Anoche mi calendario programó una respuesta automática mientras dormía, y mi portátil zumbaba como una pequeña central eléctrica. Me desperté curioso, luego alarmado. El bot había gestionado mi bandeja de entrada, pero ¿a qué coste silencioso para la red?
He estado rastreando las cifras para que tú no tengas que hacerlo. ¿Conoces los amigables chatbots que responden preguntas de una sola vez? La IA agentic no se detiene en una sola vez. Hace ping, razona, vuelve a hacer ping, apila decisiones y repite hasta que una tarea se completa. Esta superposición multiplica el uso de energía y la latencia de formas que la mayoría de los titulares pasan por alto.
En mi escritorio observo cómo los modelos se detienen esperando más contexto, y esa espera es costosa
El Instituto Avanzado de Ciencia y Tecnología de Corea (KAIST) puso cifras a este comportamiento y los resultados son alarmantes. Un agente que utiliza un modelo de lenguaje grande puede consumir un promedio de 348.41 vatios-hora por consulta, aproximadamente lo mismo que mantener una bombilla LED encendida durante un día completo. Eso es aproximadamente 136.5 veces la energía que utiliza una sola consulta de IA generativa.
He aquí por qué: una consulta simple de LLM es de llamada y respuesta. Un agente es una cadena de llamadas. Cada decisión, aclaración y subtarea es una nueva ida y vuelta al modelo. El proceso se convierte en dejar una bombilla LED encendida en cada consulta.
¿Cuánta energía utilizan los agentes de IA?
Respuesta corta: mucha más de la que esperas. Las mediciones de KAIST muestran un consumo por consulta en cientos de vatios-hora para flujos de trabajo agentic, no milivatios. Esos son equivalentes prácticos de kilovatios-hora cuando se escala a millones o miles de millones de solicitudes.
En mi teléfono veo que las respuestas tardan más y los servidores están inactivos: esa latencia desperdicia ciclos y dinero
La latencia no es solo una molestia para el usuario. KAIST descubrió que los sistemas agentic pueden tardar 153.7 veces más que un chatbot de consulta única. Debido a que los agentes hacen ping repetidamente a los modelos, las GPU pasan gran parte del tiempo de ejecución esperando: los investigadores estimaron hasta un 54.5% de tiempo inactivo mientras se desarrolla una tarea.
Esa ineficiencia parece un taxi dando vueltas durante horas buscando una tarifa: un vehículo y un conductor pagados pero que no hacen avanzar la ciudad.
¿Son los agentes de IA más ineficientes que los chatbots?
Sí. Los chatbots suelen ser interacciones de un solo disparo; los agentes son programas de varios pasos. Más pasos significan más llamadas a modelos, más latencia y más energía por tarea completada. Las matemáticas favorecen la simplicidad: cuantas menos idas y vueltas, menor será la factura y más rápida será la respuesta.
En las redes sociales encuentro agentes que se multiplican rápidamente, y la escala convierte las malas matemáticas en un problema global
No necesitas un laboratorio para ver la tendencia. Moltbook lista aproximadamente 200.000 agentes verificados, y se informa que alrededor de 400.000 agentes han sido aprobados para realizar transacciones utilizando la stablecoin USDC. Google ha estado integrando funciones agentic en la navegación. Los agentes ya están en la naturaleza.
KAIST modeló un escenario en el que los agentes generan 13.700 millones de solicitudes por día, similar al volumen de búsqueda de Google, y la demanda aumenta a aproximadamente 198.9 gigavatios de potencia continua. Eso es aproximadamente la mitad del consumo actual de electricidad de EE. UU. Si los agentes escalan como lo hicieron los chatbots, la red podría sentir la tensión.
¿Sobrecargarán los agentes de IA la red eléctrica?
No al instante, pero plantean un riesgo claro. Sin ganancias drásticas de eficiencia u orquestación más inteligente, las cargas de trabajo agentic podrían convertirse en una demanda incremental importante. Eso no es especulación; es una proyección basada en los costes medidos por consulta y las curvas de adopción plausibles.
Entonces, ¿qué haces si te preocupan los resultados prácticos: respuestas más rápidas, facturas más bajas y menos ciclos desperdiciados? Exige una ingeniería más inteligente. Pregunta a los proveedores cuántas llamadas de modelo hará un agente para completar una tarea. Insiste en el almacenamiento en caché local, el razonamiento ligero y las políticas que limitan la recursión. Observa si plataformas como Google o proveedores empresariales publican métricas de energía por acción.
He visto a equipos de producto tratar a los agentes como características inteligentes en lugar de consumidores de energía. Deberías preguntarte si quieres un servicio que ejecute una flota de agentes en tu nombre para gestionar respuestas triviales de correo electrónico. Todo para que un bot responda tus correos electrónicos por ti, ¿pero a qué coste planetario?
Eres lo suficientemente inteligente como para sopesar la conveniencia frente a las consecuencias; inicia la conversación con ingenieros, proveedores y TI sobre la energía por acción. Si la elección es entre un chatbot que se comporta como una calculadora de bolsillo y un ejército de asistentes agentic que se comportan como centros de datos con memoria, ¿cuál querrías que opere en tu nombre?
Apoya nuestro trabajo ❤️
Si te ha gustado este artículo, considera dejar una propina para ayudarnos a seguir publicando contenido de calidad.
