Berget AI, la IA sueca: 8,5x más CO2 por consulta en Texas

La misma consulta de IA emite 8,5 veces más CO2 en Texas que en Suecia

Una consulta típica al modelo abierto Kimi K3 emite 0,38 gramos de CO2e si el servidor está en Suecia y 3,2 gramos si está en Texas, con el mismo hardware y unos 4 Wh de energía consumida en ambos casos. La diferencia es de 8,5 veces por exactamente el mismo trabajo. Lo mide Berget AI, un proveedor sueco de inferencia que junto al Stockholm Environment Institute (SEI), la organización WattTime y Klimatkollen publicó el 21 de octubre de 2026 un método de código abierto para calcular la huella de carbono de cada petición individual.

Para quien construye producto con IA, el mensaje es incómodo y accionable: la huella de tu producto no depende solo del modelo que eliges, sino de la red eléctrica que alimenta el servidor donde corre. Y hasta ahora casi ningún proveedor entregaba ese dato para poder comparar.

¿Por qué la misma petición puede emitir ocho veces más?

Porque la electricidad no es igual de limpia en todos los mercados. La misma consulta a Kimi K3 emite alrededor de 0,4 gramos en Suecia, 1,6 gramos en Irlanda, 2,5 gramos en Alemania y 3,2 gramos en Texas, siempre sobre hardware idéntico, según los datos que Berget AI publicó con el método.

El desglose explica el fenómeno: en Texas, el 90% de la huella de una consulta viene de la electricidad; en Suecia, el 89% viene de la fabricación del hardware. Es el mismo cómputo contado desde dos realidades energéticas opuestas. La consulta en Texas además consume unos 6 mL de agua de enfriamiento.

Las intensidades de red que alimentan el cálculo son Suecia ~8 g CO2e/kWh (IEA 2024), Irlanda ~224 (SEAI 2024), Alemania ~337 (Ember 2024), Texas ~333 (EPA eGRID 2023) y un promedio global de ~470 (Ember 2024). Con esos números, mudar una carga de Texas a Suecia no optimiza un 10%: multiplica por ocho.

Cómo se calcula el CO2 de una sola consulta de IA

El método sigue la especificación SCI for AI de la Green Software Foundation, está publicado bajo licencia MIT en GitHub y tiene un calculador abierto en co2.berget.ai que aplica la fórmula a cualquier modelo y cualquier región. Considera tres bloques:

• Electricidad: la intensidad de la red donde efectivamente corre el servidor, usando el mix promedio de esa región.
• Hardware: alrededor de 1.000 kg de CO2 por GPU de data center, y las unidades reacondicionadas contadas como cero.
• Potencia en reposo: un acelerador B300 en reposo sigue consumiendo 236 W, medidos durante siete días en producción.

El resultado cambia según el modelo, la hora del día y si parte del prompt está en caché. Por eso el sistema calcula cada petición por separado en lugar de aplicar un promedio. También importa la refrigeración: en el norte de Europa el enfriamiento por aire libre da un PUE de ~1,15 y sin agua, mientras que en climas cálidos se acerca a 1,8 y hasta 2 litros de agua por kWh.

El CTO y cofundador Christian Landgren plantea el argumento central: la mayoría de las cifras alarmantes sobre la huella de la IA salen de multiplicar un promedio por una conjetura de volumen, y nadie puede verificarlas; la única comparación justa es calcular cada petición y sumarlas.

¿Por qué Texas es el peor lugar para correr una inferencia?

Texas se convirtió en el epicentro del despliegue de infraestructura de IA, y eso tiene costo ambiental medible. Según The Verge, un informe del Houston Advanced Research Center proyecta que si todos los data centers planeados en el estado se conectaran a la red con el mix previsto, la contaminación por partículas finas se más que triplicaría hasta su nivel más alto desde 2006, las emisiones de NOx subirían un 136% y el CO2 un 90% por encima de los niveles de 2025. Texas ya lidera el mercado con 26 gigawatts de capacidad existente y en construcción, de acuerdo con el mismo medio.

ProPublica documentó que Texas tenía 596 data centers en operación o planeados, según una investigación del Texas Tribune, y que solo tres proyectos en la frontera con Nuevo México emitirán el equivalente a lo que liberan más de dos millones de autos en un año. En ese contexto, la cifra de 3,2 gramos por consulta deja de ser un detalle técnico: es el resultado de una política energética.

La comparación también funciona al revés. Un operador que corre en Suecia no está haciendo magia de eficiencia: simplemente tiene una red casi libre de carbono y un clima que no obliga a gastar agua para enfriar.

La transparencia llega justo cuando el consumo se dispara

El timing del anuncio no es casual. La IEA proyecta que el consumo eléctrico de los data centers más que se duplicará hasta unos 945 TWh en 2030, con la IA como principal impulsor, y advierte que las ganancias de eficiencia probablemente sean superadas por el aumento de demanda, según recoge el propio comunicado de Berget AI a través de Somya Joshi, directora de investigación del SEI.

