{"id":11565,"date":"2026-07-07T12:43:57","date_gmt":"2026-07-07T15:43:57","guid":{"rendered":"http:\/\/laf5.publisher.highstack.com.ar\/?p=11565"},"modified":"2026-07-07T12:43:57","modified_gmt":"2026-07-07T15:43:57","slug":"la-ia-agentica-promete-trabajar-sola-pero-tiene-un-problema-enorme-puede-gastar-hasta-136-veces-mas-energia-que-un-chatbot","status":"publish","type":"post","link":"https:\/\/laf5.publisher.highstack.com.ar\/?p=11565","title":{"rendered":"La IA ag\u00e9ntica promete trabajar sola, pero tiene un problema enorme: puede gastar hasta 136 veces m\u00e1s energ\u00eda que un chatbot"},"content":{"rendered":"
\n

Durante meses, la discusi\u00f3n sobre el coste ambiental de la inteligencia artificial estuvo centrada en los chatbots. Cada pregunta, cada imagen generada y cada respuesta larga parec\u00edan peque\u00f1as acciones invisibles, pero detr\u00e1s hab\u00eda centros de datos, GPU, refrigeraci\u00f3n, agua y una demanda el\u00e9ctrica cada vez m\u00e1s dif\u00edcil de ignorar.<\/p>\n

Ahora llega una fase todav\u00eda m\u00e1s exigente: la IA ag\u00e9ntica. Ya no hablamos solo de escribir una respuesta cuando el usuario pregunta algo, sino de sistemas capaces de planificar tareas, consultar webs, ejecutar c\u00f3digo, usar herramientas externas, comparar resultados y tomar decisiones intermedias antes de llegar a una respuesta final.<\/p>\n

Un estudio del KAIST, el Instituto Avanzado de Ciencia y Tecnolog\u00eda de Corea, acaba de poner n\u00fameros a ese salto. Seg\u00fan el equipo dirigido por el profesor Minsoo Yoo, un agente de IA basado en un modelo de 70.000 millones de par\u00e1metros consumi\u00f3 de media 348,41 Wh para procesar una sola consulta compleja. En algunos casos, el consumo fue hasta 136,5 veces superior al de una IA generativa convencional en modo pregunta-respuesta.<\/p>\n

\"La
\u00a9 Magnific<\/figcaption><\/figure>\n

El problema no es solo pensar m\u00e1s: es trabajar m\u00e1s tiempo<\/h2>\n

La diferencia entre un chatbot y un agente parece peque\u00f1a desde fuera, pero es enorme por dentro. Un chatbot recibe una instrucci\u00f3n, genera una respuesta y termina. Un agente, en cambio, puede descomponer el objetivo en pasos, consultar herramientas, esperar respuestas externas, volver a llamar al modelo, corregir su plan y repetir el ciclo varias veces.<\/p>\n

Eso dispara el tiempo de ejecuci\u00f3n. El estudio de KAIST detect\u00f3 que los agentes pueden tardar hasta 153,7 veces m\u00e1s que los sistemas convencionales en completar una respuesta. Y durante parte de ese proceso las GPU no est\u00e1n trabajando al m\u00e1ximo, pero tampoco est\u00e1n apagadas: pueden quedar inactivas hasta el 54,5% del tiempo mientras esperan resultados de herramientas externas, webs o programas.<\/p>\n

Ese detalle es clave. La energ\u00eda no se consume solo cuando el modelo \u201cpiensa\u201d activamente. Tambi\u00e9n se consume cuando el hardware est\u00e1 preparado para continuar, esperando que llegue un dato para volver a procesar. En t\u00e9rminos de eficiencia, eso convierte a los agentes en una carga mucho m\u00e1s irregular y dif\u00edcil de optimizar que un chatbot tradicional.<\/p>\n

La proyecci\u00f3n m\u00e1s llamativa del estudio es todav\u00eda m\u00e1s dura. Si en un futuro hubiera 13.700 millones de solicitudes diarias a agentes de IA, los investigadores estiman que los centros de datos necesitar\u00edan unos 198,9 GW de potencia, una cifra comparable a aproximadamente la mitad del consumo el\u00e9ctrico medio total de Estados Unidos.<\/p>\n