Software verde para IA: cómo bajar la factura energética

Por qué el software se ha convertido en la palanca de ahorro de la IA

Reducir el coste de la inteligencia artificial ya no es solo cuestión de comprar GPUs más eficientes. La investigación en software verde — algoritmos que gastan menos cómputo, y por tanto menos energía, para producir el mismo resultado — se ha convertido en una prioridad estratégica para hyperscalers, startups y grandes corporaciones. Coral Calero, catedrática de Lenguajes y Sistemas Informáticos de la Universidad de Castilla-La Mancha, lo resume con una frase clave que recoge Xataka: «El hardware consume porque tiene un software que se está ejecutando. Cuanto mejor sea el software y más optimice esos recursos, más podremos reducirlos. Por tanto, se reducirá el consumo energético».

La presión económica es inmediata. El informe The State of AI in 2026: On the road to ROI de McKinsey, basado en 1.719 encuestados de 97 países, muestra que el 89% de las empresas globales ya utilizan IA y un 44% está en fase de escalar su adopción, pero alrededor del 20% restringe su uso por los costes operativos — los temidos token costs que se disparan con cada inferencia y, sobre todo, con cada agente autónomo que relee y decide por su cuenta. Según el análisis de TechTarget sobre el mismo informe, los flujos de trabajo agénticos pueden generar entre 5 y 30 veces más tokens de inferencia por tarea que un chatbot convencional respondiendo la misma pregunta, un multiplicador que convierte presupuestos manejables en partidas significativas.

Qué técnicas concretas ya están en producción

La reducción de precisión numérica es una de las vías más exploradas. Como explica a Xataka Verónica Bolón Canedo, investigadora de IA en la Universidade da Coruña, «en vez de utilizar los 64 bits de la aritmética habitual de un ordenador, podemos utilizar 16 o 8 bits. De esta manera, es como si perdiésemos decimales, simplificando mucho las cosas, pero nos ayuda a reducir el consumo». El truco está en reescribir el algoritmo para que la pérdida de precisión no degrade el resultado final: congelar capas, refinar solo la última o añadir un modelo simple al final.

👥 ¿Quieres ir más allá de la noticia?

En nuestra comunidad discutimos las tendencias, compartimos oportunidades y nos ayudamos entre emprendedores. Sin humo, solo acción.

👥 Unirme a la comunidad

La técnica que más ha movido la aguja en producción es la mezcla de expertos (MoE, mixture of experts), una arquitectura de los años 90 que opera con redes más pequeñas especializadas en distintos dominios y solo activa la parte necesaria para cada consulta. Su popularización se aceleró tras la irrupción de DeepSeek V3 en enero de 2025, que según el artículo de Xataka «puso otra vez de moda» el paradigma. OpenAI ya lo usa en versiones avanzadas de GPT-4, en GPT 5.6 y en GPT 6 Astra; Google en las versiones Pro y Flash de Gemini 3.1; y se presume que Anthropic lo aplica también, aunque la empresa no lo confirma.

El salto técnico más reciente lo dio DeepSeek con V4, presentado el 24 de abril de 2026. Según la cobertura de Tech Times, V4-Pro es un modelo MoE de 1,6 billones de parámetros que activa solo 49.000 millones por token y ofrece, en contexto de un millón de tokens, un 27% del cómputo de inferencia por token y un 10% de la memoria KV-cache de su antecesor V3.2 — una métrica que cambia la economía de los agentes que mantienen conversaciones largas. Su precio ronda los 3,48 dólares por millón de tokens de salida, con tarifa promocional de 0,87 dólares, frente a los 0,28 dólares de la versión Flash, según el análisis de DataCamp que cita el mismo artículo.

Por qué China se convirtió en el laboratorio mundial de la eficiencia

Las restricciones de EE. UU. a la venta de GPUs avanzadas de Nvidia a China, en vigor desde 2022, empujaron a los laboratorios chinos a exprimir el software. Como explica Calero en Xataka, «el grueso del entrenamiento es no supervisado, se deja que el propio modelo vaya aprendiendo, se le va dando refuerzo»; luego afinan con un conjunto pequeño de datos supervisados. Esa filosofía, combinada con MoE y agresiva cuantización, explica por qué en la plataforma OpenRouter los modelos chinos tuvieron en agosto una cuota del 45,5%, superando la suma de Google, OpenAI, Anthropic y Meta, según el artículo original.

El resultado es que muchas empresas — incluidas estadounidenses — ya combinan modelos chinos baratos para el grueso de las tareas y reservan los modelos frontier más caros para usos muy concretos. Esta «diversificación por coste» se ha convertido en una de las tendencias más visibles de 2026.

¿Qué impacto tiene esto en el bolsillo y en el planeta?

La factura energética de la IA se duplicará en esta década. Xataka recoge la estimación de la Agencia Internacional de la Energía: los centros de datos consumieron 415 TWh en 2024 (1,5% del total mundial) y la IEA proyecta 945 TWh en 2030 (3% del total) — el equivalente al consumo eléctrico anual de Japón. IBTimes, citando el mismo organismo, añade que la demanda eléctrica de los centros de datos subió un 17% en 2025, mientras el consumo de los centros de datos enfocados en IA podría triplicarse de aquí a 2030.

La paradoja es la que señala Calero: «No podemos permitir que los centros de datos consuman más que países enteros». Pero la mejora por consulta convive con un uso total al alza. Mientras cada consulta simple gasta menos, los agentes, la generación de vídeo y los razonamientos complejos pueden consumir cientos o miles de veces más energía por tarea que un chat de texto, según los mismos datos de IBTimes sobre IEA. La eficiencia es real, pero se la come la demanda.

¿Qué significa esto para tu startup?

Para una startup que ya gasta en APIs de modelos grandes, el mensaje práctico es doble: el coste de inferencia se está convirtiendo en una partida estructural del negocio, no en un gasto menor, y la diferencia entre usar un modelo frontier y un modelo eficiente puede ser de un orden de magnitud. La propia McKinsey destaca que solo el 6% de las organizaciones son «AI high performers» (atribuyen al menos un 5% de su EBIT a la IA), según Tech Times — y un rasgo distintivo de ese 6% es haber rediseñado workflows, no simplemente enchufar más tokens.

Dos acciones concretas que puedes tomar esta semana:

Audita qué tareas realmente necesitan un modelo frontier. Clasifica tus llamadas a la API en tres niveles: razonamiento complejo, generación estándar y tareas de bajo riesgo (resúmenes, clasificación, routing). Reserva el modelo caro para el primer nivel y enruta el resto a modelos eficientes (DeepSeek V4-Flash, Gemini Flash, GPT-4-class abiertos). El ahorro puede ser de 5 a 20 veces por token sin perder calidad perceptible.
Mide coste por workflow, no coste por prompt. Como recomienda TechTarget, deja de optimizar por «usuarios activos» o «consultas mensuales» y empieza a medir días de ventas pendientes reducidos, ciclo order-to-cash o coste por transacción atendida. Eso separa a los proyectos de IA que sobreviven a una ronda de los que se quedan en piloto permanente.

En el frente macro, la presión regulatoria y de costes se acumula. Los problemas de conexión a red ya son críticos en Virginia (colas de 7 años), Reino Unido (5-7), Países Bajos (hasta 10) e Irlanda (pausa efectiva), según datos que recoge The Motley Fool citando a la IEA. Cualquier startup que planee infraestructura propia o contratos de capacidad en nube hyperscaler en esas regiones debería incluir el riesgo eléctrico en su plan, no solo el precio de las GPUs.