La intel·ligència artificial avança a ritme imparable. Però mentre els models es perfeccionen i s’integren en tota mena de serveis, una pregunta segueix sense resposta clara: quanta energia consumeix tot això? Un reportatge recent a MIT Technology Review planteja que, malgrat els esforços per mesurar la seva petjada, hi ha tres buits crítics que segueixen entelant el diagnòstic.
Dues fases, una factura elèctrica difusa
El consum energètic de la IA es divideix en dos moments clau. Primer, l’entrenament, quan el model aprèn a partir d’enormes volums de dades. Després, les inferències, és a dir, cada vegada que se li consulta o se li demana una tasca. Ambdós processos impliquen centres de dades que operen a gran escala, amb GPUs d’alt rendiment, refrigeració constant i alimentació elèctrica contínua. Tot i que s’estima que la indústria digital ja consumeix més de 200 teravatis-hora a l’any, només una part d’aquesta despesa es pot atribuir amb certesa a la IA.
El que encara no sabem (i per què importa)
L’article del MIT assenyala tres grans zones grises:
- Opacitat corporativa. Les companyies que lideren el desenvolupament de models avançats no publiquen dades precises sobre el seu consum. Sense transparència, qualsevol estimació és tentativa.
- Efecte multiplicador de l’ús massiu. Un model pot estar optimitzat per ser eficient. Però si s’integra en milions de productes, la suma de petites inferències pot superar fins i tot la despesa de l’entrenament inicial. No hi ha projeccions clares sobre quan creixerà aquesta demanda.
- Impactes indirectes i difícils de rastrejar. Des de la fabricació de xips fins al transport i manteniment de servidors, bona part del cost energètic queda fora del càlcul habitual. És una càrrega invisible, però real.
Aigua, calor i centres de dades
El debat no es limita a quilobits. En regions com l’oest dels EUA o el sud d’Àsia, els centres de dades també pressionen recursos hídrics per a la refrigeració d’equips. La IA, si es desplega sense criteri ambiental, pot agreujar tensions locals sobre aigua o energia. En paral·lel, estudis com el publicat per l’equip de Hugging Face el 2024 o les anàlisis del consorci MLCommons suggereixen que els models dissenyats per a tasques específiques consumeixen molt menys que els grans models generalistes. Però el mercat tendeix a estandarditzar al voltant d’aquests últims, per la seva versatilitat.
Un problema a escala, no d’eficiència
Les millores tècniques ajuden. Noves arquitectures, models comprimids o ajustos en els paràmetres redueixen la despesa per operació. Però si la quantitat d’usos es multiplica, aquestes millores poden ser insuficients. És el que s’anomena efecte rebot, l’eficiència redueix el cost per ús, però dispara la demanda total. Segons Nature, si no s’apliquen controls i polítiques d’eficiència energètica, l’impacte ambiental de la IA podria accelerar-se en els pròxims cinc anys, especialment en països sense regulació estricta.
Un final amb més preguntes que xifres
La IA es projecta com a solució a infinitat de reptes. Però la seva petjada material continua sent difusa. El diagnòstic està incomplet. Sense dades clares, sense estàndards comuns, sense transparència, la transició digital pot amagar un cost ambiental que ningú està registrant del tot.
Obre un parèntesi en les teves rutines. Subscriu-te al nostre butlletí i posa’t al dia en tecnologia, IA i mitjans de comunicació.
