La inteligencia artificial está entrando a las empresas a una velocidad que no siempre ha dado tiempo a sus equipos de sostenibilidad para medir sus consecuencias ambientales. Mientras los modelos se multiplican y las organizaciones los incorporan para automatizar tareas, analizar datos o generar contenido, una pregunta empieza a ganar relevancia: ¿cuánto CO₂ produce realmente su uso?
El problema es que responderla no resulta sencillo. Los datos sobre consumo energético, emisiones y agua asociados con la IA todavía son limitados, y las métricas disponibles suelen quedarse en cifras generales. Ante este vacío, Watershed propuso una metodología que busca ofrecer a las compañías un primer punto de partida para estimar la huella ambiental de la IA que utilizan.
La IA de las empresas también necesita una métrica climática
Según un artículo de Trellis, una de las dificultades para contabilizar las emisiones de la inteligencia artificial está en traducir su uso cotidiano a una unidad que pueda ser medida. Watershed propone hacerlo a partir de los tokens, pequeños fragmentos de código que componen las solicitudes realizadas a los modelos de IA.
Su metodología plantea estimar las emisiones promedio en kilogramos de dióxido de carbono equivalente por millón de tokens, acompañadas por el consumo de electricidad asociado. Con ello, las organizaciones podrían comenzar a relacionar el volumen de uso de IA con su impacto climático y, posteriormente, identificar oportunidades para reducirlo.
La propuesta resulta especialmente relevante porque los tokens ya son utilizados por muchas empresas para controlar cuánto cuesta operar con inteligencia artificial. Si esa misma métrica incorpora una dimensión ambiental, los equipos de sostenibilidad y tecnología pueden empezar a hablar el mismo idioma: el costo de una consulta podría analizarse junto con su costo climático.
¿Por qué es tan difícil medir la IA de las empresas?
El desafío comienza con la falta de información. Aunque existen iniciativas que intentan rastrear las emisiones de compañías vinculadas con centros de datos de IA, todavía son pocas las que ofrecen el nivel de detalle necesario para realizar una contabilidad ambiental precisa.
Los desarrolladores de modelos de frontera, como Anthropic y OpenAI, no han priorizado públicamente este nivel de transparencia. Los grandes proveedores de servicios en la nube han avanzado un poco más debido a sus compromisos climáticos, pero sus divulgaciones tampoco suelen separar con suficiente precisión el impacto específico de la inteligencia artificial.
Hay algunos avances. Amazon cuenta con recursos para que sus clientes de servicios en la nube consulten determinadas métricas ambientales, aunque sin aislar específicamente la IA. Google publicó en agosto de 2025 un documento sobre el consumo energético, las emisiones y el agua asociados con las indicaciones de Gemini, mientras Microsoft presentó una perspectiva similar en junio de ese mismo año.
Medir ahora para no reaccionar después
Frente a estas limitaciones, Watershed plantea que las empresas no deberían esperar a contar con información perfecta para comenzar a calcular su exposición. Su informe técnico, de 43 páginas, propone utilizar los datos disponibles y mejorar progresivamente la precisión conforme los proveedores incrementen su transparencia.
El primer paso consiste en elaborar un inventario de proveedores de IA y distinguir entre herramientas independientes y funcionalidades integradas dentro de plataformas empresariales. Después, las organizaciones pueden comenzar a estimar emisiones utilizando información como la intensidad de carbono de la red eléctrica donde se realizan el entrenamiento y la inferencia de los modelos.
La tercera acción implica convertir la falta de información en una demanda concreta hacia los proveedores. Entre los datos que las empresas podrían solicitar están la intensidad energética por token, las emisiones del entrenamiento, el carbono incorporado en el hardware y la ubicación física de la infraestructura que aloja los sistemas de IA.
De la medición a las decisiones de compra
Medir la huella ambiental de la IA no tendría que convertirse en un ejercicio aislado de reporte. La propuesta de Watershed apunta a que estos datos puedan influir directamente en las decisiones de ingeniería, compras y gestión energética de las compañías.
Entre las posibles medidas están fomentar instrucciones más específicas, utilizar modelos adecuados para cada tarea, dirigir las inferencias hacia redes eléctricas con menor intensidad de carbono o hacer coincidir el consumo con periodos de mayor disponibilidad de electricidad renovable. También podría contemplarse la compra de energía limpia equivalente como una vía para gestionar parte de las emisiones.
La lógica es sencilla: si una empresa sabe qué modelos utiliza, cuánto los utiliza y qué impacto tiene ese uso, puede comparar alternativas. Con mayor transparencia de los proveedores, la IA de las empresas podría incorporarse a las decisiones de adquisición, establecer metas de eficiencia y dar seguimiento a las mejoras ambientales año tras año.
La discusión sobre la inteligencia artificial corporativa está entrando en una nueva etapa. Ya no basta con preguntar qué tan eficiente, productiva o rentable es una herramienta: también será necesario conocer qué recursos consume para funcionar y qué emisiones genera detrás de cada interacción. El reto es particularmente importante porque la expansión de la IA también puede incrementar otros impactos, como la demanda de agua dulce asociada con los centros de datos.
La metodología de Watershed no elimina las incertidumbres ni sustituye una medición directa y completa, pero ofrece algo que hoy resulta valioso: un punto de partida. Para los responsables de sostenibilidad, comenzar a estimar, exigir información y vincular esos datos con las decisiones empresariales puede ser la diferencia entre observar el crecimiento de la IA desde fuera o participar activamente en la construcción de una adopción tecnológica más responsable.
