¿Acelerará o retrasará la inteligencia artificial la carrera hacia las emisiones netas cero?

A medida que la inteligencia artificial transforma la economía mundial, los investigadores deben explorar escenarios para evaluar cómo puede ayudar, en lugar de perjudicar, al clima.

La inteligencia artificial (IA) ya está transformando la economía mundial. Las empresas están invirtiendo cientos de miles de millones de dólares cada año en estas tecnologías. En casi todos los sectores, la IA se utiliza para impulsar eficiencias operativas, gestionar la complejidad, proporcionar servicios personalizados y acelerar la innovación.

A medida que la influencia de la IA en la sociedad crece, surgen preguntas sobre su impacto en las emisiones de gases de efecto invernadero: ¿ayudarán sus numerosas aplicaciones a reducir la huella de carbono mundial u obstaculizarán el progreso climático? La respuesta dependerá de cómo se desarrollen y operen los modelos de IA y qué cambios resulten de su uso. Y los científicos simplemente no saben cómo se desarrollará todo eso, una situación preocupante cuando hay tanto en juego.

La mayoría de las discusiones hasta ahora sobre las consecuencias ambientales de la IA se han centrado en los impactos directos de estas tecnologías intensivas en computación: cuánta energía, agua u otros recursos consumen y la cantidad de gases de efecto invernadero que generan. Pero las repercusiones globales de las aplicaciones de IA para la sociedad serán mucho más amplias, desde transformar la atención médica y la educación hasta aumentar la eficiencia de la minería, el transporte y la agricultura.

Estos cambios impulsados por la IA pueden llevar a efectos indirectos en las emisiones, que pueden ser positivos o negativos. Estos efectos indirectos también deben tenerse en cuenta y podrían superar ampliamente a los impactos directos. Se necesitan evaluaciones de todos los tipos de impacto de la IA con urgencia. Esto es lo que sabemos y lo que no.

Incertidumbre por delante

Hasta ahora, los impactos directos de la IA en el clima son relativamente pequeños. Las operaciones de IA para modelos grandes requieren millones de procesadores especializados en centros de datos dedicados con sistemas de enfriamiento potentes. Los procesadores de IA instalados en 2023 consumen entre 7 y 11 teravatios-hora (TWh) de electricidad al año, lo que equivale aproximadamente al 0,04% del uso global de electricidad. Eso es menos que la minería de criptomonedas (100-150 TWh) y los centros de datos convencionales (500-700 TWh), que juntos representaron el 2,4-3,3% de la demanda global de electricidad en 2022, según la Agencia Internacional de Energía (AIE). Por lo tanto, en términos de emisiones globales totales de gases de efecto invernadero, calculamos que la IA es responsable hoy de aproximadamente el 0,01%, sobre la base de evaluaciones de la AIE que muestran que los centros de datos y las redes de transmisión juntos representan aproximadamente el 0,6%.

El uso de la IA está creciendo rápidamente. Durante la última década, la capacidad informática utilizada para entrenar modelos de lenguaje avanzados ha aumentado diez veces cada año. Se espera que la demanda de servicios de IA aumente entre un 30% y un 40% anual durante los próximos 5 a 10 años. Y los modelos de IA más potentes requerirán más energía. Una estimación sugiere que, para 2027, el consumo global de energía relacionado con la IA podría ser 10 veces mayor que en 2023, o aproximadamente el mismo que se consume anualmente por las personas que miran televisión en los hogares de los Estados Unidos. Aunque podría haber desafíos para las redes eléctricas locales en regiones donde se basan muchos centros de datos, desde una perspectiva global, la IA no debería conducir directamente a aumentos significativos y a corto plazo en las emisiones de gases de efecto invernadero.

Las mejoras en la eficiencia energética podrían compensar parte del aumento proyectado en la demanda de energía, como lo hicieron cuando los centros de datos se expandieron en la década de 2010. Algoritmos de IA más eficientes, modelos más pequeños e innovaciones en hardware y sistemas de refrigeración deberían ayudar. Por ejemplo, los modelos de lenguaje pequeños, como el Phi-2 de Microsoft y el Gemini Nano de Google, pueden funcionar en teléfonos móviles y ofrecer capacidades que anteriormente solo se veían con los modelos más grandes. Las empresas de IA están invirtiendo cada vez más en energía renovable y estableciendo operaciones en países o regiones con abundantes suministros de energía limpia, como Islandia.

Sin embargo, los efectos indirectos son menos claros. Algunas aplicaciones de IA están diseñadas para abordar el cambio climático, por ejemplo, para reducir las emisiones de los sectores de energía y transporte, de edificios y operaciones industriales, y del uso del suelo. Optimizar las cadenas de suministro hará que la fabricación sea más eficiente y respaldará la integración de energía renovable en las redes eléctricas. Acelerar el desarrollo de nuevos materiales para baterías y energía renovable será una ventaja.

