El crecimiento de la digitalización y la expansión de los centros de datos impulsan un aumento significativo en el consumo de energía a nivel mundial, alimentado en parte por la creciente demanda de servicios en la nube y el desarrollo acelerado de la inteligencia artificial. Para comprender y proyectar estas tendencias de forma realista, resulta necesario utilizar enfoques de modelado que superen la simple extrapolación de ventas de equipos, permitiendo un análisis más profundo de las capacidades de cómputo y de las mejoras en eficiencia energética que emergen con cada nueva generación de tecnología. En este contexto, la combinación de datos de ventas de CPU y mediciones estandarizadas de rendimiento contribuye a estimaciones más sólidas, destacando cómo los centros de datos evolucionan de instalaciones tradicionales con menor eficiencia hacia infraestructuras en la nube e instalaciones de tipo hyperscale con mayor capacidad y eficiencia operativa. Este cambio de paradigma se refleja en una disminución progresiva de la participación de centros de datos pequeños, mientras que los de mayor escala absorben gran parte de la carga computacional, reorganizando las dinámicas de consumo energético global.

La integración de unidades de procesamiento especializadas, como las GPU, diseñadas para cargas de trabajo de inteligencia artificial, genera una proyección de crecimiento energético considerable, especialmente debido a la acelerada demanda de servicios de entrenamiento e inferencia de modelos de lenguaje y procesamiento de datos complejos. Si bien se han identificado avances relevantes en la eficiencia energética de estas unidades, con mejoras sustanciales en comparación con generaciones previas, el ritmo de crecimiento de la demanda supera en muchos casos las ganancias de eficiencia logradas, lo que impulsa incrementos en el consumo energético global. El análisis revela diferencias regionales en la distribución del consumo, predominando Norteamérica, seguida por Europa y Asia, mientras que regiones como Sudamérica y África mantienen consumos más bajos. No obstante, factores como las políticas de inversión en infraestructura digital, la disponibilidad energética y los marcos regulatorios podrían alterar estas tendencias en los próximos años.

Un componente relevante del análisis es la estimación de la infraestructura necesaria para soportar el funcionamiento de los centros de datos, incluyendo sistemas de refrigeración, seguridad y distribución de energía. A pesar de que se observan mejoras en eficiencia a través del indicador de Eficiencia de Uso de Energía (PUE), las diferencias en la recolección de datos y las prácticas de reporte de eficiencia generan incertidumbres, que requieren un seguimiento constante para ajustar las proyecciones. Los escenarios proyectados a 2030 muestran un dominio del consumo energético por parte de aplicaciones de inteligencia artificial, con una concentración notable en centros de datos de gran escala. Sin embargo, estas proyecciones deben analizarse con cautela, considerando las limitaciones de mercado relacionadas con la disponibilidad de chips, restricciones de suministro eléctrico y factores de inversión, los cuales pueden limitar el crecimiento de la capacidad instalada, influyendo directamente en el consumo energético final.

El modelo evidencia la relevancia de políticas orientadas a la mejora de la eficiencia energética y a la transición de cargas de trabajo hacia centros de datos con mejor rendimiento energético, proponiendo estrategias que contemplen estándares de eficiencia, consolidación de centros de datos y una adecuada gestión de la vida útil de los servidores para reducir el impacto energético. De igual forma, la implementación de políticas debe considerar la incertidumbre de las proyecciones relacionadas con el uso de inteligencia artificial, dado el carácter emergente y cambiante de esta tecnología, lo cual requiere un monitoreo constante y la integración de datos más actualizados que permitan afinar las proyecciones de manera responsable. De este modo, el desarrollo de metodologías de modelado que consideren capacidades de cómputo, eficiencia energética, segmentación por regiones y cargas de trabajo contribuye a ofrecer un marco robusto para la evaluación de políticas y escenarios, fomentando una transición energética coherente con las metas de sostenibilidad global y con las demandas tecnológicas emergentes.

Para leer más ingrese a:

https://www.iea-4e.org/publications/edna/energy-efficiency-of-servers/

https://www.iea-4e.org/wp-content/uploads/2025/05/EDNA-EE-of-servers-FINAL.pdf