Metodología: cómo estimamos el agua, la energía y el carbono de la IA

Cada cifra de este sitio es una sola multiplicación, hecha de tres maneras: la energía que usa un prompt, por un factor de agua (o de carbono). Las tres maneras (Bajo, Medio, Alto) no son optimismo y pesimismo. Son límites contables: solo el agua de refrigeración, más el agua de las centrales eléctricas, o el ciclo de vida completo con el entrenamiento y la fabricación de chips. Cada coeficiente de abajo lleva su fuente.

#Cómo se construye una estimación

Cuando le preguntas a la calculadora por un prompt, pasan cinco cosas, en este orden:

1. Tu uso se convierte en tokens. Un intercambio típico de chat (tu prompt más la respuesta del modelo) promedia unos 700 tokens (supuesto del sitio, en línea con los benchmarks de respuestas de 400 tokens de Jegham et al. 2025 más un prompt típico).1,2 Si introduces el número de tokens directamente, usamos ese.
2. Los tokens se convierten en energía. Cada modelo se asigna a una clase (eficiente, estándar, frontera o razonamiento) con una intensidad energética medida en benchmarks, en vatios-hora por 1.000 tokens (Jegham et al. 2025; cifras de los operadores donde existen, como los 0,24 Wh de Google por prompt mediano de Gemini).2,3
3. La energía se convierte en agua. Multiplicamos por litros por kilovatio-hora. Aquí es donde importa el selector de escenario: el factor va de 0,3 L/kWh (Bajo) a 30 L/kWh (Alto),4,5,1 y la siguiente sección explica por qué.
4. La energía se convierte en carbono. La misma multiplicación con otro factor: gramos de CO₂e por kilovatio-hora, desde un operador con energía limpia (Bajo) hasta una red intensiva en fósiles (Alto), anclados en EPA eGRID.6
5. El resultado se convierte en algo que puedes imaginar. Los mililitros son abstractos; las botellas, las duchas y las tazas de café, no. Cada equivalente también tiene fuente.

#Los tres escenarios, con honestidad

Pregunta «¿cuánta agua usa una consulta a un chatbot?» y puedes obtener respuestas desde un cuarto de mililitro hasta medio litro (un factor de mil, más o menos), todas de fuentes creíbles. Las cifras no coinciden porque las preguntas no coinciden: cada estudio traza su límite alrededor de una parte distinta del sistema. En vez de coronar un límite como el correcto, calculamos los tres y los etiquetamos. Piénsalo como preguntar cuánto cuesta una hamburguesa: el precio de la carta, el precio con impuestos y propina, o el precio incluyendo los subsidios agrícolas. La misma hamburguesa, tres respuestas defendibles.

Bajo: solo refrigeración

Qué cuenta: el agua que evaporan los propios sistemas de refrigeración del centro de datos, por unidad de cómputo. Nada más.

Este es el límite que usan los operadores, porque es la parte del sistema que poseen y miden. La cifra oficial de Google (0,26 mL por prompt mediano de Gemini) vive aquí, igual que los ~0,32 mL por consulta de ChatGPT de OpenAI (Altman, junio de 2025).3,7 Los operadores eficientes declaran un consumo de agua in situ de unos 0,3 litros por kilovatio-hora (la media de flota de Microsoft es 0,30). La propia cifra por prompt de Google implica unos 1,1 L/kWh y la de OpenAI unos 0,9, así que nuestro factor Bajo de 0,3 L/kWh se sitúa en el extremo eficiente del rango de los operadores, y los valores Bajos de la calculadora para Gemini y ChatGPT quedan por debajo de las cifras de esas mismas empresas.4,3,7

Bajo es un número real, medido con honestidad. También es la respuesta a la pregunta más estrecha posible. Si has visto un titular que dice que la IA apenas usa agua, se construyó sobre este límite.

Medio: + electricidad

Qué cuenta: el agua de refrigeración, más el agua consumida al generar la electricidad con la que funciona el centro de datos.

