Además de tener por aquí cerca esta página:

Tu Nube Seca Mi Río. Impacto ecosocial de los Centros De Datos

Traigo esta traducción de un artículo interesantísimo sobre el consumo de agua potable, por parte de  los servidores de la IA.

Making AI Less “Thirsty”: Uncovering and Addressing the Secret Water Footprint of AI Models

Haciendo que la IA sea menos «sedienta»: Descubriendo y abordando la huella hídrica secreta de los modelos de IA

1. Pengfei Li Jianyi Yang Mohammad A. Islam Shaolei Ren UC Riverside, UT Arlington UC Riverside

Resumen

La creciente huella de carbono de la inteligencia artificial (IA) ha estado bajo escrutinio público. Sin embargo, su igualmente importante huella hídrica (extracción y consumo) ha permanecido oculta. Por ejemplo, el entrenamiento del modelo de lenguaje GPT-3 en los centros de datos de vanguardia de Microsoft en EE. UU. puede evaporar directamente 700.000 litros de agua dulce limpia. Aun así, esta información se ha mantenido en secreto. Más críticamente, se proyecta que la demanda mundial de IA represente entre 4.200 y 6.600 millones de metros cúbicos de extracción de agua en 2027, más que la extracción anual total de agua de 4.000 a 6.000 millones de metros cúbicos en Dinamarca o la mitad del Reino Unido. Esto es preocupante, ya que la escasez de agua dulce se ha convertido en uno de los desafíos más apremiantes. Para responder a los desafíos hídricos globales, la IA puede, y debe, asumir la responsabilidad social y liderar con el ejemplo adoptando y gestionando su huella hídrica. Este documento proporciona una metodología basada en principios para estimar la huella hídrica de la IA y analizar las singulares diversidades espacio-temporales de su eficiencia hídrica durante su ejecución.

1 Introducción

La inteligencia artificial (IA) ha permitido avances notables en numerosas áreas de importancia crítica (arXiv:2304.03271v5 [cs.LG] 26 de marzo de 2025), incluyendo la lucha contra desafíos globales como el cambio climático. Por otro lado, muchos modelos de IA, incluyendo los generativos de gran tamaño como GPT-4, se entrenan e implementan en servidores de alto consumo energético en centros de datos a escala de almacén, lo que acelera el consumo energético a un ritmo sin precedentes [1]. Como resultado, la huella de carbono de la IA se ha analizado minuciosamente, lo que ha impulsado los recientes avances en la eficiencia de carbono de la IA [2,3]. Sin embargo, la huella hídrica de la IA (millones de litros de agua dulce consumidos para refrigerar los servidores y generar electricidad) ha permanecido oculta y sigue aumentando. Si no se aborda adecuadamente, la huella hídrica de la IA puede convertirse en un obstáculo importante para la sostenibilidad y generar conflictos sociales, ya que los recursos de agua dulce aptos para el consumo humano son mínimos y están distribuidos de forma desigual.
Como se reconoce en el informe de sostenibilidad de Google [4] y el reciente informe sobre el consumo energético de los centros de datos de EE. UU. [1], la expansión de los productos y servicios de IA es un factor clave del rápido aumento del consumo de agua en los centros de datos. Incluso excluyendo el consumo de agua en instalaciones de coubicación arrendadas a terceros, los centros de datos propios de una empresa tecnológica extrajeron directamente 29 000 millones de litros y consumieron (es decir, evaporaron) más de 223 000 millones de litros de agua dulce para refrigeración in situ en 2023, de los cuales casi el 80 % era agua potable [4]. Esta cantidad de consumo anual de agua rivaliza incluso con el de una importante empresa de bebidas [5]. Cabe destacar que el consumo de agua del centro de datos de la empresa aumentó aproximadamente un 20 % entre 2021 y 2022 y un 17 % entre 2022 y 2023 [4], y el consumo de agua del centro de datos de otra empresa tecnológica experimentó aumentos del 34 % y del 22 % durante los mismos períodos, respectivamente [6]. Además, según el reciente Informe de Energía de Centros de Datos de EE. UU., el consumo total anual de agua in situ de los centros de datos de EE. UU. en 2028 podría duplicar o incluso cuadriplicar el nivel de 2023, alcanzando aproximadamente entre 150 000 y 280 000 millones de litros y sobrecargando aún más las infraestructuras hídricas [1]. La IA representa las cargas de trabajo de mayor expansión en los centros de datos [1, 4]. Por ejemplo, un estudio reciente sugiere que la IA global podría consumir entre 85 000 y 134 TWh de electricidad en 2027 [7], mientras que una proyección más agresiva del reciente informe de energía de centros de datos de EE. UU. predice que el consumo de electricidad de los servidores de IA solo en EE. UU. superará los 150 000 a 300 TWh en 2028 [1]. Incluso considerando la estimación más baja, se proyecta que la extracción combinada de agua de alcance 1 y 2 de la IA global alcance entre 4.200 y 6.600 millones de metros cúbicos en el año 2027 supera la extracción anual total de agua, que es de 4 a 6 veces mayor que la de Dinamarca o la mitad del Reino Unido. Simultáneamente, se evaporará un total de 380 a 600 millones de metros cúbicos de agua, que se considerarán «consumo» debido a la demanda mundial de IA en 2027. Además, estas estimaciones globales serán superadas por la extracción y el consumo total de agua atribuidos a la IA solo en EE. UU. en 2028 si la proyección en [1] se hace realidad. A pesar de su profundo impacto ambiental y social, la creciente huella hídrica de la IA ha recibido una atención desproporcionadamente menor por parte de la comunidad de IA y del público en general. Por ejemplo, si bien las emisiones de carbono de alcance 2 se incluyen rutinariamente como parte de las tarjetas de modelo de IA, falta incluso el uso directo de agua de alcance 1 (ya sea extracción o consumo), por no hablar del uso de agua de alcance 2; esto puede impedir las innovaciones que permitan la sostenibilidad del agua y creen una IA verdaderamente sostenible. Es crucial que las huellas hídrica y de carbono se complementen, no se sustituyan, para comprender los impactos ambientales. De hecho, optimizar la eficiencia de carbono no necesariamente resulta en, e incluso puede empeorar, la eficiencia posterior, que varía de forma única según las combinaciones de combustibles para la generación de electricidad y las condiciones climáticas externas [1, 9].
Para garantizar que el crecimiento de la IA no agrave el estrés hídrico global ni supere los beneficios ambientales que proporciona, es un momento crítico para descubrir y abordar la huella hídrica oculta de la IA en medio de la crisis de escasez de agua dulce cada vez más grave, el agravamiento de las sequías prolongadas y el rápido envejecimiento de la infraestructura hídrica pública. Esta urgencia también se refleja en parte en el reciente compromiso con «Water Positive by 2030» de líderes del sector, como Google [4] y Microsoft [6], y en la inclusión de la huella hídrica como métrica clave en el primer estándar internacional del mundo sobre IA sostenible, que publicará la ISO/IEC [10].

