Consumo de Agua de la IA 

Resumen Ejecutivo —Consumo de Agua Asociado a la Inteligencia Artificial

Autor: Yolanda Victoria Rojas Espinoza

El funcionamiento de la infraestructura que soporta la Inteligencia Artificial (IA) depende de centros de datos que requieren refrigeración continua. En una proporción significativa de instalaciones, este enfriamiento se realiza mediante sistemas evaporativos que consumen agua dulce de manera directa y permanente (Li et al., 2023; Patterson et al., 2021).

Desde una perspectiva cuantitativa, el entrenamiento de modelos de gran escala ha evidenciado consumos hídricos relevantes. Se estima que el entrenamiento de un modelo del tamaño de GPT-3 pudo haber requerido aproximadamente 700.000 litros de agua en consumo directo (scope 1) y hasta 5,4 millones de litros al incorporar el consumo indirecto asociado a la generación eléctrica (scope 2), dependiendo de la localización y matriz energética utilizada (Li et al., 2023). Estas cifras no incluyen el consumo continuo derivado de la operación cotidiana del modelo una vez desplegado.

A escala de infraestructura, un centro de datos de gran tamaño puede consumir hasta 19 millones de litros de agua potable por día, volumen comparable al consumo diario de una ciudad pequeña (Environmental and Energy Study Institute [EESI], s. f.). En Estados Unidos, los centros de datos consumieron aproximadamente 449 millones de galones diarios en 2021, con proyecciones de incremento ante la expansión de la IA generativa (Brookings Institution, s. f.).

En escenarios de crecimiento acelerado, se proyecta que el consumo global anual de agua asociado a la IA podría situarse entre 4.200 y 6.600 millones de m³ hacia 2027, dependiendo de mejoras en eficiencia tecnológica y transición energética (Li et al., 2023). Este rango se inserta en un contexto de estrés hídrico global, donde el agua dulce ya enfrenta presión por cambio climático, agricultura intensiva, expansión urbana e industrias extractivas.

El consumo hídrico no se limita a la evaporación. Los sistemas de enfriamiento requieren tratamiento químico para prevenir corrosión, incrustaciones y proliferación biológica. Posteriormente, el agua concentrada es descargada como purga (blowdown), conteniendo sales, residuos de biocidas e inhibidores de corrosión, cuya gestión depende del marco regulatorio y la capacidad de fiscalización local (U.S. Environmental Protection Agency [EPA], s. f.; Directiva 2000/60/CE).

El impacto final varía según el sistema de enfriamiento implementado. Tecnologías como la refrigeración líquida cerrada o el uso de agua reciclada pueden reducir la presión sobre fuentes potables, aunque su adopción aún es limitada en proporción global. En ausencia de estandarización internacional en la divulgación pública de métricas hídricas en tiempo real, la magnitud agregada permanece parcialmente opaca.

En síntesis, el consumo de agua asociado a la Inteligencia Artificial constituye un componente material verificable de su huella ambiental. No implica la inviabilidad intrínseca de la tecnología, pero sí exige medición precisa, transparencia pública e internalización de costos ambientales para evitar que la expansión digital comprometa la seguridad hídrica de poblaciones y ecosistemas.

QNM- Consumo de Agua Asociado a la Inteligencia Artificial | QNM Que nos mantengan 

Referencia

Brookings Institution. (s. f.). Analysis on U.S. data center resource consumption.

Directiva 2000/60/CE del Parlamento Europeo y del Consejo, de 23 de octubre de 2000, por la que se establece un marco comunitario de actuación en el ámbito de la política de aguas.

Environmental and Energy Study Institute. (s. f.). Data center water usage reports.

Li, P., et al. (2023). Making AI less “thirsty”: Uncovering and addressing the secret water footprint of AI models. arXiv:2304.03271.

Patterson, D., et al. (2021). Carbon emissions and large neural network training. arXiv:2104.10350.

U.S. Environmental Protection Agency. (s. f.). Cooling Water Intake Structures Technical Documents; NPDES guidance.

Consumo actual y proyectado de agua asociado a la infraestructura de Inteligencia Artificial

El consumo de agua vinculado a la Inteligencia Artificial (IA) se materializa principalmente a través de la operación de centros de datos que requieren refrigeración continua. La mayor parte del consumo directo se produce en sistemas de enfriamiento evaporativo, donde una fracción significativa del agua se pierde por evaporación durante la disipación térmica (Li et al., 2023).

