La IA no bebe agua en sentido literal (ChatGPT no tiene una botella de agua permanentemente en la mano 😅). Son sobre todo los centros de datos y la producción de electricidad los que la consumen para refrigerar los servidores y alimentar los cálculos.
Para una simple consulta de texto, existen hoy en día enormes diferencias en cuanto al consumo de agua de la IA: desde 0,26 ml para un prompt de texto mediano en Gemini hasta unos 45 ml para una respuesta de 400 tokens en Mistral, e incluso el equivalente a una botella de 500 ml por cada 10 a 50 respuestas según la estimación más amplia del estudio de la Universidad de California en Riverside.
A escala mundial, el total real sigue siendo poco conocido, pero las proyecciones oscilan entre cientos de miles de millones de litros y varios miles de millones de metros cúbicos, dependiendo del perímetro considerado.
La buena noticia es que se puede reducir considerablemente esta presión (veremos cómo a continuación).
El consumo de agua de la IA se ha convertido en un tema sensible por una razón sencilla: la IA parece inmaterial, cuando en realidad se basa en máquinas muy físicas. Estas máquinas se calientan. Para mantenerlas en un rango de temperatura aceptable, los operadores de centros de datos utilizan aire, agua, a veces ambos y, sobre todo, mucha electricidad. Una parte de esta agua se evapora in situ. Otra parte se consume más lejos, en el sistema eléctrico que alimenta los servidores.
El problema es que el debate público suele mezclar varios conceptos. Se confunde el agua extraída con el agua realmente consumida. También se mezclan el uso directo, el uso indirecto, el entrenamiento del modelo, la inferencia, la fabricación del hardware y, a veces, incluso el terminal del usuario. Como resultado, circulan cifras que parecen incompatibles. En realidad, rara vez se refieren a lo mismo. Las cifras cambian según el perímetro seleccionado.
¿Por qué la IA consume agua?
Existen dos áreas principales de consumo:
- El consumo directo, en las instalaciones del centro de datos. El agua se utiliza para la refrigeración. Una parte circula en circuito cerrado y otra termina evaporándose, dejando de estar disponible localmente.
- El consumo indirecto, en las fases previas. La producción de la electricidad necesaria para los centros de datos también consume agua, especialmente según el mix eléctrico y las tecnologías de refrigeración de las centrales.
Esta distinción es fundamental. Un estudio publicado en Nature Sustainability sobre los servidores de IA desplegados en Estados Unidos estima que la parte indirecta representa el 71% del total, frente al 29% del uso directo. En otras palabras, observar solo el agua evaporada in situ ofrece una imagen incompleta. A veces es solo la mitad del problema, o incluso menos.
Otro punto que suele olvidarse es que el lugar y el momento importan. Una misma tarea de IA no tiene el mismo coste hídrico según el clima, la tecnología de refrigeración, la región, la estación y la red eléctrica utilizada en ese preciso instante. Esta es una de las conclusiones principales del trabajo de la Universidad de California en Riverside, que insiste en la diversidad espacial y temporal de la eficiencia hídrica.
¿Cuánta agua se necesita para una sola consulta de IA?
No existe una única cifra universal. Existen cifras serias, pero no miden lo mismo.
| Fuente | Orden de magnitud | Qué se mide | Qué significa |
|---|---|---|---|
| Google (Gemini Apps) | 0,26 ml por prompt de texto mediano | Medición de producción a gran escala, en mayo de 2025 | Una estimación muy baja, procedente de una medición interna detallada |
| Mistral (Le Chat) | 45 ml para una respuesta de 400 tokens | Impacto marginal de inferencia, excluyendo el terminal del usuario | Una estimación de ciclo de vida más amplia que la de la propia sala de servidores |
| UC Riverside | 500 ml para unas 10 a 50 respuestas | Estimación amplia del consumo de agua de un modelo grande | Un orden de magnitud que incluye un perímetro más ambicioso |
La cifra de Google es hoy una de las más precisas para un uso de texto real a muy gran escala. En su informe de 2025, la empresa indica que un prompt de texto mediano en Gemini Apps consume 0,24 Wh y 0,26 ml de agua, es decir, unas cinco gotas. Es muy poco a escala de un solo uso. Sin embargo, Google también precisa que el impacto global sigue siendo importante en cuanto se pasa a cientos de millones de consultas.
