La inteligencia artificial ya tenía un problema energético antes de que empezáramos a hablar de agentes. Primero llegó la discusión por el agua usada para refrigerar centros de datos. Después, la conversación se movió hacia algo todavía más estructural: la electricidad. Cada modelo más grande, cada centro de datos nuevo y cada consulta multiplicada por millones de usuarios volvió más visible una pregunta incómoda: cuánto cuesta realmente sostener esta nueva infraestructura digital.
La respuesta se complica aún más con la IA agéntica. Un chatbot tradicional recibe una petición, genera una respuesta y termina. Un agente, en cambio, puede dividir una tarea en pasos, usar un navegador, consultar una base de datos, ejecutar código, revisar el resultado, corregirse y volver a llamar al modelo varias veces antes de entregar una respuesta final. Es decir: no es una conversación aislada, sino una pequeña cadena de trabajo autónomo.
Ahí aparece el dato que encendió las alarmas. Según un estudio del Instituto Avanzado de Ciencia y Tecnología de Corea, KAIST, los agentes de IA pueden consumir hasta 136,5 veces más energía por consulta que un sistema generativo convencional dedicado a responder preguntas simples. En uno de los escenarios analizados, un agente basado en un modelo de 70.000 millones de parámetros consumió una media de 348,41 Wh por consulta.
La diferencia no está solo en pensar más, sino en hacer más cosas
El estudio analiza los agentes como una nueva clase de carga para los centros de datos. No son simplemente “chatbots más listos”. Son sistemas que razonan en varios pasos, coordinan herramientas externas y repiten llamadas a modelos de lenguaje durante la ejecución de una misma tarea. Según el resumen del paper, ese cambio aumenta la flexibilidad de los sistemas, pero también introduce problemas serios de coste, eficiencia y sostenibilidad.
La clave está en las llamadas repetidas al modelo. Cada vez que el agente decide qué hacer, consulta una herramienta, interpreta un resultado o corrige su plan, vuelve a activar el modelo de lenguaje. KAIST señala que los agentes realizan volúmenes mucho mayores de invocaciones a LLM que los sistemas de razonamiento paso a paso más tradicionales. Dicho de forma simple: donde un chatbot responde una vez, un agente puede necesitar muchas rondas internas para llegar al mismo punto.
Eso no significa que todas las consultas de IA agéntica vayan a consumir 136,5 veces más energía. La cifra depende del modelo, del diseño del agente, de la dificultad de la tarea y de cuántas herramientas tenga que usar. Pero el mensaje central del estudio es claro: cuando la IA deja de responder y empieza a actuar, el coste computacional cambia de categoría.
Las GPU también consumen cuando parecen no estar haciendo nada
Uno de los hallazgos más interesantes no tiene que ver solo con el consumo total, sino con el tiempo muerto. Según KAIST, los agentes pueden tardar hasta 153,7 veces más que los chatbots convencionales en completar una respuesta. Y durante buena parte de ese proceso, las GPU pueden quedar inactivas hasta el 54,5% del tiempo mientras esperan respuestas de herramientas externas.
Ese detalle es importante porque una GPU “esperando” no equivale a una GPU apagada. El hardware sigue reservado, alimentado y listo para volver a procesar cuando llegue la respuesta del navegador, del código, de una API o de cualquier otra herramienta. No trabaja a plena carga todo el tiempo, pero tampoco desaparece de la factura eléctrica.
La paradoja es bastante absurda: cuanto más autónomo se vuelve el agente, más momentos aparecen en los que el sistema completo está coordinando tareas, esperando entradas externas o gestionando pasos intermedios. La inteligencia parece trabajar más, pero parte de la infraestructura queda atrapada en una especie de guardia permanente.