Las centrales eléctricas tienen sed. Las termoeléctricas evaporan agua de refrigeración; los embalses hidroeléctricos pierden agua por evaporación. En la red media de EE. UU., generar un kilovatio-hora consume unos 4,5 litros de agua en algún punto aguas arriba (Siddik et al. 2021),8 varias veces lo que evapora el propio centro de datos. Suma la parte in situ y el escenario Medio da 5 L/kWh, o unos 2,8 mL para un intercambio típico de chat con un modelo de clase estándar.1

Tratamos Medio como el límite más útil para decidir: cuenta todo lo que ocurre porque hiciste la consulta, mientras la hacías, sin remontarse a la construcción y la fabricación. Es la vista por defecto de la calculadora.

Alto: ciclo de vida completo

Qué cuenta: todo lo de Medio, más una parte por consulta del agua usada para entrenar el modelo y para fabricar el hardware en el que corre.

Entrenar un modelo de frontera consume agua durante meses antes de que llegue el primer usuario, y fabricar chips es de las manufacturas que más agua usan en el planeta. Los estudios de ciclo de vida reparten esos costos previos entre las consultas que el modelo acaba atendiendo. El análisis de ciclo de vida de Mistral, el primero de un desarrollador de modelos y con revisión externa, halló 45 mL de agua y 1,14 gCO₂e por respuesta de 400 tokens con este límite.5 Mistral no publicó ninguna cifra de energía; con los ~1,5 Wh que este sitio supone para una respuesta así, eso implica unos 30 L/kWh.1 Los muy citados ~519 mL por correo de 100 palabras (Washington Post con UC Riverside, 2024) suelen archivarse aquí, pero cuentan la refrigeración más la electricidad con una estimación de energía alta de 2024 para GPT-4, no el entrenamiento ni la fabricación.9

Alto es el límite que buscas si tu pregunta es «¿cuánta agua cuesta la IA como sistema?» y no «¿cuánto añade mi consulta en el margen?».

Un matiz: extracción frente a consumo

En todo este sitio, «uso de agua» significa consumo (agua evaporada o que deja de estar disponible para la cuenca de la que salió), no extracción, que es agua que se toma prestada y se devuelve (como hace la refrigeración de paso único). Los estudios y los titulares mezclan ambas cosas sin cuidado, lo que explica algunas de las cifras más disparatadas en circulación. Cuando una fuente reporta extracción, lo decimos.

#Cómo se combinan los escenarios con la energía

Un detalle para lectores atentos. Nuestros benchmarks de energía también vienen con un rango bajo/medio/alto, pero ese rango significa otra cosa: refleja la variación entre estudios y modelos, no un límite contable. Para no multiplicar dos tipos de incertidumbre en una sola cifra opaca, el agua y el carbono que mostramos se calculan con la intensidad energética media por el factor de agua o de carbono del escenario. El selector de escenario cambia qué se cuenta, no lo pesimistas que nos sintamos respecto a la literatura sobre energía.

#Los coeficientes

Cada cifra que aparece en cualquier parte de este sitio se remonta a las tablas de abajo, que se generan directamente desde el mismo archivo que lee el motor de la calculadora, así que esta página no puede desviarse de las estimaciones. Cada fila lleva su fuente.

Coeficientes versión 1.3.1 · actualizado 2026-09

#Lo que no contamos, y otras limitaciones honestas

• Tu dispositivo y la red. El teléfono que tienes en la mano y la fibra entre tú y el centro de datos también usan energía. Es poco por consulta y queda fuera de los tres escenarios.
• La ubicación. Un litro evaporado en Phoenix no es un litro evaporado en Oslo. Nuestros factores son promedios de la red de EE. UU.; la realidad local varía un orden de magnitud en ambas direcciones.
• Agua reciclada y no potable. Algunos operadores refrigeran con aguas residuales regeneradas o con agua de mar. Nuestros factores no distinguen la calidad del agua, una limitación real de los datos disponibles.
• La obsolescencia. Los modelos, el hardware y las redes cambian más rápido que la literatura. El archivo de coeficientes tiene versión y fecha, y lo actualizamos cuando se publican cifras mejores, no cuando cambia la conversación.

#Cómo discrepar con nosotros

De forma productiva, esperamos. Cada coeficiente vive en un único archivo versionado con su fuente adjunta, mostrado arriba sin suavizados editoriales. Si crees que una cifra está mal, puedes identificar exactamente qué coeficiente es, ver exactamente de qué estudio salió y señalarnos uno mejor. Ese es todo el truco: preferimos que nos corrijan a resultar persuasivos.