Las cifras: cuánta energía consume realmente la IA
La inteligencia artificial ha transformado los centros de datos de una infraestructura estable en la categoría de consumo eléctrico de más rápido crecimiento en el mundo desarrollado.
En 2026, los centros de datos de EE.UU. consumen aproximadamente el 4% del total de la electricidad nacional — frente a aproximadamente el 2% en 2020. Las cargas de trabajo de IA son el principal motor de este crecimiento. Una sola GPU H100 consume 700 vatios bajo carga computacional completa. Un nodo de servidor con 8 GPU consume 10–12 kW. Un rack de estos nodos consume 80–140 kW. Un clúster de entrenamiento de 10,000 GPU consume 10–15 megavatios — suficiente para alimentar una pequeña ciudad.
La escala del crecimiento
| Año | Consumo de centros de datos en EE.UU. | % de electricidad de EE.UU. | Principal motor de crecimiento |
|---|---|---|---|
| 2020 | ~80 TWh | ~2.0% | Migración a la nube |
| 2022 | ~90 TWh | ~2.3% | Nube + IA temprana |
| 2024 | ~120 TWh | ~3.0% | Boom de entrenamiento de IA |
| 2026 | ~170 TWh | ~4.0% | Entrenamiento + inferencia de IA |
| 2028 (proyectado) | ~260 TWh | ~6.0% | Dominio de la inferencia de IA |
| 2030 (proyectado) | ~350–500 TWh | ~8–12% | IA como servicio público |
La proyección del 8–12% para 2030 no es especulativa — es la consecuencia directa de los compromisos actuales de construcción de centros de datos. Más de 100 GW de nueva capacidad de centros de datos se encuentran en diversas etapas de planificación y desarrollo solo en EE.UU. Cada gigavatio de capacidad requiere una fuente de energía dedicada.
Del aire al líquido: por qué la refrigeración de GPU lo cambió todo
Los centros de datos tradicionales enfriaban los servidores con aire — unidades de aire acondicionado de precisión empujaban aire frío a través de los racks de servidores. Esto funcionaba para CPU que consumían 150–300W. No funciona para racks que consumen 80–140 kW.
La realidad de la refrigeración para operadores de GPU
La refrigeración por aire está muerta para la IA. Cualquier despliegue que involucre nodos 8× H100 o Blackwell requiere refrigeración líquida. Esto descalifica inmediatamente a la mayoría de las instalaciones de colocación existentes, que fueron construidas para 10–20 kW por rack con infraestructura de refrigeración por aire.
La refrigeración líquida directa al chip es el estándar actual para despliegues de H100. Placas frías montadas directamente sobre GPU y CPU transportan el calor a través de circuitos líquidos. Esto maneja racks de hasta 100 kW y puede implementarse como una actualización en algunas instalaciones existentes.
La refrigeración por inmersión — sumergir servidores completos en fluido dieléctrico — soporta las densidades de potencia más altas (140+ kW por rack) y es necesaria para la arquitectura Blackwell NVL72 de NVIDIA, que empaqueta 72 GPU en un solo rack refrigerado por líquido.
La implicación en costos: La infraestructura de refrigeración líquida añade $500K–$2M por megavatio de capacidad en costos de capital. Para un clúster de GPU de 10 MW, solo la infraestructura de refrigeración cuesta $5–$20 millones. Esta es una barrera de entrada significativa para operadores de GPU más pequeños. Para desgloses detallados de costos operativos incluyendo refrigeración, consulte nuestra guía de economía de clústeres de GPU.
El muro energético: por qué la electricidad es el nuevo cuello de botella
En 2024, la restricción principal sobre el cómputo de IA era el suministro de chips — NVIDIA no podía fabricar H100 lo suficientemente rápido. En 2026, la restricción se ha trasladado a la electricidad. Las GPU están disponibles; la energía para operarlas no lo está.
Ocupación de centros de datos y disponibilidad energética
Se espera que las tasas de ocupación de centros de datos en los principales mercados de EE.UU. superen el 95% a finales de 2026. Esto no significa que los servidores estén llenos — significa que la capacidad eléctrica está completamente comprometida. Los nuevos clientes no pueden desplegar racks de GPU porque la instalación no tiene asignación de energía restante.
Métricas clave de cuello de botella:
- Northern Virginia (el mercado de centros de datos más grande del mundo): Los tiempos de espera para conexión a servicios públicos ahora superan los 3–5 años para nuevos despliegues a gran escala
- Colas de interconexión a la red: Más de 2,500 GW de proyectos de generación y almacenamiento están esperando conexión a la red en EE.UU. — muchos específicamente para servir centros de datos
- Restricciones de transmisión: Incluso donde existe generación, las líneas de transmisión de alta tensión para entregar energía a los sitios de centros de datos están al máximo de capacidad en muchas regiones
Por qué la energía es más difícil de escalar que los chips
NVIDIA puede duplicar la producción de GPU expandiendo la fabricación en TSMC. La infraestructura de generación y transmisión de energía tarda 5–15 años en construirse. Una nueva planta de gas natural tarda 3–5 años. Una planta nuclear tarda 10–15 años. Las líneas de transmisión requieren años de revisión ambiental y permisos.
