La IA no solo desplaza costes laborales, como ya vimos. También arrastra un coste físico —energía y agua— que hoy se paga a pérdidas. La ciencia sabe dónde están los obstáculos y trabaja en ellos. Ese es el verdadero camino hacia su comoditización.
En La IA no es un empleado barato: es una infraestructura cara sostuve que uno de los errores habituales del discurso empresarial sobre la inteligencia artificial consiste en presentarla como una sustitución barata, inmediata y estable del trabajo humano. La inteligencia artificial no elimina costes: los desplaza hacia los datos, la supervisión, la integración, el mantenimiento y la dependencia del proveedor.
Pero ese era solo el primer nivel del problema.
Hay otro más profundo, más material y menos visible. La inteligencia artificial tampoco es una tecnología físicamente ligera. No vive en la nube. Vive en centros de datos. Consume electricidad. Genera calor. Necesita refrigeración. Y esa refrigeración, en muchos casos, requiere agua.
La nube nunca fue una nube. Era una metáfora amable para no decir edificios, cables, servidores, chips, redes eléctricas y sistemas de enfriamiento.
Por eso la pregunta decisiva ya no es solo si la inteligencia artificial puede hacer determinadas tareas. La pregunta es si puede hacerlas a escala sin volverse energética, hídrica y económicamente insostenible. Y la respuesta honesta, hoy, es que todavía no. Pero la ciencia sabe exactamente dónde están los obstáculos. Y está trabajando en ellos.
Una tecnología que se comporta como industria pesada
La inteligencia artificial generativa quiere convertirse en una utilidad cotidiana: escribir, resumir, programar, traducir, analizar documentos, atender clientes, asistir a médicos y abogados, automatizar procesos internos. Quiere recorrer el mismo camino que el correo electrónico, el almacenamiento en la nube o el software de gestión: volverse barata, estable y tan habitual que deje de percibirse como algo excepcional.
Ese proceso tiene un nombre técnico: comoditización. Es lo que convierte una tecnología cara y compleja en una herramienta accesible para cualquier empresa o persona.
El problema es que la inteligencia artificial todavía no ha completado ese camino. Y los dos obstáculos más importantes no son de software. Son físicos.
Esto no es teoría. En Uruguay, Google proyectó un consumo de 7,6 millones de litros de agua potable al día para uno de sus centros de datos, en plena crisis hídrica. En Talavera de la Reina, el complejo proyectado por Meta demandaría el 8% de los recursos hídricos superficiales asignados a toda la ciudad. En Chile y en México, proyectos similares han encontrado resistencia judicial y ciudadana por las mismas razones.
La nube se vuelve política cuando necesita el agua del municipio.
Por qué esto importa para la comoditización
Estos dos límites —energía y agua— no son problemas menores que se resolverán solos con el tiempo. Son obstáculos estructurales que condicionan si la inteligencia artificial puede llegar a ser realmente universal o si quedará concentrada en manos de quienes puedan pagar su infraestructura.
Una tecnología que requiere enormes centros de datos, contratos energéticos gigantescos y recursos hídricos que compiten con el consumo humano no se democratiza fácilmente. Se concentra. Y una tecnología concentrada no es una utilidad. Es un privilegio.
Pero hay una consecuencia de esto que raramente se nombra con claridad y que conecta directamente con el argumento del artículo anterior: los precios que pagan hoy los usuarios de inteligencia artificial no son precios reales.
OpenAI, Google, Anthropic, Microsoft y el resto de grandes proveedores están vendiendo sus servicios por debajo de coste. El precio que paga una empresa o un particular por usar estos sistemas no cubre lo que cuesta realmente producirlos: la electricidad, la refrigeración, el hardware especializado, la amortización de los centros de datos. Si ese coste real se repercutiera íntegramente, la inteligencia artificial sería inviablemente cara para la mayoría de los usos actuales.
Esto tiene una implicación importante para cualquier empresa que esté integrando inteligencia artificial en sus procesos: está tomando decisiones basándose en precios que no son sostenibles. Cuando esos precios se corrijan —si los proveedores necesitan eventualmente rentabilizar su infraestructura— el cálculo económico de muchas implantaciones cambiará radicalmente. Es exactamente el tipo de coste oculto que el artículo anterior identificaba en otro nivel del problema.
