Desarrollo sostenible & IA local

Nada de greenwashing, ¡cifras para mostrarle en qué somos buenos!

El problema

La IA consume. Mucho. No pasa nada, salvo cuando llega la factura.

No le vamos a soltar el discurso de «salve el planeta con nuestra IA verde» cuando solo hacemos funcionar los mismos modelos que todo el mundo. En cambio, sí podemos explicarle por qué una infraestructura local AEGIS IA consume bastante menos que una suscripción en la nube a largo plazo.

¿Preparado para un poco de física y matemáticas?

Lo que consume de verdad un LLM en la nube

Un estudio académico reciente (Jegham et al., 2025) ha medido el consumo real de los grandes LLM comerciales y las cifras asustan:

Para ponerlo en contexto: una sola consulta larga a o3 consume tanta electricidad como un televisor LED de 65 pulgadas encendido durante 20-30 minutos.

Ahora multipliquemos eso por 700 millones de consultas al día (estimación conservadora para GPT-4o en 2025):

• Consumo eléctrico anual : de 391 509 a 463 269 MWh — el equivalente a 35 000 hogares estadounidenses o a casi 77 000 hogares europeos (comparando los datos de Enedis y los de la EIA de EE. UU.)
• Agua evaporada (refrigeración de los centros de datos): de 1,33 a 1,58 millones de kilolitros — suficiente para llenar 500 piscinas olímpicas
• Emisiones de carbono : de 138 125 a 163 441 toneladas de CO₂ — el equivalente a 30 000 coches de gasolina

Y estamos hablando deun solo modelo. Añada Gemini, Mistral y todos los demás...

La paradoja de Jevons aplicada a la IA

¿Conoce la paradoja de Jevons? Cuanto más eficiente se vuelve algo, más lo usa la gente (piense en la autopista de Luxemburgo 😂), así que al final se consume más a pesar de la optimización.

Es exactamente lo que pasa con los LLM en la nube:

• GPT-4o es más eficiente por consulta que GPT-3
• Así que la gente lo usa 10 veces más
• Resultado: el consumo global se dispara

Una búsqueda en Google consume 0,30 Wh. Una consulta a GPT-4o consume 0,43 Wh. Es un 40 % más. ¿No es mucho? Ahora multiplíquelo por miles de millones de consultas diarias.

La infraestructura oculta de los centros de datos

Lo que no le cuentan: las cifras anteriores están claramente INFRAESTIMADAS.

¿Por qué? Porque los centros de datos no solo consumen para hacer funcionar las GPU. También consumen para:

• Refrigeración : 40-54 % del consumo total de un centro de datos
• Redes e infraestructura : routers, switches, cableado activo
• Redundancia : alimentación de emergencia, sistemas de backup
• Overhead operativo : iluminación, seguridad, monitorización
• Y, en menor medida, los gastos ligados a los empleados : comedor, ordenadores personales, transporte

El PUE (Power Usage Effectiveness) medio de un centro de datos es de 1,5 a 2,0. Eso significa que, por cada vatio que consume una GPU, hacen falta entre 0,5 y 1 vatio adicionales solo para mantenerla en marcha.

Fuente: Patterson et al. (2021), «Carbon Emissions and Large Neural Network Training»

Bueno, ¿y cuánto cuesta todo esto? (el quid de la cuestión)

No nos engañemos: lo que motiva es la factura

Y cuidado: estas cifras suponen que los precios de sus API se mantienen estables. Ya nos lo imaginamos: no se mantienen.

OpenCosa puede decidir mañana duplicar sus precios. No puede hacer nada. Es usted un rehén.

Con una infraestructura local, su coste marginal por consulta disminuye con el tiempo. Cuanto más la usa, menos cuesta cada consulta. Y eso es exactamente lo contrario de la nube.

La huella de carbono: hablemos en serio

Un centro de datos estadounidense medio utiliza un mix eléctrico con ~60 % de fósiles (carbón, gas). Un centro de datos europeo está más bien en el 30-40 %, según el país.

¿Su servidor local en Lorena? Se conecta al mix eléctrico francés: ~70 % nuclear + 20 % renovables. Emisiones de CO₂: 50-60 g/kWh.

¿Un centro de datos de AWS en Virginia (región us-east-1, la más habitual)? Mix eléctrico: 40 % gas, 35 % carbón. Emisiones: 350-400 g/kWh.

Mismo cálculo, de 6 a 7 veces menos CO₂ en Francia que en Virginia.

Esto no es greenwashing. Solo constatamos que conectar un servidor a la red de EDF emite menos que un centro de datos de AWS en Virginia.