Mistral ofrece otra referencia, más elevada. En su auditoría ambiental publicada en julio de 2025, la empresa anuncia 45 ml de agua por el uso de su asistente Le Chat para una respuesta de 400 tokens. De nuevo, el perímetro no es el mismo. El estudio incluye impactos previos y se sitúa en una lógica de análisis de ciclo de vida.
La estimación más conocida por el público general sigue siendo la de la Universidad de California en Riverside. Los autores explican que un modelo grande como GPT-3 puede consumir el equivalente a una botella de 500 ml por cada 10 a 50 respuestas, dependiendo de dónde y cuándo se ejecute. No es una cifra absurda. Es una cifra amplia y debe leerse como tal.
Por tanto, la actitud correcta no es elegir una cifra frente a las demás. Lo correcto es preguntar: ¿de qué estamos hablando exactamente?
Por consulta, por imagen, por vídeo, por entrenamiento: ¿qué se puede decir honestamente?
Texto
Para el texto, disponemos ahora de varias referencias serias. Una consulta sencilla puede bajar a unas pocas décimas de mililitro en un marco optimizado, subir a unas pocas decenas de mililitros en un enfoque de ciclo de vida, o alcanzar una estimación mucho más amplia si se toman hipótesis más globales. Por tanto, hay que hablar de rangos, no de una verdad única.
Imagen
Para la imagen, la literatura seria aún va por detrás del uso real. Disponemos de estudios recientes sobre la energía consumida por la generación de imágenes, con diferencias masivas según el modelo, la resolución y la arquitectura. Un estudio de 2025 sobre 17 modelos muestra una diferencia de hasta 46 veces entre modelos, y aumentos de consumo de entre 1,3 y 4,7 veces al incrementar la resolución. En cambio, aún no existe una cifra única, ampliamente aceptada y medida directamente en mililitros de agua por imagen generada.
La conclusión práctica es sencilla. Una imagen de IA consume más que una consulta de texto, a veces considerablemente más, y aún más cuando se multiplican los intentos, las variaciones de estilo, las resoluciones elevadas y los retoques. El coste real no proviene solo de una imagen, sino de la serie completa de intentos que el usuario lanza para obtener una «buena».
Vídeo
Para el vídeo, hay que ser aún más cautelosos. No disponemos hoy de una cifra de referencia propia, robusta, estable y ampliamente aceptada en mililitros de agua por vídeo generado. Sin embargo, la investigación sobre los modelos de difusión de vídeo repite la misma observación: estos modelos sufren un coste de cálculo mucho más elevado que los modelos de imagen, con una latencia importante y, a veces, decenas de minutos para generar unos pocos segundos de vídeo en GPU de gama alta. En otras palabras, el vídeo no es solo «una imagen un poco más pesada». Es un coste de agua mucho mayor.
Por tanto, se puede dar un orden lógico sin inventar cifras falsas. Un vídeo corto de IA consume probablemente mucha más agua que una imagen de IA, porque requiere mucho más cálculo y más tiempo de máquina. Pero el orden exacto depende todavía demasiado del modelo, del número de fotogramas, de la duración, de la resolución, del número de iteraciones y del lugar de ejecución como para anunciar una cifra única sin faltar a la verdad.
Entrenamiento
El entrenamiento de los grandes modelos sigue siendo la etapa más espectacular. El estudio de la Universidad de California en Riverside estima que el entrenamiento de GPT-3 en los centros de datos estadounidenses de Microsoft pudo evaporar directamente 700.000 litros de agua dulce, y subir hasta los 5,4 millones de litros en total incluyendo el resto del perímetro. Es inmenso. Pero no es el final de la historia, ya que una vez que el modelo se despliega a gran escala, la inferencia también puede acabar pesando mucho.
¿Cuánta agua consume la IA en el mundo?
