![](\"https:\/\/es.gizmodo.com\/app\/uploads\/2026\/10\/Gizmodo-61-1024x683.jpg\")
<\/p>\n<\/p>\n
Cuando se habla del consumo energ\u00e9tico de la inteligencia artificial, las miradas suelen dirigirse hacia las GPU, los enormes centros de datos y sus sistemas de refrigeraci\u00f3n. Sin embargo, existe otra pieza fundamental de la ecuaci\u00f3n: el software.<\/p>\n
Un algoritmo m\u00e1s eficiente puede realizar una tarea utilizando menos operaciones y, por lo tanto, exigir menos trabajo al hardware. Esto puede traducirse tanto en un menor consumo el\u00e9ctrico como en una reducci\u00f3n de los costos de operaci\u00f3n.<\/p>\n
Y para las empresas, ese segundo punto empieza a resultar especialmente importante.<\/p>\n
La adopci\u00f3n empresarial de inteligencia artificial contin\u00faa aumentando. Seg\u00fan una encuesta global publicada por McKinsey en 2026, el 89% de las organizaciones consultadas utiliza regularmente IA en al menos una funci\u00f3n empresarial.<\/p>\n
Pero aproximadamente una de cada cinco tambi\u00e9n reconoce haber limitado su utilizaci\u00f3n debido a los costos operativos, entre ellos el gasto asociado al procesamiento de tokens.<\/p>\n
El problema puede crecer a medida que se popularizan los agentes de IA. Estos sistemas pueden ejecutar tareas durante per\u00edodos prolongados, consultar informaci\u00f3n repetidamente y realizar numerosas operaciones antes de ofrecer un resultado.<\/p>\n
Todo ese procesamiento requiere c\u00f3mputo.<\/p>\n
Una de las estrategias consiste en reducir la precisi\u00f3n num\u00e9rica empleada durante determinados c\u00e1lculos. En lugar de trabajar siempre con representaciones de 32 o 64 bits, algunos sistemas pueden utilizar formatos de 16 u 8 bits e incluso precisiones inferiores en determinadas operaciones.<\/p>\n
Esto permite reducir memoria, transferencia de datos y capacidad de c\u00e1lculo necesaria.<\/p>\n
El desaf\u00edo consiste en hacerlo sin degradar significativamente el resultado. Dependiendo de la tarea, una peque\u00f1a p\u00e9rdida de precisi\u00f3n puede ser aceptable. Un sistema que recomienda una pel\u00edcula, por ejemplo, tiene un margen de error muy diferente al de una aplicaci\u00f3n m\u00e9dica.<\/p>\n
Tambi\u00e9n pueden reutilizarse partes de modelos ya entrenados, reducir la cantidad de par\u00e1metros que se actualizan o activar \u00fanicamente determinadas regiones de una red neuronal.<\/p>\n
\nQ2\u20192026 @alexdolbun & \u201cAgentic Swarm Orchestra Conductor\u201d track: Gemma 4 QAT is super interesting, Mr. @ggerganov & @ggml_org .cpp is there and @huggingface OSS is winning, amazing, we need more 10-20-50-100 parallel\/competitive agents locally in benches pic.twitter.com\/9eBFH3QVBz<\/a><\/p>\n
\u2014 @alexdolbun (@alexdolbun) June 5, 2026<\/p>\n<\/blockquote>\n
DeepSeek mostr\u00f3 hasta d\u00f3nde puede llegar la eficiencia<\/h2>\n
Uno de los ejemplos m\u00e1s conocidos apareci\u00f3 con DeepSeek-V3.<\/p>\n
El modelo utiliza una arquitectura denominada Mixture-of-Experts, o mezcla de expertos. Aunque cuenta con 671.000 millones de par\u00e1metros en total, solo unos 37.000 millones se activan para procesar cada token.<\/p>\n
La idea es sencilla: en lugar de utilizar todo el modelo para resolver cada operaci\u00f3n, el sistema dirige la informaci\u00f3n hacia los componentes especializados que necesita.<\/p>\n
DeepSeek inform\u00f3 que el entrenamiento completo de V3 requiri\u00f3 alrededor de 2,788 millones de horas de GPU Nvidia H800. La cifra corresponde al entrenamiento final comunicado por la empresa y no incluye todo el costo previo de investigaci\u00f3n, experimentaci\u00f3n o infraestructura.<\/p>\n
El consumo de los centros de datos seguir\u00e1 aumentando<\/h2>\n
La b\u00fasqueda de eficiencia llega en un momento especialmente sensible.<\/p>\n
La Agencia Internacional de la Energ\u00eda calcula que los centros de datos consumieron alrededor de 415 TWh de electricidad en 2024, aproximadamente el 1,5% de la demanda el\u00e9ctrica mundial. Para 2030, su escenario central proyecta alrededor de 945 TWh, algo menos del 3% del consumo el\u00e9ctrico global previsto.<\/p>\n
La mejora del hardware seguir\u00e1 siendo fundamental, pero no ser\u00e1 la \u00fanica herramienta disponible. Cada c\u00e1lculo que un algoritmo consigue evitar significa menos trabajo para los chips.<\/p>\n
En la carrera por una IA m\u00e1s barata y sostenible, escribir mejor software podr\u00eda terminar siendo tan importante como construir GPU m\u00e1s potentes.<\/p>\n
\u00a0<\/p>\n
\u00a0<\/p>\n
Fuente: Xataka.<\/p>\n<\/p><\/div>\n