En este documento, abogamos por un enfoque holístico de la IA sostenible que vaya más allá de la huella de carbono y aborde la huella hídrica. En concreto, presentamos una metodología basada en principios para estimar la huella hídrica total de la IA, incluyendo el agua operativa y el agua incorporada. Tomando como ejemplo el modelo GPT-3 con 175 000 millones de parámetros [11], demostramos que entrenar GPT-3 en los centros de datos de Microsoft en EE. UU. puede consumir 5,4 millones de litros de agua, incluyendo 700 000 litros de consumo de agua de alcance 1 in situ. Además, GPT-3 necesita beber una botella de agua de 500 ml para aproximadamente 10 a 50 respuestas de duración media, dependiendo de cuándo y dónde se implemente.

A continuación, demostramos que la Eficacia del Uso del Agua (WUE, una medida de la eficiencia hídrica) varía tanto espacial como temporalmente, lo que sugiere que decidir con criterio cuándo y dónde entrenar un modelo de IA de gran tamaño puede reducir significativamente la huella hídrica. También enfatizamos la necesidad de aumentar la transparencia de la huella hídrica de la IA, incluyendo la divulgación de más información sobre los datos operativos y manteniendo a los usuarios informados sobre la eficiencia hídrica durante su ejecución.

Finalmente, destacamos la necesidad de abordar de forma integral la huella hídrica y de carbono de la IA para lograr una IA verdaderamente sostenible. La huella hídrica de la IA ya no puede pasar desapercibida.

2 Antecedentes
2.1 Extracción de agua vs. Consumo de agua
Dos conceptos relacionados, pero diferentes —extracción de agua y consumo de agua— son esenciales para comprender los impactos en el estrés hídrico y la disponibilidad [12, 13].

La extracción de agua se refiere al agua dulce extraída de fuentes subterráneas o superficiales, ya sea temporal o permanente, y posteriormente utilizada para fines agrícolas, industriales o municipales (generalmente excluyendo el agua utilizada para la generación de energía hidroeléctrica) [12]. Dado que el agua es un recurso finito y compartido, la extracción de agua indica competencia y dependencia de los recursos hídricos entre diferentes sectores.

Consumo de agua: Se define como la extracción de agua menos la descarga de agua y significa la cantidad de agua evaporada, transpirada, incorporada a productos o cultivos, o extraída de otro modo del entorno hídrico inmediato [13]. El consumo de agua afecta la disponibilidad de agua aguas abajo y es crucial para evaluar la escasez a nivel de cuenca [12].
Estos dos tipos de consumo de agua corresponden a dos huellas hídricas diferentes: agua con huella (WWF) [8,14] y huella de consumo de agua (WCF), respectivamente [15]. Por defecto, la huella hídrica se refiere a la huella de consumo de agua, a menos que se especifique lo contrario.

2.2 ¿Cómo utiliza el agua la IA?

