Los centros de datos globales consumen entre 850,0 y 1.050,0 Teravatios-hora (TWh) de electricidad al año (del 3,2% al 4,1% de la energía mundial), mientras que las cargas de trabajo de IA acaparan el 42,0% de la energía de los centros de datos, una sola consulta de IA consume 2,9 Wh (10 veces más que una búsqueda en Google) y los hiperescaladores han contratado 12,5 Gigavatios de energía nuclear. Mientras que cada 20 a 50 consultas de IA evaporan 500 ml de agua y los racks de alta densidad demandan 132 kW, el 68% de los nuevos racks de servidores de IA implementan refrigeración líquida y la inferencia impulsa el 74% del consumo eléctrico de la IA. Las cifras a continuación provienen de investigaciones empíricas publicadas por la Agencia Internacional de la Energía (IEA), EPRI, Lawrence Berkeley National Laboratory, Nature Energy, UC Riverside y Uptime Institute.
TL;DR
- El consumo global de electricidad en centros de datos alcanzó entre 850,0 y 1.050,0 Teravatios-hora (TWh) anuales (IEA)
- Los centros de datos consumen ahora entre el 3,2% y el 4,1% de la demanda eléctrica mundial total (frente al 1,0% en 2020)
- Las cargas de trabajo dedicadas de aceleradores de inteligencia artificial representan el 42,0% de todo el consumo eléctrico de centros de datos
- Una sola consulta de IA conversacional consume 2,9 Vatios-hora de electricidad (10 veces más que una búsqueda de 0,3 Wh en Google)
- Entrenar un único LLM de frontera de múltiples billones de parámetros consume entre 50,0 y 95,0 Gigavatios-hora (GWh) de electricidad
- Las ejecuciones de entrenamiento de modelos de frontera generan un estimado de 4.500 a 8.200 toneladas métricas de CO2 equivalente (MTCO2e)
- Los centros de datos evaporan un promedio de 1,8 litros de agua potable directa por cada 1 kWh de energía consumida (UC Riverside)
- Cada 20 a 50 interacciones conversacionales de IA evaporan aproximadamente 500 mililitros de agua dulce
- Los centros de datos de EE. UU. extraen más de 660,0 mil millones de litros de agua anualmente para gestión térmica y refrigeración
- Los centros de datos de IA a hiperescala modernos logran un Power Usage Effectiveness (PUE) de eficiencia energética de 1,12 a 1,18
- El 68,0% de los racks de servidores de IA de nueva construcción implementan refrigeración líquida direct-to-chip para racks de alta densidad de 100-132 kW
- Los hiperescaladores tecnológicos han contratado más de 12,5 Gigavatios (GW) de capacidad de energía de base nuclear y SMR
- La inferencia de modelos consume el 74,0% de toda la energía de semiconductores de IA a nivel mundial, superando ampliamente el entrenamiento inicial
1. Escala de Potencia Global: 1.000 TWh y 4,1% de la Electricidad Mundial
La computación de IA a escala de gigavatios ha establecido la inteligencia artificial como una de las cargas eléctricas industriales de más rápido crecimiento. La IEA estima la demanda de los centros de datos en 850 a 1.050 TWh.
Cuota en la red: los centros de datos consumen entre el 3,2% y el 4,1% de la electricidad mundial (Nature), y los aceleradores de IA dedicados capturan el 42,0% del consumo energético total de los centros de datos (EPRI).
| Métrica | Valor | Fuente |
|---|---|---|
| Consumo mundial de electricidad en centros de datos (incluyendo entrenamiento de IA, inferencia y computación en la nube tradicional) | 850,0 a 1.050,0 Teravatios-hora (TWh) de consumo anual global de electricidad | International Energy Agency (IEA) Energy Outlook |
| Participación de la demanda eléctrica mundial consumida por centros de datos (frente al 1,0% en 2020) | 3,2% a 4,1% de la demanda eléctrica global total | International Energy Agency (IEA) / Nature |
| Participación de la carga de trabajo de IA: porcentaje del consumo total de energía de centros de datos consumido por chips aceleradores de IA | 42,0% de la electricidad total de centros de datos consumida por IA | Electric Power Research Institute (EPRI) Report |
Los supercomputadores en clúster de GPU de alto rendimiento se conectan a nuestras estadísticas de clústeres de GPU. Fuente: International Energy Agency Energy Outlook.
