Economía del Centro de Datos en la Era de la IA: El Costo Creciente de la Inteligencia

Figura: Un centro de datos de hyperscaler que muestra servidores de potencia de IA, infraestructura hídrica, racks de energía y fuentes de energía renovable (solar y eólica).

1. Introducción: IA y la infraestructura detrás de la inteligencia

El actual aumento en las capacidades de inteligencia artificial (IA)—que abarca modelos de lenguaje grandes, herramientas generativas, sistemas de traducción en tiempo real y automatización de ciudades inteligentes—depende de algo menos visible: una infraestructura física en rápida expansión compuesta por centros de datos hyperscale. Estos centros de datos no son meramente hubs de almacenamiento o relés en la nube; son los motores de la IA. Mientras que la IA a menudo es elogiada por su promesa de resolver desafíos climáticos, mejorar la agricultura y permitir ciudades más inteligentes, sus crecientes demandas de energía y recursos proyectan una larga sombra ambiental y social.

Los modelos de IA hoy requieren recursos computacionales significativos, particularmente durante la fase de entrenamiento. Entrenar un solo modelo grande puede implicar procesar petabytes de datos a través de miles de GPUs de alto rendimiento durante semanas o incluso meses. Esta intensidad computacional se traduce directamente en un aumento en el uso de electricidad y agua—dos factores ambientales importantes vinculados a la ubicación, operación y expansión de los centros de datos modernos.

2. Centros de Datos en la Era de la IA

Históricamente, los centros de datos fueron diseñados para albergar varios servidores que gestionaban el alojamiento web, el correo electrónico y el software empresarial. Estos sistemas, aunque vitales, eran relativamente modestos en términos de requisitos de energía y refrigeración. Sin embargo, la revolución de la IA ha transformado este paradigma. Nuevos centros de datos se construyen cada vez más para soportar clústeres de computadoras de alta densidad optimizados para el entrenamiento de modelos de IA, servicio de inferencia y procesamiento de datos en tiempo real.

Según Zhou (2021), se espera que el volumen de datos global aumente de 41 zettabytes en 2019 a 175 zettabytes para 2025. Esta trayectoria se alinea con las previsiones de Reinsel et al. (2017), quienes anticipan que la creación de datos alcanzará 163 ZB para 2025, un aumento de diez veces desde 2016. Estas previsiones ya no son proyecciones abstractas. Reflejan cambios en el mundo real en la inversión en infraestructura, particularmente por parte de las empresas tecnológicas más grandes—Amazon Web Services (AWS), Microsoft Azure, Google Cloud (Alphabet) y Meta AI—comúnmente referidos como hyperscalers.

La evolución arquitectónica de los centros de datos para soportar cargas de trabajo de IA implica hardware especializado como GPUs y TPUs, que demandan significativamente más energía que las CPUs tradicionales. Como resultado, los centros de datos que soportan IA generativa son ahora algunas de las estructuras más intensivas en energía en el paisaje de infraestructura global.

3. Hyperscalers: Los Titanes de la Infraestructura de IA

La mayor parte de este crecimiento es impulsado por un puñado de actores poderosos. Amazon, Alphabet, Microsoft y Meta dominan el espacio de centros de datos de IA a nivel global. Estos hyperscalers construyen y operan plataformas en la nube a gran escala que entrenan modelos de IA, gestionan servicios empresariales y alimentan aplicaciones orientadas al consumidor.

Para 2025, Estados Unidos albergará más de 5,426 centros de datos, convirtiéndose en la nación más saturada a nivel global en términos de infraestructura digital (Cloudscene, 2025). Dentro de Estados Unidos, Virginia sola representa el 13 por ciento de la capacidad mundial de centros de datos y casi el 25 por ciento de la capacidad total de América del Norte (Sickles et al., 2024). A nivel global, Estados Unidos representa el 54 por ciento de la capacidad total hyperscale, y los analistas proyectan que se construirán de 130 a 140 nuevos centros de datos hyperscale anualmente (Synergy Research Group, 2025).