El consumo de agua de la IA abarca tres ámbitos: agua in situ para la refrigeración del centro de datos (alcance 1), agua externa para la generación de electricidad (alcance 2) y agua de la cadena de suministro para la fabricación de servidores (alcance 3).

2.2.1 Alcance 1: Consumo de agua
Casi toda la energía del servidor se convierte en calor, que debe eliminarse de la sala de servidores del centro de datos para evitar el sobrecalentamiento. Este proceso consta de dos etapas secuenciales: refrigeración a nivel de servidor y refrigeración a nivel de instalación. En la etapa de enfriamiento a nivel de servidor, el calor se transfiere desde los servidores a las instalaciones o a un intercambiador de calor, generalmente mediante métodos de enfriamiento por aire o líquido (p. ej., enfriamiento directo al chip o enfriamiento por inmersión), que no evaporan ni consumen agua. Debido a las altas densidades de potencia de los servidores, los nuevos centros de datos dedicados al entrenamiento de IA suelen recurrir a la refrigeración líquida.

En la etapa de enfriamiento a nivel de instalación, el calor se disipa del centro de datos y se envía al exterior. Si bien existen diversos métodos de enfriamiento, las torres de enfriamiento con alto consumo de agua y el enfriamiento por aire asistido por evaporación de agua son dos enfoques comunes en muchos centros de datos, incluidos los operados por importantes empresas tecnológicas [1, 4].

Torre de enfriamiento. Como se ilustra en la Figura 1, parte del agua se evapora (es decir, se «consume») en la torre de enfriamiento para disipar el calor al ambiente. En cambio, el agua restante circula por un circuito abierto hacia el intercambiador de calor para absorber aún más el calor del servidor. Además, el agua no evaporada solo se puede reciclar unas pocas veces (normalmente entre 3 y 10 ciclos, dependiendo de la calidad del agua) antes de su descarga, lo que requiere una reposición continua de agua dulce limpia para evitar la acumulación de minerales y sales.

Por lo tanto, para mantener la torre de refrigeración en funcionamiento, es necesario añadir agua nueva constantemente para reemplazar el agua evaporada y descargada. Se necesita agua dulce limpia (en muchos casos, agua potable [4]) para evitar obstrucciones en las tuberías y/o la proliferación de bacterias.

Figura 1: Ejemplo del consumo operativo de agua de un centro de datos: consumo de agua de alcance 1 en el sitio para la refrigeración del centro de datos (mediante torres de refrigeración en el ejemplo) y consumo de agua de alcance 2 fuera del sitio para la generación de electricidad. Los iconos de los modelos de IA son solo ilustrativos.

En las torres de refrigeración, la extracción de agua se refiere a la cantidad de agua añadida, incluyendo el agua evaporada y descargada, mientras que el consumo de agua indica exclusivamente la cantidad de agua evaporada. Con una buena calidad del agua, aproximadamente el 80 % de la extracción se evapora y se considera «consumo» [4]. En promedio, dependiendo de las condiciones climáticas y la configuración operativa, los centros de datos pueden evaporar aproximadamente entre 1 y 9 litros por kWh de energía del servidor: 1 L/kWh para la eficiencia hídrica global anualizada in situ de Google [4] y 9 L/kWh para un gran centro de datos comercial durante el verano en Arizona [16].

Refrigeración por aire con asistencia de evaporación de agua. Cuando las condiciones climáticas son adecuadas, los centros de datos pueden utilizar aire exterior «gratuito» para disipar el calor directamente al exterior. No obstante, la evaporación de agua sigue siendo necesaria cuando el aire exterior es demasiado caliente (por ejemplo, superior a 29 °C); también se requiere agua para controlar la humedad cuando el aire exterior es demasiado seco [17]. El agua añadida se considera «extracción», de la cual se consume aproximadamente el 70 %, según el informe de Meta [18]. Generalmente, la refrigeración por aire exterior es más eficiente en el uso del agua que las torres de refrigeración. Sin embargo, el calor aumenta la demanda de agua por evaporación y el consumo máximo de agua, lo que podría afectar negativamente al suministro local de agua durante los picos de demanda en días calurosos. Además, la refrigeración por aire exterior puede presentar dificultades en regiones cálidas o en muchas instalaciones de coubicación en distritos comerciales.

Algunos centros de datos pueden optar por enfriadores secos, que no consumen agua in situ durante todo el año [19]. Sin embargo, este enfoque suele aumentar el consumo de energía de refrigeración en comparación con los métodos de refrigeración por agua, lo que podría agravar la presión sobre los recursos hídricos debido a un mayor consumo de agua de alcance 2.

