L’electricitat frena la IA? SMR, geotèrmia i el cost dels models
Consum elèctric de la IA, acords de Google, costos d’entrenament i accions energètiques: recerca amb gràfics, fonts i límits clars.
La IA té una cadena de subministrament física. Cada model nou necessita xips, dades, refrigeració i electricitat. Això planteja una pregunta raonable: pot el sistema elèctric frenar el progrés de la intel·ligència artificial?
L’evidència apunta a un límit per a l’expansió. No demostra que la manca d’electricitat ja provoqui una caiguda general de les millores en les capacitats de la IA. Aquesta recerca separa tres qüestions que sovint es barregen: qualitat del model, consum dels centres de dades i rendibilitat de les accions de les empreses energètiques.
Informació revisada fins al 30 de setembre de 2026. Cotitzacions fins al tancament del dia 29. La portada és una il·lustració editorial generada amb IA d’una instal·lació fictícia.
El límit és local, encara que la demanda sigui global
La perspectiva de la IEA de 2026 estima un consum de 485 TWh el 2025 per als centres de dades, que arribaria a 950 TWh el 2030 en el seu escenari central. Inclou tots els centres de dades, no només IA. La xifra de 2030 és una projecció, no un resultat observat. IEA, 2026
L’obstacle pràctic consisteix a lliurar prou electricitat fiable en una ubicació concreta i a temps. Un país pot disposar de generació mentre una regió no té capacitat de transmissió, subestacions o una connexió ràpida. El 2025, la IEA va estimar que les restriccions de xarxa podrien retardar aproximadament el 20% de la capacitat mundial de centres de dades prevista fins al 2030. Anàlisi de la xarxa
Això pot retardar desplegaments o augmentar costos. Per demostrar un efecte sobre la qualitat dels models també caldrien avaluacions comparables i proves que vinculessin restriccions concretes amb entrenaments que no es van poder fer. Una corba creixent de demanda elèctrica no resol aquesta qüestió.
Més paràmetres impliquen més electricitat d’entrenament?
Per entrenar transformadors densos s’utilitza una aproximació habitual: còmput ≈ 6 × paràmetres × tokens d’entrenament. Importen la mida del model i les dades; cap dels dos mesura directament electricitat. Hoffmann i col·laboradors
Meta publica hores GPU per a Llama 3.1 i una xifra de potència del maquinari de 700 W. Multiplicar aquestes hores per 0,7 kW uniformes dona una aproximació energètica basada en TDP, reproduïble:
| Model | Hores GPU declarades | Aproximació calculada |
|---|---|---|
| Llama 3.1 8B | 1,46 milions | 1,022 GWh |
| Llama 3.1 70B | 7,00 milions | 4,900 GWh |
| Llama 3.1 405B | 30,84 milions | 21,588 GWh |
Dades: fitxa del model de Meta. Càlculs: ARXAN.
La correlació de Pearson sobre els valors originals és r = 0,9995, amb només tres models. Sobre els logaritmes és 0,9990. L’associació és forta dins d’aquesta petita família, però tres observacions relacionades no estableixen una llei energètica universal ni causalitat.
El consum real varia amb la utilització i l’eficiència del maquinari. CPU, xarxes i refrigeració afegeixen consum fora del càlcul d’un dispositiu. Aquesta aproximació no representa la factura elèctrica completa, ni un límit superior o inferior precís per a tota la instal·lació.
Servir el model canvia l’equació
L’entrenament construeix el model; la inferència l’executa repetidament. Després del desplegament, importen les peticions, la longitud d’entrada i sortida, els lots i la capacitat inactiva.
Google va declarar 0,24 Wh per a la petició de text mediana de Gemini Apps en el seu estudi de 2025. Una mediana d’un producte i període concrets no és una constant universal per petició, ni una mitjana que permeti calcular directament el consum total. Estudi de Google
La recerca sobre inferència també explica per què els paràmetres no són suficients: l’arquitectura i la càrrega de treball modifiquen la relació entre mida i energia. From Prompts to Power
Una comparació útil mesura joules per tasca completada amb una qualitat comparable, registrant maquinari, precisió, mida del lot i tokens. Cal indicar si inclou GPU, servidor o instal·lació. Si s’estima l’energia del centre a partir del consum informàtic mitjançant PUE, s’ha de declarar la hipòtesi i evitar comptar dues vegades la refrigeració.
L’eficiència pot millorar mentre augmenta el consum total: peticions més barates poden impulsar més ús, raonaments llargs i tasques autònomes.
Acords de Google: electricitat lliurada i plans
Els SMR —reactors modulars petits— i la geotèrmia poden aportar generació ferma. Els seus contractes tenen calendaris i riscos de desenvolupament diferents.
| Projecte | Potència anunciada | Què estableix l’anunci |
|---|---|---|
| Google–Kairos | Fins a 500 MW | Primer desplegament previst per al 2030; més reactors fins al 2035 |
| Google–Fervo | 396 MW | PPA de setembre de 2026; lliurament previst el 2028 |
| Google/NV Energy–Ormat | Fins a 150 MW | Anunci de febrer de 2026; projectes el 2028–2030, subjectes a aprovació |
Fonts: Google–Kairos, PPA de Fervo, anunci d’Ormat.
Per separat, Fervo va anunciar la primera electricitat lliurada a la xarxa a Cape Station el 24 de setembre de 2026. Aquesta fita no significa que tota la capacitat contractada per Google ja estigui operativa. Fita de Fervo
Els megawatts expressen potència. L’energia anual depèn d’hores i producció. Tampoc podem sumar aquests acords per obtenir quotes de mercat: els anys, les condicions i els límits de projecte són diferents.
Què va passar amb les accions?
Per separar energia i borsa, vaig comparar SMR, OKLO, ORA i FRVO amb SPY, una referència del mercat d’accions dels EUA. La finestra comuna és 15 de maig–29 de setembre de 2026, després de la sortida a borsa de Fervo: 94 observacions de tancament compartides. Informació de la sortida a borsa
| Acció o fons | Variació del tancament ajustat | Major caiguda des d’un màxim de tancament del període |
|---|---|---|
| NuScale / SMR | −30,90% | −45,59% |
| Oklo / OKLO | −40,39% | −51,52% |
| Ormat / ORA | −30,46% | −37,66% |
| Fervo / FRVO | −66,51% | −67,65% |
| SPY | +3,91% | −4,49% |
Font: històrics de Yahoo Finance; càlculs sobre una còpia arxivada de dades diàries. S’utilitzen els ajustos del proveïdor, sense costos de negociació ni impostos. És una mostra seleccionada, no tot el sector energètic.
SMR i OKLO presenten una correlació diària de 0,85; ORA i FRVO, de 0,47. Són relacions descriptives entre valors. No mesuren correlació amb el consum de IA ni demostren què va moure les cotitzacions. Valoració, finançament, dilució i execució dels projectes poden influir.
La conclusió
L’electricitat fiable limita l’expansió de la infraestructura de IA. L’evidència disponible no estableix que estigui causant una desacceleració general de les millores en les seves capacitats.
La distinció financera importa: una demanda creixent pot crear oportunitats per a proveïdors mentre els seus accionistes perden diners. Convé seguir per separat electricitat lliurada, fites i resultats financers. Per a la IA, l’objectiu útil és l’energia necessària per completar una tasca valuosa amb la qualitat requerida.