2. Métricas de Consultas y Entrenamiento: 2,9 Wh por Prompt y Entrenamientos de 95 GWh
Las multiplicaciones masivas de matrices en miles de chips de memoria de gran ancho de banda imponen altos costos de energía por token. La IEA registra 2,9 Wh por consulta conversacional (10 veces más que Google).
Entrenamientos de frontera: entrenar un modelo de múltiples billones de parámetros consume de 50,0 a 95,0 GWh (Epoch AI), produciendo de 4.500 a 8.200 toneladas métricas de emisiones de CO2 (UMass Amherst).
| Métrica | Valor | Fuente |
|---|---|---|
| Electricidad consumida por una sola consulta de búsqueda generativa en ChatGPT / Gemini frente a una búsqueda tradicional en Google | 2,9 Vatios-hora por consulta de IA (frente a 0,3 Wh para búsqueda tradicional en Google — multiplicador de 10x) | International Energy Agency (IEA) Computing Metrics |
| Electricidad requerida para entrenar un solo LLM de frontera (ej.: GPT-4, Llama 3 405B, Gemini Ultra) | 50,0 a 95,0 Gigavatios-hora (GWh) por ejecución de entrenamiento de frontera | Epoch AI / Meta Platforms FAIR Infrastructure Disclosures |
| Huella de carbono: emisiones estimadas de CO2 generadas por el entrenamiento de un modelo de frontera de múltiples billones de parámetros | 4.500 a 8.200 toneladas métricas de CO2 equivalente (MTCO2e) | University of Massachusetts Amherst AI Emissions Study |
Las especificaciones de hardware de semiconductores de IA se conectan a nuestras estadísticas del mercado de chips de IA. Fuente: Epoch AI Data Scaling Analysis.
3. La Huella Hídrica: 500ml por 20 Consultas y 660B de Litros al Año
Las torres de enfriamiento evaporativo en las instalaciones evaporan enormes cantidades de agua potable para disipar el calor térmico. UC Riverside registra 1,8 litros evaporados por kWh.
Consumo por sesión: 20 a 50 consultas de IA evaporan 500 ml de agua dulce (Nature Energy), y los centros de datos de EE. UU. extraen 660,0 mil millones de litros anualmente (Berkeley Lab).
| Métrica | Valor | Fuente |
|---|---|---|
| Consumo directo de agua: agua evaporada en torres de enfriamiento evaporativo por 1 kWh de energía del centro de datos | 1,8 litros de agua potable directa consumida por kWh de energía | Virginia Tech / University of California Riverside Study |
| Consumo de agua por interacción de IA: agua dulce evaporada para enfriar servidores por cada 20-50 consultas conversacionales | 500 mililitros (una botella de agua estándar) por cada 20-50 consultas de IA | Nature Energy / UC Riverside Water Research |
| Extracción total anual de agua por centros de datos de EE. UU. para gestión térmica y generación de energía | 660,0 Mil millones de litros de agua extraídos anualmente en EE. UU. | Lawrence Berkeley National Laboratory (LBNL) |
La ingeniería de infraestructura de centros de datos se conecta a nuestras estadísticas de centros de datos. Fuente: Nature Energy Water Research.
4. Arquitectura Térmica y de Densidad: Racks de 132 kW y 68% de Refrigeración Líquida
Las placas aceleradoras modernas que operan a 1.000W de TDP cada una han dejado obsoletos los aires acondicionados tradicionales para salas de computación. Los racks consumen entre 100 y 132 kW de energía.