2.2.2 Uso de agua de alcance 2
En muchos países, la energía termoeléctrica se encuentra entre los principales sectores en términos de extracción y consumo de agua [8]. Por lo tanto, al igual que las emisiones de carbono de alcance 2, los centros de datos son responsables del uso de agua de alcance 2 fuera de sus instalaciones, asociado con el consumo de electricidad, que forma parte del «costo real del agua de los centros de datos», como se destaca en el reciente informe sobre energía de centros de datos de EE. UU. [1].
Dependiendo de las técnicas de refrigeración, las distintas centrales eléctricas utilizan distintas cantidades de agua por cada kWh generado. Normalmente, se excluye la extracción de agua debida a la generación hidroeléctrica, pero se incluye el consumo de agua debido al aumento de las tasas de evaporación de agua en la generación hidroeléctrica [1]. Para la generación de electricidad, el promedio nacional de extracción y consumo de agua en EE. UU. se estima en 43,8 L/kWh [20] y 3,1 L/kWh [8], respectivamente. El consumo de agua de alcance 2, declarado por Meta para su flota global de centros de datos, fue de 3,7 L/kWh (es decir, 55 475 megalitros divididos entre 14 975 435 MWh) en 2023 [18].

2.2.3 Consumo de agua de alcance 3
La fabricación de chips y servidores de IA consume mucha agua [21, 22]. Por ejemplo, se necesita agua ultrapura para la fabricación de obleas y para refrigerar las plantas de semiconductores. El agua cargada puede contener sustancias químicas tóxicas o residuos peligrosos. Si bien el reciclaje de agua en las plantas de semiconductores puede reducir eficazmente la extracción de agua, la tasa de reciclaje en muchos casos sigue siendo baja; por ejemplo, la tasa promedio de reciclaje para las plantas de obleas y las plantas de semiconductores en Singapur es del 45 % y del 23 %, respectivamente [22]. Aunque no se conoce con precisión, el consumo de agua de alcance 3 es probablemente significativo [21]. Por ejemplo, Apple informa que su cadena de suministro representa el 99 % de su huella hídrica total [23]. Es fundamental reconocer que, a diferencia de la agricultura, cuya huella hídrica es principalmente verde (es decir, el agua almacenada en el suelo y utilizada por las plantas), la mayor parte de la huella hídrica de la IA es agua azul extraída de ríos, lagos o aguas subterráneas. Esta agua es directamente accesible para el consumo humano, pero su disponibilidad suele ser más limitada.

3 Estimación de la Huella Hídrica de la IA
Presentamos una metodología general para estimar la huella de consumo de agua de la IA. Para obtener la huella de extracción de agua, simplemente reemplazamos la UEH por la eficiencia de extracción de agua.

3.1 Huella Hídrica Operativa
Nos referimos colectivamente al agua de alcance 1 en sitio y al agua de alcance 2 fuera del sitio como agua operativa.

• EUA en sitio. La EUA de alcance 1 en sitio en el momento t se denota por ρ, Γ, que se define como la relación entre s1, t, el consumo de agua en sitio y el consumo de energía del servidor, y varía con el tiempo en función de la temperatura exterior (véase [9] para un ejemplo de EUA en sitio basada en torres de refrigeración). Concretamente, ρ aumenta significativamente en las torres de refrigeración cuando la temperatura exterior de bulbo húmedo aumenta, y aumenta en la refrigeración por aire exterior cuando la temperatura exterior de bulbo seco es demasiado alta o la humedad es demasiado baja.

• EUA fuera del sitio. La EUA de alcance 2 fuera del sitio en el momento, que se define como la relación entre el consumo de agua fuera del sitio por cada kWh de consumo eléctrico, mide el factor de intensidad de agua y electricidad (EWIF). Si bien existen diferentes métodos de estimación, uno de los más comunes es el ponderado. Por lo tanto, las variaciones en las combinaciones de energía y combustibles para la generación de electricidad resultan en variaciones temporales de la WUE in situ. Además, la WUE externa también varía entre regiones debido a las diferentes combinaciones de energía y combustibles [1,8].

• Huella hídrica operativa. Considere un modelo con intervalos de tiempo, donde la duración de cada intervalo depende de la frecuencia con la que se desea evaluar la huella hídrica operativa. En el tiempo t, supongamos que un modelo de IA utiliza energía e, que puede medirse mediante medidores de potencia o herramientas integradas en servidores, y que el centro de datos que aloja el modelo de IA tiene una efectividad del uso de energía (PUE) de θ, que considera los gastos generales de energía no relacionados con TI. En consecuencia, la huella hídrica operativa total del modelo de IA puede expresarse mediante la siguiente fórmula:

3.2 Huella Hídrica Incorporada
De forma similar a la contabilización de la huella de carbono incorporada [26], la huella hídrica total de alcance 3 se amortiza a lo largo de la vida útil de un servidor. En concreto, si W representa el agua total utilizada para fabricar los servidores de IA y se espera que estos funcionen durante un período de T, la huella hídrica incorporada a lo largo de T se calcula como Agua Incorporada.
Al sumar las huellas hídricas operativa e incorporada, podemos obtener la huella hídrica total como Agua Total. En la práctica, podemos estimar de forma aproximada los valores promedio de la WUE anualizada y el consumo energético estimado del servidor de IA.

Tabla 1: Estimación de la huella hídrica operativa de GPT-3. «*» indica centros de datos en construcción a julio de 2023, cuya PUE y WUE son proyectadas por Microsoft.

