La IA no bebe agua en sentido literal: ChatGPT no tiene una botella al lado del teclado 😅. El consumo procede sobre todo de los centros de datos y de la producción de electricidad necesaria para refrigerar los servidores y ejecutar los cálculos.
Para una simple consulta de texto, las estimaciones actuales varían enormemente: desde 0,26 ml para un prompt de texto de longitud media 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 una estimación más amplia de la Universidad de California en Riverside.
A escala mundial, el consumo real sigue siendo difícil de medir con precisión. Las proyecciones van desde cientos de miles de millones de litros hasta varios miles de millones de metros cúbicos, según el alcance considerado.
La buena noticia es que esta presión puede reducirse considerablemente. Veremos cómo más adelante.
El consumo de agua de la IA se ha convertido en un tema sensible por una razón sencilla: la IA parece inmaterial, pero se apoya en máquinas muy físicas. Esas máquinas se calientan. Para mantenerlas dentro de un rango de temperatura aceptable, los operadores de centros de datos utilizan aire, agua, a veces ambas cosas y, sobre todo, mucha electricidad. Una parte del agua se evapora en las propias instalaciones. Otra parte se consume más lejos, en el sistema eléctrico que alimenta los servidores.
El problema es que el debate público suele mezclar conceptos distintos. 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 e incluso, en algunos casos, el dispositivo del usuario. Por eso circulan cifras que parecen incompatibles. En realidad, muchas veces no hablan de lo mismo: cambian según el alcance elegido.
¿Por qué la IA consume agua?
Hay dos grandes fuentes de consumo:
- El consumo directo, dentro del centro de datos. El agua se utiliza para la refrigeración. Una parte circula en circuitos cerrados y otra acaba evaporándose, por lo que deja de estar disponible localmente.
- El consumo indirecto, aguas arriba. La electricidad necesaria para alimentar los centros de datos también puede consumir agua, dependiendo de la combinación energética y de las tecnologías de refrigeración utilizadas por las centrales eléctricas.
Esta distinción es fundamental. Un estudio publicado en Nature Sustainability sobre servidores de IA desplegados en Estados Unidos estima que el consumo indirecto representa el 71 % del total, frente al 29 % del uso directo. En otras palabras, fijarse solo en el agua evaporada dentro del centro de datos 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 la misma huella hídrica según el clima, la tecnología de refrigeración, la región, la estación del año y la red eléctrica utilizada en ese momento. Esta es una de las conclusiones principales del trabajo de la Universidad de California en Riverside, que insiste en la gran variación espacial y temporal de la eficiencia hídrica.
¿Cuánta agua se necesita para una sola consulta de IA?
No existe una cifra universal. Hay estimaciones serias, pero no todas miden lo mismo.
| Fuente | Orden de magnitud | Qué se mide | Qué significa |
|---|---|---|---|
| Google (Gemini Apps) | 0,26 ml por prompt de texto de longitud media | 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 la inferencia, excluyendo el dispositivo del usuario | Una estimación de ciclo de vida más amplia que la medición 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 alcance más amplio |
La cifra de Google es hoy una de las más precisas para un uso real de texto a gran escala. En su informe de 2025, la empresa indica que un prompt de texto de longitud media en Gemini Apps consume 0,24 Wh y 0,26 ml de agua, es decir, unas cinco gotas. Es muy poco para un uso individual. Sin embargo, Google también recuerda que el impacto total se vuelve importante cuando se escala a cientos de millones de consultas.
Mistral ofrece otra referencia, más elevada. En su auditoría ambiental publicada en julio de 2025, la empresa estima en 45 ml de agua el uso de su asistente Le Chat para una respuesta de 400 tokens. De nuevo, el alcance 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. Sus 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, según dónde y cuándo se ejecute. No es una cifra absurda, pero sí una estimación amplia que debe leerse como tal.
Por tanto, la actitud correcta no consiste en elegir una cifra y descartar las demás. Lo más útil es preguntarse: ¿de qué consumo estamos hablando exactamente?
Por consulta, por imagen, por vídeo, por entrenamiento: ¿qué se puede afirmar con rigor?
Texto
Para el texto, ya existen varias referencias serias. Una consulta sencilla puede situarse en unas pocas décimas de mililitro en un entorno muy optimizado, subir a varias decenas de mililitros en un análisis de ciclo de vida o alcanzar una estimación más alta si se utilizan hipótesis más amplias. Por eso conviene hablar de rangos, no de una verdad única.
Imagen
En el caso de las imágenes, la literatura científica todavía va por detrás del uso real. Existen estudios recientes sobre la energía consumida por la generación de imágenes, con diferencias enormes según el modelo, la resolución y la arquitectura. Un estudio de 2025 sobre 17 modelos muestra diferencias de hasta 46 veces entre modelos, así como aumentos de consumo de entre 1,3 y 4,7 veces al incrementar la resolución. En cambio, todavía no existe una cifra única, ampliamente aceptada y medida directamente en mililitros de agua por imagen generada.
La conclusión práctica es sencilla. Una imagen generada por IA suele consumir más que una consulta de texto, a veces mucho más, especialmente cuando se multiplican los intentos, las variaciones de estilo, las resoluciones altas y los retoques. El coste real no viene solo de una imagen aislada, sino de toda la serie de pruebas que el usuario lanza hasta obtener una imagen satisfactoria.
Vídeo
En el caso del vídeo, hay que ser todavía más prudentes. Hoy no disponemos de una cifra de referencia propia, sólida, estable y ampliamente aceptada en mililitros de agua por vídeo generado. Sin embargo, la investigación sobre modelos de difusión de vídeo repite una misma observación: estos modelos tienen 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 simplemente “una imagen un poco más pesada”. Implica una huella hídrica potencialmente mucho mayor.
