L’electricitat frena la IA? SMR, geotèrmia i el cost dels models
Què limita el subministrament elèctric de la IA: consum, entrenament, acords de Google i accions d’empreses energètiques, amb dades i gràfics.
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?
Les dades indiquen que el subministrament elèctric pot limitar l’expansió. No són suficients per afirmar que la manca d’electricitat ja estigui frenant de manera general la millora dels models. En aquest article examino tres qüestions que sovint es barregen: les capacitats de la IA, el consum dels centres de dades i la 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.
La demanda és global; els problemes de subministrament, locals
L’informe de l’Agència Internacional de l’Energia (IEA) de 2026 estima que els centres de dades van consumir 485 TWh el 2025 i preveu que arribin a 950 TWh el 2030 en el seu escenari central. L’estimació inclou tots els centres de dades, també els que no es dediquen a la IA. La xifra de 2030 és una projecció, no un resultat observat. IEA, 2026
A la pràctica, cal aconseguir un subministrament suficient i estable allà on es necessita i quan es necessita. Un país pot generar prou electricitat i, tot i així, tenir regions sense prou línies de transport, subestacions o connexions. 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
Aquestes limitacions poden endarrerir la posada en marxa d’instal·lacions o fer-ne augmentar el cost. Per demostrar que afecten les capacitats dels models, caldria comparar avaluacions i documentar quins entrenaments no es van poder fer per falta de subministrament. Que augmenti la demanda elèctrica no demostra, tot sol, aquesta relació.
Un model més gran consumeix més quan s’entrena?
Per entrenar transformadors densos s’utilitza una aproximació habitual: còmput ≈ 6 × paràmetres × tokens d’entrenament. Tant la mida del model com la quantitat de dades influeixen en el càlcul, però cap de les dues no mesura directament el consum elèctric. Hoffmann i col·laboradors
Meta publica hores GPU per a Llama 3.1 i una xifra de potència del maquinari de 700 W. Si multipliquem aquestes hores per una potència constant de 0,7 kW, obtenim una estimació basada en la potència declarada del maquinari (TDP). El càlcul es pot reproduir:
| 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. La relació és forta dins d’aquesta petita família de models. Tres observacions relacionades, però, no són suficients per establir una regla universal ni demostrar una relació de causa i efecte.
El consum real depèn de l’ús i de l’eficiència del maquinari. Els processadors, la xarxa i la refrigeració també gasten energia i queden fora d’aquest càlcul. Per tant, l’estimació no equival al consum total de la instal·lació ni permet fixar-ne els límits amb precisió.
Fer servir el model també consumeix energia
L’entrenament produeix el model. La inferència és cada execució posterior per respondre una petició. Un cop en funcionament, el consum depèn del nombre de sol·licituds, de quant text entra i surt, de com s’agrupen les peticions i dels recursos que es mantenen encesos sense fer-se servir.
En l’estudi de 2025, Google va situar en 0,24 Wh la mediana del consum per petició de text a Gemini Apps. La xifra correspon a un producte i un període concrets. No val per a qualsevol petició i, com que és una mediana, no permet calcular el consum total com ho faria una mitjana. 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
Per comparar models convé mesurar els joules necessaris per completar una tasca amb una qualitat equivalent. Cal anotar el maquinari, la precisió numèrica, la mida dels lots i els tokens processats, i aclarir si es mesura la GPU, el servidor o tota la instal·lació. Si fem servir l’indicador PUE per estimar el consum total a partir del dels equips, hem d’explicar aquest supòsit i comprovar que no comptem dues vegades la refrigeració.
L’eficiència pot millorar mentre augmenta el consum total: abaratir cada petició pot afavorir un ús més gran, respostes amb més raonament i més tasques autònomes.
Els acords de Google: què està previst i què funciona ja
Els SMR —reactors modulars petits— i la geotèrmia poden aportar generació ferma. Cada projecte té els seus propis terminis i riscos.
| 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 produïda en un any depèn de quant temps funcionen les instal·lacions i a quina potència. Sumar aquests acords tampoc no serveix per calcular una quota de mercat: fan referència a anys, condicions i projectes 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. El període comú va del 15 de maig al 29 de setembre de 2026, després de la sortida a borsa de Fervo. Hi ha 94 sessions amb preus de tancament per a tots els valors. 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 relacionen les accions amb el consum de la IA ni expliquen per què van pujar o baixar. També hi poden influir la valoració de l’empresa, el finançament, la dilució de les accions i l’avenç dels projectes.
Què en podem concloure
Disposar d’un subministrament elèctric estable condiciona l’expansió de la infraestructura de la IA. Amb les dades disponibles, no podem concloure que ja estigui frenant de manera general la millora dels models.
A la borsa també convé distingir les coses: una demanda creixent pot generar negoci per als proveïdors mentre els seus accionistes perden diners. Cal seguir tant l’electricitat que realment se subministra com l’avenç dels projectes i els resultats financers. Per avaluar la IA, m’interessa quanta energia cal per resoldre una tasca útil amb la qualitat necessària.