Los costes ocultos de la nube

Lo que a menudo se olvida contar en el TCO de la nube:

• Subidas de precio : OpenAI, Anthropic y Google pueden cambiar sus tarifas cuando quieran. Usted depende de ellos.
• Tokens de salida de 2 a 4 veces más caros que los de entrada. Si su LLM genera mucho texto, sorpresa.
• Penalizaciones por rate limiting : supere su cuota y pague de 2 a 3 veces más por token.
• Tarifas de egress : sacar datos de la nube cuesta un ojo de la cara (a AWS le encanta).
• Soporte enterprise : +15-30 % en la factura si quiere un SLA decente.

Resultado: su factura mensual de 5000 € puede convertirse rápidamente en 8000 € sin que usted haya cambiado nada.

Fuente: MPT Solutions (2025), «The Hidden Infrastructure Cost of Running Local LLMs vs Cloud APIs»

La infraestructura local tampoco es gratis

Seamos honestos. Una infraestructura local también cuesta. Esto es lo que hay que contar de verdad:

• Hardware : de 40 000 € a 80 000 € para una configuración decente (2-4 GPU profesionales tipo L40S o A100)
• Electricidad : ~5000-10 000 €/año según el uso
• Refrigeración : si su sala de servidores está mal ventilada, prevea aire acondicionado. 2000-5000 €/año.
• Mantenimiento : renovación del hardware cada 3-5 años
• Personal : o ya tiene ingenieros de TI, o habrá que formar/contratar

Pero una vez amortizada (18-24 meses), su coste marginal por consulta es ridículo comparado con la nube.

Y sobre todo: el control es suyo. Sin sorpresas, sin dependencia ni subidas inesperadas (y a menudo brutales).

Porque las habrá. ¡El retorno de la inversión de los grandes LLM como ChatGPT es de 3,5 US$ por cada 5 US$ invertidos!

El modelo híbrido (la idea realmente buena)

No le vamos a mentir: el 100 % local no siempre es lo óptimo. Nosotros también tenemos nuestros retos.

El híbrido, una agilidad real:

• Tareas sencillas y recurrentes (FAQ, clasificación, extracción) → Modelo local 7B-13B. Coste marginal casi nulo.
• Tareas complejas y ocasionales (razonamiento en varias etapas, creatividad) → API en la nube si hace falta. Solo paga lo excepcional.
• Datos sensibles → Local, siempre. No es negociable.
• Picos de carga → Burst a la nube si su infraestructura local se satura. Pero es la excepción, no la regla.

Resultado: combina lo mejor de ambos mundos. Costes controlados, rendimiento óptimo, soberanía preservada.

AEGIS IA no se hace pasar por el hombrecillo verde

No pretendemos salvar el planeta.

Lo que hacemos:

• Desplegamos infraestructuras locales dimensionadas para sus necesidades (sin sobreequipamiento inútil)
• Optimizamos los modelos para reducir el consumo por consulta (cuantización, destilación si procede)
• Le ayudamos a calcular su TCO real (nube vs local) con cifras honestas
• Utilizamos el mix eléctrico local (en Francia = bajo en carbono)
• Evitamos el derroche: nada de GPU funcionando en vacío el 90 % del tiempo

Eso es todo. Nada de certificados de compensación de carbono. Solo una infraestructura eficiente que consume lo que debe consumir, ni más ni menos.

Fuentes académicas y referencias

Nuestras fuentes:

• Jegham et al. (2025) : «How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference», arXiv:2505.09598 — Estudio comparativo de 30 LLM comerciales
• Patterson et al. (2021) : «Carbon Emissions and Large Neural Network Training», arXiv:2104.10350 — Análisis de la huella de carbono del entrenamiento de LLM
• Lenovo Press (2025) : «On-Premise vs Cloud: Generative AI Total Cost of Ownership» — Análisis de TCO detallado con puntos de break-even
• Scientific Reports (2024) : «Reconciling the contrasting narratives on the environmental impact of large language models», Nature — Comparación LLM vs trabajo humano
• Strubell et al. (2019) : «Energy and Policy Considerations for Deep Learning in NLP», ACL — Primer gran estudio sobre el consumo energético de los LLM
• Venditti B. (2025) : Ranked: Electricity Use Per Capita in Major Global Economies

Conclusión: ¡haga usted mismo las cuentas!

La IA local no siempre es la solución. Pero para el 80 % de las empresas con un uso estable y previsible, es económica y ecológicamente más viable que la nube a 2-3 años.

Si gasta más de 2000 €/mes en API en la nube, ya va siendo hora de estudiar la cuestión.

Podemos ayudarle. Sin humo, con cifras reales y un TCO transparente.

¡Escríbanos!