3.3 Caso práctico: Estimación de la huella hídrica operativa de GPT-3
El núcleo de ChatGPT, un popular servicio en línea, es un modelo de lenguaje extenso (LLM) basado en versiones posteriores de GPT-3. Presentamos un caso práctico para estimar el consumo de agua operativo para el modelo GPT-3 completo con 175 mil millones de parámetros [11]. Excluimos la huella hídrica incorporada debido a la falta de datos públicos sobre el consumo de agua de alcance 3. Elegimos GPT-3 porque Microsoft publica su WUE y PUE por ubicación [27, 28]. Los resultados se resumen en la Tabla 1.
3.3.1 Entrenamiento
GPT-3 fue entrenado e implementado por OpenAI en los centros de datos de Microsoft, con una energía de entrenamiento estimada de 1287 MWh [29]. De acuerdo con la estimación de la huella de carbono, utilizamos el promedio anualizado más reciente de PUE y WUE in situ para cada ubicación, según lo informado por Microsoft [27, 28]. Para la eficiencia hídrica de las centrales eléctricas, diferentes referencias pueden proporcionar distintas estimaciones de EWIF. Por lo tanto, utilizamos el EWIF proporcionado por [8] para estimar el consumo de agua de alcance 2 a fin de mantener la coherencia entre regiones, ya que emplea la misma metodología para calcular el EWIF. Además, muchos de los centros de datos de Microsoft se encuentran en EE. UU., donde el EWIF promedio proporcionado por [8] es de 3,14 L/kWh, significativamente inferior a los 4,35 L/kWh reportados en el estudio reciente [1]. La ubicación específica para el entrenamiento de GPT-3 no es pública. Por lo tanto, consideramos las diferentes ubicaciones de los centros de datos de Microsoft, excluyendo Singapur y Taiwán, ya que los datos de EWIF para estas regiones no están disponibles en [8].
3.3.2 Inferencia
Como escenario de uso representativo para un LLM, consideramos una tarea de conversación, que generalmente incluye una fase de solicitud de información con uso intensivo de CPU que procesa la entrada del usuario (también conocida como solicitud de información) y una fase de token con uso intensivo de memoria que produce resultados [30]. Más específicamente, consideramos una solicitud de tamaño mediano, cada una con aproximadamente ≤800 palabras de entrada y entre 150 y 300 palabras de producción [30]. La estimación oficial indica que GPT-3 consume aproximadamente 0,4 kWh de electricidad para generar 100 páginas de contenido, lo que equivale a aproximadamente 0,004 kWh por página [11]. Si bien no se proporcionan detalles, es probable que la estimación solo considere la energía de la GPU utilizada durante la generación de tokens.

Para tener en cuenta tanto la fase de solicitud como el consumo de energía de los servidores sin GPU, asumimos un consumo de energía por solicitud de 0,004 kWh para nuestra tarea de conversación. Al estimar el consumo de agua de entrenamiento, los valores de PUE, WUE y EWIF son los mismos. Nuestra estimación del consumo de agua de inferencia para GPT-3 es conservadora, y el consumo real de agua podría ser varias veces mayor.

(a) Eficiencia de carbono/agua

(b) Eficiencia de carbono/agua por hora

(c) Mezclas de energía y combustible por hora

Figura 2: (a) Factor de intensidad del consumo de agua de alcance 2 a nivel eGRID de EE. UU. vs. tasa de emisiones de carbono [8, 33]. La línea discontinua representa un modelo de regresión lineal que muestra que las eficiencias de emisiones de carbono de alcance 2 a nivel eGRID y del consumo de agua no están alineadas. (b) Panorama de 5 días de la tasa de emisiones de carbono de alcance 2 y la intensidad del consumo de agua en Virginia, a partir del 4 de abril de 2022. Los valores se calculan en función de las mezclas de combustible, la tasa de emisiones de carbono y la intensidad del consumo de agua de cada tipo de combustible [8, 20, 33]. Las eficiencias de carbono y agua de alcance 2 presentan un coeficiente de correlación de Pearson débil de 0,06 en Virginia. (c) Panorama de 5 días de las mezclas de energía y combustible en Virginia, a partir del 4 de abril de 2022 [20].

En concreto, al considerar los objetivos de nivel de servicio (SLO) para los tiempos de respuesta de LLM en sistemas Nvidia DGX H100 de nivel empresarial para tareas de conversación, el consumo de energía del servidor de inferencia para un modelo mucho más pequeño (p. ej., Llama-3-70B) ya es de aproximadamente 0,010 kWh por solicitud de tamaño mediano al utilizar una solución de inferencia LLM de última generación y tener en cuenta la sobrecarga del servidor sin GPU [30]. Para el modelo Falcon-180B, comparable en tamaño al GPT-3-175B, el consumo de energía del servidor alcanza aproximadamente 0,016 kWh por solicitud de tamaño mediano [30]. Además, destacamos que los centros de datos de Microsoft ya cuentan con algunos de los WUE in situ más bajos del sector. Si se implementa el mismo modelo en un centro de datos de coubicación de terceros, se espera que el consumo directo de agua de alcance 1 sea varias veces mayor. Asimismo, nuestro EWIF para EE. UU. (3,14 L/kWh) es conservador y significativamente inferior a los 4,35 L/kWh reportados recientemente por [1].

