![](\"https:\/\/es.gizmodo.com\/app\/uploads\/2026\/07\/Diseno-sin-titulo-32-5-1024x683.jpg\")
<\/p>\n<\/p>\n
La inteligencia artificial ya ten\u00eda un problema energ\u00e9tico antes de que empez\u00e1ramos a hablar de agentes. Primero lleg\u00f3 la discusi\u00f3n por el agua usada para refrigerar centros de datos. Despu\u00e9s, la conversaci\u00f3n se movi\u00f3 hacia algo todav\u00eda m\u00e1s estructural: la electricidad. Cada modelo m\u00e1s grande, cada centro de datos nuevo y cada consulta multiplicada por millones de usuarios volvi\u00f3 m\u00e1s visible una pregunta inc\u00f3moda: cu\u00e1nto cuesta realmente sostener esta nueva infraestructura digital.<\/p>\n
La respuesta se complica a\u00fan m\u00e1s con la IA ag\u00e9ntica. Un chatbot tradicional recibe una petici\u00f3n, genera una respuesta y termina. Un agente, en cambio, puede dividir una tarea en pasos, usar un navegador, consultar una base de datos, ejecutar c\u00f3digo, revisar el resultado, corregirse y volver a llamar al modelo varias veces antes de entregar una respuesta final. Es decir: no es una conversaci\u00f3n aislada, sino una peque\u00f1a cadena de trabajo aut\u00f3nomo.<\/p>\n
Ah\u00ed aparece el dato que encendi\u00f3 las alarmas. Seg\u00fan un estudio del Instituto Avanzado de Ciencia y Tecnolog\u00eda de Corea, KAIST, los agentes de IA pueden consumir hasta 136,5 veces m\u00e1s energ\u00eda por consulta que un sistema generativo convencional dedicado a responder preguntas simples. En uno de los escenarios analizados, un agente basado en un modelo de 70.000 millones de par\u00e1metros consumi\u00f3 una media de 348,41 Wh por consulta.<\/p>\n
El estudio analiza los agentes como una nueva clase de carga para los centros de datos. No son simplemente \u201cchatbots m\u00e1s listos\u201d. Son sistemas que razonan en varios pasos, coordinan herramientas externas y repiten llamadas a modelos de lenguaje durante la ejecuci\u00f3n de una misma tarea. Seg\u00fan el resumen del paper, ese cambio aumenta la flexibilidad de los sistemas, pero tambi\u00e9n introduce problemas serios de coste, eficiencia y sostenibilidad.<\/p>\n
La clave est\u00e1 en las llamadas repetidas al modelo. Cada vez que el agente decide qu\u00e9 hacer, consulta una herramienta, interpreta un resultado o corrige su plan, vuelve a activar el modelo de lenguaje. KAIST se\u00f1ala que los agentes realizan vol\u00famenes mucho mayores de invocaciones a LLM que los sistemas de razonamiento paso a paso m\u00e1s tradicionales. Dicho de forma simple: donde un chatbot responde una vez, un agente puede necesitar muchas rondas internas para llegar al mismo punto.<\/p>\n
Eso no significa que todas las consultas de IA ag\u00e9ntica vayan a consumir 136,5 veces m\u00e1s energ\u00eda. La cifra depende del modelo, del dise\u00f1o del agente, de la dificultad de la tarea y de cu\u00e1ntas herramientas tenga que usar. Pero el mensaje central del estudio es claro: cuando la IA deja de responder y empieza a actuar, el coste computacional cambia de categor\u00eda.<\/p>\n
Uno de los hallazgos m\u00e1s interesantes no tiene que ver solo con el consumo total, sino con el tiempo muerto. Seg\u00fan KAIST, los agentes pueden tardar hasta 153,7 veces m\u00e1s que los chatbots convencionales en completar una respuesta. Y durante buena parte de ese proceso, las GPU pueden quedar inactivas hasta el 54,5% del tiempo mientras esperan respuestas de herramientas externas.<\/p>\n
Ese detalle es importante porque una GPU \u201cesperando\u201d no equivale a una GPU apagada. El hardware sigue reservado, alimentado y listo para volver a procesar cuando llegue la respuesta del navegador, del c\u00f3digo, de una API o de cualquier otra herramienta. No trabaja a plena carga todo el tiempo, pero tampoco desaparece de la factura el\u00e9ctrica.<\/p>\n
La paradoja es bastante absurda: cuanto m\u00e1s aut\u00f3nomo se vuelve el agente, m\u00e1s momentos aparecen en los que el sistema completo est\u00e1 coordinando tareas, esperando entradas externas o gestionando pasos intermedios. La inteligencia parece trabajar m\u00e1s, pero parte de la infraestructura queda atrapada en una especie de guardia permanente.<\/p>\n
La proyecci\u00f3n m\u00e1s agresiva del estudio ayuda a dimensionar el riesgo. KAIST plantea un escenario hipot\u00e9tico en el que se generan 13.700 millones de solicitudes diarias a agentes de IA, una cifra equivalente al tr\u00e1fico actual de b\u00fasquedas de Google. Bajo ese supuesto, la demanda de potencia de los centros de datos alcanzar\u00eda unos 198,9 GW, una magnitud que el instituto compara con aproximadamente la mitad del consumo el\u00e9ctrico medio de Estados Unidos.<\/p>\n
Es un escenario extremo, no una predicci\u00f3n inevitable. Pero sirve para mostrar por qu\u00e9 el debate energ\u00e9tico ya no puede limitarse al entrenamiento de grandes modelos. La inferencia (cada vez que alguien usa un modelo) se est\u00e1 convirtiendo en una parte central del problema. Y si esa inferencia pasa de respuestas simples a flujos ag\u00e9nticos largos, la presi\u00f3n sobre la infraestructura puede crecer mucho m\u00e1s r\u00e1pido de lo previsto.<\/p>\n
