La compañía HPE ha identificado los 7 principales errores que frenan la sostenibilidad de la IA y que, transformados en recomendaciones, ofrecen una hoja de ruta práctica para organizaciones que buscan combinar innovación y responsabilidad.
1.- Sobredimensionar modelos sin necesidad
El entusiasmo por los grandes modelos de lenguaje ha llevado a utilizarlos en tareas que no lo requieren, como clasificar correos o extraer datos básicos. El resultado es un consumo energético hasta 100 veces mayor que si se emplearan modelos más pequeños o incluso técnicas clásicas de machine learning. La tendencia más responsable no es “bigger is better”, sino “fit-for-purpose”, es decir, ajustar el modelo al propósito real.
2.- Olvidar la eficiencia de la infraestructura
Los centros de datos de última generación han avanzado enormemente gracias a innovaciones como la refrigeración líquida, los racks optimizados o la conversión energética. Sin embargo, incluso con estos avances, los límites son claros: solo la inferencia de IA podría consumir un 20 % de la energía global en 2030. Además, no todas las infraestructuras son iguales. Ejecutar un mismo modelo en una red eléctrica con alta intensidad de carbono puede generar hasta diez veces más huella que en una con renovables. Por eso, auditar la procedencia de la energía y aplicar técnicas de optimización resulta esencial para reducir el impacto.
3.- Acumular datos sin control
Muchos departamentos almacenan cantidades masivas de información sin políticas de retención ni depuración. Estos datos, aunque nunca se utilicen, siguen consumiendo energía en almacenamiento, copias de seguridad y mantenimiento. El marco 4C (Collect, Curate, Clean, Confirm) ofrece un enfoque práctico para recopilar solo datos relevantes, eliminar redundancias y garantizar calidad.
4.- Ignorar la eficiencia del software
El impacto del código poco optimizado o de modelos sobredimensionados multiplica innecesariamente el consumo energético. Cada vez más, la comunidad de desarrolladores adopta tácticas como la quantization, los guardrails o el uso de Small Language Models y modelos específicos de dominio, que reducen recursos sin sacrificar calidad.
5.- No alinear las cargas con el hardware adecuado
Otro error común es sobredimensionar infraestructuras “por precaución”, lo que conduce a bajas tasas de utilización y a un gran desperdicio energético. La recomendación es asignar cada carga de trabajo al hardware más adecuado, ya que no todas las tareas requieren GPU de última generación ni servidores de alto consumo.
6.- Desatender a las personas
Implementar IA sin explicar su propósito ni formar a los equipos genera resistencia, baja adopción y sistemas infrautilizados. Comunicar con transparencia, demostrar que la IA es un complemento y acompañar su despliegue con programas de upskilling es clave para que las inversiones aporten valor real.
7.- No medir el impacto en sostenibilidad
Muchas organizaciones despliegan IA sin monitorizar su consumo energético ni su huella de carbono. Sin métricas claras, resulta imposible identificar ineficiencias o demostrar avances hacia objetivos ESG. Incorporar indicadores desde el inicio permite optimizar en tiempo real y justificar inversiones responsables.
Ecosystem Thinking: un marco integral
Los siete errores identificados por HPE reflejan un mismo patrón: la sostenibilidad de la IA suele abordarse de forma fragmentada. Tratar la sostenibilidad como un objetivo aislado, centrado solo en infraestructura o modelos, es insuficiente. La sostenibilidad real exige entender la inteligencia artificial como un ecosistema interconectado, donde datos, software, hardware e infraestructura están alineados para garantizar la sostenibilidad a largo plazo.
Implementar IA sin explicar su propósito ni formar a los equipos genera resistencia, baja adopción y sistemas infrautilizados
Adoptar el ecosystem thinking implica situar la sostenibilidad como principio rector desde el diseño, medir con precisión y planificar con visión de futuro. Este enfoque refuerza la sostenibilidad operativa y económica de las iniciativas de IA y consolida la sostenibilidad como una ventaja competitiva clave frente al aumento de los costes energéticos y las crecientes exigencias regulatorias.