Por tanto, se puede dar una orientación razonable sin inventar cifras falsas: un vídeo corto generado por IA consume probablemente mucha más agua que una imagen generada por IA, porque requiere mucho más cálculo y más tiempo de máquina. Pero la cifra exacta depende 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 un valor único sin faltar al rigor.
Entrenamiento
El entrenamiento de los grandes modelos sigue siendo la etapa más llamativa. 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 alcanzar hasta 5,4 millones de litros en total si se incluye un alcance más amplio. Es una cifra enorme. Pero no es toda la historia: una vez desplegado un modelo a gran escala, la inferencia también puede acabar teniendo un peso considerable.
¿Cuánta agua consume la IA en el mundo?
La respuesta más honesta es esta: hoy nadie dispone de un contador mundial completo y perfectamente fiable. La falta de transparencia sigue siendo un problema importante. Un estudio publicado en npj Clean Water recordaba que menos de un tercio de los operadores de centros de datos medían su consumo de agua. Mientras esa base siga incompleta, todos los totales mundiales deben leerse como estimaciones, no como cifras certificadas.
A pesar de esta limitación, varios trabajos ofrecen órdenes de magnitud creíbles. 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 entre 312.000 y 765.000 millones de litros, un nivel comparable al consumo anual mundial de agua embotellada. Es una estimación muy visible, útil para comprender la escala del fenómeno.
Por su parte, el estudio de la Universidad de California en Riverside 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 del uso de la IA puede convertir un tema que parecía secundario 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 problema local real?”.
Qué puede ocurrir de aquí a 2030, y después hasta 2050
Las proyecciones recientes son claras. 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 %. Esto demuestra dos cosas a la vez: primero, que la trayectoria bruta es muy fuerte; segundo, que esa trayectoria no está escrita de antemano.
A más largo plazo, un artículo de 2025 en el Journal of Cleaner Production propone escenarios hasta 2050. Su conclusión es clara: sin medidas de 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 todavía existen palancas de acción, pero hay que activarlas pronto.
El futuro dependerá sobre todo de cinco variables:
- La velocidad de adopción de la IA
- La eficiencia de los chips
- El tipo de refrigeración utilizado
- La combinación energética
- El lugar donde se construyan los centros de datos
En cuanto una de estas variables cambia, toda la huella puede cambiar también, a veces muy rápido.
¿Cómo usar mucha menos agua sin dejar de utilizar la IA?
En sentido estricto, no existe una IA sin coste hídrico. El agua ilimitada no existe. En cambio, sí podemos aspirar a una presión casi nula sobre el agua potable local. Y eso ya cambia mucho las cosas.
La primera vía consiste en evitar la evaporación. Microsoft destaca la refrigeración directa al chip, conocida como 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 convierte la IA en una tecnología gratuita para el planeta, pero puede reducir drásticamente la necesidad de agua nueva en las instalaciones.
La segunda vía consiste en 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 % el uso de agua potable en la región, liberando 1,5 millones de metros cúbicos al año para las necesidades de la comunidad.
La tercera vía es elegir mejor las ubicaciones y las tecnologías. Google indica que su estrategia hídrica combina fuentes alternativas, decisiones de refrigeración adaptadas al clima, tecnologías como la refrigeración directa al chip y proyectos de reposición de recursos hídricos. En su centro belga de Saint-Ghislain, la empresa explica que ha aumentado la reutilización del agua de refrigeración hasta cuatro ciclos en lugar de dos.
La cuarta vía es la compensación hídrica, a menudo llamada estrategia water positive. Google afirma haber repuesto el 64 % de su consumo de agua dulce en 2024, frente al 18 % en 2023. Es útil, pero conviene ser realistas. Reponer agua en otro lugar no elimina automáticamente la presión local allí donde el centro de datos extrae agua. 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 sistemas de planificación, enrutamiento de cargas hacia centros y horarios con menor impacto hídrico, reducción del hardware inactivo y optimización térmica mediante software. Son mejoras menos visibles, pero a menudo muy eficaces.
Por qué una interfaz más sencilla también puede reducir la huella hídrica
Parte del coste de la IA procede del “ruido de uso”. El usuario no sabe formular bien su petición, da rodeos hasta llegar al resultado o multiplica los intentos. Una interfaz que guíe mejor, con botones de prompts predefinidos, modos claros y recorridos sencillos, puede reducir ese ruido. Evita idas y vueltas innecesarias, ayuda a obtener antes el formato correcto y reduce la tentación de usar imagen o vídeo cuando un texto habría sido 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 favorecer un uso 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 fácil de manejar para públicos que se pierden con las herramientas clásicas, especialmente las personas mayores, aunque no solo ellas.
No es una varita mágica. Si alguien genera 200 imágenes, la interfaz no cambiará las leyes de la física. En cambio, para 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 puede volverse tangible.
Preguntas frecuentes
¿Una consulta de ChatGPT consume realmente 500 ml de agua?
No exactamente. La cifra de 500 ml procede 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 de ejecución. 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 alcance. Algunos estudios miden el uso en producción, mientras que 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 más generales.
¿Las imágenes generadas por IA consumen más agua que el texto?
Muy probablemente sí, aunque todavía falta una cifra estándar en mililitros por imagen. Los estudios serios ya muestran grandes diferencias de consumo energético entre modelos de imagen y un fuerte aumento cuando sube 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 sólida en litros por vídeo. La investigación describe sobre todo modelos con un alto coste de cálculo y tiempos de generación que pueden ser 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 mediante 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.