La respuesta más honesta es la siguiente: nadie tiene hoy en día un contador mundial completo y perfectamente fiable. La falta de transparencia sigue siendo un lastre importante. Un estudio publicado en npj Clean Water recordaba ya que menos de un tercio de los operadores de centros de datos medían su consumo de agua. Mientras esta base siga incompleta, todos los totales mundiales deben leerse como estimaciones, no como cuentas certificadas.
A pesar de esta limitación, varios trabajos ofrecen un orden de magnitud creíble. En un artículo publicado a principios de 2026 en Patterns, Alex de Vries-Gao explica que la huella hídrica de los sistemas de IA podría situarse en 2025 en un rango de entre 312.000 y 765.000 millones de litros, un nivel comparable al consumo anual mundial de agua embotellada. Es una estimación de alta visibilidad, útil para reflexionar sobre la escala del fenómeno.
Por su parte, el estudio de la Universidad de California en Riverside ya proyectaba que la demanda mundial de IA podría representar entre 4.200 y 6.600 millones de metros cúbicos de agua extraída en 2027. Esta proyección no mide exactamente lo mismo que la estimación anterior, pero apunta en la misma dirección. El crecimiento de los usos de la IA puede transformar un tema periférico en un asunto de primer orden.
Dicho de otro modo, el debate ya no es «¿consume agua la IA?». El debate es «¿a qué velocidad crece este consumo y en qué regiones se está convirtiendo en un verdadero problema local?».
Lo que puede ocurrir de aquí a 2030, y luego a 2050
Las proyecciones recientes son directas. Un estudio de Nature Sustainability publicado a finales de 2025 estima que el despliegue de servidores de IA en Estados Unidos podría generar una huella hídrica anual de entre 731 y 1.125 millones de metros cúbicos entre 2024 y 2030, según el ritmo de expansión considerado.
El estudio añade que las buenas prácticas pueden reducir la huella hídrica hasta en un 86%, lo que demuestra dos cosas a la vez. Primero, que la trayectoria bruta es muy fuerte. Segundo, que esta trayectoria no es inamovible.
A más largo plazo, un artículo de 2025 en el Journal of Cleaner Production propone escenarios que llegan hasta 2050. Su conclusión es clara: sin mitigación, el consumo mundial de agua vinculado a los centros de datos impulsados por la IA podría multiplicarse por más de siete para mediados de siglo. De nuevo, el mensaje no es que «todo esté decidido». El mensaje es que aún tenemos palancas de acción, pero hay que actuar pronto.
El futuro dependerá sobre todo de cinco variables:
- La velocidad de adopción
- La eficiencia de los chips
- El tipo de refrigeración
- El mix eléctrico
- Y el lugar donde se construyan los centros de datos
En cuanto una de estas variables se mueve, toda la huella cambia también (a veces muy rápido).
¿Cómo utilizar mucha menos agua sin dejar de usar la IA?
En sentido estricto, no. El agua ilimitada no existe. En cambio, podemos aspirar a una presión casi nula sobre el agua potable local. Eso ya es muy diferente.
La primera vía es evitar la evaporación. Microsoft destaca la refrigeración directa al chip (direct-to-chip cooling) en circuito cerrado, con cero agua evaporada en el circuito y un ahorro anunciado de más de 125 millones de litros por centro al año. Este tipo de diseño no hace que la IA sea gratuita para el planeta, pero puede reducir drásticamente la necesidad de agua nueva en las instalaciones.
La segunda vía es dejar de usar agua potable cuando no sea necesario. Microsoft también explica que en Quincy, en el estado de Washington, un sistema de reutilización de agua ha reducido en un 97% su uso de agua potable en la región, poniendo a disposición de las necesidades de la comunidad 1,5 millones de metros cúbicos al año.
La tercera vía es elegir mejor los lugares y las técnicas. Google indica que su estrategia hídrica combina fuentes alternativas, decisiones de refrigeración adaptadas al clima, tecnologías como el direct-to-chip cooling y proyectos de reposición de recursos. En su centro belga de Saint-Ghislain, la empresa explica haber aumentado la reutilización del agua de refrigeración hasta cuatro ciclos en lugar de dos.
