¿Pueden los agentes de IA ser sostenibles? Lo que la investigación de Sasha Luccioni revela sobre la IA verde
Aquí está la pregunta que todo líder en sostenibilidad necesita responder en 2026: ¿pueden los agentes de IA ser realmente sostenibles? Sasha Luccioni, hablando en el AI Festival 2026, da la respuesta más clara disponible: la huella de IA depende de los modelos elegidos y de cómo se usan. Esa es la clave que corta el debate. No se trata de si la IA es sostenible o insostenible en abstracto. Se trata de si tomas decisiones sostenibles al implementarla.
CodeCarbon hace accesible el paso de medición. Hacer visible el consumo de energía es el primer paso para reducirlo, y CodeCarbon específicamente fomenta un uso más responsable por parte de individuos y organizaciones que pueden ver lo que cuestan sus decisiones. Beetroot está haciendo el trabajo en el otro lado de la balanza: organizaciones que miden y gestionan su huella de carbono con IA, demostrando que la tecnología puede aplicarse a la gestión ambiental además de generar costos ambientales.
Este blog es la guía práctica para la implementación sostenible de IA. El marco de IA verde, qué modelos elegir, cómo medir y cómo reducir realmente la huella ambiental de la IA mientras se obtienen sus beneficios de capacidad.
La Clave de Sasha Luccioni — Dos Puntos de Palanca para Reducir la Huella de IA
La investigación de Luccioni establece un marco con dos puntos de palanca. La huella de IA depende de los modelos elegidos, y la huella de IA depende de cómo se usan esos modelos. La misma tarea de IA puede tener costos ambientales drásticamente diferentes dependiendo de las decisiones tomadas en ambos niveles.
A nivel de modelo, la diferencia entre un modelo pequeño y eficiente y un modelo de frontera puede ser de 10 a 100 veces en consumo de energía para completar la misma tarea. Los modelos más pequeños pueden manejar la mayoría de las tareas empresariales a una fracción del costo energético de los modelos de frontera. Usar GPT-5 o Claude Opus para preguntas y respuestas simples que un modelo mucho más pequeño podría manejar es un desperdicio ambiental que se compound a escala.
A nivel de uso, los patrones de cómo se implementa la IA importan enormemente. Tareas simples de alto volumen ejecutadas a través de modelos grandes es la configuración más desperdiciada posible. Agrupar solicitudes, almacenar en caché respuestas, usar procesamiento asíncrono para tareas no urgentes, ejecutar cargas de trabajo pesadas cuando hay energía renovable disponible: todas estas son decisiones de patrón de uso que reducen la huella sin reducir la capacidad.
El marco de Luccioni: hacer visible el consumo de energía es el primer paso para reducirlo. Cuando los desarrolladores y equipos de sostenibilidad pueden ver el costo energético de sus decisiones de IA, toman mejores decisiones. El seguimiento de carbono debe ser parte de la gobernanza de desarrollo e implementación de IA, no una ocurrencia tardía.
La implicación práctica es que la elección del modelo a menudo la hacen los ingenieros sin aportes de sostenibilidad. Los líderes de sostenibilidad necesitan suficiente comprensión de la huella de IA para participar en esa decisión. Los patrones de uso a menudo se establecen por defecto en las herramientas sin optimización explícita para el costo ambiental. Ambas brechas son corregibles.
El Marco de IA Verde — Cinco Pasos para la Implementación Sostenible de IA
La investigación de Sasha Luccioni y la metodología de CodeCarbon se combinan en un marco práctico que las organizaciones pueden implementar.
Paso 1: Mide Antes de Optimizar
Usa CodeCarbon o equivalente para medir el consumo de energía de IA en tus implementaciones. Rastrea la energía por interacción de IA, el consumo total de energía de IA y el carbono por interacción de IA. Establece líneas base antes de implementar optimizaciones. Sin medición de línea base, no puedes demostrar mejora. La investigación de Luccioni es clara: la visibilidad es el requisito previo para la reducción.
CodeCarbon estima el consumo de energía a partir de ejecuciones de modelos de IA y convierte a equivalentes de carbono. Soporta múltiples frameworks y proveedores de nube. Es gratuito y accesible para cualquier organización que ejecute cargas de trabajo de IA. La inversión en infraestructura de medición es baja. El valor de la información es alto.
Paso 2: Dimensiona Correctamente la Selección del Modelo
Haz coincidir la capacidad del modelo con la complejidad de la tarea. No uses modelos de frontera para tareas que un modelo más pequeño podría manejar. GPT-4o mini y Claude Haiku pueden manejar la mayoría de las tareas empresariales a una fracción del costo energético de GPT-5 o Claude Opus. Reserva los modelos de frontera para tareas que genuinamente requieren razonamiento complejo, análisis de múltiples pasos o capacidades que solo los modelos de frontera proporcionan.
