos de reposición.

### ¿Cómo puede una empresa reducir la huella hídrica de su uso de IA?

La mayoría no construye centros de datos pero sí contrata nube e IA, y esas decisiones de compra y de uso también determinan cuánta agua se consume. La guía propone criterios concretos para decidir.