¿La electricidad frena la IA? SMR, geotermia y el coste de los modelos
Qué limita el suministro eléctrico de la IA: consumo, entrenamiento, acuerdos de Google y acciones de empresas energéticas, con datos y gráficos.
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?
Los datos indican que el suministro eléctrico puede limitar la expansión. No bastan para afirmar que la falta de electricidad ya esté frenando de forma general la mejora de los modelos. En este artículo examino tres cuestiones que a menudo se mezclan: las capacidades de la IA, el consumo de los centros de datos y la rentabilidad de las acciones de las 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.
La demanda es global; los problemas de suministro, locales
El informe de la Agencia Internacional de la Energía (IEA) de 2026 estima que los centros de datos consumieron 485 TWh en 2025 y prevé que lleguen a 950 TWh en 2030 en su escenario central. La estimación incluye todos los centros de datos, también los que no se dedican a la IA. La cifra de 2030 es una proyección, no un resultado observado. IEA, 2026
En la práctica, hay que conseguir un suministro suficiente y estable donde se necesita y cuando se necesita. Un país puede generar bastante electricidad y, aun así, tener regiones sin líneas de transporte, subestaciones o conexiones suficientes. 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
Estas limitaciones pueden retrasar la puesta en marcha de instalaciones o elevar sus costes. Para demostrar que afectan a las capacidades de los modelos, haría falta comparar evaluaciones y documentar qué entrenamientos no se pudieron realizar por falta de suministro. Que aumente la demanda eléctrica no demuestra por sí solo esa relación.
¿Un modelo más grande consume más al entrenarse?
Para entrenar transformadores densos se utiliza una aproximación habitual: cómputo ≈ 6 × parámetros × tokens de entrenamiento. Tanto el tamaño del modelo como la cantidad de datos influyen en el cálculo, pero ninguno mide directamente el consumo eléctrico. Hoffmann y colaboradores
Meta publica horas GPU para Llama 3.1 y una cifra de potencia de hardware de 700 W. Si multiplicamos esas horas por una potencia constante de 0,7 kW, obtenemos una estimación basada en la potencia declarada del hardware (TDP). El cálculo se puede reproducir:
| 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 relación es fuerte en esta pequeña familia de modelos. Tres observaciones relacionadas, sin embargo, no bastan para establecer una regla universal ni demostrar una relación de causa y efecto.
El consumo real depende del uso y de la eficiencia del hardware. Los procesadores, la red y la refrigeración también gastan energía y quedan fuera de este cálculo. Por tanto, la estimación no equivale al consumo total de la instalación ni permite fijar sus límites con precisión.
Usar el modelo también consume energía
El entrenamiento produce el modelo. La inferencia es cada ejecución posterior para responder a una petición. Una vez en funcionamiento, su consumo depende del número de solicitudes, de cuánto texto entra y sale, de cómo se agrupan las peticiones y de los recursos que permanecen encendidos sin utilizarse.
En su estudio de 2025, Google situó en 0,24 Wh la mediana del consumo por petición de texto en Gemini Apps. Esa cifra corresponde a un producto y un periodo concretos. No vale para cualquier petición y, al ser una mediana, no permite calcular el consumo total como lo haría una media. 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
Para comparar modelos conviene medir los julios necesarios para completar una tarea con una calidad equivalente. Hay que anotar el hardware, la precisión numérica, el tamaño de los lotes y los tokens procesados, y aclarar si se mide la GPU, el servidor o toda la instalación. Si usamos el indicador PUE para estimar el consumo total a partir del de los equipos, debemos explicar ese supuesto y comprobar que no contamos dos veces la refrigeración.
La eficiencia puede mejorar mientras aumenta el consumo total: abaratar cada petición puede fomentar un uso mayor, respuestas con más razonamiento y más tareas autónomas.
Los acuerdos de Google: qué está previsto y qué funciona ya
Los SMR —reactores modulares pequeños— y la geotermia pueden aportar generación firme. Cada proyecto tiene sus propios plazos y riesgos.
| 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 producida en un año depende de cuánto tiempo funcionan las instalaciones y a qué potencia. Sumar estos acuerdos tampoco sirve para calcular una cuota de mercado: se refieren a años, condiciones y proyectos distintos.
¿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. El periodo común va del 15 de mayo al 29 de septiembre de 2026, después de la salida a bolsa de Fervo. Hay 94 sesiones con precios de cierre para todos los valores. 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. Estas cifras describen cómo variaron las cotizaciones entre sí. No relacionan las acciones con el consumo de la IA ni explican por qué subieron o bajaron. También pueden influir la valoración de la empresa, su financiación, la dilución de las acciones y el avance de los proyectos.
Qué podemos concluir
Disponer de un suministro eléctrico estable condiciona la expansión de la infraestructura de IA. Con los datos disponibles, no podemos concluir que ya esté frenando de forma general la mejora de los modelos.
En bolsa también conviene distinguir las cosas: una demanda creciente puede generar negocio para los proveedores mientras sus accionistas pierden dinero. Hay que seguir tanto la electricidad que realmente se suministra como el avance de los proyectos y los resultados financieros. Para evaluar la IA, me interesa cuánta energía hace falta para resolver una tarea útil con la calidad necesaria.
