Albornoz, Denisse; Natalia Norori. Considerations on the environmental impact of AI in science. Working Paper, International Science Council, septiembre de 2025. DOI:10.24948/2025.10.
El informe analiza las consecuencias ambientales del uso de inteligencia artificial en la investigación científica. Propone marcos conceptuales, metodologías de evaluación aplicables y estrategias para reducir la huella ecológica de los proyectos científicos impulsados por IA. Está dirigido a investigadores, instituciones y responsables de políticas interesados en comprender tanto los costos ambientales como las formas de mitigarlos.
En primer lugar, el informe ofrece una visión integral del ciclo de vida de una aplicación de IA en ciencia, desde la recolección y preparación de datos, pasando por el entrenamiento de modelos, hasta su despliegue, mantenimiento y eventual reemplazo. Se enfatiza que los impactos ambientales no se limitan al consumo inmediato de energía (por ejemplo, la electricidad necesaria durante el entrenamiento de los modelos), sino que abarcan también efectos indirectos o de “rebound”, como la creación de nuevos datasets para satisfacer demandas crecientes, la necesidad de hardware de alto consumo energético y los costos asociados a refrigeración, infraestructura de servidores y transporte.
El informe subraya además que la evidencia empírica detallada sobre los impactos ambientales específicos sigue siendo limitada, lo que dificulta estimar con precisión métricas como emisiones de carbono o consumo de agua en muchos proyectos científicos con IA. Ante esta falta de datos, es necesario apoyarse en modelos, simulaciones o ejemplos aislados, lo que restringe la generalización. Sin embargo, los autores presentan herramientas conceptuales para que científicos e instituciones puedan evaluar sus propios proyectos: plantillas de estimación, criterios de transparencia, métricas de consumo energético, huella de carbono, uso de hardware, ubicación geográfica (que afecta la eficiencia energética), entre otras.
Una aportación destacada del documento es su énfasis en alternativas más “frugales” o ligeras para determinados usos de IA, especialmente en contextos con menos recursos. Se promueven modelos más pequeños, entrenamientos locales o descentralizados, reutilización de modelos previamente entrenados, optimización de hardware y técnicas que reduzcan el consumo energético, como el ajuste fino en lugar del entrenamiento completo o la eficiencia algorítmica. Estas estrategias no solo disminuyen el impacto ambiental directo, sino que también fomentan la inclusión, permitiendo que centros de investigación en países con recursos limitados puedan participar activamente sin generar costos ecológicos excesivos.
Finalmente, el informe ofrece recomendaciones estratégicas para investigadores, instituciones y responsables de políticas: incorporar evaluaciones ambientales desde la fase de diseño de los proyectos de IA, transparentar los costos ecológicos en los informes científicos, fomentar políticas institucionales que promuevan el uso eficiente de la IA, invertir en infraestructuras energéticamente sostenibles, impulsar estándares comunes de medición de impacto y considerar la justicia ambiental, evaluando cómo las decisiones tecnológicas pueden afectar de manera desigual a distintas regiones, especialmente aquellas con menor capacidad técnica o energética.
Universo Abierto 