{"id":6426,"date":"2026-05-09T14:26:12","date_gmt":"2026-05-09T17:26:12","guid":{"rendered":"http:\/\/laf5.publisher.highstack.com.ar\/?p=6426"},"modified":"2026-05-09T14:26:12","modified_gmt":"2026-05-09T17:26:12","slug":"entrenar-una-ia-consume-mucho-pero-sam-altman-cree-que-el-problema-esta-mal-planteado-esta-pregunta-incomoda-todavia-sigue-sin-respuesta","status":"publish","type":"post","link":"https:\/\/laf5.publisher.highstack.com.ar\/?p=6426","title":{"rendered":"Entrenar una IA consume mucho, pero Sam Altman cree que el problema est\u00e1 mal planteado. Esta pregunta inc\u00f3moda todav\u00eda sigue sin respuesta"},"content":{"rendered":"
\n

El debate sobre el consumo energ\u00e9tico de la inteligencia artificial suele empezar y terminar en una cifra: cu\u00e1nta electricidad hace falta para entrenar un modelo como ChatGPT. Sam Altman, CEO de OpenAI, ha intentado mover el foco. En una entrevista p\u00fablica en un evento organizado por The Indian Express, defendi\u00f3 que la comparaci\u00f3n habitual es injusta porque enfrenta el coste de entrenamiento de una IA con el coste de \u201cuna sola respuesta\u201d de un humano.<\/p>\n

Su contraargumento fue tan llamativo como pol\u00e9mico: formar a una persona tambi\u00e9n requiere d\u00e9cadas de energ\u00eda, comida y un proceso evolutivo colectivo de miles de millones de individuos. La analog\u00eda tiene trampa, pero apunta a una distinci\u00f3n clave que suele perderse en el debate: entrenar un sistema y usarlo no son lo mismo.<\/p>\n

Entrenar vs. usar: el matiz que cambia el marco del debate<\/h2>\n
\"Sam
\u00a9 Getty Images \/ Bloomberg.<\/figcaption><\/figure>\n

Altman insisti\u00f3 en que la comparaci\u00f3n \u201cjusta\u201d no es entre el entrenamiento de una IA y la capacidad instant\u00e1nea de un humano, sino entre el coste de responder una pregunta una vez el modelo ya est\u00e1 entrenado. En ese punto, sostiene, la IA podr\u00eda ser incluso m\u00e1s eficiente energ\u00e9ticamente que una persona.<\/p>\n

No es una afirmaci\u00f3n lanzada al vac\u00edo. Un estudio de Epoch AI apunta en esa direcci\u00f3n: el consumo energ\u00e9tico asociado a la inferencia (es decir, cuando realmente interactuamos con un modelo como ChatGPT) es relativamente bajo en comparaci\u00f3n con el coste inicial de entrenarlo. Dicho de otro modo, el gran pico energ\u00e9tico ocurre antes de que el sistema llegue al usuario final. El problema es que esta narrativa no resuelve la pregunta inc\u00f3moda: \u00bfcu\u00e1nto cuesta, en t\u00e9rminos absolutos, entrenar y operar estos modelos a escala planetaria?<\/p>\n

El elefante en la habitaci\u00f3n: la falta de datos<\/h2>\n
\"Sam
\u00a9 X \/ @infobaetecno.<\/figcaption><\/figure>\n

Altman tambi\u00e9n abord\u00f3 el debate sobre el consumo de agua en centros de datos, negando cifras virales que circulan sobre supuestos litros por consulta y recordando que muchos centros han dejado atr\u00e1s la refrigeraci\u00f3n evaporativa. El patr\u00f3n se repite: desmentir exageraciones, pero sin ofrecer n\u00fameros propios verificables.<\/p>\n

Aqu\u00ed est\u00e1 el n\u00facleo del problema. Ni OpenAI ni la mayor\u00eda de grandes empresas de IA publican datos detallados y auditables sobre el consumo energ\u00e9tico y de agua de sus modelos en entrenamiento e inferencia. En pa\u00edses como Estados Unidos, donde se concentra buena parte de la infraestructura, no existe una obligaci\u00f3n legal clara de transparencia. Eso deja el debate en una zona gris donde conviven exageraciones alarmistas y defensas corporativas sin cifras concretas.<\/p>\n

Eficiencia creciente, impacto creciente<\/h2>\n

Es cierto que los chips, los modelos y los sistemas de refrigeraci\u00f3n son cada vez m\u00e1s eficientes. Estudios como los de Epoch AI muestran mejoras constantes en rendimiento por vatio. El problema es que el uso de la IA crece todav\u00eda m\u00e1s r\u00e1pido. Cada punto de eficiencia ganado se ve compensado por m\u00e1s usuarios, m\u00e1s modelos, m\u00e1s centros de datos y m\u00e1s inferencias diarias.<\/p>\n

En ese contexto, la comparaci\u00f3n con el \u201centrenamiento\u201d de un humano funciona m\u00e1s como recurso ret\u00f3rico que como m\u00e9trica \u00fatil. Sirve para relativizar el coste puntual de entrenar un modelo, pero no para responder a la pregunta que preocupa a reguladores y cient\u00edficos del clima: cu\u00e1l es la huella real, acumulada y futura de la IA en el sistema energ\u00e9tico global.<\/p>\n