También podría haber algunos impactos indirectos negativos. La integración de IA en aplicaciones existentes, desde la atención médica hasta el entretenimiento, podría aumentar el consumo de electricidad. La exploración y extracción de petróleo y gas podrían volverse más baratas, lo que potencialmente aumentaría la producción. Y sin una gobernanza adecuada, el uso generalizado de la IA podría afectar la estabilidad política y económica, con repercusiones en la pobreza, la seguridad alimentaria y las desigualdades sociales, todas las cuales podrían tener efectos secundarios en las emisiones.

Y eso es solo para los sistemas de IA existentes. ¿Cómo se desarrollarán las futuras tecnologías de IA? ¿Cómo afectará su expansión a la economía global? ¿Y cómo afectará esto a la descarbonización? Los investigadores simplemente no lo saben; es demasiado pronto para decirlo. Es tentador simplemente extrapolar las tendencias pasadas de uso de electricidad de la IA hacia el futuro, pero pasar por alto los factores sociales, económicos y tecnológicos a menudo resulta en grandes errores de pronóstico. De manera similar, una visión demasiado simplista de los impactos de las emisiones indirectas corre el riesgo de subestimar el potencial de la IA para acelerar importantes avances en soluciones climáticas, como el desarrollo de baterías menos costosas y más potentes en meses en lugar de décadas.

Escenarios de emisiones impulsados por la IA

Reconociendo estas enormes incertidumbres, aquí llamamos a los investigadores a desarrollar un conjunto de escenarios relevantes para las políticas para cuantificar los efectos que la expansión de la IA podría tener en el clima bajo una serie de supuestos. Utilizados rutinariamente por instituciones financieras para comprender riesgos y oportunidades y planificar inversiones, los escenarios combinan modelos cuantitativos con consultas de expertos. En lugar de hacer predicciones, exploran muchos futuros posibles basados en factores influyentes.

Un centro de datos cerca de Reykjavik utiliza energía renovable para el sistema de enfriamiento.
Crédito: Sigtryggur Ari/Reuters

Específicamente, recomendamos que se construya un conjunto de escenarios para comprender mejor cómo la expansión de la IA podría afectar las emisiones, tanto directa como indirectamente. Estos escenarios deberían variar desde un caso de «referencia» sin una adopción generalizada de tecnologías de IA potentes, hasta un caso «aspiracional» en el que se logren todos los Objetivos de Desarrollo Sostenible de las Naciones Unidas; los escenarios también deberían incluir aquellos con resultados indeseables.

Cinco elementos son esenciales para que los escenarios de emisiones impulsados por la IA sean creíbles y útiles.

Vinculación con escenarios climáticos existentes. La comunidad climática ya utiliza modelos de evaluación integrados (IAM) para evaluar futuras emisiones de gases de efecto invernadero cuantitativamente sobre la base de narrativas cualitativas sobre posibles resultados socioeconómicos, demográficos, políticos, tecnológicos y de gobernanza. Se utilizan cinco escenarios estándar, o Trayectorias de Desarrollo Socioeconómico Compartidas (TDSC), que van desde un futuro en el que el mundo está profundamente dividido y sigue dependiendo de los combustibles fósiles hasta un escenario más optimista de cooperación global, desacoplamiento del crecimiento económico de las emisiones y una seria inversión en energía limpia.

La IA debería integrarse en estas trayectorias, junto con los choques globales y los avances tecnológicos que podrían acompañarla. Esto requeriría un trabajo importante, incluida la incorporación de experiencia de la comunidad de IA, replanteando cada una de las narrativas de la trayectoria y explorando si es necesario agregar nuevas. ¿Podría la IA llevar al mundo a un futuro más radicalmente verde, o a uno más distópico? ¿Qué factores definen esos resultados? ¿Qué tan plausibles son? Los escenarios pueden ayudar a reducir las respuestas.

Convertir estas narrativas en escenarios cuantitativos requerirá desarrollar nuevos modelos analíticos, recopilar nuevos tipos de datos y establecer una estructura institucional para permitir actualizaciones rápidas para mantenerse al día con el rápido ritmo de las transformaciones sociales que la IA está impulsando, como describimos aquí.

Desarrollar marcos analíticos cuantitativos. Desarrollar IAM para explorar la influencia de la IA requerirá mejoras en los datos y marcos analíticos tanto para impactos directos como indirectos. El mayor desafío será cuantificar la gama de efectos indirectos resultantes de las transformaciones sociales impulsadas por la IA, así como las innovaciones impulsadas por la IA en avances y descubrimientos relevantes para el clima.

Por ejemplo, la personalización de la IA podría fomentar el consumo sostenible, pero también podría aumentar la demanda de bienes intensivos en recursos. Y desentrañar los impactos de emisiones de las innovaciones habilitadas por la IA de otras tecnologías que reducen las emisiones, como las energías renovables o la captura de carbono, será un desafío porque el ritmo de investigación y desarrollo difiere entre sectores. Las políticas y regulaciones también suelen quedarse rezagadas. Cuantificar la interacción de estas dinámicas será difícil.

