El aumento acelerado del uso de centros de datos representa un desafío significativo para los sistemas energéticos globales. El crecimiento de la digitalización, el auge del cómputo en la nube y la expansión de las cargas de trabajo relacionadas con la inteligencia artificial están impulsando una demanda energética creciente y difícil de prever. Tradicionalmente, los modelos de proyección han dependido de datos de ventas o tráfico de datos, generando estimaciones inconsistentes. Frente a estas limitaciones, se ha desarrollado un enfoque que parte desde la capacidad computacional instalada y su eficiencia para realizar estimaciones energéticas más precisas. Este enfoque se basa en datos de ventas de unidades de procesamiento (CPU y GPU) y en evaluaciones estandarizadas de rendimiento como SERT y MLPerf. A partir de estos insumos, se estima la capacidad computacional y se proyecta el consumo energético desagregado por tipo de centro (tradicional, nube, hiperescala y AI), región y tipo de carga de trabajo. También se consideran factores como eficiencia de infraestructura (PUE), utilización del servidor, almacenamiento, redes y duración del hardware.

Uno de los hallazgos más significativos es la previsible expansión de la demanda energética atribuida a las aplicaciones de inteligencia artificial. Aunque la eficiencia de los chips mejora rápidamente, la velocidad de crecimiento en la capacidad computacional instalada supera estas mejoras. De mantenerse esta tendencia sin restricciones externas, las proyecciones muestran un consumo energético elevado a niveles que podrían tener impactos significativos en los mercados eléctricos y los objetivos climáticos. Sin embargo, estos resultados deben interpretarse con cautela, puesto que no contemplan limitaciones reales como la disponibilidad de capital, energía o componentes tecnológicos. En contraste, el consumo energético asociado a centros de datos convencionales, aunque también en aumento, presenta una evolución más moderada. La consolidación de servicios hacia infraestructuras más eficientes, como los centros en la nube de hiperescala, contribuye a cierta contención en el uso de energía. Además, este segmento permite una evaluación más robusta para el diseño de políticas públicas, dado que sus tecnologías están más maduras y los datos disponibles presentan menor incertidumbre.

El modelo permite simular diferentes intervenciones de política, como mejoras en la eficiencia del hardware, aumento en la utilización de servidores, programas de retiro acelerado de equipos obsoletos, y estándares mínimos de eficiencia. Estas simulaciones se realizan a través de una interfaz simplificada que facilita la exploración de escenarios sin requerir conocimientos técnicos avanzados. A pesar de su accesibilidad, cualquier ejercicio de modelado requiere considerar cuidadosamente la calidad y representatividad de los datos utilizados. Al comparar este enfoque con proyecciones de entidades como Goldman Sachs, SemiAnalysis y el Laboratorio Nacional Lawrence Berkeley, se evidencia una amplia variabilidad en las estimaciones a futuro. Esta diversidad responde a diferencias metodológicas, especialmente respecto a si se incluyen restricciones económicas, tecnológicas o de infraestructura. En general, los modelos que integran estos factores tienden a generar escenarios más moderados que aquellos que extrapolan tendencias sin considerar límites.

En definitiva, la evolución del consumo energético en centros de datos está sujeta a múltiples incertidumbres, particularmente en lo que concierne a las tecnologías emergentes como la inteligencia artificial. Las proyecciones deben usarse como herramientas para explorar posibles futuros, más que como predicciones definitivas. Lo importante es mantener la capacidad de actualizar y refinar los modelos con nueva evidencia, permitiendo que las políticas públicas evolucionen en paralelo con el desarrollo tecnológico y los desafíos energéticos asociados.

Para leer más ingrese a:

https://www.iea-4e.org/publications/edna/total-energy-model-4-0-data-centres/

https://www.iea-4e.org/wp-content/uploads/2025/05/TEM-4-Report-Draft-v0-15-FINAL.pdf