Si bien no se dispone de información oficial sobre el consumo de recursos, algunos modelos posteriores, como el GPT-4, podrían consumir considerablemente más energía y agua que el GPT-3 para procesar la misma solicitud [31, 32]. Con los esfuerzos continuos para reducir la demanda computacional de la IA y mejorar la eficiencia hídrica general, el consumo de agua por solicitud podría disminuir. Sin embargo, es probable que el consumo total de agua siga aumentando debido a la creciente demanda de servicios de IA y la creciente escala de las aplicaciones de IA [1].

4 Nuestras Recomendaciones
Ofrecemos recomendaciones para abordar la huella hídrica de la IA desde las perspectivas de programación y políticas, logrando que la IA futura sea más sostenible desde el punto de vista ambiental.
4.1 Mayor Transparencia e Informes Completos
La huella hídrica de la IA ha recibido relativamente menos atención a pesar de su creciente importancia. Por ejemplo, si bien las tarjetas de modelo de IA incluyen rutinariamente las emisiones de carbono y sirven como un marco de informes esencial para comprender los impactos ambientales de la IA, actualmente omiten información sobre su consumo de agua. La falta de transparencia puede obstaculizar los esfuerzos para impulsar innovaciones que mejoren la sostenibilidad hídrica y apoyen una IA verdaderamente sostenible. Como primer paso para concienciar a los usuarios finales sobre el impacto del uso de los recursos hídricos en su uso de la IA, recomendamos el seguimiento y la elaboración de informes del consumo de agua de la IA en tarjetas de modelo de IA o mediante paneles en la nube.
Además, la comprensión y la elaboración de informes completos del consumo de agua de alcance 2 de la IA asociado a la generación de electricidad siguen siendo limitados. Si bien los centros de datos han adoptado cada vez más diseños de sistemas de refrigeración respetuosos con el medio ambiente para minimizar el consumo de agua in situ [4, 17, 19], estos esfuerzos se centran principalmente en el consumo de agua de alcance 1, ignorando en gran medida los impactos de alcance 2. Dado que abordar las emisiones de carbono de alcance 2 es esencial para mitigar el cambio climático, es igualmente crucial abordar el consumo de agua de alcance 2 para reducir el «coste real del agua» de la IA, como se señala en el reciente informe sobre energía en centros de datos de EE. UU. [1]. Para reflejar mejor el impacto de los centros de datos en los recursos hídricos, algunas empresas tecnológicas como Meta han comenzado a incluir el consumo de agua de alcance 2 en sus informes de sostenibilidad [18]. Recomendamos informar sobre el consumo de agua de alcance 2 como práctica estándar. Este enfoque hace visible el consumo de agua externo para los desarrolladores de modelos de IA y los usuarios finales. Puede generar nuevas oportunidades de flexibilidad en la demanda, aliviando así la presión general sobre los recursos hídricos.

Finalmente, a pesar de la enorme huella hídrica de alcance 3 en la cadena de suministro [23], se dispone de datos limitados sobre el consumo de agua incorporado en la fabricación de chips. Recomendamos realizar más investigaciones sobre el consumo de agua de alcance 3 para comprender a fondo la huella hídrica general de la IA y fomentar la gestión hídrica corporativa.

4.2 Importancia del «cuándo» y el «dónde»
Decidir con criterio cuándo y dónde entrenar un modelo de IA de gran tamaño puede afectar significativamente la huella hídrica. La eficiencia hídrica presenta una diversidad espacio-temporal: la eficiencia hídrica in situ cambia debido a las condiciones climáticas externas y la eficiencia hídrica externa cambia debido a las variaciones en la mezcla de combustibles de la red eléctrica para satisfacer las demandas variables en el tiempo (Figura 2). Por lo tanto, podemos programar dinámicamente el entrenamiento y la inferencia de la IA de forma eficiente en el uso del agua para reducir la huella hídrica. Por ejemplo, podemos programar el entrenamiento de la IA a medianoche o en un centro de datos con mayor eficiencia hídrica. Asimismo, si se informa sobre la eficiencia hídrica en tiempo real, algunos usuarios conscientes del consumo de agua podrían preferir utilizar la inferencia de la IA durante las horas de eficiencia hídrica o en centros de datos con eficiencia hídrica, lo que puede reducir la huella hídrica de la IA al permitir flexibilidad en función de la demanda.