Los modelos de IA desplegados en entornos hyperscale tienden a favorecer regiones geográficas que ofrecen políticas fiscales favorables, electricidad barata y condiciones climáticas moderadas. Estas decisiones a menudo resultan en clústeres de enormes centros de datos en regiones que pueden no tener los recursos naturales o la infraestructura para apoyarlos de manera sostenible.

4. Economía de los Centros de Datos en la Era de la IA: El Aumento del Costo de la Inteligencia

A medida que la IA permea cada sector—desde finanzas y farmacéuticas hasta logística y defensa—la infraestructura que la habilita está escalando rápidamente para satisfacer demandas computacionales sin precedentes. En el núcleo de esta infraestructura se encuentra el centro de datos: el sitio físico donde se procesan, almacenan y analizan los datos.

Pero a medida que el auge de la IA se intensifica, también lo hace la intensidad energética y la complejidad operativa de los centros de datos modernos. Un nuevo cuerpo de investigación y política está surgiendo en torno a las implicaciones económicas, ambientales y de ubicación de la infraestructura digital impulsada por la IA. La transición de cargas de trabajo computacionales tradicionales a tareas específicas de IA está alterando fundamentalmente el perfil energético de los centros de datos. A diferencia de los servicios en la nube convencionales, las cargas de trabajo de IA son densas en computación, requiriendo un procesamiento paralelo masivo durante períodos sostenidos. Entrenar un modelo de lenguaje grande, por ejemplo, puede consumir varios megavatios-hora de electricidad.

Hallazgos recientes de Chen et al. (2024) muestran que las cargas de trabajo de IA de próxima generación están aumentando la demanda de energía por rack en más del 300%. Hyperscalers como Microsoft, Google (Alphabet), Amazon Web Services y Meta están ahora compitiendo para actualizar sus huellas globales con infraestructura lista para IA, caracterizada por una mayor densidad térmica, sistemas de refrigeración avanzados y proximidad a fuentes de energía renovable.

La implicación macroeconómica es clara: la electricidad se ha convertido en un centro de costos, y cada vez más, en una restricción. En Estados Unidos, la situación es aún más aguda. El Departamento de Energía (2023) informa que los centros de datos podrían representar hasta el 8 por ciento de la demanda eléctrica nacional para finales de 2023. Algunos centros de datos individuales ahora requieren tanta energía como ciudades pequeñas enteras. Una instalación con una capacidad de 11,951 kilovatios puede consumir tanta electricidad como 10,000 hogares residenciales (Bast et al., 2022). Como señala Berger (2025), los costos de energía en algunas regiones de EE. UU. ahora representan del 40% al 60% de los gastos operativos en centros de datos dedicados a IA.

Las implicaciones para las emisiones de carbono son profundas. Mientras que los hyperscalers alardean de sus compromisos con la energía renovable, muchas de sus operaciones aún dependen de energía de la red derivada de combustibles fósiles. Incluso cuando las energías renovables son parte de la mezcla, la intensidad de carbono general no siempre se reduce, especialmente durante períodos de demanda máxima. Además, las emisiones incorporadas—como las de la fabricación de GPUs y la construcción de centros de datos—raramente se tienen en cuenta en los compromisos climáticos corporativos (Ananth & Malige, 2024). Estas emisiones de Alcance 3, aunque indirectas, son uno de los contribuyentes más sustanciales a la huella de carbono de la infraestructura de IA.

5. Uso de Agua y Estrés Ambiental Localizado

La energía es solo una parte de la carga ambiental. Los centros de datos también requieren grandes cantidades de agua, principalmente para fines de refrigeración y de manera indirecta a través de la generación de energía. Al contabilizar tanto los usos directos como indirectos, los centros de datos pueden consumir entre 1 a 205 litros de agua por gigabyte de datos procesados (Ristic, Madani, & Makuch, 2015).

En muchos casos, los hyperscalers sitúan sus instalaciones en áreas que ya enfrentan estrés hídrico. Según JLARC (2017), un centro de datos típico puede consumir 6.7 millones de galones de agua por año—comparable a un gran edificio de oficinas. Sin embargo, la agregación de docenas o incluso cientos de centros en una sola región, como Virginia o Phoenix, puede ejercer una presión significativa sobre los acuíferos locales, ríos y sistemas de agua municipales.