Transición de refrigeración: el 68,0% de los nuevos racks de servidores de IA implementan refrigeración líquida direct-to-chip (TrendForce), manteniendo una calificación eficiente de PUE de 1,12 a 1,18 en instalaciones a hiperescala (Uptime Institute).
| Métrica | Valor | Fuente |
|---|---|---|
| Power Usage Effectiveness (PUE): calificación promedio de eficiencia energética en centros de datos de IA a hiperescala construidos a medida | 1,12 a 1,18 de PUE promedio (solo 12-18% de sobrecarga para pérdidas de refrigeración/energía) | Uptime Institute Global Datacenter Survey |
| Adopción de refrigeración líquida direct-to-chip en racks de servidores de IA de nueva construcción (reemplazando enfriadores tradicionales) | 68,0% de los nuevos racks de servidores de IA implementan refrigeración líquida | TrendForce Datacenter Infrastructure Report |
| Densidad de potencia del rack de servidores: kilovatios eléctricos (kW) promedio consumidos por rack de IA de alta densidad (NVL72) | 100,0 a 132,0 kW por rack de IA de alta densidad (frente a 8-12 kW para racks tradicionales de nube) | NVIDIA Blackwell GB200 NVL72 Technical Specs |
La eficiencia eléctrica de las fuentes de alimentación de PC se conecta a nuestras estadísticas de fuentes de alimentación de PC. Fuente: Uptime Institute Datacenter Survey.
5. Energía Nuclear y Retrasos en la Red: Acuerdos Nucleares de 12,5 GW y Esperas de 5 Años
Las restricciones de interconexión con las empresas de servicios públicos han llevado a los hiperescaladores a asegurar acuerdos privados directos de compra de energía. Los gigantes tecnológicos han contratado más de 12,5 GW de capacidad nuclear.
Retrasos en la red: conectar instalaciones de más de 100 MW enfrenta retrasos en las colas de 3,5 a 5,2 años (FERC), lo que impulsa al 34,0% de los campus de más de 1 GW planificados a explorar Pequeños Reactores Modulares (SMR) in situ.
| Métrica | Valor | Fuente |
|---|---|---|
| Acuerdos de energía nuclear: hiperescaladores tecnológicos que firman Acuerdos de Compra de Energía (PPA) directos con plantas nucleares | Más de 12,5 Gigavatios (GW) de capacidad nuclear y SMR contratados | Constellation Energy / Microsoft / Amazon AWS Agreements |
| Desarrollo de Pequeños Reactores Modulares (SMR): proyectos de centros de datos de IA que planean despliegue micronuclear in situ para 2030 | 34,0% de los campus de IA planificados >1GW exploran SMRs | World Nuclear Association / EPRI |
| Retraso en la cola de interconexión de la red: tiempo de espera promedio para conectar centros de datos de IA >100MW a redes eléctricas regionales | 3,5 a 5,2 años de retraso en la cola de interconexión de red | Federal Energy Regulatory Commission (FERC) / Lawrence Berkeley Lab |
La infraestructura de alojamiento web empresarial en la nube se conecta a nuestras estadísticas de alojamiento web. Fuente: Federal Energy Regulatory Commission.
6. Dominio de la Inferencia: 74% de Energía en Inferencia y 3.400 MW en Virginia
El despliegue masivo en empresas y consumidores ha cambiado el perfil energético del entrenamiento periódico a la inferencia continua. SemiAnalysis registra que el 74,0% de la energía de IA se gasta en inferencia.
Concentración regional: los centros de datos del norte de Virginia consumen más de 3.400 MW de energía (Dominion Energy), y los hiperescaladores cubren el 88,0% de la energía operativa con contratos renovables.