Por eso los límites físicos no son solo una cuestión ecológica o energética. Son una cuestión de precio. Y el precio es la condición más básica de la comoditización.
Pero aquí empieza la parte más interesante.
La comunidad científica lleva años trabajando en este problema con una claridad poco habitual: sabe exactamente qué hay que resolver y por dónde atacarlo. No hay una solución única ni mágica. Hay varias líneas de investigación que avanzan en paralelo, cada una dirigida a un punto diferente del problema. Ninguna está completamente madura. Pero el conjunto dibuja un camino creíble hacia una inteligencia artificial que consuma menos para hacer lo mismo.
Usar mejor lo que ya existe
La primera línea de investigación no busca construir nada nuevo. Busca usar mejor lo que ya hay.
La intuición es sencilla: hoy, la mayoría de los sistemas de inteligencia artificial responden a cualquier pregunta activando siempre el modelo más grande y potente disponible, aunque la pregunta sea trivial. Es como encender un alto horno para calentar un café.
Los investigadores están desarrollando sistemas capaces de evaluar cada consulta antes de procesarla y decidir qué nivel de potencia necesita realmente. Una pregunta simple va al modelo más pequeño y barato. Solo las preguntas genuinamente complejas llegan al modelo grande. Los primeros resultados de esta línea muestran que es posible reducir el coste computacional a la mitad manteniendo una calidad de respuesta casi idéntica. En algunos casos, el ahorro es mucho mayor.
Junto a esto, se investigan formas de evitar recalcular respuestas que ya se han dado antes. Muchas consultas son parecidas entre sí. Si el sistema recuerda respuestas anteriores y las reutiliza cuando la nueva pregunta es suficientemente similar, el trabajo computacional se reduce de forma significativa. Y si además se logra enviar al modelo instrucciones más concisas sin perder información relevante, cada consulta pesa menos y consume menos.
Estas técnicas no son ciencia ficción. Algunas ya se aplican en entornos reales. Pero su adopción generalizada y su refinamiento siguen siendo objeto de investigación activa.
Modelos más ligeros, igual de capaces
La segunda línea ataca el problema desde otro ángulo: en lugar de gestionar mejor el uso de los modelos existentes, busca hacer los modelos más pequeños sin que pierdan capacidad.
Un modelo de inteligencia artificial es, en esencia, una red de parámetros matemáticos aprendidos durante el entrenamiento. Los modelos más potentes tienen cientos de miles de millones de esos parámetros. Eso los hace muy capaces, pero también muy pesados: necesitan mucha memoria, mucha electricidad y mucho tiempo para responder.
Los investigadores han descubierto que no todos esos parámetros son igualmente importantes. Muchos son redundantes o contribuyen muy poco al resultado final. La poda consiste en identificarlos y eliminarlos. La destilación consiste en transferir lo que sabe un modelo grande a uno más pequeño, como si el modelo grande le enseñara al pequeño a comportarse de forma similar. La cuantización reduce la precisión matemática interna del modelo cuando esa precisión no es necesaria para la tarea.
El resultado de combinar estas tres técnicas en el orden correcto puede ser un modelo que ocupa una fracción del espacio original, consume mucha menos energía y mantiene un rendimiento sorprendentemente cercano al del modelo grande del que deriva.
Esta investigación está progresando con rapidez. Pero producir un modelo comprimido de alta calidad sigue siendo un proceso costoso, laborioso y delicado. No es todavía algo que cualquier organización pueda hacer por su cuenta.
Acercar la inteligencia al usuario
La tercera línea busca algo estructuralmente diferente: que no todo el procesamiento tenga que viajar hasta un gran centro de datos.
Hoy, cuando alguien hace una consulta a un sistema de inteligencia artificial, esa consulta viaja por internet hasta un servidor remoto, se procesa allí y la respuesta regresa al usuario. Todo el trabajo ocurre en los grandes centros de datos que concentran el consumo eléctrico e hídrico del que hablábamos.