Además, las aguas residuales calentadas que se descargan de los centros de datos pueden alterar los ecosistemas locales, dañando la biodiversidad acuática y contribuyendo a la contaminación térmica. La creciente demanda de IA significa que tales instalaciones son poco probables que disminuyan en número o intensidad sin una fuerte intervención regulatoria.

6. Las Emisiones de Alcance 2 y Alcance 3 Están Bajo el Microscopio

Históricamente, la contabilidad de emisiones de centros de datos se ha centrado estrechamente en el Alcance 2—emisiones indirectas de electricidad comprada. Sin embargo, un número creciente de estudios científicos está cambiando el enfoque hacia las emisiones de Alcance 3, que incluyen factores de la cadena de suministro upstream como la fabricación de semiconductores, el transporte de servidores y los materiales de construcción. La Figura 2 muestra las emisiones de GHG de Alcance 1, 2 y 3 de un centro de datos típico.

Un estudio integral de Ananth y Malige (2024) encuentra que las emisiones de Alcance 3 de los centros de datos hyperscale pueden exceder las emisiones de Alcance 2 por un factor de dos, particularmente durante la fase de construcción. A medida que los sistemas de IA requieren GPUs más avanzadas y componentes de red más rápidos, el carbono incorporado en el hardware continúa aumentando.

Esto tiene serias implicaciones para los inversores y clientes empresariales que cumplen con ESG. Con la entrada en vigor de la Directiva de Reporte de Sostenibilidad Corporativa (CSRD) de la Unión Europea, las grandes empresas que operan en o con la UE deben ahora divulgar las emisiones de Alcance 3, colocando a los hyperscalers bajo un escrutinio regulatorio más estricto.

7. La IA como Problema y Solución

Irónicamente, la IA misma puede desempeñar un papel crítico en abordar los impactos ambientales de su infraestructura. Los sistemas de monitoreo impulsados por IA, por ejemplo, pueden optimizar las operaciones de refrigeración en los centros de datos, reduciendo el consumo de energía en hasta un 40 por ciento, como lo demuestra DeepMind de Google. La IA también puede facilitar el mantenimiento predictivo, el balanceo de carga dinámico y la programación de cargas de trabajo energéticamente eficientes.

Las innovaciones en el diseño de centros de datos, como la refrigeración líquida y la recuperación de calor residual, ofrecen promesas adicionales. En los países nórdicos, el calor residual de los centros de IA ahora se está reutilizando para proporcionar calefacción distrital a miles de hogares. Este enfoque no solo reduce el desperdicio de energía, sino que también proporciona co-beneficios sociales.

Empresas como Meta y Microsoft también han comenzado a invertir en sistemas de agua de circuito cerrado para lograr un uso de agua neto cero para 2030. Estos esfuerzos, aunque encomiables, siguen siendo excepciones en lugar de la norma.

8. Implicaciones Clave de Inversión

Riesgos Inmediatos (2024-2025)

Activos Atrapados: Los centros de datos tradicionales (CPU) pueden volverse obsoletos a medida que las cargas de trabajo de IA requieren 3x la densidad de energía (clústeres de GPU/TPU). Esto sugiere que los centros de datos más antiguos y de baja densidad pueden tener dificultades para acomodar la infraestructura de IA de próxima generación y correr el riesgo de convertirse en activos atrapados a medida que cambian las preferencias de los clientes.
Volatilidad de Costos de Energía: A medida que los centros de datos se vuelven más intensivos en energía (especialmente los enfocados en IA), los operadores enfrentan un mayor riesgo por la volatilidad de los precios de energía y la compresión de márgenes—una preocupación significativa en un mundo de precios de electricidad en aumento. Alrededor del 40-60% de los gastos operativos ahora dependen de la energía, creando un riesgo de compresión de márgenes
Exposición Regulatoria: La Directiva de Reporte de Sostenibilidad Corporativa (CSRD) de la UE exige específicamente la divulgación de las emisiones de gases de efecto invernadero de Alcance 3 para las entidades cubiertas, que incluye grandes empresas públicas de la UE y empresas no pertenecientes a la UE con negocios significativos en la UE que impactan las valoraciones de los hyperscalers.