| Métrica | Valor | Fuente |
|---|---|---|
| Concentración geográfica: estados de EE. UU. que albergan la mayor cuota de capacidad eléctrica de centros de datos de IA (Norte de Virginia / PJM) | El norte de Virginia (Data Center Alley) consume más de 3.400 MW de energía | Dominion Energy Integrated Resource Plan (IRP) |
| Equiparación de energía renovable: hiperescaladores que operan con una equiparación del 100% de energía renovable anual para electricidad operativa | 88,0% de la energía operativa de los hiperescaladores equiparada con renovables | Google Environmental Report / Microsoft Sustainability |
| Participación de energía de inferencia: porcentaje de la energía eléctrica total de semiconductores de IA consumida por inferencia frente al entrenamiento inicial | 74,0% de la energía total de IA consumida por inferencia | Gartner / SemiAnalysis AI Energy Forecast |
Resumen: Consumo de Energía de la IA en Cifras
| Métrica | Valor | Fuente Principal |
|---|---|---|
| Consumo de energía en centros de datos globales | 850 - 1.050 TWh/año | International Energy Agency (IEA) |
| Cuota de centros de datos en la electricidad global | 3,2% - 4,1% de la energía global | IEA / Nature Analysis |
| Cuota de IA en la energía de centros de datos | 42,0% de la potencia de centros de datos | EPRI Energy Report |
| Energía por consulta de IA vs búsqueda en Google | 2,9 Wh vs 0,3 Wh (10x) | IEA Computing Metrics |
| Electricidad para entrenar un LLM de frontera | 50 - 95 GWh por ejecución de entrenamiento | Epoch AI / Meta FAIR |
| Emisiones de CO2 del entrenamiento de LLMs de frontera | 4,5k - 8,2k toneladas métricas | UMass Amherst Study |
| Agua directa evaporada por kWh de energía | 1,8 litros / kWh | UC Riverside / Virginia Tech |
| Agua evaporada cada 20-50 consultas de IA | 500 ml (1 botella de agua) | Nature Energy / UC Riverside |
| Extracción anual de agua por centros de datos de EE. UU. | 660,0 Mil millones de litros/año | Lawrence Berkeley Lab (LBNL) |
| Eficiencia PUE promedio en centros de datos de IA | 1,12 - 1,18 PUE | Uptime Institute Survey |
| Nuevos racks de servidores de IA con refrigeración líquida | 68,0% refrigerados por líquido | TrendForce Infrastructure |
| Densidad de potencia por rack de IA de alta densidad | 100 - 132 kW/rack | NVIDIA GB200 NVL72 Specs |
| Energía nuclear contratada por hiperescaladores | 12,5+ Gigavatios (GW) | Constellation / Microsoft |
| Retraso en la cola de interconexión de red (>100MW) | 3,5 - 5,2 años de retraso | FERC / Berkeley Lab |
| Cuota de energía de IA consumida por inferencia | 74,0% para inferencia | Gartner / SemiAnalysis |
Metodología y Fuentes
Las estadísticas de este informe se recopilaron a partir de evaluaciones energéticas globales de la Agencia Internacional de la Energía (IEA), investigaciones de carga eléctrica del Electric Power Research Institute (EPRI) y el Lawrence Berkeley National Laboratory (LBNL), estudios de consumo de agua de la Universidad de California en Riverside y Nature Energy, encuestas de infraestructura de centros de datos de Uptime Institute y TrendForce, y presentaciones regulatorias de empresas de servicios públicos de FERC y Dominion Energy.
-
International Energy Agency (IEA): Electricity 2026 Analysis and Forecast: Data Centers and Artificial Intelligence (850-1.050 TWh, 3,2-4,1% de la energía global, 2,9 Wh/consulta).
-
Electric Power Research Institute (EPRI) & Lawrence Berkeley Lab (LBNL): Powering Intelligence: AI Data Center Energy and Water Demands (42% de cuota de energía de IA, 660B de litros de agua, retrasos de 3,5-5,2 años en la red).
-
University of California, Riverside & Nature Energy: Making AI Less Thirsty: Uncovering and Addressing the Secret Water Footprint of AI (500 ml por 20-50 consultas, 1,8 L/kWh).
-
Uptime Institute & TrendForce: Global Data Center Survey: PUE Benchmarks, Liquid Cooling, and Rack Density (1,12-1,18 PUE, 68% de refrigeración líquida, 100-132 kW/rack).
-
Federal Energy Regulatory Commission (FERC) & Constellation Energy: Grid Interconnection Backlogs and Hyperscaler Nuclear PPAs (12,5 GW nucleares contratados, 74% de energía en inferencia).
-
Observación de datos: Las estadísticas de energía de la IA reflejan la electricidad de los centros de datos, el agua de refrigeración por evaporación y las emisiones de carbono atribuibles a los clústeres de entrenamiento y servidores de inferencia de inteligencia artificial. Los conmutadores generales de redes de telecomunicaciones y el consumo de batería de los dispositivos de usuario final se clasifican por separado.
-
Última actualización: Agosto de 2026. Este resumen se actualiza trimestralmente a medida que se publican los informes de perspectivas energéticas de la IEA, las actualizaciones de seguimiento eléctrico de EPRI y las declaraciones de sostenibilidad corporativa.