La investigación de Luccioni confirma que la selección del modelo es la palanca más grande para reducir la huella de IA. Una sola degradación de modelo de frontera a eficiente para una tarea de alto volumen puede reducir el consumo de energía en un orden de magnitud manteniendo la calidad de la tarea. Esta no es una mejora marginal. Es un cambio estructural en tu costo ambiental de IA.
Evalúa cada caso de uso de IA y pregúntate: ¿esto genuinamente requiere un modelo de frontera? Si la respuesta es no, usa un modelo más pequeño y más eficiente. Haz de esto una pregunta de gobernanza, no solo un default de ingeniería.
Paso 3: Optimiza los Patrones de Uso
Agrupa solicitudes de IA cuando sea posible en lugar de procesar todo en tiempo real. Almacena en caché respuestas de IA para consultas repetidas en lugar de recalcular la misma salida. Usa procesamiento asíncrono para tareas de IA no urgentes, y cuando sea posible, programa computación pesada para momentos en que la energía renovable esté más disponible en la red. Estas son decisiones de arquitectura de software y flujo de trabajo que reducen el costo ambiental sin reducir la capacidad.
Luccioni: cómo usas el modelo importa tanto como cuál modelo eliges. La combinación de dimensionar correctamente la selección del modelo y optimizar los patrones de uso puede reducir la huella de IA en 90% o más para muchos casos de uso empresarial manteniendo la calidad de salida equivalente.
Paso 4: Elige Proveedores con Fuertes Compromisos Ambientales
Microsoft Azure: carbono negativo para 2030, 100% energía renovable para 2025. Google Cloud: carbono neutral desde 2007, trabajando hacia energía libre de carbono 24/7 para 2030. AWS: 100% energía renovable para 2025. El proveedor de nube que eliges afecta la huella de carbono de tus cargas de trabajo de IA independientemente de qué modelos ejecutes o cómo los uses.
Pregunta a tus proveedores de nube sobre su efectividad en uso de agua y ubicaciones de centros de datos. Algunas instalaciones son significativamente más eficientes en agua que otras. La selección del proveedor es un punto de palanca en el que los equipos de sostenibilidad pueden intervenir directamente.
Paso 5: Establece Objetivos de Sostenibilidad de IA
Trata el consumo de energía de IA como cualquier otra métrica de sostenibilidad. Establece objetivos para reducir el carbono de IA por interacción. Incluye la huella ambiental de IA en tu reporte ESG. Haz de la sostenibilidad de IA parte de tu marco de gobernanza de IA.
Las organizaciones que tratan el impacto ambiental de IA como una preocupación de sostenibilidad de primera clase, medida y objetivo como cualquier otra métrica ambiental, estarán adelante a medida que los requisitos de divulgación se expandan.
La Oportunidad de Conservación — IA para la Gestión Ambiental
Beetroot está haciendo el trabajo que demuestra el potencial de la IA en el lado positivo de la balanza. Organizaciones que miden y gestionan la huella de carbono con IA están demostrando que la tecnología tiene aplicaciones en gestión ambiental, no solo en costo ambiental.
La IA puede optimizar rutas logísticas, sistemas HVAC de edificios, insumos agrícolas y procesos de manufactura. Las reducciones de emisiones en esos sectores pueden exceder la propia huella de la IA. Ese es el camino hacia la IA neta positiva: minimizar la propia huella de la IA a través del marco de IA verde, maximizar el beneficio ambiental de la IA implementándola para trabajo de conservación y optimización.
El marco de Inno-Thought es el correcto: la IA puede reducir las emisiones globales, pero solo si se desarrolla de manera sostenible. Las organizaciones que logran IA neta positiva están haciendo ambas cosas simultáneamente. Están gestionando la propia huella de la IA a través de selección deliberada de modelos y patrones de uso, y están implementando la IA para reducir emisiones en otros lugares a escala.
El requisito de IA sostenible no es abstracto. Es operacional. Mide la huella. Dimensiona correctamente los modelos. Optimiza el uso. Elige proveedores verdes. Establece objetivos. Aplica la IA a la gestión ambiental. Esa es la imagen completa de cómo se ve la implementación sostenible de IA en la práctica.
Empieza a Medir Hoy
CodeCarbon es gratuito. El marco de IA verde es implementable hoy para cualquier organización que ejecute cargas de trabajo de IA. El requisito previo de medición es la única barrera real de entrada. Sin medición, no puedes establecer objetivos. Sin objetivos, no puedes demostrar mejora. Sin visibilidad, no puedes tomar mejores decisiones.
Las organizaciones que comiencen a medir el consumo de energía de IA ahora tendrán líneas base, objetivos y datos de mejora para cuando los requisitos de divulgación se expandan. Las organizaciones que no midan estarán construyendo esa infraestructura bajo presión regulatoria sin contexto histórico.
La IA puede ser sostenible. La investigación de Sasha Luccioni demuestra que depende de decisiones deliberadas. La pregunta es si tu organización está tomando esas decisiones de manera deliberada o por defecto.