Huella de carbono de la IA y de los sistemas de información: KPI y buenas prácticas

Los sistemas de información tienen un impacto ambiental que no se ve desde el puesto de trabajo, pero que crece con el uso: centros de datos, almacenamiento, redes, puestos de trabajo y, cada vez más, la inteligencia artificial. La buena noticia es que una parte importante de ese impacto depende de decisiones que toma la propia organización: qué modelo usa, cuánto lo usa y a quién se lo contrata.

De dónde viene el impacto

• Energía. Los centros de datos consumieron en 2024 unos 415 TWh, alrededor del 1,5 % de la electricidad mundial, y la Agencia Internacional de la Energía prevé que su consumo se duplique hasta 2030, impulsado sobre todo por la IA.
• Entrenamiento frente a uso. Entrenar un gran modelo de lenguaje emite mucho, pero el uso diario, con millones de consultas, acaba superándolo. La parte que una organización usuaria puede gestionar es el uso: cuánto y con qué modelo.
• Agua. Los centros de datos usan agua para refrigerar. Las estimaciones por consulta varían enormemente según el modelo y el centro de datos, y por eso hay que pedir el dato al proveedor en lugar de usar promedios.
• Minerales y residuos. Chips y equipos especializados requieren litio, tierras raras y otros minerales, y acaban como residuos electrónicos.
• El resto del parque. Servidores propios, copias, impresoras y redes también suman. Las medidas de este artículo se aplican a todo el parque tecnológico, no solo a la IA.

Referencias para medir

Referencia	Para qué sirve
UNE 0086:2025	Especificación española con métricas de energía, carbono, agua y rendimiento de los sistemas de IA en entrenamiento e inferencia. Referencia principal para pedir datos a los proveedores
ISO/IEC TR 20226:2025	Marco conceptual sobre la sostenibilidad de la IA en todo su ciclo de vida
ISO/IEC 21031:2024 (SCI)	Intensidad de carbono del software por unidad funcional: permite pedir «g de CO₂e por consulta»
ISO 14064-1 y GHG Protocol	Inventario de emisiones de la organización
AFNOR Spec 2314	Buenas prácticas de «IA frugal»
Directiva (UE) 2023/1791	Obliga a los centros de datos de cierta potencia a informar de consumo, eficiencia, agua y renovables
UIT-T L.1510 (2025)	KPI ambientales de las infraestructuras digitales en seis categorías y tres niveles de madurez
UIT-T L.1450 (2025)	Huella del sector TIC en todo el ciclo de vida y presupuesto de emisiones compatible con 2 °C
LCSP, art. 145	Base legal para incluir criterios ambientales en los pliegos

Qué puede medir una organización que usa la nube

Casi nunca se puede medir el consumo directamente. Lo realista es combinar tres fuentes:

1. Datos del proveedor: energía y emisiones por consulta o por usuario, PUE, WUE, porcentaje de renovables y región de procesamiento.
2. Paneles de la nube contratada: los grandes proveedores ofrecen paneles de emisiones por cliente (por ejemplo, el de Microsoft para Azure y Microsoft 365).
3. Estimación propia en desarrollos a medida: a partir del número de consultas, el tamaño del modelo y el tiempo de cómputo, con herramientas abiertas como CodeCarbon.

Una regla que evita discusiones: indicar siempre si cada dato es medido o estimado, y con qué método, como piden la UNE 0086 y la UIT-T L.1510.

KPI de sostenibilidad por nivel de madurez

La UIT-T L.1510 propone un método sencillo: fijar objetivos, elegir métricas, poner una meta a cada una y medir y publicar los resultados sobre un periodo móvil de doce meses. Y gradúa los indicadores en tres niveles, para empezar con pocos y ampliar al madurar.