La escala del problema se entiende mejor con otros datos verificables:

• Los data centers globales consumieron unos 448 TWh en 2025, y la inferencia concentra entre el 80% y el 90% de la energía total de la IA, según el informe del United Nations University Institute for Water, Environment and Health difundido por Phys.org.
• La propia IEA estimó 415 TWh en 2024, cerca del 1,5% del consumo eléctrico global, con un pico de emisiones de data centers de unos 320 millones de toneladas de CO2 hacia 2030, según TechTarget.
• Google reportó que el prompt de texto mediano de sus aplicaciones Gemini en mayo de 2025 usó 0,24 Wh, emitió 0,03 gramos de CO2e y consumió 0,26 mL de agua, también según TechTarget.

Esa última cifra es la clave del debate: si el promedio de un hyperscaler es dos órdenes de magnitud menor que el de un request en Texas, entonces el número único miente. La huella depende de qué modelo, qué tarea, qué longitud de respuesta y, sobre todo, qué red.

El mismo informe de UNU-INWEH muestra cuán concreta es la restricción local: en Irlanda los data centers representaron el 21% de la electricidad medida en 2023, superando a todos los hogares urbanos, y el operador de red pausó nuevas aprobaciones en torno a Dublín hasta 2028.

Los modelos abiertos hacen que la ubicación sea tu decisión

Hay un cambio estructural que juega a favor de los compradores. Los modelos de pesos abiertos, que pueden correr en cualquier data center, manejan una porción creciente del tráfico: 29% de los tokens en Vercel AI Gateway en junio de 2026, frente al 11% en abril, según cifras que Berget AI incluye en su publicación. En OpenRouter, alrededor del 69% de los tokens de modelos nombrados ya corresponden a esa categoría.

Para esos modelos, dónde corre la petición es una decisión del comprador y no del proveedor del modelo. La transparencia deja de ser un reporte de sostenibilidad y se convierte en un parámetro de configuración.

Qué significa esto para tu startup

Si usas IA en producto, ya estás tomando decisiones de huella de carbono, aunque no las estés midiendo. Estas son las acciones concretas que se desprenden del anuncio:

• Pregunta por la región, no por el compromiso. Pide a tu proveedor de inferencia la intensidad de red de la región donde corren tus cargas y si publica emisiones por petición. Un compromiso genérico de energía renovable no dice nada sobre la electricidad realmente consumida en el servidor que atiende tu tráfico.
• Enruta cargas no urgentes a redes más limpias. Si trabajas con modelos de pesos abiertos, puedes mover procesos batch o no críticos a regiones con mix eléctrico bajo, siempre que la residencia de datos y la latencia lo permitan. Es la misma lógica que recomienda TechTarget para los CIO: probar energía y carbono junto a costo, latencia y precisión.
• Activa caché y limita las salidas. El propio método de Berget AI muestra que el resultado depende de si parte del prompt está en caché, y el informe de UNU-INWEH advierte del efecto rebote: la eficiencia sin límites de tokens o de resolución termina absorbida por el volumen.
• Elige el modelo más liviano que resuelva la tarea. Una consulta conversacional no cuesta lo mismo que generar una imagen, y en tareas de clasificación la diferencia de energía es de órdenes de magnitud. Trata la selección de modelo como una decisión de footprint y de costo a la vez.
• Inclúyelo en tu reporte de sostenibilidad. Si vendes a corporativos europeos, las emisiones de los servicios de IA que consumes caen en tu Scope 3. Tener una metodología trazable te posiciona mejor en cualquier due diligence ambiental.

Lo que el método todavía no resuelve

Sería un error tratar esta herramienta como la verdad definitiva. Sus propios autores marcan los límites:

• Excluye el entrenamiento, porque las cifras auto-reportadas varían hasta un 50% entre proveedores.
• Usa promedios de red, no tasas marginales. La emisión marginal mide el impacto de la carga adicional sobre las plantas existentes y sobre las nuevas que se construirán para cubrir la demanda. Berget AI anunció que las añadirá al calculador el próximo mes y advierte que pueden cambiar significativamente la intensidad medida en Suecia.
• No incluye todavía el agua ni la energía de fabricación de chips, algo que queda pendiente para las próximas versiones.

Hay incluso una señal de honestidad en el propio documento: una versión previa distribuida bajo embargo daba 1,2 g en Irlanda, 2,1 g en Alemania y 3,9 g en Texas, con una diferencia de diez veces. La revisión de las intensidades de red publicadas corrigió los valores a ~224, ~337 y ~333 g CO2e/kWh, y el diferencial final quedó en 8,5 veces. Medir esto bien es difícil incluso para quienes lo hicieron primero.

Conclusión

Berget AI no resolvió el problema climático de la IA: publicó una forma verificable de medirlo, request por request, y la dejó bajo licencia MIT para que cualquiera la use o la critique. Eso basta para cambiar la conversación, porque convierte un debate sobre promedios en una decisión operativa que cada equipo puede tomar.

La conclusión práctica para un founder es simple: la próxima vez que negocies o configures un proveedor de inferencia, pregunta dónde corren tus peticiones. La diferencia entre Texas y Suecia no es un matiz de sostenibilidad, es un factor de 8,5 en emisiones para el mismo resultado.

Fuentes

• Berget AI — per-request CO2 press release (fuente original)
• The Verge — Data centers could erase decades of air quality gains
• ProPublica — New Mexico and El Paso Spent Millions on Climate Plans
• Phys.org — Rising emissions, depleting water and vanishing land: AI is threatening natural resources
• TechTarget — CIOs need to start accounting for AI carbon footprint