Este desajuste — GPU que pueden desplegarse en meses frente a infraestructura energética que tarda años — es la restricción fundamental sobre la escalabilidad de la IA para el resto de la década.
Economía energética regional: dónde tienen sentido los clústeres de GPU
Los precios de la electricidad varían 4× o más entre regiones de EE.UU., lo que convierte la ubicación en el factor de costo variable más importante para las operaciones con GPU. Un clúster de GPU en la ubicación incorrecta puede perder dinero; el mismo clúster en la ubicación correcta puede prosperar.
| Región | Costo promedio de energía industrial | Beneficio climático de refrigeración | Actividad de centros de datos |
|---|---|---|---|
| Noroeste del Pacífico (WA, OR) | $0.04–$0.06/kWh | Moderado (clima fresco) | Crecimiento rápido |
| Texas (ERCOT) | $0.05–$0.08/kWh | Bajo (caluroso, pero energía barata) | Crecimiento más rápido |
| Medio Oeste (IA, OH, NE) | $0.06–$0.09/kWh | Bueno (inviernos fríos) | Mercado emergente |
| Sureste (GA, TN, NC) | $0.07–$0.10/kWh | Bajo (caluroso, húmedo) | Mercado establecido |
| Northern Virginia | $0.08–$0.12/kWh | Moderado | Saturado — sin nueva capacidad |
| California | $0.12–$0.16/kWh | Bueno (clima templado) | Caro pero con demanda |
| Nórdicos (Europa) | $0.03–$0.06/kWh | Excelente (clima frío) | Crecimiento para cargas de IA |
El impacto en dólares
Para un clúster de 1,000 GPU funcionando al 80% de utilización:
- A $0.05/kWh (Noroeste del Pacífico): ~$350,000/año en costos de energía
- A $0.10/kWh (Virginia): ~$700,000/año en costos de energía
- A $0.15/kWh (California): ~$1,050,000/año en costos de energía
La diferencia entre las ubicaciones más baratas y más caras es de $700,000/año — para el mismo hardware ejecutando las mismas cargas de trabajo. Durante un ciclo de vida de GPU de 3 años, solo la elección de ubicación representa una diferencia de costo de $2.1 millones por cada 1,000 GPU.
Para los operadores de GPU que evalúan decisiones de infraestructura, el costo de energía no es una consideración secundaria — es un factor principal de rentabilidad. Consulte nuestro análisis de alquilar vs. comprar para ver cómo los costos de infraestructura influyen en la decisión de propiedad.
Nuclear, solar y SMR: la carrera por energía a escala de IA
El desajuste entre la demanda energética de la IA y la electricidad disponible ha desencadenado una ola sin precedentes de inversión en energía — gran parte de ella explícitamente para centros de datos.
Acuerdos de energía nuclear
Microsoft firmó un acuerdo para reiniciar el reactor nuclear Unit 1 de Three Mile Island, asegurando 837 MW de energía libre de carbono para sus centros de datos. Este solo acuerdo proporciona suficiente energía para un campus de centros de datos que ejecute cientos de miles de GPU.
Google firmó un contrato con Kairos Power para reactores modulares pequeños (SMR) para alimentar sus centros de datos. Los SMR son reactores nucleares de menor escala fabricados en fábrica que pueden desplegarse en 3–5 años frente a los 10–15 años de los reactores nucleares tradicionales.
Amazon ha adquirido un campus de centros de datos alimentado por energía nuclear e invertido en múltiples empresas de SMR. La estrategia de Amazon se centra en ubicar centros de datos directamente adyacentes a la generación nuclear, eliminando las pérdidas de transmisión y las restricciones de la red.
Por qué la energía nuclear tiene sentido para la IA
La energía nuclear proporciona lo que los centros de datos de IA necesitan: generación de carga base 24/7 que no depende del clima, la hora del día ni las cadenas de suministro de combustible. Una planta nuclear produce energía continuamente a un costo marginal de $0.02–$0.03/kWh — la electricidad más barata disponible sin contar la hidroeléctrica.
La solar y la eólica son más baratas por kWh cuando generan, pero su intermitencia es un problema para los clústeres de GPU que funcionan 24/7. El almacenamiento en baterías para suavizar la variabilidad solar añade $0.02–$0.04/kWh, cerrando gran parte de la brecha de costos con la nuclear.