Oportunidades de Inversión

Sector/Tema	Oportunidad de Inversión	Nivel de Riesgo	Línea de Tiempo
REITs de Energía Renovable	Acuerdos de compra de energía (PPA) para centros de datos	Medio	1-3 años
Tecnología de Refrigeración	Refrigeración líquida, recuperación de calor residual	Alto	2-5 años
Infraestructura Hídrica	Sistemas de circuito cerrado, tecnología avanzada de tratamiento de agua	Medio	3-7 años

REITs de Energía Renovable & PPAs: Las enormes demandas de energía de los centros de datos están impulsando la inversión en energías renovables y acuerdos de compra de energía (PPAs). Esto puede ser una jugada de riesgo moderado a corto plazo (1-3 años) a medida que aumenta la demanda y la presión regulatoria por energía limpia[1].

Tecnología de Refrigeración: A medida que la densidad de energía de la IA crece, la refrigeración tradicional no será suficiente. Se espera que la inversión en soluciones de alto potencial, pero técnicamente más arriesgadas, como la refrigeración líquida y la captura/reutilización de calor residual, aumente en los próximos 2-5 años[2].

Infraestructura Hídrica: La gestión eficiente del agua se vuelve crítica a medida que aumentan los requisitos de refrigeración. La inversión en sistemas de refrigeración de circuito cerrado y tecnología avanzada de tratamiento de agua está en desarrollo, con retornos que probablemente se materialicen en 3-7 años[3].

Lista de Verificación de Diligencia Debida

Estrategia de adquisición de energía y cartera de PPA
Eficiencia en el uso del agua y disponibilidad local
Capacidad de reporte de emisiones de Alcance 3
Porcentaje de infraestructura lista para IA
Diversificación geográfica vs. riesgo climático

Acciones Recomendadas por Floodlight para la evaluación de centros de datos típicos.

Examinar las tenencias tecnológicas existentes para la exposición a centros de datos y eficiencia energética
Evaluar fondos ESG por brechas en el reporte de emisiones de Alcance 3
Considerar inversiones en infraestructura en energía renovable y tecnología de refrigeración

[1] https://netzeroinsights.com/resources/key-investment-trends-driving-data-center-sustainability-in-2025/

[2] https://www.bloomenergy.com/blog/powering-ai/

[3] https://fortune.com/asia/2025/07/22/data-centers-power-renewable-energy-brainstorm-ai-singapore/

Referencias:

Ananth, C., & Malige, L. K. (2024). El Impacto de la Inteligencia Artificial en la Industria Moderna de Centros de Datos. SSRN. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4930505
Berger, A. (2025). Centros de Datos de Inteligencia Artificial y Hyperscalers Basados en Estados Unidos. Universidad Johns Hopkins. https://jscholarship.library.jhu.edu/items/8792d5a5-91a3-4179-bc73-61fcc2ae1879
Bast, J., et al. (2022). Perfil Energético de los Centros de Datos en EE. UU.
Chen, D., Youssef, A., et al. (2024). Transformando la Nube Híbrida para Cargas de Trabajo de IA Emergentes. arXiv. https://arxiv.org/abs/2411.13239
Cloudscene. (2025). Directorio Global de Centros de Datos
Departamento de Energía. (2023). Tendencias en el Uso de Energía de los Centros de Datos
Ferreboeuf, H. (2023). Transición hacia Modelos Digitales Sostenibles. TU-Berlin.
JLARC. (2017). Consumo de Agua de los Centros de Datos en Virginia
Lifset, R., et al. (2025). Revisión de Derecho Ambiental
Masanet, E., et al. (2020). Recalibrando las Estimaciones del Uso de Energía de los Centros de Datos Globales
Sickles, K., et al. (2024). Desigualdades Energéticas de los Centros de Datos
Zhou, Y. (2021). Pronóstico del Volumen de Datos Global