¿Está justificado sentirse culpable por ChatGPT? Analizamos detenidamente las declaraciones de Sam Altman y descubrimos la verdad.
¿Deberías sentirte culpable por usar ChatGPT? Investigamos las afirmaciones de Sam Altman y aclaramos la realidad del uso de la inteligencia artificial.
Las cosas más importantes que necesitas saber
- La gran variación en las estimaciones del consumo de agua en la IA radica en la escala de medición; mientras que la estimación de Altman se centra en el agua de refrigeración directa in situ, otros estudios incluyen el agua consumida para la generación de electricidad, que puede representar el 75% de la huella hídrica total.
- La afirmación de Sam Altman de que 38,000 consultas de ChatGPT consumen el equivalente en agua de una almendra se basa en los mejores escenarios para dispositivos modernos y consultas ligeras, mientras que estudios independientes indican que el consumo real podría ser cientos de veces mayor.
- Comparar el consumo de chatbots con el de almendras es engañoso; si bien el consumo individual es bajo, el volumen total de miles de millones de consultas diarias y operaciones de entrenamiento de modelos sigue siendo enorme, y los centros de datos aumentan el estrés hídrico local en las regiones áridas.
Si pasas tiempo en las redes sociales, probablemente te hayas topado con el concepto de " culpa por la IA ". Básicamente, se trata de que cada vez que le pides a ChatGPT que redacte un correo electrónico cortés o prepare una receta rápida para la cena, un centro de datos en algún lugar está consumiendo una enorme cantidad de agua potable para evitar que los chips se disuelvan.
Ahora, Sam Altman , director ejecutivo de OpenAI , intenta desmentir esta idea generalizada. En el primer episodio del podcast Sources con Alex Heath , Altman cuestionó enérgicamente la percepción de que las aplicaciones de IA sencillas son desastres ambientales.
Su contraargumento consistió en una comparación con un aperitivo popular.
¿38,000 consultas de ChatGPT equivalen a una almendra? Analizamos las cifras para descubrir la verdad.
Ver en YouTube
Según Altman, los centros de datos que consumen millones de galones de agua dependen de tecnologías de refrigeración obsoletas. Afirmó que ejecutar 38 000 consultas ChatGPT en instalaciones modernas consume la misma cantidad de agua que producir una sola almendra de California . Reconoció que citaba la cifra de memoria y que podría no ser del todo exacta, pero sostuvo que se encontraba dentro del rango correcto.
Es una afirmación llamativa, diseñada para que el uso diario de chatbots parezca prácticamente neutro desde el punto de vista medioambiental. Pero, ¿resisten estas cifras un análisis riguroso? ¿Deberíamos dejar de preocuparnos por el impacto ambiental de nuestras solicitudes?
Cálculos: ¿Cuánta agua consume realmente una almendra?
Para evaluar la afirmación de Altman, debemos comenzar con la almendra.
California produce alrededor del 80% de las almendras del mundo , y la estimación agrícola más común sitúa el consumo de agua para cultivar una sola almendra en aproximadamente 1.1 galones (unos 4.16 litros) . Un análisis independiente determina que la huella hídrica total es de unos 12 litros (3.2 galones) al tener en cuenta la lluvia y la compensación por contaminación. Se sabe que el cultivo de almendras requiere mucha agua, ya que sus árboles necesitan riego constante durante todo el año.
Si tomamos en serio el índice de Altman utilizando la estimación de riego directo:
1 almendra = ~1.1 galones (4,164 ml) de agua
38,000 consultas de ChatGPT = 1 almendra
1 consulta ChatGPT = ~0.0000289 galones (~0.11 ml de agua)
Para poner 0.11 ml en perspectiva, una gota de agua estándar de laboratorio o un cuentagotas tiene una capacidad aproximada de 0.05 ml.
Según las cifras de Altman, hacer una pregunta en ChatGPT consume aproximadamente dos gotas de agua.
Si esta cifra te parece ridículamente baja en comparación con lo que has leído anteriormente, no te equivocas. Además, no coincide del todo con las declaraciones previas de Altman.
En junio de 2025, escribió en su entrada de blog "La singularidad suave" que una consulta típica de ChatGPT consume alrededor de 0.000085 galones de agua, lo que equivale a unos 0.32 ml.
Utilizando esta cifra junto con las estimaciones habituales del consumo de almendras, obtenemos aproximadamente 11,000 consultas por almendra, no 38,000. Sus propias cifras apuntan en la misma dirección, pero difieren en los detalles.
¿De dónde surgió la historia de que "la inteligencia artificial está agotando tu suministro de agua"?
El debate público sobre el consumo de agua de la inteligencia artificial se remonta a un estudio ampliamente difundido, liderado por investigadores de la Universidad de California, Riverside y la Universidad de Texas en Arlington.
El artículo de investigación, titulado «Haciendo que la IA consuma menos agua », publicado como borrador en 2023 y posteriormente en la revista Communications of the ACM en 2025, estimó que una conversación breve compuesta por entre 10 y 50 respuestas de un modelo de lenguaje complejo (LLM, por sus siglas en inglés) como GPT-3 consume aproximadamente 500 mililitros de agua, el equivalente a una botella de agua de plástico estándar. Esto se traduce en aproximadamente entre 10 y 50 mililitros por respuesta, una cifra que podría ser cientos de veces superior a la estimación de Altman.
