¿La electricidad frena la IA? SMR, geotermia y el coste de los modelos
Consumo eléctrico de la IA, acuerdos de Google, costes de entrenamiento y acciones energéticas: investigación con gráficos, fuentes y límites claros.
La IA tiene una cadena de suministro física. Cada nuevo modelo necesita chips, datos, refrigeración y electricidad. Por eso surge una pregunta razonable: ¿puede el sistema eléctrico frenar el progreso de la inteligencia artificial?
La evidencia apunta a un límite para la expansión. No demuestra que la falta de electricidad ya esté causando una caída general de las mejoras en las capacidades de la IA. Esta investigación separa tres cuestiones que suelen mezclarse: calidad del modelo, consumo de los centros de datos y rentabilidad de las acciones de empresas energéticas.
Información revisada hasta el 30 de septiembre de 2026. Cotizaciones hasta el cierre del día 29. La portada es una ilustración editorial generada con IA de una instalación ficticia.
El límite es local, aunque la demanda sea global
La perspectiva de la IEA de 2026 estima un consumo de 485 TWh en 2025 para los centros de datos, que alcanzaría 950 TWh en 2030 en su escenario central. Incluye todos los centros de datos, no únicamente IA. La cifra de 2030 es una proyección, no un resultado observado. IEA, 2026
El obstáculo práctico consiste en entregar suficiente electricidad fiable en una ubicación concreta y a tiempo. Un país puede disponer de generación mientras una región carece de capacidad de transmisión, subestaciones o una conexión rápida. En 2025, la IEA estimó que las restricciones de red podrían retrasar aproximadamente el 20% de la capacidad mundial de centros de datos prevista hasta 2030. Análisis de la red
Esto puede retrasar despliegues o elevar costes. Para demostrar un efecto sobre la calidad de los modelos también harían falta evaluaciones comparables y pruebas que vinculasen restricciones concretas con entrenamientos que no pudieron realizarse. Una curva creciente de demanda eléctrica no resuelve esa cuestión.
¿Más parámetros significan más electricidad de entrenamiento?
Para entrenar transformadores densos se utiliza una aproximación habitual: cómputo ≈ 6 × parámetros × tokens de entrenamiento. Importan el tamaño del modelo y los datos; ninguno mide directamente electricidad. Hoffmann y colaboradores
Meta publica horas GPU para Llama 3.1 y una cifra de potencia de hardware de 700 W. Multiplicar esas horas por 0,7 kW uniformes produce una aproximación energética basada en TDP, reproducible:
| Modelo | Horas GPU declaradas | Aproximación calculada |
|---|---|---|
| Llama 3.1 8B | 1,46 millones | 1,022 GWh |
| Llama 3.1 70B | 7,00 millones | 4,900 GWh |
| Llama 3.1 405B | 30,84 millones | 21,588 GWh |
Datos: ficha del modelo de Meta. Cálculos: ARXAN.
La correlación de Pearson sobre los valores originales es r = 0,9995, con solo tres modelos. Sobre los logaritmos es 0,9990. La asociación es fuerte dentro de esta pequeña familia, pero tres observaciones relacionadas no establecen una ley energética universal ni causalidad.
El consumo real cambia con la utilización y la eficiencia del hardware. CPU, redes y refrigeración añaden consumo fuera del cálculo de un dispositivo. Esta aproximación no representa la factura eléctrica completa, ni un límite superior o inferior preciso para toda la instalación.
Servir el modelo cambia la ecuación
El entrenamiento construye el modelo; la inferencia lo ejecuta repetidamente. Tras desplegarlo, importan las peticiones, la longitud de entrada y salida, los lotes y la capacidad ociosa.
Google declaró 0,24 Wh para la petición de texto mediana de Gemini Apps en su estudio de 2025. Una mediana de un producto y periodo específicos no es una constante universal por petición, ni una media que permita calcular directamente el consumo total. Estudio de Google
La investigación sobre inferencia también explica por qué los parámetros no bastan: la arquitectura y la carga de trabajo modifican la relación entre tamaño y energía. From Prompts to Power
Una comparación útil mide julios por tarea completada con una calidad comparable, registrando hardware, precisión, tamaño del lote y tokens. Debe indicar si incluye GPU, servidor o instalación. Si se estima la energía del centro a partir del consumo informático mediante PUE, hay que declarar la hipótesis y evitar contabilizar dos veces la refrigeración.
La eficiencia puede mejorar mientras aumenta el consumo total: peticiones más baratas pueden impulsar más uso, razonamientos largos y tareas autónomas.
Acuerdos de Google: electricidad entregada y planes
Los SMR —reactores modulares pequeños— y la geotermia pueden aportar generación firme. Sus contratos tienen calendarios y riesgos de desarrollo diferentes.
| Proyecto | Potencia anunciada | Qué establece el anuncio |
|---|---|---|
| Google–Kairos | Hasta 500 MW | Primer despliegue previsto para 2030; más reactores hasta 2035 |
| Google–Fervo | 396 MW | PPA de septiembre de 2026; entrega prevista en 2028 |
| Google/NV Energy–Ormat | Hasta 150 MW | Anuncio de febrero de 2026; proyectos en 2028–2030, sujetos a aprobación |
Fuentes: Google–Kairos, PPA de Fervo, anuncio de Ormat.
Por separado, Fervo anunció la primera entrega de electricidad a la red en Cape Station el 24 de septiembre de 2026. Ese hito no significa que toda la capacidad contratada por Google ya esté operativa. Hito de Fervo
Los megavatios expresan potencia. La energía anual depende de horas y producción. Tampoco podemos sumar estos acuerdos para obtener cuotas de mercado: sus años, condiciones y límites de proyecto difieren.
¿Qué ocurrió con las acciones?
Para separar energía y bolsa, comparé SMR, OKLO, ORA y FRVO con SPY, una referencia del mercado de acciones estadounidense. La ventana común es 15 de mayo–29 de septiembre de 2026, después de la salida a bolsa de Fervo: 94 observaciones de cierre compartidas. Información de la salida a bolsa
| Acción o fondo | Variación del cierre ajustado | Mayor caída desde un máximo de cierre en el periodo |
|---|---|---|
| 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% |
Fuente: históricos de Yahoo Finance; cálculos sobre una copia archivada de los datos diarios. Se utilizan los ajustes del proveedor, sin costes de negociación ni impuestos. Es una muestra seleccionada, no todo el sector energético.
SMR y OKLO presentan una correlación diaria de 0,85; ORA y FRVO, de 0,47. Son relaciones descriptivas entre valores. No miden correlación con el consumo de IA ni demuestran qué movió las cotizaciones. Valoración, financiación, dilución y ejecución de proyectos pueden influir.
La conclusión
La electricidad fiable limita la expansión de la infraestructura de IA. La evidencia disponible no establece que esté causando una desaceleración general de las mejoras en sus capacidades.
La distinción financiera importa: una demanda creciente puede crear oportunidades para proveedores mientras sus accionistas pierden dinero. Conviene seguir por separado electricidad entregada, hitos y resultados financieros. Para la IA, el objetivo útil es la energía necesaria para completar una tarea valiosa con la calidad requerida.