Indicador	Qué mide	Unidad	Nivel
Consumo energético total	Electricidad del CPD, puestos de trabajo y servicios en la nube	kWh/año	Inicial
Eficiencia del centro de datos (PUE)	Energía total del CPD entre la del equipamiento TI (cuanto más cerca de 1, mejor)	Ratio	Inicial
Emisiones de alcances 1 y 2	CO₂e de la energía consumida por los sistemas	tCO₂e/año	Inicial
Residuos electrónicos gestionados	Equipos retirados que se reutilizan o van a un gestor autorizado (RAEE)	%	Inicial
Sistemas retirados por falta de uso	Sistemas y funciones apagados tras la revisión anual	n.º/año	Inicial
Energía renovable (REF)	Parte renovable de la energía consumida	%	Avanzado
Emisiones por consulta de IA	Intensidad de carbono de cada interacción	g CO₂e/consulta	Avanzado
Agua del centro de datos (WUE)	Agua de refrigeración por energía TI	m³/MWh	Avanzado
Eficiencia de carbono del caso de uso	Beneficio obtenido por kg de CO₂e (por ejemplo, documentos revisados por kg)	unidades/kg CO₂e	Avanzado
Huella de ciclo de vida (alcance 3)	Fabricación, compras y fin de vida del equipamiento y los servicios	tCO₂e/año	Líder

El indicador más útil para decidir es la eficiencia de carbono del caso de uso, porque relaciona el impacto con el valor que aporta: permite comparar dos soluciones y justificar, o descartar, un uso de IA.

Cómo reducir el impacto de la IA

• Elegir el modelo de tamaño adecuado. Modelos pequeños para clasificar o extraer datos; grandes solo cuando hagan falta. Un servicio especializado de extracción de documentos suele ser más eficiente que pedir a un LLM que lea cada imagen.
• No usar IA cuando basta una búsqueda, una plantilla o una regla.
• Evitar generar imágenes o vídeo sin necesidad.
• Reutilizar respuestas frecuentes y procesar por lotes lo que no es urgente.
• Elegir regiones de la nube con energía más limpia, siempre dentro de la UE para no crear problemas de protección de datos.
• Retirar los sistemas que no se usan y alargar la vida útil del equipamiento; al final, reutilizarlo o entregarlo a un gestor autorizado.

Qué pedir a los proveedores

1. Energía y emisiones por consulta o por usuario, con el método de cálculo (UNE 0086 o ISO/IEC 21031).
2. Indicadores del centro de datos: PUE, WUE, renovables y ubicación.
3. Un informe periódico, por ejemplo anual, del consumo y las emisiones del servicio contratado.
4. Opciones de modelo de distintos tamaños y la justificación del elegido.
5. Certificaciones ISO 14001 e ISO 50001 e información sobre su gestión de residuos.
6. Usar esos datos como criterio de valoración o condición de ejecución (art. 145 LCSP), sin que pesen más que la seguridad y la protección de datos.

Llevarlo a la gobernanza

La sostenibilidad funciona cuando forma parte del proceso, no cuando es un informe aparte. Tres pasos bastan para empezar:

• Añadir a la ficha de cada caso de uso de IA el modelo elegido y la justificación de su tamaño, y los datos de energía, emisiones y agua (medidos o estimados).
• Que el órgano que autoriza los usos de IA valore la sostenibilidad antes de aprobar cada caso.
• Integrar los KPI en el cuadro de mando del gobierno del dato y publicarlos cada año, a partir de una primera medición que sirva de punto de partida.

Cómo montar el cuadro de indicadores paso a paso

1. Fijar los objetivos. Qué se quiere conseguir: reducir el consumo energético de los sistemas, elegir proveedores con más renovables, retirar sistemas que no se usan o medir el impacto de la IA antes de que crezca.
2. Elegir las métricas de la tabla anterior que respondan a esos objetivos, empezando por las de nivel inicial.
3. Identificar la fuente de cada dato: facturas eléctricas, el CPD propio, el panel de emisiones de la nube, los certificados del proveedor o el inventario de equipos.
4. Hacer una primera medición que sirva de punto de partida. Sin línea base no hay meta creíble.
5. Poner una meta por métrica, con un horizonte temporal; la UIT-T L.1450 ayuda a fijar metas plurianuales compatibles con una trayectoria de 2 °C.
6. Medir y publicar sobre un periodo móvil de doce meses, indicando siempre si el dato es medido o estimado.
7. Revisar cada año y ampliar al nivel siguiente cuando los contratos y las herramientas lo permitan.