¿Cuál es, entonces, la razón de esta gran discrepancia?
Parte de la respuesta reside en el hardware y el modelo utilizado. La estimación de Altman se refiere a consultas ligeras realizadas en infraestructura moderna con modelos actuales. Sin embargo, el estudio de la Universidad de California, Riverside, analizó el modelo GPT-3 en sistemas más antiguos.
Pero el factor más importante es qué abarca realmente cada cifra. La estimación de Altman refleja casi exclusivamente el agua de refrigeración in situ, es decir, el agua consumida directamente en el centro de datos. La cifra de la Universidad de California, Riverside, sin embargo, incluye tanto la refrigeración in situ como el agua utilizada en las centrales eléctricas para generar la electricidad que consumen esos servidores; un cálculo más amplio conocido como consumo de agua a escala 1 y escala 2. Análisis independientes sugieren que la capa de generación de energía puede representar hasta el 75 % de la huella hídrica total de una sola consulta de IA. Esto significa que la diferencia no es simplemente una cuestión de hardware antiguo frente a nuevo; se trata de dónde se encuentran los límites de la medición.
Altman abordó directamente el tema de los equipos obsoletos en el podcast, argumentando que las estimaciones anteriores se basaban en instalaciones que utilizaban refrigeración por evaporación. En esos sistemas antiguos, enormes torres de refrigeración evaporan agua dulce a la atmósfera para enfriar el aire caliente que emiten los racks de servidores. Una vez evaporada, esa agua se pierde de la cuenca hidrográfica local.
Altman argumentó que los centros de datos modernos y ultragrandes han adoptado ampliamente sistemas de refrigeración líquida de circuito cerrado, donde el agua o un refrigerante especializado circula por tuberías selladas, de forma similar al radiador de un automóvil, con prácticamente ninguna pérdida de líquido por evaporación. En estas instalaciones, observó Altman, el consumo de agua no es comparable al de un edificio de oficinas comercial promedio con lavabos e inodoros estándar.
La ironía: Por qué comparar almendras no es más que una clásica artimaña de Silicon Valley.
Si bien la eficiencia de los centros de datos modernos por token está aumentando indudablemente, comparar los comandos de los chatbots con los cultivos agrícolas ignora varios hechos fundamentales.
La magnitud global frente a la culpa individual. Si bien se pueden usar solo dos gotas de agua para comprobar una fórmula en una hoja de cálculo, OpenAI actualmente presta servicio a unos 900 millones de usuarios activos semanales, procesando miles de millones de comandos diariamente . Al multiplicar minúsculas fracciones de milímetro a escala global, más el entrenamiento continuo del modelo que, según estiman investigadores de la Universidad de California en Riverside, consume cientos de miles de galones por adelantado, el total sigue siendo enorme.
El estrés hídrico local es mayor que el promedio mundial. El huerto de almendros del Valle Central depende de las asignaciones estatales de agua y de los canales de riego agrícola ya existentes. Los centros de datos de IA, por otro lado, suelen construirse en comunidades suburbanas y regiones semiáridas (como Phoenix, el norte de Virginia y partes de Texas y Georgia), donde dependen directamente de los sistemas municipales de agua. Incluso una instalación moderna y eficiente puede generar estrés hídrico al competir con los barrios residenciales durante las olas de calor extremas del verano.
No todas las consultas de IA son iguales. La cifra de Altman de 38 000 consultas se basa en un razonamiento estándar y sencillo, como las respuestas básicas de texto de GPT-40. Sin embargo, la industria avanza rápidamente hacia modelos de razonamiento y agentes de IA autónomos. Cuando la IA «piensa» antes de responder, ejecuta código Python en un entorno de prueba interno y aislado, busca en la web en tiempo real y se autocorrige mediante múltiples bucles lógicos, consume mucha más potencia de procesamiento por comando que un simple chatbot. Investigadores independientes han señalado que estas cargas de trabajo más pesadas pueden consumir varias veces más energía y, por lo tanto, más agua que un bot.
Compromiso energético. Cuando los operadores de centros de datos prescinden de la refrigeración por evaporación de agua, suelen sustituirla por enfriadoras, bombas de calor mecánicas y ventiladores de alta velocidad que consumen mucha energía. En resumen: reducir el consumo de agua in situ suele implicar un aumento significativo del consumo eléctrico de la red local, lo que genera su propia huella hídrica y de carbono indirecta, dependiendo de cómo se genere dicha electricidad.
pensamientos finales
La afirmación de Altman se basa en gran medida en los mejores escenarios posibles para los dispositivos modernos de circuito cerrado, ignorando los enormes requisitos de infraestructura necesarios para el desarrollo de la IA. Su cifra de 38 000 consultas por amígdala puede ser aceptable como una estimación aproximada de una sola consulta sencilla en el hardware más reciente, pero solo cuenta una parte de la historia e ignora la trayectoria de la industria.
Los comentarios están cerrados.