Los investigadores y fabricantes de hardware están trabajando para que una parte creciente de ese procesamiento pueda ocurrir directamente en el dispositivo del usuario: su teléfono, su portátil, su ordenador de trabajo. Esto reduciría la dependencia de los grandes centros, distribuiría el cómputo y mejoraría además la privacidad, porque los datos no tendrían que salir del dispositivo.
Los avances en este campo son reales. Los chips modernos incluyen ya unidades diseñadas específicamente para tareas de inteligencia artificial y consumen mucho menos que los servidores de centro de datos para operaciones equivalentes. Pero hay un límite claro: las tareas más complejas seguirán necesitando la potencia de los grandes modelos en la nube. El futuro más probable es híbrido: algunas cosas en local, las más exigentes en remoto.
Repensar el hardware desde la física
Las tres líneas anteriores trabajan sobre lo que ya existe: los modelos, los sistemas, los dispositivos actuales. Pero hay investigaciones más ambiciosas que cuestionan algo más profundo: la propia arquitectura física del cómputo.
Una de las más prometedoras parte de una observación aparentemente simple. En los ordenadores actuales, el procesador y la memoria son componentes separados. Cada vez que el procesador necesita datos, tiene que ir a buscarlos a la memoria, traerlos, procesarlos y devolverlos. Ese movimiento constante de datos consume energía, genera calor y ralentiza el sistema. Una parte importante del coste físico de la inteligencia artificial no está en el cálculo en sí, sino en el transporte de datos de un lado a otro.
Los investigadores están explorando arquitecturas donde el cálculo ocurre directamente dentro de la memoria, eliminando ese tráfico constante. Es todavía una línea de investigación en fases tempranas, pero el principio físico es sólido y los primeros resultados son alentadores.
Otra línea todavía más radical explora el uso de luz en lugar de electricidad para realizar ciertas operaciones de cálculo y transmisión de datos. Los fotones se mueven sin generar el calor que generan los electrones en los circuitos convencionales. Empresas e instituciones académicas han presentado prototipos que demuestran la viabilidad del principio. Pero convertir eso en hardware de uso generalizado es un camino largo.
Ninguna de estas líneas está lista. Algunas lo estarán en pocos años. Otras necesitarán más tiempo. Y probablemente la solución final no sea una sola de ellas, sino una combinación de varias actuando en distintos niveles del sistema.
Pero el hecho de que existan, de que sean objeto de investigación seria y de que estén produciendo resultados reales, dice algo importante: los límites físicos de la inteligencia artificial no son un misterio ni un problema sin salida. Son obstáculos identificados, con equipos trabajando en ellos y con avances medibles.
Eso es cualitativamente distinto de una tecnología que no sabe qué tiene que resolver.
Lo que la investigación nos dice sobre el presente
En La IA no es un empleado barato: es una infraestructura cara concluía que la inteligencia artificial se está adoptando antes de estar lista. Este segundo nivel del problema confirma esa lectura: los costes físicos son reales, significativos y no están resueltos. Pero la investigación activa en todas estas líneas sugiere que la comoditización no es una promesa vacía. Es un destino al que se está trabajando para llegar.
Y sin embargo, conviene no perder de vista una distinción incómoda. Lo que hoy se vende como producto terminado —una herramienta estable, lista para integrarse en cualquier proceso de negocio— es, en aspectos físicos importantes, todavía un prototipo científico. La refrigeración líquida, la compresión de modelos, el enrutamiento inteligente, la computación en memoria: ninguna de estas líneas ha alcanzado la madurez de ingeniería estandarizada que el discurso comercial presupone. Son investigación en curso, con resultados parciales y prometedores, pero investigación.
Esa distancia entre el ritmo de la ciencia y el ritmo del producto no es un detalle técnico. Es la raíz del problema que abrimos antes: el precio que paga hoy el usuario no es el precio real porque lo que compra no es, en rigor, una tecnología terminada. Es un prototipo con interfaz de producto, sostenido por una apuesta financiera mientras la ciencia que lo haría sostenible todavía trabaja en el laboratorio. La presión comercial necesita vender certezas. La física, por ahora, solo ofrece líneas de trabajo.
La pregunta no es si la inteligencia artificial superará sus límites físicos. La pregunta es cuándo. Y a qué precio, en todos los sentidos de la palabra.
Comentarios
Publicar un comentario