Un ejemplo de cálculo de eficiencia de carbono

Imagina un sistema que extrae datos de documentos para preparar su revisión. En un mes procesa 4.000 documentos y, según el panel de emisiones de la nube, su consumo equivale a 20 kg de CO₂e. Su eficiencia de carbono es de 200 documentos revisados por kg de CO₂e.

Si se sustituye el gran modelo de lenguaje que leía cada documento por un servicio especializado de extracción, y la cifra sube a 600 documentos por kg, la decisión está justificada con datos. Y si dentro de un año la eficiencia baja sin que cambie el uso, es una señal de que algo ha cambiado en el servicio o en el proveedor.

Lo importante no es la precisión absoluta del número, sino medir siempre igual para poder comparar.

Ocho ejes para un compromiso de sostenibilidad digital

Muchas organizaciones ordenan sus compromisos en ejes como los que propone el Pacto por una Ciberseguridad Sostenible de ISMS Forum. Aplicados a la IA y a los sistemas de información:

Eje	Compromiso	Indicador
Gobernanza responsable	Valorar la sostenibilidad al autorizar cada caso de IA	Casos autorizados con la sostenibilidad evaluada (%)
Transparencia	Publicar los sistemas de IA en uso y un informe anual de consumo y emisiones	Informe publicado (sí/no)
Eficiencia energética	Modelo de tamaño adecuado, evitar usos innecesarios y regiones con energía limpia	kWh y g CO₂e por consulta o al mes
Economía circular	Alargar la vida útil y retirar lo que no se usa	Sistemas retirados; vida útil media de equipos
Residuos electrónicos	Gestores autorizados de RAEE	Equipos entregados a gestor autorizado (%)
Colaboración y divulgación	Compartir experiencias e incluir la sostenibilidad en la formación	Acciones al año
Estándares sostenibles	Medir con métricas reconocidas	Sistemas con indicadores según UNE 0086 (%)
Cadena de suministro	Criterios ambientales en los pliegos	Contratos de IA con cláusulas ambientales (%)

Qué preguntar al elegir un modelo de IA

Antes de decidir qué modelo usar para un caso, estas preguntas evitan la mayoría de los excesos:

• ¿La tarea es generar texto libre, o clasificar, extraer o resumir? Para las tres últimas suelen bastar modelos pequeños o servicios especializados.
• ¿Hace falta generar la respuesta cada vez, o hay preguntas repetidas que se pueden reutilizar?
• ¿El proceso necesita respuesta inmediata, o se puede agrupar por lotes en horas de menor demanda?
• ¿Se ha comparado el resultado de un modelo grande con el de uno mediano en el banco de pruebas? A menudo la diferencia de calidad es mínima y la de consumo, grande.
• ¿El proveedor ofrece varios tamaños de modelo y datos de consumo de cada uno?

Errores frecuentes

• Usar promedios genéricos de consumo por consulta en lugar de pedir el dato al proveedor.
• Medir solo la IA y olvidar los servidores, el almacenamiento de copias, los puestos de trabajo y las impresoras.
• No indicar el método: una cifra sin «medido» o «estimado» y sin metodología no es comparable.
• Hacer que la sostenibilidad pese más que la seguridad o la protección de datos en un pliego: elegir una región fuera de la UE porque tiene más renovables puede crear un problema mayor.
• Medir una vez y olvidarse: sin revisión anual, los indicadores dejan de tener sentido.

En Bidatia ayudamos a incorporar la sostenibilidad al gobierno de la IA y del dato, desde la elección de modelos hasta los indicadores. Si te interesa el marco completo, consulta qué normativa aplica a la IA y los datos y cómo organizar el gobierno del dato.