Cada gigavatio que consume un datacenter es energía que no llega al mercado residencial. La carrera de la IA infla precios, destruye empleos y acelera el cambio climático. Hay que hacer un alto.

Hay que frenar: la IA no necesita correr más, necesita correr mejor

Los kilowatts no mienten. Microsoft compró una planta nuclear entera, Three Mile Island, un gigavatio por 20 años. Anthropic y AMD firmaron por dos gigavatios más. El recibo de luz del ciudadano común no es inmune a nada de esto. La energía no aparece de la nada: cada megavatio-hora que consume un cluster de entrenamiento es un megavatio-hora que no llega al mercado residencial. O llega más caro.

El patrón se repite. Las tarjetas gráficas subieron primero con la minería de criptomonedas. Una RTX 3080 pasó de 699 dólares a más de 2,000 en meses. Después llegó la IA y las GPU para centros de datos alcanzaron precios industriales: 30,000 dólares por una H100 de NVIDIA. Las memorias HBM —el mismo componente que usan las GPU y los servidores— treparon 40% en 2025. El costo lo paga el de abajo: el usuario final compra hardware más caro, paga electricidad más cara, paga servicios cloud con márgenes más altos. El que no innova también paga, porque la cadena de suministro entera está torcida por dos industrias sedientas de silicio y watts.

La mejora continua es un mantra empresarial. Pero cuando se vuelve una compulsión adolescente —siempre el siguiente modelo, siempre la siguiente GPU, siempre el siguiente datacenter— deja de ser virtud y se vuelve patología. Las big tech compiten en una carrera armamentista donde frenar cuesta valoración bursátil, pero donde todas destruyen valor social: Google aumentó sus emisiones 48% desde 2019. Más extracción de minerales raros. Más agua para refrigerar en regiones con sequía. Más poder computacional concentrado en tres empresas.

Hay que hacer un alto. No hablo de detener el desarrollo. Hablo de preguntarnos para qué y para quién. La IA actual ya alcanza para avanzar con velocidad en medicina, en ciencia de materiales, en educación personalizada. No necesitamos modelos de diez billones de parámetros que cuesten 500 millones de dólares entrenar para responder correos o generar imágenes de gatitos. Necesitamos eficiencia, no escala.

La Agencia Internacional de Energía proyecta que los centros de datos consumirán 4% de la electricidad mundial para 2030. Si no cambiamos el ritmo, ese número se queda corto. Las tecnológicas firman contratos por gigavatios. Los hogares absorben el costo incremental de la energía, no los datacenters. Existen alternativas: generación distribuida, reactores nucleares modulares, optimización de modelos con cuantización, destilación y fine-tuning eficiente. Pero se adoptan con menos entusiasmo que la compra de más GPUs.

La guerra mental ya empezó y sus bajas no son servidores apagados. Son miles de profesionales que abandonan carreras porque sienten que la IA lo hará todo. El estudiante de diseño que deja la carrera porque DALL-E genera logotipos en segundos. El traductor que ve cómo DeepL y GPT vacían su mercado. El programador junior al que le dicen que Codex ya escribe mejor que él. Da igual si es verdad o percepción: el daño está hecho y la respuesta no puede ser otro modelo más potente que acelere la espiral.

Hay alternativas. Eficientar el consumo energético con modelos más pequeños y especializados. Invertir en centros de datos carbono-negativos. Regular el acceso preferencial a GPUs para evitar oligopolios de infraestructura. Sobre todo, dejar de medir el progreso en parámetros y empezar a medirlo en impacto social neto.