¿Y si cada imagen que generamos con inteligencia artificial supusiera ver cómo medio litro de agua limpia se evapora a nuestro lado? El entusiasmo viral por las imágenes que ahora se pueden generar con ChatGPT al estilo Studio Ghibli o Los Simpson está consumiendo el equivalente a las necesidades diarias de agua de una ciudad entera.
Desde hace una semana, las redes sociales se han plagado con ilustraciones generadas por la IA de OpenAI, transformando selfies en escenas dignas de un anime japonés y otras mil variaciones. Lo que no se ve en esas imágenes es el recurso más escaso que han requerido: el agua. Según varios estudios académicos, las infraestructuras necesarias para ejecutar estas herramientas consumen millones de litros de agua dulce, en parte por los sistemas de refrigeración y en parte por la producción de electricidad que alimenta los servidores. Y lo más preocupante: casi nadie está hablando de ello.
El coste hídrico de la imaginación artificial
No es ningún secreto que la inteligencia artificial moderna requiere mucha energía. Entrenar y ejecutar modelos como GPT-4 no solo implica electricidad y emisiones de carbono, sino también agua. Mucha agua.
Shaolei Ren, profesor de Ingeniería en la Universidad de California en Riverside, lleva años estudiando la huella medioambiental de la IA. Según sus investigaciones, generar 10 a 50 consultas con GPT-3 consume alrededor de 500 ml de agua dulce. Teniendo en cuenta que GPT-4 es considerablemente más grande y potente, esta cifra solo puede aumentar.
La razón está en la arquitectura misma de los centros de datos. Estos servidores consumen tanta energía que necesitan ser enfriados constantemente para no sobrecalentarse. Para ello, se utilizan torres de refrigeración con agua evaporada o sistemas de aire acondicionado que también emplean agua, sobre todo en regiones secas o cálidas.
Además, producir electricidad (aunque sea para alimentar un centro de datos) implica utilizar más agua de embalses y ríos, especialmente en plantas térmicas, nucleares o hidroeléctricas. La suma de estos dos factores —refrigeración local y producción energética externa— da lugar al concepto de consumo operativo de agua, que incluye tanto el agua evaporada como aquella que se pierde en la generación de energía.
700 millones de imágenes… ¿Y cuántos litros de agua?
Si tomamos como base conservadora el dato proporcionado por Ren —medio litro por cada 10 a 50 inferencias— y consideramos que generar una imagen es al menos equivalente a una inferencia compleja, el cálculo es alarmante. OpenAI ha dicho que en solo estos días se han generado más de 700 millones de imágenes, lo que nos da las siguientes cuentas:
- 1 imagen generada ? 0,5 litros de agua
- 700 millones de imágenes ? 700.000.000 x 0,5 litros = 350 millones de litros de agua
Eso equivale a:
- El consumo diario de agua potable de 4,6 millones de personas, según el promedio de la OMS (75 litros/día/persona).
- Llenar aproximadamente 140 piscinas olímpicas (2.500.000 litros cada una).
- El agua necesaria para cultivar unas 1.750 toneladas de arroz (200.000 litros/tonelada).
Y todo eso, en apenas una semana.
El modelo de crecimiento actual: sed digital en tiempos de sequía
Lo más inquietante no es el volumen absoluto, sino el contexto. El planeta enfrenta una crisis hídrica global, con regiones como California, Sudáfrica, India y España enfrentando sequías prolongadas, restricciones de uso y agotamiento de acuíferos. En ese panorama, el hecho de que modelos de IA consuman millones de litros para alimentar procesos creativos levanta serias preguntas éticas y ambientales.
Google aumentó un 20% su consumo de agua para centros de datos entre 2021 y 2022, mientras que Microsoft lo hizo en un 34%. La mayoría de esa agua proviene de fuentes potables, no recicladas. Ren lo resume con crudeza: "La IA no nos está robando aún el agua, pero la sed se nota. Si no hacemos nada, los conflictos llegarán".
Una industria sin transparencia: ¿Quién mide la huella hídrica de la IA?
Mientras que los informes ambientales de las grandes tecnológicas suelen incluir métricas de emisiones de carbono, rara vez mencionan la huella hídrica. No se indica cuánta agua se consume, dónde ni cómo. El propio Ren critica esta opacidad: "Es como vender alimentos sin etiquetar las calorías. Si no sabemos cuánto consume la IA, no podemos optimizar ni tomar decisiones responsables".
La paradoja es evidente: la IA podría ayudarnos a gestionar el agua de manera más eficiente, predecir sequías o reducir el desperdicio. Pero, si al mismo tiempo consume grandes cantidades de agua sin control, el remedio puede estar agravando el problema.
¿Y ahora qué? Posibles soluciones y el dilema ético
No todo está perdido. Existen vías para reducir el consumo hídrico de la IA:
- Optimizar los lugares y horarios de ejecución: entrenar modelos en regiones con mayor disponibilidad hídrica o en horarios de menor demanda puede reducir la presión.
- Elegir modelos más compactos: no todo debe ejecutarse con GPT-4. A veces, versiones más ligeras cumplen funciones similares con menor impacto ambiental.
- Incentivar el uso de energías renovables: menos consumo indirecto de agua si la electricidad proviene de eólica o solar.
- Reutilización de agua: sistemas cerrados de refrigeración podrían reducir la evaporación neta.
Sin embargo, todas estas soluciones requieren un primer paso: medir, reconocer y hacer pública la huella hídrica de cada producto de IA. El sector tecnológico debe rendir cuentas. Cada imagen generada debería tener una "etiqueta de impacto" con datos sobre energía y agua utilizados.