El contexto tampoco ayuda. La Agencia Internacional de la Energ\u00eda estima que los centros de datos consumieron alrededor de 415 TWh en 2024, cerca del 1,5% de la electricidad mundial, y proyecta que esa cifra podr\u00eda duplicarse hasta unos 945 TWh en 2030 en su escenario base. La AIE tambi\u00e9n advierte que la demanda de los centros de datos crece mucho m\u00e1s r\u00e1pido que la demanda el\u00e9ctrica general.<\/p>\n
El caso estadounidense muestra hasta qu\u00e9 punto este no es un debate abstracto. Seg\u00fan el Departamento de Energ\u00eda de Estados Unidos, los centros de datos consumieron alrededor del 4,4% de toda la electricidad del pa\u00eds en 2023. El mismo informe proyecta que podr\u00edan alcanzar entre el 6,7% y el 12% en 2028, con un consumo total que pasar\u00eda de 176 TWh en 2023 a entre 325 y 580 TWh cinco a\u00f1os despu\u00e9s.<\/p>\n
La IA no es el \u00fanico factor detr\u00e1s de ese crecimiento, pero s\u00ed uno de los m\u00e1s visibles. Los nuevos centros de datos para entrenamiento, inferencia y servicios comerciales de IA concentran demanda en regiones concretas, donde la red el\u00e9ctrica no siempre puede ampliarse al ritmo que quieren los hiperescaladores. La AIE advierte justamente que los centros de datos son dif\u00edciles de integrar porque tienden a concentrarse geogr\u00e1ficamente, a diferencia de otras fuentes de demanda m\u00e1s distribuidas.<\/p>\n
Ah\u00ed est\u00e1 el choque de velocidades. La industria tecnol\u00f3gica puede dise\u00f1ar nuevos chips, modelos y centros de datos en ciclos relativamente cortos. La red el\u00e9ctrica, en cambio, necesita planificaci\u00f3n, permisos, generaci\u00f3n, transmisi\u00f3n, almacenamiento y a\u00f1os de obra. La IA ag\u00e9ntica acelera la demanda justo sobre un sistema que no se mueve con la misma elasticidad.<\/p>\n
La conclusi\u00f3n del estudio de KAIST no es que haya que abandonar los agentes. Su utilidad es evidente: pueden automatizar tareas complejas, ayudar en programaci\u00f3n, investigaci\u00f3n, an\u00e1lisis de datos y flujos de trabajo empresariales. El problema es desplegarlos como si fueran simples chatbots con otro nombre.<\/p>\n
Minsoo Rhu, profesor de KAIST y uno de los autores del trabajo, sostiene que la competencia en IA ya no puede medirse solo por inteligencia o rendimiento, sino tambi\u00e9n por eficiencia. El equipo propone un enfoque de codise\u00f1o que optimice al mismo tiempo modelos, semiconductores, centros de datos e infraestructura el\u00e9ctrica.<\/p>\n
Esa idea ser\u00e1 cada vez m\u00e1s dif\u00edcil de esquivar. Si la IA de los pr\u00f3ximos a\u00f1os se apoya en agentes que navegan, programan, compran, resumen, ejecutan y deciden, el coste no estar\u00e1 solo en la respuesta final. Estar\u00e1 en todos los pasos invisibles que ocurren antes: las llamadas al modelo, las esperas, las herramientas, las GPU reservadas y la electricidad necesaria para mantener todo ese proceso en marcha.<\/p>\n
Los chatbots ya hab\u00edan abierto la discusi\u00f3n sobre la energ\u00eda de la inteligencia artificial. Los agentes la vuelven m\u00e1s urgente, porque prometen hacer mucho m\u00e1s que contestar. Y precisamente por eso pueden consumir mucho m\u00e1s que una respuesta. La pr\u00f3xima gran carrera de la IA quiz\u00e1 no sea solo por construir sistemas m\u00e1s capaces, sino por evitar que cada peque\u00f1a tarea aut\u00f3noma termine pareci\u00e9ndose, en consumo, a encender una m\u00e1quina entera por detr\u00e1s.<\/p>\n<\/p><\/div>\n","protected":false},"excerpt":{"rendered":"
La inteligencia artificial ya ten\u00eda un problema energ\u00e9tico antes de que empez\u00e1ramos a hablar de agentes. Primero lleg\u00f3 la discusi\u00f3n por el agua usada para refrigerar centros de datos. Despu\u00e9s, la conversaci\u00f3n se movi\u00f3 hacia algo todav\u00eda m\u00e1s estructural: la electricidad. Cada modelo m\u00e1s grande, cada centro de datos nuevo y cada consulta multiplicada por […]<\/p>\n","protected":false},"author":1,"featured_media":11683,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-11682","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-sin-categoria"],"_links":{"self":[{"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/posts\/11682","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=11682"}],"version-history":[{"count":0,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/posts\/11682\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/media\/11683"}],"wp:attachment":[{"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=11682"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=11682"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=11682"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}