4.3 «Seguir el sol» o «Dejar de seguir el sol»
Para reducir la huella de carbono, es preferible «seguir el sol» cuando la energía solar es más abundante. Sin embargo, para reducir la huella hídrica, puede ser más atractivo «dejar de seguir el sol» para evitar las horas de alta temperatura del día, cuando la UEA es alta. Este conflicto también se puede mostrar en las Figuras 2(a) y 2(b), donde se observa un desajuste entre el factor de intensidad del consumo de agua de alcance 2 y la tasa de emisiones de carbono: minimizar una huella podría aumentar la otra. Esta observación corrobora aún más el hallazgo anterior de que los impactos ambientales de las huellas de carbono e hídrica no son sustituibles [1,9]. Por lo tanto, para lograr un equilibrio adecuado entre «seguir el sol» para la eficiencia de carbono y «dejar de seguir el sol» para la eficiencia hídrica, necesitamos conciliar los posibles conflictos agua-carbono mediante el uso de enfoques holísticos que sean eficientes en carbono y eficientes en el uso del agua.

5 Conclusión
Este artículo revela que el uso del agua por parte de la IA es una preocupación crucial para una IA socialmente responsable y ambientalmente sostenible. Presentamos una metodología basada en principios para estimar la huella hídrica de la IA. Posteriormente, utilizando GPT-3 como ejemplo, demostramos que un modelo de IA de gran tamaño puede consumir millones de litros de agua para su entrenamiento. También analizamos que las eficiencias hídricas de alcance 1 y alcance 2 varían espacial y temporalmente: decidir con criterio cuándo y dónde ejecutar un modelo de IA de gran tamaño puede reducir significativamente la huella hídrica. Además, recomendamos una mayor transparencia y la elaboración de informes exhaustivos sobre la huella hídrica de la IA, destacando la necesidad de abordar de forma integral la huella hídrica y la huella de carbono para construir una IA verdaderamente sostenible.

La huella hídrica de la IA ya no puede ignorarse y debe abordarse como una prioridad en los esfuerzos colectivos para combatir los desafíos hídricos globales.

References

[1] Arman Shehabi, Sarah J. Smith, Alex Hubbard, Alex Newkirk, Nuoa Lei, Md Abu Bakar Siddik, Billie Holecek, Jonathan Koomey, Eric Masanet, andDale Sartor. 2024 United States data centre energy usage report. Lawrence Berkeley National Laboratory LBNL-2001637, December 2024.

[2] RoySchwartz, Jesse Dodge, Noah A.Smith, and Oren Etzioni. Green AI. Commun. ACM, 63(12):54–63, nov 2020.

[3] Emma Strubell, Ananya Ganesh, and Andrew McCallum. Energy and policy considerations for deep learning in NLP. In Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, pages 3645–3650, Florence, Italy, July 2019. Association for Computational Linguistics.

[4] Google. Environmental report. https://sustainability.google/reports/, 2024.

[5] PepsiCo. ESG – water. https://www.pepsico.com/our-impact/esg-topics-a-z/water, 2023.

[6] Microsoft. Environmental sustainability report. https://www.microsoft.com/en-us/corporate-responsibility/sustainability/report, 2024.

[7] Alex de Vries. The growing energy footprint of artificial intelligence. Joule, October 2023.

[8] Paul Reig, Tianyi Luo, Eric Christensen, and Julie Sinistore. Guidance for calculating water use embedded in purchased electricity. World Resources Institute, 2020.

[9] Mohammad A. Islam, Kishwar Ahmed, Hong Xu, Nguyen H. Tran, Gang Quan, and Shaolei Ren. Exploiting spatial-temporal diversity for water saving in geo-distributed data centres. IEEE Transactions on Cloud Computing, 6(3):734–746, 2018.

[10] ISO/IEC JTC for AI (SC42). ISO/IEC TR 20226 sustainability: Harnessing the power of AI. https://etech.iec.ch/issue/2023-06/sustainability-harnessing-the-power-of-ai, 2023.

[11] Tom Brown, BenjaminMann, Nick Ryder, Melanie Subbiah, JaredDKaplan, Prafulla Dhariwal, Arvind Neelakantan, Pranav Shyam, Girish Sastry, Amanda Askell, Sandhini Agarwal, Ariel Herbert-Voss, Gretchen Krueger, Tom Henighan, Rewon Child, Aditya Ramesh, Daniel Ziegler, JefreyWu, Clemens Winter, Chris Hesse, Mark Chen, Eric Sigler, Mateusz Litwin, Scott Gray, Benjamin Chess, Jack Clark, Christopher Berner, Sam McCandlish, Alec Radford, Ilya Sutskever, and Dario Amodei. Language models are few-shot learners. InH. Larochelle,M. Ranzato, R.Hadsell,M.F. Balcan, andH. Lin, editors, Advances in Neural Information Processing Systems, volume 33, pages 1877–1901. Curran Associates, Inc., 2020.

[12] Paul Reig. What’s the difference between water use and water consumption? World Resources Institute Commentary, 2013.

[13] Jordan Macknick, Robin Newmark, Garvin Heath, and KC Hallett. A review of operational water consumption and withdrawal factors for electricity-generating technologies. NREL Tech. Report: NREL/TP- 6A20-50900, 2011.

