En la actualidad hay varios errores que están frenando la sostenibilidad de la IA, que suele abordarse de forma fragmentada como si fuese suficiente con optimizar la infraestructura o reducir el tamaño de un modelo. Se trata de un enfoque, que según HPE, es insuficiente. Para la compañía, la clave reside en entender la IA como un ecosistema interconectado, en el que infraestructura, datos, software, hardware y personas funcionan como piezas que dependen unas de otras.
HPE señala que solo integrando estas dimensiones es posible alcanzar una eficiencia real y duradera, algo que se puede conseguir con la adopción de lo que la compañía denomina ecosystem thinking, que implica situar la sostenibilidad como principio rector desde el diseño. Para ello es necesario medir con precisión, planificar con visión de futuro y fomentar la colaboración transversal entre equipos de TI, negocio y sostenibilidad.
Pero antes es necesario identificar los errores que en la actualidad evitan la sostenibilidad de la IA, y abordarlos siguiendo cierta pautas para evitarlos. Según HPE, son estos siete:
1 – Sobredimensionar modelos sin necesidad: el entusiasmo por los modelos grandes de lenguaje ha llevado a usarlos en tareas que no lo requieren, como clasificar correos o extraer datos básicos. El resultado es un consumo energético hasta 100 veces mayor que si se emplearan modelos más pequeños o incluso técnicas clásicas de machine learning. La tendencia más sostenible no es «bigger is better», sino «fit-for-purpose». Es decir, ajustar el modelo al propósito real.
2 – Olvidar la eficiencia de la infraestructura: los centros de datos de última generación han avanzado mucho gracias a innovaciones como la refrigeración líquida, los racks optimizados o la conversión energética. Pero los límites son claros: solo la inferencia de IA podría consumir un 20 % de la energía global en 2030. Además, no todas las infraestructuras son iguales. Ejecutar un mismo modelo en una red eléctrica con alta intensidad de carbono puede generar hasta diez veces más huella que hacerlo en una con renovables. Por eso, auditar la procedencia y aplicar técnicas de optimización es esencial para reducir impacto.
3 – Acumular datos sin control: muchos departamentos almacenan cantidades masivas sin políticas de retención ni depuración. Esa información, aunque nunca se use, sigue consumiendo energía en almacenamiento, copias de seguridad y mantenimiento. El marco 4C (Collect, Curate, Clean, Confirm) ofrece un enfoque práctico, recopilando solo datos relevantes, filtrándolos para eliminar redundancias y sesgos, limpiándolos para mantener consistencia y confirmándolos para garantizar calidad.
4 – Ignorar la eficiencia del software: el impacto de código poco optimizado o de modelos sobredimensionados multiplican el consumo energético de forma innecesaria. Cada vez más, la comunidad de desarrolladores adopta tácticas sostenibles para reducir la precisión de los cálculos cuando no se necesita la máxima exactitud. Entre ellas Guardrails, para redirigir consultas simples a modelos ligeros; o modelos pequeños de lenguaje (SLMs) y LLMs específicos de dominio, más pequeños y especializados que consumen menos recursos sin sacrificar calidad.
5 – No alinear cargas con el hardware adecuado: otro error común es sobredimensionar infraestructuras por precaución. Esto conduce a tasas de uso bajas y a un enorme desperdicio energético. La recomendación es asignar cada tipo de carga de trabajo al hardware más adecuado, ya que no todas las tareas requieren GPU de última generación ni servidores de alto consumo.
6 – Desatender a las personas: implementar IA sin explicar su propósito ni formar a los equipos genera resistencia, baja adopción y sistemas infrautilizados que consumen recursos sin aportar valor. Comunicar con transparencia, demostrar que la IA es un complemento y no un sustituto, y acompañar su despliegue con programas de upskilling es fundamental para que las inversiones sean productivas y sostenibles.
7 – No medir el impacto sostenible: muchas organizaciones despliegan IA sin monitorizar su consumo energético ni su huella de carbono. Sin datos, es imposible identificar ineficiencias o demostrar avances hacia objetivos ESG. Incorporar métricas desde el inicio, como emisiones por interacción o consumo energético por inferencia, permite optimizar en tiempo real y justificar inversiones en prácticas más sostenibles.
