Cuando un docente decide si una actividad usará IA, suele sopesar el valor pedagógico, la integridad académica y el acceso. Hay una cuarta dimensión que casi nunca entra en la decisión porque la interfaz la oculta por completo: cada consulta moviliza centros de datos que consumen electricidad y agua y producen emisiones. Nadie espera que una academia calcule kilovatios antes de aprobar una actividad. Lo que sí cabe en una decisión docente es una pregunta más modesta y más útil: ¿hace falta un modelo grande para esta tarea?
Qué sabemos#
Lo mejor documentado es que la IA generativa tiene una base material considerable. Entrenar y utilizar estos sistemas consume energía y agua y genera emisiones asociadas a los centros de datos donde operan; la investigación sobre esa infraestructura viene señalándolo desde antes del auge actual (Bender et al., 2021; Vries-Gao, 2025). El conjunto de esos costos (electricidad, agua y emisiones) recibe el nombre de huella ambiental.
Dentro de esa huella, la dimensión hídrica (el agua que evaporan los centros de datos para enfriarse) es la más opaca. Un estudio dedicado específicamente al agua estimó que entrenar un modelo grande puede evaporar cientos de miles de litros de agua dulce, un costo que los proveedores rara vez reportan (Li et al., 2023; el trabajo circula como preprint, y el análisis revisado de Vries-Gao, 2025, examina esas mismas huellas de agua y carbono de los centros de datos en relación con la IA). En el agregado, la prensa especializada ha recogido informes según los cuales el auge de la IA generó en 2025 emisiones comparables a las de una gran ciudad (Booth, 2025); conviene leer esa cifra como reporte periodístico de estimaciones de terceros, no como medición revisada por pares. Las Orientaciones la recogen junto a la literatura académica crítica que discute los límites materiales de estos sistemas (McQuillan, 2026; Selwyn, 2024), y con la misma observación: este efecto casi nunca aparece en una decisión educativa.
El tercer hecho es el que vuelve todo esto una decisión y no solo un lamento: la elección de herramienta y de escala cambia el costo. Una comparación empírica midió el consumo de distintos sistemas ante tareas equivalentes y encontró diferencias muy amplias: cuando un modelo más ligero o especializado resuelve la misma necesidad, puede consumir una fracción de la energía de un modelo grande de propósito general (por ejemplo, un clasificador de textos frente a un chat generalista) (Luccioni et al., 2024). Y ese costo no se reparte de manera pareja: parte recae sobre comunidades —donde se instalan los centros de datos, de donde se extrae el agua— que reciben pocos beneficios de estos sistemas (Bender et al., 2021).
Qué no sabemos todavía#
La honestidad exige delimitar el mapa. No existen cifras confiables y públicas del costo de una consulta individual en los servicios comerciales más usados: las estimaciones circulantes varían en órdenes de magnitud según supuestos que los proveedores no transparentan. Tampoco hay consenso metodológico sobre cómo repartir el costo del entrenamiento —que ocurre una vez— entre los millones de usos posteriores. Por eso las Orientaciones piden algo muy concreto: que una institución mida aquello que realmente pueda observar y no presente estimaciones generales como si fueran cifras propias. Los marcos de IA sostenible en educación superior son todavía emergentes, y la revisión disponible confirma que los estudios específicos para universidades apenas se están formando (Nuredini, 2025).
Este límite corta en las dos direcciones. Quien afirma que «cada prompt destruye el planeta» está estirando datos que no tenemos; quien concluye que el costo es despreciable porque no está medido convierte la ausencia de evidencia en evidencia de ausencia. Ninguna de las dos posturas ayuda a decidir.
La decisión razonable: proporcionalidad#
Entre el catastrofismo y la negación hay un criterio operativo que las Orientaciones llaman proporcionalidad: ajustar la herramienta al tamaño real de la tarea (un corrector para la ortografía, un modelo grande para un análisis que lo necesite). No exige calcular huellas (nadie espera kilovatios por consulta); exige comparar opciones antes de elegir por defecto la más grande.