Si los agentes se masifican, el problema deja de ser anecdótico
La proyección más agresiva del estudio ayuda a dimensionar el riesgo. KAIST plantea un escenario hipotético en el que se generan 13.700 millones de solicitudes diarias a agentes de IA, una cifra equivalente al tráfico actual de búsquedas de Google. Bajo ese supuesto, la demanda de potencia de los centros de datos alcanzaría unos 198,9 GW, una magnitud que el instituto compara con aproximadamente la mitad del consumo eléctrico medio de Estados Unidos.
Es un escenario extremo, no una predicción inevitable. Pero sirve para mostrar por qué el debate energético ya no puede limitarse al entrenamiento de grandes modelos. La inferencia (cada vez que alguien usa un modelo) se está convirtiendo en una parte central del problema. Y si esa inferencia pasa de respuestas simples a flujos agénticos largos, la presión sobre la infraestructura puede crecer mucho más rápido de lo previsto.
El contexto tampoco ayuda. La Agencia Internacional de la Energía estima que los centros de datos consumieron alrededor de 415 TWh en 2024, cerca del 1,5% de la electricidad mundial, y proyecta que esa cifra podría duplicarse hasta unos 945 TWh en 2030 en su escenario base. La AIE también advierte que la demanda de los centros de datos crece mucho más rápido que la demanda eléctrica general.
Estados Unidos ya está viendo la tensión antes de la gran ola agéntica
El caso estadounidense muestra hasta qué punto este no es un debate abstracto. Según el Departamento de Energía de Estados Unidos, los centros de datos consumieron alrededor del 4,4% de toda la electricidad del país en 2023. El mismo informe proyecta que podrían alcanzar entre el 6,7% y el 12% en 2028, con un consumo total que pasaría de 176 TWh en 2023 a entre 325 y 580 TWh cinco años después.
La IA no es el único factor detrás de ese crecimiento, pero sí uno de los más visibles. Los nuevos centros de datos para entrenamiento, inferencia y servicios comerciales de IA concentran demanda en regiones concretas, donde la red eléctrica no siempre puede ampliarse al ritmo que quieren los hiperescaladores. La AIE advierte justamente que los centros de datos son difíciles de integrar porque tienden a concentrarse geográficamente, a diferencia de otras fuentes de demanda más distribuidas.
Ahí está el choque de velocidades. La industria tecnológica puede diseñar nuevos chips, modelos y centros de datos en ciclos relativamente cortos. La red eléctrica, en cambio, necesita planificación, permisos, generación, transmisión, almacenamiento y años de obra. La IA agéntica acelera la demanda justo sobre un sistema que no se mueve con la misma elasticidad.
La salida no será pedirle a la IA que piense menos, sino diseñarla mejor
La conclusión del estudio de KAIST no es que haya que abandonar los agentes. Su utilidad es evidente: pueden automatizar tareas complejas, ayudar en programación, investigación, análisis de datos y flujos de trabajo empresariales. El problema es desplegarlos como si fueran simples chatbots con otro nombre.
Minsoo Rhu, profesor de KAIST y uno de los autores del trabajo, sostiene que la competencia en IA ya no puede medirse solo por inteligencia o rendimiento, sino también por eficiencia. El equipo propone un enfoque de codiseño que optimice al mismo tiempo modelos, semiconductores, centros de datos e infraestructura eléctrica.
Esa idea será cada vez más difícil de esquivar. Si la IA de los próximos años se apoya en agentes que navegan, programan, compran, resumen, ejecutan y deciden, el coste no estará solo en la respuesta final. Estará en todos los pasos invisibles que ocurren antes: las llamadas al modelo, las esperas, las herramientas, las GPU reservadas y la electricidad necesaria para mantener todo ese proceso en marcha.
Los chatbots ya habían abierto la discusión sobre la energía de la inteligencia artificial. Los agentes la vuelven más urgente, porque prometen hacer mucho más que contestar. Y precisamente por eso pueden consumir mucho más que una respuesta. La próxima gran carrera de la IA quizá no sea solo por construir sistemas más capaces, sino por evitar que cada pequeña tarea autónoma termine pareciéndose, en consumo, a encender una máquina entera por detrás.
