El software puede reducir la electricidad necesaria para una tarea de IA o desplazar cargas de trabajo flexibles a otra hora o región. Son dos palancas distintas: una mejora la eficiencia del cálculo; la otra cambia cuándo o dónde se consume la energía.

Qué puede cambiar el software en el consumo de energía

En cada tarea, los equipos pueden ajustar la precisión numérica, almacenar en caché solicitudes repetidas o dirigir consultas rutinarias a modelos más pequeños. También pueden mejorar la agrupación de tareas —el batching— y los compiladores, dimensionar mejor las instancias en la nube y limitar los tokens de entrada y salida. Son técnicas para ajustar el trabajo al recurso necesario, no una garantía de ahorro igual para todos los modelos o centros.

La diferencia importa: reducir la energía por tarea no es lo mismo que reducir el consumo total de una instalación. El total también depende de cuántas tareas se ejecutan.

Resultados de Perseus y NVIDIA Blackwell

El artículo de ACM sobre Perseus informa de hasta un 30 % menos de energía en el entrenamiento de modelos grandes, sin pérdida de rendimiento y sin modificar el hardware en su evaluación. Perseus aborda el gasto energético del entrenamiento al programar el cálculo a lo largo del tiempo.

NVIDIA, por su parte, afirma que la primera fase de sus perfiles de potencia para Blackwell puede ahorrar hasta un 15 % de energía y mantener niveles de rendimiento superiores al 97 % en aplicaciones críticas. La empresa también comunica un resultado distinto: en instalaciones limitadas por la potencia disponible, el ahorro puede permitir instalar más GPU y elevar hasta un 13 % el rendimiento total del centro.

No son porcentajes intercambiables: el primero mide ahorro energético, el segundo se refiere al rendimiento de aplicaciones críticas y el tercero al rendimiento global de una instalación con restricciones de potencia. Los resultados de NVIDIA dependen del perfil y de la carga de trabajo.

Programar las cargas flexibles según la red

El software también puede cambiar el momento o el lugar en que se ejecuta un trabajo por lotes que no necesita una respuesta inmediata. La planificación con antelación y la programación en tiempo real pueden ajustarse a las señales de la red eléctrica: por ejemplo, retrasar una tarea o trasladarla a una región con capacidad disponible y electricidad menos intensiva en carbono.

El traslado no siempre es sencillo. Las normas de soberanía de datos pueden exigir que cierta información permanezca en una jurisdicción, y mover grandes conjuntos de datos entre regiones plantea dificultades prácticas. Por eso, la programación puede ayudar a gestionar cuándo y dónde se consume electricidad, pero no elimina esas restricciones.

La eficiencia complementa la infraestructura

Una tarea más eficiente puede consumir menos energía sin que el centro de datos reduzca su consumo total. Si ejecutar cada operación cuesta menos, también puede resultar atractivo generar más tokens o procesar más tareas: es el posible efecto rebote conocido como paradoja de Jevons.

El software, por tanto, complementa la mejora de los equipos y la ampliación de la infraestructura eléctrica; no las sustituye. El contexto es amplio: la Agencia Internacional de la Energía estima que los centros de datos consumieron unos 415 TWh en 2024, alrededor del 1,5 % de la electricidad mundial.

Qué abarca la previsión de la AIE para 2030

En su Caso Base, la AIE proyecta alrededor de 945 TWh de consumo eléctrico total de los centros de datos en 2030. La cifra incluye centros de datos de todo tipo. La agencia analiza por separado el aumento rápido de la demanda eléctrica de servidores acelerados, impulsado principalmente por la adopción de IA.

Para conocer más sobre las restricciones de suministro y capacidad que rodean a esta expansión, NeoTeo también ha explicado los cuellos de botella de la infraestructura de IA.