Consumo actual (datos observados, no proyectados)

Investigaciones sectoriales y reportes corporativos permiten estimar el consumo real actual de agua de los centros de datos a escala global. Análisis independientes sitúan el consumo anual mundial en torno a 560 mil millones de litros de agua por año para la operación de centros de datos (EthicalGeo, s. f.).

Convertido a escala temporal:

560.000.000.000 litros/año ÷ 8.760 horas/año ≈ 63.926.940 litros por hora.

Equivalencia ilustrativa:

63.926.940 ÷ 2.500.000 litros (piscina olímpica estándar) ≈ 25–26 piscinas olímpicas por hora.

Esta cifra representa un promedio global actual y no distingue entre consumo directo (enfriamiento in situ) e indirecto (agua utilizada en generación eléctrica).

En términos corporativos específicos, Google reportó un consumo aproximado de 23 mil millones de litros de agua en 2023 en sus centros de datos globales, mientras que Meta reportó cerca de 2,9 mil millones de litros en el mismo período, lo que confirma que el consumo es medible y significativo en actores individuales del sector (Google, 2023; Meta, 2023).

Consumo proyectado bajo expansión acelerada de IA

Bajo escenarios de crecimiento acelerado de IA generativa, Li et al. (2023) estiman que el consumo global anual podría situarse entre 4.200 y 6.600 millones de m³ por año hacia 2027.

Conversión:

4.200 millones m³ = 4,2 billones de litros/año
6.600 millones m³ = 6,6 billones de litros/año

Escenario bajo:

4.200.000.000.000 ÷ 8.760 ≈ 479 millones de litros por hora
≈ 192 piscinas olímpicas por hora

Escenario alto:

6.600.000.000.000 ÷ 8.760 ≈ 753 millones de litros por hora
≈ 301 piscinas olímpicas por hora

Por lo tanto, el rango proyectado equivale aproximadamente a 190–300 piscinas olímpicas por hora, dependiendo del escenario de crecimiento y de las mejoras en eficiencia hídrica y energética.

Comparación estructural

Consumo actual estimado:
≈ 25–26 piscinas por hora

Escenario proyectado alto:
≈ 301 piscinas por hora

La diferencia implica un aumento potencial superior a diez veces respecto al consumo promedio actual si la expansión tecnológica no incorpora mejoras sustanciales en eficiencia o transición hacia sistemas con menor intensidad hídrica.

Consideración técnica

El consumo hídrico varía según:

• Tipo de sistema de enfriamiento (evaporativo vs. aire vs. circuito cerrado).

• Localización geográfica y estrés hídrico regional.

• Matriz energética utilizada.

• Grado de reutilización de agua tratada.
  
  

No todo el volumen retirado se pierde permanentemente; sin embargo, en sistemas evaporativos una fracción relevante se consume netamente por evaporación (Li et al., 2023).

Conclusión

Los datos actuales indican que la infraestructura digital ya consume volúmenes relevantes de agua dulce a escala global. Las proyecciones muestran que, bajo expansión acelerada de IA, el consumo podría multiplicarse significativamente en los próximos años. El desafío técnico y regulatorio consiste en desacoplar crecimiento digital de presión hídrica mediante eficiencia tecnológica, transparencia de métricas y gestión sostenible del recurso.

Referencias

EthicalGeo. (s. f.). The cloud is drying our rivers: Water usage of AI data centers.

Google. (2023). Environmental Report 2023.

Li, P., et al. (2023). Making AI less “thirsty”: Uncovering and addressing the secret water footprint of AI models. arXiv:2304.03271.

Meta. (2023). Sustainability Report 2023.

© 2026 QNM – QUE NOS MANTENGAN®. 

Marca de Servicio Registrada ante INDECOPI Resolución N° 003216-2026/DSD 

Certificado N° 00174793 | Clase 35 Todos los derechos reservados. El logotipo y sus colores se encuentran protegidos conforme a ley.

Yolanda Victoria Rojas Espinoza 

Directora y Fundadora de QNM | Investigadora y Comunicadora Social

Perfil Académico:  0009-0002-9012-1393 

Registro de Autoría: Safe Creative - Yolanda Victoria Rojas Espinoza