En el aula, ese criterio se traduce en decisiones pequeñas y repetidas (qué herramienta indicar, cuántas vueltas pedir). Antes de indicar una herramienta para una actividad, compara si una opción más ligera —un modelo pequeño, un corrector convencional, una revisión entre pares— resuelve la misma necesidad de aprendizaje; si la resuelve, la opción ligera es preferible, y no solo por razones ambientales: también suele conservar más trabajo cognitivo del lado del estudiante. Revisa igualmente los hábitos de uso que una actividad induce: pedir veinte reformulaciones sucesivas de un mismo párrafo es un patrón de consumo, además de un síntoma de que la instrucción de la tarea no está pidiendo pensamiento. Y la pregunta misma puede enseñarse: incluir «¿qué herramienta era proporcional a esta tarea y por qué?» en una reflexión de cierre convierte la dimensión ambiental en parte de la alfabetización crítica en IA, no en un sermón aparte.
En la institución, la proporcionalidad entra por la puerta de la selección tecnológica. Las Orientaciones cierran su lista de preguntas para elegir una tecnología con esta: ¿el beneficio justifica sus recursos y su costo ambiental? Ponerla junto a las preguntas sobre datos, costos y reversibilidad —las que ordenan la conversación sobre política institucional y la noción de soberanía tecnológica— evita que la dimensión ambiental dependa del entusiasmo individual de algún comité. El paso siguiente, cuando exista capacidad, es medir lo observable —qué servicios se contratan, con qué uso agregado— y avanzar hacia un reporte periódico de la huella propia (por ejemplo, el consumo agregado de los servicios contratados), en línea con los marcos emergentes de IA sostenible (Nuredini, 2025). Ese orden importa: primero decidir con proporcionalidad, después medir lo propio, y solo entonces reportar; el camino inverso produce cifras decorativas.
Elegir una herramienta proporcionada a la tarea es, en resumen, una decisión ambiental que ya está al alcance de cualquier docente y de cualquier academia, sin esperar datos perfectos que quizá tarden años. Y es también una decisión pedagógica: la misma pregunta que reduce el costo material —¿qué necesita realmente esta tarea?— es la que protege el trabajo que el estudiante necesita conservar.
Procedencia y referencias#
Esta guía desarrolla la sección de costos ecológicos (§9.4) y la última pregunta de selección tecnológica (§10.2) de las Orientaciones, una propuesta académica en revisión. Las referencias siguen las fichas de esa propuesta; se indica cuando una fuente carece de identificador público en esa bibliografía.
Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT ‘21), 610–623. https://doi.org/10.1145/3442188.3445922
Booth, R. (2025, 18 de diciembre). AI boom has caused same CO2 emissions in 2025 as New York City, report claims. The Guardian. https://www.theguardian.com/technology/2025/dec/18/2025-ai-boom-huge-co2-emissions-use-water-research-finds
Li, P., Yang, J., Islam, M. A., & Ren, S. (2023). Making AI less «thirsty»: Uncovering and addressing the secret water footprint of AI models. arXiv. [Preprint; la ficha de las Orientaciones no incluye enlace, por lo que aquí se acompaña de la medición publicada de Vries-Gao (2025).]
Luccioni, A. S., Jernite, Y., & Strubell, E. (2024). Power hungry processing: Watts driving the cost of AI deployment? Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency (FAccT ‘24), 85–99. https://doi.org/10.1145/3630106.3658542
McQuillan, D. (2026). AI, decomputing and the interregnum (Preprint No. 18908530). Zenodo. https://doi.org/10.5281/zenodo.18908530
Nuredini, K. (2025). A scoping review of AI for sustainability and sustainable AI in higher education. Discover Computing, 28. https://doi.org/10.1007/s10791-025-09861-2
Selwyn, N. (2024). On the limits of artificial intelligence (AI) in education. Nordisk Tidsskrift for Pedagogikk Og Kritikk, 10(1), 3–14. https://doi.org/10.23865/ntpk.v10.6062
Vries-Gao, A. de. (2025). The carbon and water footprints of data centers and what this could mean for artificial intelligence. Patterns. https://doi.org/10.1016/j.patter.2025.101430