En la narrativa corporativa contemporánea, pocas tecnologías han sido posicionadas con un halo tan transformador como la inteligencia artificial. Sin embargo, lo contrario ha ocurrido con la inteligencia artificial, pues, desde reportes ESG hasta cumbres climáticas, la IA aparece como catalizadora de eficiencia energética, optimización de recursos y reducción de emisiones. No obstante, las promesas climáticas de la IA comienzan a ser examinadas con el mismo rigor aplicado a otras soluciones tecnológicas que, en el pasado, sobrestimaron su impacto ambiental positivo. El resultado: una brecha creciente entre discurso y evidencia.
Un informe reciente, basado en el análisis de 154 declaraciones públicas de la industria tecnológica, concluye que no existe prueba material de que las herramientas de IA generativa estén reduciendo emisiones de forma verificable. Por el contrario, el crecimiento acelerado de centros de datos y modelos de alto consumo energético plantea nuevos riesgos climáticos. En este contexto, las promesas climáticas de la IA han sido señaladas por analistas como una estrategia de distracción que desvía la atención de la huella ambiental real de la tecnología.
Promesas climáticas de la IA: entre la narrativa corporativa y la falta de evidencia
El análisis encargado por organizaciones como Beyond Fossil Fuels y Climate Action Against Disinformation encontró que muchas afirmaciones climáticas de la industria confunden deliberadamente tipos de inteligencia artificial. Específicamente, mezclan la IA tradicional —basada en aprendizaje automático aplicado a eficiencia industrial— con la IA generativa, responsable del auge actual de consumo energético. Esta confusión conceptual amplifica beneficios potenciales mientras oculta impactos reales. La narrativa se construye sobre agregados tecnológicos que no son comparables.
La investigación no halló “ni un solo ejemplo” en el que herramientas populares de IA generativa hubieran producido reducciones “materiales, verificables y sustanciales” de emisiones. Esta ausencia de evidencia resulta crítica considerando el posicionamiento climático de estas soluciones. Las empresas tecnológicas han promovido casos de uso hipotéticos más que resultados medibles, lo que implica riesgos de sobreestimación de impacto y, potencialmente, exposición a acusaciones de greenwashing.
Ketan Joshi, analista energético y autor del informe, calificó estas estrategias como “distrayentes” y comparables a tácticas históricas de la industria de combustibles fósiles. Según explicó, se destacan inversiones marginales mientras se expanden operaciones altamente contaminantes:
“Estas tecnologías solo evitan una fracción minúscula de las emisiones en relación con las emisiones masivas de su negocio principal”, afirmó.
La analogía no es menor: equipara la comunicación climática de la IA con campañas reputacionales del petróleo.
El estudio también identificó debilidad estructural en la evidencia utilizada. Solo el 26% de las afirmaciones ambientales citaba investigaciones académicas publicadas, mientras que el 36% no presentaba ningún respaldo. En informes corporativos clave, la mayoría de los beneficios climáticos carecía de verificación independiente. Esto erosiona la credibilidad de las promesas climáticas de la IA dentro de marcos de reporte como TCFD o CSRD, donde la trazabilidad de impacto es central.
El costo energético oculto de la revolución generativa
El cuestionamiento a las promesas climáticas de la IA se intensifica al observar la expansión energética que sustenta su crecimiento. Los centros de datos —infraestructura crítica para entrenar y operar modelos generativos— consumen actualmente cerca del 1% de la electricidad mundial. Aunque la cifra parece moderada, las proyecciones son alarmantes. BloombergNEF estima que su participación en la electricidad de Estados Unidos podría más que duplicarse hasta alcanzar 8.6% para 2035.
La Agencia Internacional de Energía proyecta que los centros de datos representarán al menos el 20% del crecimiento de la demanda eléctrica en países desarrollados hacia el final de la década. Este incremento está directamente vinculado al despliegue de IA generativa, particularmente aplicaciones de video, imagen y modelos multimodales. Es decir, el crecimiento energético no responde a digitalización básica, sino a cargas computacionales intensivas. La huella de carbono asociada crece en paralelo.
A nivel micro, el consumo por consulta puede parecer bajo: una interacción textual equivale aproximadamente a mantener encendida una bombilla durante un minuto. Sin embargo, esta métrica se vuelve irrelevante frente a funciones complejas como generación de video o investigación profunda automatizada. Allí, el consumo escala exponencialmente. Investigadores energéticos han advertido sobre la velocidad y magnitud de esta expansión. El problema no es el uso individual, sino el volumen sistémico.
Además, el aumento de demanda eléctrica está siendo cubierto, en parte, por generación a gas. Esto implica que el crecimiento de la IA no solo consume energía, sino que puede impulsar nueva infraestructura fósil. Desde una perspectiva climática, el balance neto podría ser negativo. Las promesas climáticas de la IA, bajo este escenario, no solo carecen de evidencia: podrían estar en contradicción con la realidad operativa.
¿Qué tipo de IA sí aporta valor climático?
El debate no implica descartar toda aplicación de inteligencia artificial en la lucha climática. Expertos subrayan que existe una distinción crítica entre IA generativa y modelos predictivos tradicionales. Sasha Luccioni, especialista en IA y clima, lo sintetiza: “Cuando hablamos de IA que es relativamente mala para el planeta, se trata principalmente de IA generativa y modelos de lenguaje grandes”.
En contraste, la IA considerada “buena” para el planeta incluye modelos predictivos, extractivos y de optimización industrial. Estos sistemas se utilizan para pronóstico meteorológico, eficiencia en redes eléctricas, agricultura de precisión o mantenimiento predictivo. Su consumo energético es significativamente menor. Y su impacto climático es más medible. Aquí sí existen casos documentados de reducción de emisiones.
No obstante, incluso en IA tradicional, la evidencia suele ser débil. El informe señala que muchas afirmaciones ambientales se basan en proyecciones no verificadas. Un ejemplo emblemático es la cifra que sostiene que la IA podría mitigar entre 5% y 10% de las emisiones globales para 2030. Este dato, replicado por corporaciones tecnológicas, proviene de una cadena de referencias que incluye blogs corporativos y estimaciones de consultoría. No de estudios revisados por pares.
Esto refuerza la necesidad de auditoría independiente sobre impacto climático digital. Sin métricas estandarizadas, las promesas climáticas de la IA seguirán operando en el terreno de la especulación. Para áreas de sostenibilidad corporativa, distinguir entre IA de eficiencia e IA de alto consumo será clave en evaluaciones de huella de carbono tecnológica.
Greenwashing algorítmico y riesgos para la agenda climática
El posicionamiento de la inteligencia artificial como solución climática refleja una tendencia histórica: depositar expectativas desproporcionadas en innovaciones emergentes. Sin embargo, la evidencia disponible sugiere que las promesas climáticas de la IA —particularmente en su vertiente generativa— carecen de sustento empírico sólido. Más aún, funcionan como narrativa distractora frente al crecimiento acelerado de infraestructuras energéticamente intensivas. El riesgo no es solo ambiental, sino reputacional para quienes adoptan estos discursos sin verificación.
Para líderes de responsabilidad social, el desafío es doble. Por un lado, evitar amplificar mensajes de impacto climático no comprobado. Por otro, exigir transparencia energética y trazabilidad de emisiones en cadenas digitales. La IA puede aportar valor climático, pero solo en aplicaciones específicas, auditables y energéticamente eficientes. Separar innovación real de greenwashing tecnológico será determinante para no desviar recursos —ni atención— de las soluciones climáticas que sí pueden marcar diferencia.
