L’impacte Invisible
del Mal Ús de la IA
Anàlisi quantitativa del cost ambiental de la intel·ligència artificial: causes, dades, comparatives i solucions per un futur tecnològic sostenible.
Per què és important analitzar l’impacte?
La intel·ligència artificial ha transformat la nostra societat a una velocitat sense precedents. Però rere cada consulta, cada imatge generada i cada model entrenat hi ha un cost energètic real que sovint passa desapercebut.
Quan usem la IA de manera innecessària o ineficient, contribuïm a un consum energètic massiu que depèn, en gran part, d’energies no renovables. Entendre aquest impacte és el primer pas per actuar responsablement.
L’entrenament d’un model de llenguatge de gran escala pot consumir més energia que cinc cotxes durant tota la seva vida útil. El problema no és la IA en si, sinó com i quant la fem servir.
D’on prové el problema?
Replicació d’entrenaments
Moltes empreses i investigadors tornen a entrenar models des de zero sense aprofitar els ja existents. Cada entrenament innecessari duplica o triplica l’empremta de carboni sense aportar valor addicional real.
Impacte: molt altAlgoritmes no optimitzats
La manca d’eficiència en el codi fa que els models consumeixin fins a 10 vegades més energia de la necessària. Un algoritme ben dissenyat pot assolir el mateix rendiment amb una fracció del cost energètic.
Impacte: altCentres de dades fossilistes
La majoria de centres de dades que suporten la IA segueixen depenent de carbó o gas natural. Menys del 30% utilitzen energies renovables al 100%, malgrat les promeses de les grans tecnològiques.
Impacte: críticConsum d’aigua per refrigeració
Els centres de dades necessiten sistemes de refrigeració constants. S’estima que GPT-4 consumeix entre 500 ml i 1 litre d’aigua per cada 20-50 preguntes processades, en condicions de calor extrema.
Impacte: moderat-altÚs trivial i sense valor
Aplicar models d’IA a tasques que es podrien resoldre amb eines convencionals (cercadors, calculadores, plantilles) genera un consum energètic injustificat i creixent a mesura que escala l’adopció.
Impacte: acumulatiuCreixement exponencial de la demanda
El nombre de consultes a models d’IA s’ha multiplicat per 10 en dos anys. Si no s’optimitzen els sistemes, el consum energètic del sector podria representar el 4% de les emissions globals el 2030.
Projecció: 2030La IA vs. altres tecnologies digitals
Comparativa del consum energètic i emissions de CO₂ per unitat d’acció entre les principals tecnologies digitals.
| Tecnologia | Acció | Energia consumida | CO₂ estimat | Impacte relatiu |
|---|---|---|---|---|
| Model LLM gran (GPT-4) | Entrenament complet | ~1.200 MWh | ~500 t CO₂ | ⬛ Molt alt |
| Generació d’imatge IA | 1 imatge (Stable Diffusion) | ~0,002 kWh | ~1,8 g CO₂ | 🟧 Moderat (× ús massiu) |
| Consulta ChatGPT | 1 resposta (≈300 paraules) | ~0,001–0,003 kWh | ~0,3–1 g CO₂ | 🟧 Moderat |
| Cerca web (Google) | 1 cerca estàndard | ~0,0003 kWh | ~0,2 g CO₂ | 🟩 Baix |
| Aplicació mòbil | 1 hora d’ús | ~0,005 kWh | ~2 g CO₂ | 🟩 Baix |
| Vídeo streaming (Netflix) | 1 hora HD | ~0,036 kWh | ~7 g CO₂ | 🟧 Moderat |
Quins efectes té sobre el planeta?
Escalfament global: les emissions de CO₂ derivades dels centres de dades contribueixen directament a l’escalfament global, accelerant el canvi climàtic que ja patim.
Estrès hídric: les regions on s’ubiquen els centres de dades (com Arizona o Texas) pateixen escassetat d’aigua, agreujada per la refrigeració massiva dels servidors.
Contaminació per residus electrònics: el ràpid cicle de vida del maquinari generat per la demanda d’IA produeix milions de tones de residus electrònics difícilment reciclables.
Desforestació indirecta: la demanda energètica creixent pressiona sistemes elèctrics que recorren a fonts de biomassa, incentivant indirectament la tala de boscos.
Desigualtat mediambiental: els efectes del consum d’IA (emissions, extracció de minerals) recauen desproporcionadament sobre comunitats vulnerables del Sud Global.
Efecte rebot: l’eficiència de la IA augmenta el seu ús total. Si els costos energètics per consulta baixen, el volum total de consultes creix, neutralitzant els estalvis aconseguits.
Com podem reduir l’impacte?
Reutilitzar models preentrenats
Aplicar tècniques de fine-tuning sobre models existents en lloc d’entrenar de zero. Redueix el consum fins a un 99% mantenint el rendiment.
Centres de dades 100% renovables
Migrar la infraestructura cap a servidors alimentats amb energia solar, eòlica o hidroelèctrica. Alguns proveïdors ja ho ofereixen (Google Cloud, AWS Iceland).
Algoritmes eficients i llegers
Tècniques com la quantització, la poda de xarxes i l’arquitectura sparse redueixen el cost computacional entre un 40% i un 90% sense perdre qualitat.
Ús proporcional a la necessitat
Reservar els models grans per a tasques complexes. Per a consultes simples, usar models petits o eines convencionals redueix l’empremta de carboni fins al 95%.
Mesura i transparència del consum
Les empreses haurien de publicar l’empremta energètica dels seus models. Eines com CodeCarbon permeten mesurar el CO₂ durant l’entrenament en temps real.
Educació i ús responsable
Formar usuaris i desenvolupadors en IA responsable. Un ús conscient i crític redueix el consum innecessari i fomenta una cultura tecnològica sostenible.
Una tecnologia poderosa requereix
una responsabilitat igual de gran
Com a usuaris i futurs professionals de les TIC, tenim la capacitat —i la responsabilitat— d’exigir i practicar un ús ètic, eficient i respectuós amb el medi ambient de la intel·ligència artificial. Cada decisió tecnològica és, al mateix temps, una decisió ambiental.
