Un número significativo de empresas que usan inteligencia artificial limita su adopción por costos operativos elevados. Mientras Estados Unidos apuesta por modelos gigantescos, China descubrió que el verdadero ahorro está en el software. Eso cambió la perspectiva en la industria.
Cuando hablamos de ahorrar energía en IA, la mayoría piensa en computadores más eficientes, GPUs optimizadas, sistemas de refrigeración mejorados. Pero hay un actor olvidado: el software. “El hardware consume porque tiene un software ejecutándose”, explica Coral Calero, catedrática de Lenguajes y Sistemas Informáticos de la Universidad de Castilla-La Mancha. “Cuanto mejor sea el software, más recursos se pueden reducir, y por tanto se reduce el consumo energético”.
Las cifras de estudios recientes lo dicen todo. Según informes sobre la adopción de IA, un porcentaje significativo de empresas globales usa IA y muchas están en fase de escalar la tecnología. Pero aquí viene lo preocupante: una parte importante restringe el uso precisamente por los costos operativos. No es ecologismo. Es puro negocio.
Índice
La carrera por bajar bits sin perder precisión
La solución no es nueva, pero ahora es urgente. Verónica Bolón Canedo, investigadora de IA en la Universidade da Coruña, trabaja en algoritmos que consumen menos energía durante el entrenamiento. Su técnica: reducir la cantidad de bits que usa el computador.
En lugar de utilizar los 64 bits estándar de la aritmética ordinaria, los algoritmos pueden funcionar con 16 u 8 bits. “Es como perder decimales”, dice Bolón. “Pero cuando utilizas menos bits, el algoritmo no funciona igual, así que tienes que modificar el software para que siga operando bien con esa precisión reducida”.
Aquí está el reto: un algoritmo de 16 bits es menos preciso que uno de 64 bits. Pierde información en los redondeos. Esos errores pequeños se acumulan en cada operación posterior. Pero Bolón tiene la respuesta: depende del uso. “Si vas a curar el cáncer, no te puedes permitir perder un 1% de precisión. Pero si voy a recomendar una película, puedo equivocarme más. Y lo hago con muchísimos menos recursos”.
Su equipo congela capas de la red neuronal, refina solo las últimas, o coloca un modelo simple al final. El resultado: ahorro significativo con una pérdida de precisión aceptable para el caso de uso.
Entrenamiento supervisado versus no supervisado: la lección de las restricciones tecnológicas
En años recientes, las restricciones internacionales en la exportación de tecnología de alta gama obligaron a algunos gigantes a ser ingeniosos.
En lugar de entrenar modelos con decenas de millones de datos etiquetados (entrenamiento supervisado), estas empresas descubrieron que podían usar principalmente entrenamiento no supervisado. Aquí el modelo aprende solo, con refuerzo. “Al final hacen un entrenamiento supervisado, pero con un conjunto mucho más pequeño de datos, muy específico”, explica Calero. “Alcanzan los mismos niveles de fiabilidad que los entrenamientos supervisados desde el principio, pero gastando mucho menos”.
El ejemplo más famoso reciente: DeepSeek V3. La empresa logró rendimiento comparable a sistemas avanzados con un gasto significativamente menor en entrenamiento. No fue magia. Fue eficiencia. La razón: revivieron una técnica olvidada llamada mezcla de expertos (mixture of experts, MoE).
La mezcla de expertos: volver a los 90 para ir al futuro
MoE es una arquitectura donde redes neuronales pequeñas se especializan en distintos ámbitos. Solo se activa la parte que se necesita en cada momento, no toda la máquina. Los fundamentos teóricos datan de los años 90. La técnica ha sido recientemente revitalizada en la industria.
El impacto ha sido notable. Varios actores principales de la industria han incorporado o están considerando esta arquitectura. Los modelos más eficientes de este tipo ofrecen precios significativamente menores que sus competidores tradicionales.
El dilema: ahorrar es sostenible, pero requiere decisiones difíciles
Las empresas buscan ahorro energético por dos razones que viajan en el mismo barco: el bolsillo y la sostenibilidad. En 2024, los centros de datos consumieron una cantidad considerable de electricidad según la Agencia Internacional de la Energía. Las proyecciones para 2030 sugieren casi que se duplique este consumo, lo que representaría un porcentaje muy significativo de la electricidad mundial.
Calero es clara: “Las tecnológicas van a tener que echar el freno. Esto se les está yendo de las manos. No podemos permitir que los centros de datos consuman más que países enteros”.
Mientras tanto, en un gesto de realismo, las empresas no buscan una sola solución. Diversifican: combinan varios modelos para que la factura baje. Las tareas complejas van a modelos avanzados (y caros), limitadas a casos específicos. Lo demás corre con soluciones económicas.
El software verde no es una moda pasajera. Es la brújula de una industria que descubrió que escalar a cualquier costo no es viable. Y en esa carrera, la eficiencia ya es el criterio principal.
Con información de Xataka.
Imagen: Albert Stoynov / Unsplash