[14] Elliot Cohen and Anu Ramaswami. The water withdrawal footprint of energy supply to cities. Journal of Industrial Ecology, 18(1):26–39, 2014.

[15] Md Abu Bakar Siddik, Arman Shehabi, and Landon Marston. The environmental footprint of data centres in the United States. Environmental Research Letters, 16(6):064017, 2021.

[16] LeilaKarimi, Leeann Yacuel, Joseph Degraft-Johnson,Jamie Ashby,Michael Green,Matt Renner, Aryn Bergman, RobertNorwood, and Kerri L.Hickenbottom. Water-energy tradeoffs in data centres: A case study in hot-arid climates. Resources, Conservation and Recycling, 181:106194, 2022.

[17] Meta. Sustainability— water. https://sustainability.fb.com/water/, 2023.

[18] Meta. Sustainability report. https://sustainability.atmeta.com/2024-sustainability-report/, 2024.

[19] Steve Solomon. Sustainable by design: Next-generation data centres consume zero water for cooling. https://www.microsoft.com/en-us/microsoft-cloud/blog/2024/12/09/sustainable-by-design-next-generation-datacenters-consume-zero-water-for-cooling/, 2024.

[20] U.S. Energy Information Administration. Open data. https://www.eia.gov/opendata/.

[21] Kali Frost and Inez Hua. Quantifying spatiotemporal impacts of the interaction of water scarcity and water use by the global semiconductor manufacturing industry. Water Resources and Industry, 22:100115, 2019.

[22] Singapore Public Utilities Board. Wafer fabrication and semiconductor plants benchmarks. https://www.pub.gov.sg/Documents/WaterEfficiencyBenchmark_WaferFab.pdf.

[23] Apple. Environmental responsibility report. https://www.apple.com/environment/, 2024.

[24] Kishwar Ahmed, Mohammad A. Islam, Shaolei Ren, and Gang Quan. Exploiting the temporal diversity of water efficiency to make the data centre less “thirsty”. In ICAC, 2014.

[25] Peter Xiang Gao, Andrew R. Curtis, Bernard Wong, and Srinivasan Keshav. It’s not easy being green. SIGCOMM Comput. Commun. Rev., 2012.

[26] Alexandra Sasha Luccioni, Sylvain Viguier, and Anne-Laure Ligozat. Estimating the carbon footprint of BLOOM, a 176B parameter language model. J. Mach. Learn. Res., 24(1), March 2024.

[27] Microsoft. Microsoft in your community. https://local.microsoft.com/.

[28] Microsoft. Microsoft’s sustainability targets. https://datacenters.microsoft.com/sustainability/efficiency/, 2023.

[29] David Patterson, Joseph Gonzalez, Quoc Le, Chen Liang, Lluis-Miquel Munguia, Daniel Rothchild, David So, Maud Texier, and Jef Dean. Carbon emissions and large neural network training, 2021.

[30] Jovan Stojkovic, Chaojie Zhang, Inigo Goiri, Josep Torrellas, and Esha Choukse. DynamoLLM: Designing LLM inference clusters for performance and energy efficiency. In IEEE International Symposium on High-Performance Computer Architecture (HPCA), 2025.

[31] Noah Shumba, Opelo Tshekiso, Pengfei Li, Giulia Fanti, and Shaolei Ren. A water efficiency dataset for African data centres. In NeurIPS Workshop on Tackling Climate Change with Machine Learning, 2024.

[32] Adrien Banse Samuel Rinc´e and Valentin Defour. Ecologits calculator. https://huggingface.co/spaces/genai-impact/ecologits-calculator, 2024.

[33] U.S. EPA. eGRID data explorer. https://www.epa.gov/egrid/data-explorer.

[34] Equinix. Sustainability report. https://sustainability.equinix.com/wp-content/uploads/2024/07/Equinix-Inc_2023-Sustainability-Report.pdf, 2024.

[35] U.S. Energy Information Administration. U.S. electric power sector continues water efficiency gains. https://www.eia.gov/todayinenergy/detail.php?id=56820, 2022.

[36] U.S. Central Intelligence Agency. The world fact book — total water withdrawal. https://www.cia.gov/the-world-factbook/field/total-water-withdrawal/, 2020.

1 Autor para correspondencia: Shaolei Ren (shaolei@ucr.edu), Universidad de California, Riverside.
2 La diferencia detallada entre la extracción y el consumo de agua se presenta en la Sección 2.1.

3 La definición del alcance del uso del agua [8] coincide con la de las emisiones de carbono y se analiza en la Sección 2.2. Nuestra extracción de agua de alcance 2 (y su consumo, cuando corresponda) se destina a la generación de electricidad localizada en todo el documento. Los grandes centros de datos suelen adoptar programas de sostenibilidad (por ejemplo, acuerdos de compra de energías renovables) para compensar su consumo de electricidad localizada y, por lo tanto, pueden tener una huella de carbono e hídrica más baja en términos de mercado.