Siete errores están frenando la sostenibilidad de la IA

HPE identifica siete fallos críticos que comprometen la sostenibilidad de la IA y propone una hoja de ruta para corregirlos.

1.     Modelos sobredimensionados que consumen más de lo necesario

El entusiasmo por los grandes modelos de lenguaje ha llevado a utilizarlos incluso en tareas que no lo requieren, como clasificar correos o extraer datos básicos. HPE advierte de que esta práctica puede multiplicar por cien el consumo energético frente a alternativas más ligeras. La tendencia sostenible no es “cuanto más grande, mejor”, sino ajustar cada modelo a su propósito real.

2.     Infraestructuras poco eficientes y sin auditoría energética

Aunque los centros de datos han avanzado con tecnologías como la refrigeración líquida o racks optimizados, la compañía recuerda que la inferencia de IA podría consumir un 20% de la energía global en 2030. Ejecutar un mismo modelo en una red eléctrica con alta intensidad de carbono puede generar hasta diez veces más huella que hacerlo con renovables, por lo que auditar la procedencia energética es esencial.

3.     Acumulación indiscriminada de datos

Muchas organizaciones almacenan grandes volúmenes de información sin políticas de retención ni depuración. Ese exceso, aunque no se utilice, sigue consumiendo energía en almacenamiento, copias de seguridad y mantenimiento. HPE propone aplicar el marco 4C (Collect, Curate, Clean, Confirm) para recopilar solo datos relevantes, eliminar redundancias y garantizar calidad.

4.     Software ineficiente y modelos mal optimizados

El código poco optimizado y los modelos sobredimensionados incrementan el consumo energético de forma innecesaria. La comunidad ya adopta prácticas más sostenibles como la cuantización, el uso de modelos pequeños (SLMs) o los guardrails que redirigen consultas simples a sistemas más ligeros sin sacrificar calidad.

5.     Hardware sobredimensionado y baja utilización

Otro error habitual es desplegar infraestructuras demasiado potentes “por precaución”, lo que genera tasas de utilización muy bajas y un gran desperdicio energético. La recomendación de HPE es alinear cada carga de trabajo con el hardware adecuado, evitando recurrir a GPU de última generación cuando no es necesario.

6.     Personas desinformadas y resistencia al cambio

La sostenibilidad también depende de la adopción interna. Implementar IA sin explicar su propósito ni formar a los equipos provoca rechazo y sistemas infrautilizados que consumen recursos sin aportar valor. La transparencia y los programas de upskilling son esenciales para que la inversión sea productiva.

7.     Falta de métricas para medir el impacto real

Muchas organizaciones despliegan IA sin monitorizar su consumo energético ni su huella de carbono. Sin datos, es imposible identificar ineficiencias o demostrar avances en objetivos ESG. HPE recomienda incorporar métricas desde el inicio, como emisiones por interacción o consumo por inferencia, para optimizar en tiempo real.

Los siete errores comparten un patrón común: abordar la sostenibilidad de la IA de forma fragmentada. HPE defiende un enfoque de ecosystem thinking, que integra infraestructura, datos, software, hardware y personas como piezas interdependientes. Situar la sostenibilidad como principio rector desde el diseño permite reducir la huella ambiental y, al mismo tiempo, obtener una ventaja competitiva ante el aumento de los costes energéticos y las exigencias regulatorias.