Comparar y replicar escenarios será clave para mejorarlos a medida que se implementen sistemas de IA. Los investigadores deben realizar comparaciones periódicas entre diferentes modelos para las emisiones de IA directas e indirectas, coordinadas a través de plataformas utilizadas por la comunidad climática, como el Foro de Modelado Energético y el Consorcio de Modelado de Evaluación Integrada. Los científicos deben asegurarse de que los datos y supuestos en estos análisis estén completamente documentados, se compartan libremente y sean completamente replicables por otros.

Compartir datos. La disponibilidad de datos es un desafío, especialmente para industrias de rápido movimiento como la IA, donde los datos a menudo son privados o están vinculados a información patentada. Por ejemplo, se necesitan más datos sobre las cargas de trabajo de IA en grandes empresas de computación en la nube, su intensidad eléctrica y de carbono, y las tendencias en eficiencias obtenidas para construir y utilizar modelos de IA.

Se necesitan métodos para compartir de manera segura y abierta datos representativos, medidos, agregados y anonimizados sin comprometer información sensible. La IA puede basarse en ejemplos de otras industrias, como la iniciativa Getting the Numbers Right, que lleva un seguimiento de los indicadores de desempeño de dióxido de carbono y energía en la industria global del cemento, y el Índice de Intensidad Energética Solomon para la refinación de combustibles y oleoductos.

Deberían establecerse estándares para medir, informar, verificar y difundir datos relacionados con la IA, para garantizar tanto la calidad como la amplia accesibilidad. La legislación reciente, como la Ley de IA de la Unión Europea y la Directiva Europea de Eficiencia Energética, podría ayudar a impulsar el desarrollo de estándares. Aunque ninguna regulación exige directamente informes específicos sobre el consumo de energía de la IA, su énfasis en la transparencia y eficiencia de los centros de datos podría promover el desarrollo de estándares de informes.

Publicar actualizaciones rápidas. La tecnología de IA está avanzando tan rápidamente que los escenarios deberán revisarse al menos una vez al año, e, idealmente, dos veces. Esto es más frecuente de lo que se hace actualmente para los escenarios de cambio climático, que se actualizan cada 6-7 años. Las actualizaciones anuales o semestrales serán difíciles, dada la necesidad de recopilar nuevos datos y desarrollar marcos analíticos a medida que surgen sistemas, aplicaciones y avances de IA.

Debido al potencial de la IA para reducir o aumentar la demanda de energía, los investigadores deben actualizar modelos que representen la demanda social de energía, así como explorar cómo cambiará esta demanda a medida que evolucionen las tecnologías de IA. Los escenarios con diferentes resoluciones podrían publicarse en diferentes plazos. Por ejemplo, los escenarios de baja resolución podrían actualizarse cada pocos meses; escenarios más detallados podrían publicarse cada 2-3 años.

Construir un consorcio internacional. Se debe establecer un consorcio internacional para llevar a cabo el desarrollo de escenarios de emisiones impulsados por la IA. Debería reunir a especialistas de todo el mundo y representar todas las disciplinas relevantes, desde la ciencia de la computación y la sostenibilidad hasta la sociología y la economía. Sugerimos que esta comunidad de escenarios de emisiones impulsada por la IA sea copatrocinada por redes científicas internacionales que se centren en la sostenibilidad, como el Instituto Internacional de Análisis de Sistemas Aplicados (IIASA) en Laxenburg, Austria, y por organizaciones no gubernamentales internacionales centradas en la IA y la sociedad. Ejemplos incluyen la Partnership on AI o el recientemente establecido UN Futures Lab, que se ha creado para coordinar y mejorar la previsión estratégica en toda la ONU para guiar la toma de decisiones a largo plazo.

Los consorcios asociados con modelos clave de IAM y sistemas de energía, como el Programa de Colaboración Tecnológica de la AIE o los programas del IIASA, podrían garantizar tanto el acceso abierto a datos y modelos como la relevancia inmediata para las comunidades de modelado de escenarios climáticos más amplias. La ONU y otros organismos, como la Unión Internacional de Telecomunicaciones en Ginebra, Suiza, deberían participar, pero sin comprometer la necesidad de agilidad y rapidez.

Se necesitará apoyo financiero para mantener el consorcio y apoyar la actualización regular de escenarios. Esto podría provenir de una combinación de fuentes filantrópicas, privadas, gubernamentales e intergubernamentales.

La IA es una de las tecnologías más disruptivas de nuestro tiempo. Es imperativo que las decisiones en torno a su desarrollo y uso, tanto hoy como en el futuro, se tomen teniendo en cuenta la sostenibilidad. Solo mediante el desarrollo de un conjunto de escenarios estándar de emisiones impulsados por la IA, los responsables de políticas, inversores, defensores, empresas privadas y la comunidad científica tendrán las herramientas para tomar decisiones sólidas con respecto a la IA y la carrera mundial hacia emisiones netas cero.