La paradoja de la sostenibilidad de la infraestructura de IA urbana: cuando las ciudades inteligentes se topan con los cuellos de botella de energía y agua

En los últimos años, las ciudades de todo el mundo han estado compitiendo por implementar infraestructura de inteligencia artificial, desde flotas de vehículos autónomos hasta plataformas de gemelos digitales urbanos en tiempo real. La IA se ha convertido en el sistema operativo de las ciudades digitales. Sin embargo, un artículo de revisión publicado recientemente en Nature Reviews Clean Technology revela una cruda realidad: los centros de datos de IA que sustentan estas aplicaciones inteligentes están consumiendo energía y recursos hídricos a un ritmo sin precedentes, y si no se interviene, harán añicos los compromisos climáticos de las ciudades.

Crecimiento exponencial de los centros de datos

Según este estudio titulado 'Strategies and design for increasing AI sustainability', entre 2023 y 2028 se espera que el número de racks de centros de datos a nivel mundial se duplique o incluso triplique, con un aumento neto de la demanda eléctrica de aproximadamente 650 TWh al año, equivalente al consumo anual de electricidad de Francia. Para cualquier ciudad que albergue centros de datos a hiperescala, esto supone una enorme presión sobre la red eléctrica local. El caso del norte de Virginia (el mayor centro de datos del mundo) muestra que la estructura del consumo eléctrico local está siendo remodelada por las cargas de trabajo de la IA, y la mayor parte de la electricidad sigue proviniendo de combustibles fósiles.

Carbono incorporado: un costo urbano ignorado

El estudio señala que más de la mitad de las emisiones de carbono de los grandes centros de datos de IA provienen de las 'emisiones incorporadas', es decir, la huella de carbono generada por la fabricación de chips, servidores y la construcción del propio centro de datos. Esto significa que las ciudades no pueden fijarse solo en la eficiencia operativa al elegir hardware de IA. El uso de componentes reciclados o chips de generaciones anteriores puede reducir las emisiones totales entre un 10% y un 20%. Para los gobiernos locales que persiguen objetivos de ciudades inteligentes 'casi neutras en carbono', esta es una estrategia viable: priorizar la adquisición de hardware de inferencia reacondicionado o de bajo consumo, en lugar de perseguir únicamente los últimos chips de entrenamiento.

Compensación agua-carbono: el dilema de los operadores urbanos

La IA es una gran consumidora de agua. Los sistemas de refrigeración durante el entrenamiento y la inferencia de modelos consumen grandes cantidades de agua dulce. El estudio revela un equilibrio inquietante para los gestores urbanos: las medidas para reducir el consumo de agua (como el uso de refrigeración por aire en lugar de refrigeración evaporativa) pueden aumentar las emisiones de carbono en más de un 10%. En las ciudades áridas de la península Arábiga o en el suroeste de EE. UU., la prioridad de ahorrar agua suele ser mayor que la de reducir el carbono; pero en las ciudades nórdicas ocurre lo contrario. Por lo tanto, cada ciudad debe desarrollar estrategias de operación de infraestructura de IA diferenciadas según su dotación local de recursos hídricos y la intensidad de carbono de su red eléctrica.

Programación en tiempo y espacio: hacer que la IA baile al ritmo de las energías renovables

Programación en el tiempo y el espacio: que la IA baile con las energías renovables

A diferencia de los centros de datos tradicionales que siempre están en alta carga, las tareas de entrenamiento de IA tienen flexibilidad temporal. Los estudios muestran que programar las tareas de entrenamiento durante períodos de excedente de energía renovable (por ejemplo, noches ventosas) puede reducir la intensidad de carbono del entrenamiento del modelo en aproximadamente un 10%. Para las ciudades, esto significa que pueden cooperar con los operadores del sistema eléctrico para establecer un mecanismo de "programación consciente del carbono": las cargas de trabajo de IA migran o se pausan dinámicamente según las señales de carbono de la red en tiempo real. Este modelo se está probando en California e Irlanda, pero su implementación a gran escala requiere el apoyo de nodos de computación en el borde y redes 5G.

Fragmentación de la inferencia: potencial de distribución a nivel urbano

Aunque el entrenamiento de IA se concentra en grandes centros de datos, la carga de inferencia se está moviendo hacia el borde. La investigación señala que la inferencia contribuye entre el 40% y el 60% de las emisiones equivalentes de carbono en el ciclo de vida del modelo, sin embargo, la inferencia puede ejecutarse en hardware de bajo rendimiento. Las ciudades pueden dispersar las tareas de inferencia a farolas inteligentes, semáforos o controladores de gestión energética de edificios en las calles; en esencia, reemplazar los centros de datos centralizados con dispositivos de borde. El proyecto "AI at the edge" en Ámsterdam, Países Bajos, está validando esta ruta: procesa análisis de video de tráfico a través de miles de terminales de bajo consumo, reduciendo la dependencia de la nube central.

El desafío mayor: compensaciones a nivel de sistema y gobernanza

Hay que admitir que el impacto ambiental de la IA no es un problema técnico aislado. Involucra el sistema energético de la ciudad, la red de suministro de agua, la planificación territorial y la soberanía digital. Por ejemplo, una ciudad que anuncie "carbono neutral para 2030", si al mismo tiempo fomenta la instalación de centros de datos de IA a hiperescala, necesita incorporar presupuestos de carbono y agua en la fase de planificación. El "Plan director de centros de datos ecológicos" de Singapur exige que los nuevos centros tengan un PUE (eficiencia de uso de energía) inferior a 1.2, y obliga a adoptar tecnología de refrigeración por evaporación indirecta para reducir el consumo de agua. Herramientas políticas similares se están convirtiendo en el nuevo estándar de competencia de infraestructura digital entre ciudades.

Conclusión: las ciudades necesitan un nuevo "balance de infraestructura"

La IA no desaparecerá, y las ciudades inteligentes son irreversibles. Pero las ciudades deben ser conscientes de que detrás de cada línea de código hay un costo físico real. Las ciudades inteligentes exitosas del futuro no serán aquellas que hayan desplegado más sensores de IA, sino aquellas que puedan medir con precisión y gestionar de manera sostenible el impacto del carbono, el agua y la red eléctrica de la IA. Como enfatiza la revisión: la eficiencia técnica nunca es suficiente para compensar el crecimiento de escala; las ciudades deben rediseñar la relación entre las cargas de trabajo de IA y los recursos locales desde una perspectiva sistémica.

Esto no es solo un desafío técnico, sino también una prueba del arte de la gobernanza.