La cuarta vía es la compensación hídrica, a menudo llamada water positive. Google afirma haber repuesto el 64% de su consumo de agua dulce en 2024, frente al 18% en 2023. Es útil, pero hay que ser realistas. Reponer agua en otro lugar no elimina automáticamente la tensión local donde el centro de datos bombea actualmente. La compensación ayuda, pero no sustituye a la sobriedad real.
La quinta vía, más discreta pero decisiva, es la eficiencia del software. Modelos más pequeños, mejores planificadores, enrutamiento de cargas hacia los centros y horarios con menor consumo de agua, reducción del hardware inactivo y optimización térmica dirigida por software. Son mejoras menos visibles, pero a menudo muy rentables.
Por qué una interfaz más sencilla también puede reducir la huella hídrica
Parte del coste de la IA proviene del «ruido de uso». El usuario no sabe formular su petición, da rodeos para llegar al resultado o multiplica los intentos. Una interfaz que guíe mejor, con botones de pre-prompt, modos claros y recorridos sencillos, puede reducir este ruido. Se eliminan idas y vueltas innecesarias. Se obtiene más rápido el formato correcto. También se evita recurrir a la generación de imagen o vídeo cuando un texto era suficiente.
En esta lógica, una interfaz pensada para personas que no dominan los prompts complejos tiene un interés concreto. Simplifica el acceso a la IA, por supuesto, pero también puede hacer que el uso sea más sobrio. Este es precisamente el valor de un servicio como Nation AI, que ofrece modos guiados, acciones listas para usar y una experiencia más sencilla de manejar para los públicos que se pierden con las herramientas clásicas (especialmente los mayores, pero no solo ellos).
No es una varita mágica. Si alguien genera 200 imágenes, la interfaz no cambiará las leyes de la física. En cambio, para todos los usos cotidianos —correos, resúmenes, ayuda escolar, humanización de textos, maquetación, respuestas rápidas—, una IA mejor guiada puede reducir el número de intentos innecesarios. Y ahí, el efecto se vuelve tangible.
PREGUNTAS FRECUENTES
¿Consume realmente 500 ml de agua una consulta de ChatGPT?
No exactamente «una consulta». La cifra de 500 ml proviene del estudio de la Universidad de California en Riverside, que habla de unas 10 a 50 respuestas para un modelo grande, según el lugar y el momento. Otras mediciones más recientes ofrecen valores mucho más bajos para un único prompt de texto, como los 0,26 ml de Google o los 45 ml para una respuesta de 400 tokens en Mistral.
¿Por qué varían tanto las cifras?
Porque no cubren el mismo perímetro. Algunos estudios miden el uso en producción, otros realizan un análisis de ciclo de vida más amplio. Algunos cuentan sobre todo el agua directa del centro de datos, otros añaden la electricidad, el hardware o hipótesis de uso.
¿Consumen las imágenes de IA más agua que el texto?
Muy probablemente sí, aunque todavía falta una cifra estándar en ml por imagen. Los estudios serios ya muestran grandes diferencias de energía entre modelos de imagen y un fuerte aumento cuando se incrementa la resolución. Por tanto, es razonable afirmar que una imagen suele costar más que una simple consulta de texto, especialmente si el usuario genera varias versiones.
¿Y en el caso del vídeo?
El vídeo es aún más exigente, pero todavía no existe una cifra de referencia sencilla y robusta en litros por vídeo. La investigación describe principalmente modelos con un alto coste de cálculo y tiempos de generación que a veces son largos incluso en GPU potentes.
¿Se puede hacer que la IA sea casi neutra en agua?
Se puede reducir considerablemente la presión sobre el agua potable local con circuitos cerrados, refrigeración más eficiente, agua reciclada, centros mejor ubicados y modelos más sobrios. Sin embargo, hablar de neutralidad total sería precipitado. Siempre habrá un coste material, energético y local que gestionar.
¿Cuál es el gesto más sencillo para un usuario?
Hacer menos intentos innecesarios. Una petición clara y bien definida suele valer más que cinco intentos dubitativos. Y siempre que el texto sea suficiente, es mejor evitar pasar a la imagen o al vídeo.