El problema del calendario
Incluso los proyectos energéticos más rápidos tardan años:
| Fuente de energía | Tiempo de despliegue | Capacidad | ¿Carga base? |
|---|---|---|---|
| Granja solar | 1–2 años | 50–500 MW | No (30% factor de capacidad) |
| Planta de gas natural | 3–5 años | 200–1,000 MW | Sí |
| Reactor modular pequeño (SMR) | 4–7 años | 50–300 MW | Sí |
| Nuclear tradicional | 10–15 años | 1,000+ MW | Sí |
| Geotérmica | 3–5 años | 10–100 MW | Sí |
La implicación: las restricciones energéticas sobre el cómputo de IA persistirán hasta al menos 2028–2030, incluso con inversión agresiva. Esto crea una ventaja estructural para los operadores de GPU que ya han asegurado capacidad energética en ubicaciones favorables.
Impacto en los precios y disponibilidad de GPU
Las restricciones energéticas afectan los mercados de GPU de dos formas directas:
1. La capacidad de despliegue limitada mantiene elevadas las tarifas de alquiler de GPU. Si las instalaciones no pueden añadir más racks debido a restricciones energéticas, la oferta de GPU en marketplaces y plataformas en la nube crece más lentamente que la demanda. Esto sostiene los precios.
2. Los costos operativos establecen un piso para las tarifas de alquiler. Una GPU que cuesta $0.05/kWh de operar en Oregon debe tener un precio más alto que una GPU que opera a $0.03/kWh en Noruega. Las diferencias de costo energético entre operadores se trasladan directamente a la dinámica competitiva de precios.
3. La ubicación se convierte en una ventaja competitiva. Los operadores de GPU con contratos de energía a largo plazo a tarifas favorables — particularmente aquellos con acceso a energía nuclear, hidroeléctrica o gas natural de bajo costo — tienen una ventaja estructural de costos que no puede ser replicada por competidores en mercados con restricciones energéticas.
Dato clave: La tasa de crecimiento de la industria de IA está ahora fundamentalmente limitada por la electricidad, no por el silicio. Empresas como NVIDIA pueden fabricar más GPU, pero no hay dónde conectarlas. Esto convierte el acceso a energía — asegurar megavatios a tarifas favorables en ubicaciones con refrigeración adecuada — en el activo de infraestructura clave de la era de la IA.
Qué significa esto para proveedores y arrendatarios de GPU
Para proveedores y operadores de GPU
Asegure energía primero, compre GPU después. El activo más valioso en las operaciones de GPU no es la GPU — es la asignación de energía. Un contrato de energía de 10 MW a $0.05/kWh vale más que las GPU que alimenta, porque las GPU pueden actualizarse pero los contratos de energía no pueden replicarse fácilmente.
Invierta en infraestructura de refrigeración. Las instalaciones con refrigeración líquida pueden desplegar 3–5× más GPU por metro cuadrado que las instalaciones con refrigeración por aire. El costo de capital de las actualizaciones de refrigeración se recupera rápidamente a través de mayor densidad de GPU e ingresos por rack.
Priorice la eficiencia. La Efectividad en el Uso de Energía (PUE) — la relación entre la potencia total de la instalación y la potencia del equipo de TI — impacta directamente la rentabilidad. Un PUE de 1.1 (mejor en su clase con refrigeración líquida) frente a 1.5 (promedio con refrigeración por aire) ahorra un 27% en costos de energía. A escala, esto representa millones de dólares al año.
Para los operadores que consideran construir o expandir infraestructura de GPU, consulte nuestra guía de economía de clústeres para un modelo de costos completo.
Para arrendatarios de GPU y empresas de IA
La ubicación del proveedor importa. Pregunte dónde están ubicadas físicamente sus instancias de GPU. Un proveedor en Texas a $0.06/kWh puede ofrecer tarifas más bajas que uno en California a $0.14/kWh — para el mismo hardware. Para comparaciones de precios actuales entre proveedores, consulte nuestra guía de precios de GPU en la nube.
Espere niveles de precios relacionados con la energía. Algunos proveedores ya cobran tarifas diferentes según la disponibilidad de energía. Las instancias “interrumpibles” (que pueden pausarse durante picos de demanda de la red) cuestan menos que las instancias garantizadas. Este modelo se expandirá.
Planifique para restricciones geográficas. Si necesita GPU en regiones específicas (por residencia de datos o latencia), la disponibilidad de energía en esas regiones afecta directamente sus opciones. Para la intersección de restricciones geográficas y requisitos de IA soberana, consulte nuestro análisis de IA soberana.
Para una visión general de las restricciones de suministro que se combinan con las limitaciones energéticas, consulte nuestro análisis de escasez de GPU.
Preguntas frecuentes
¿Cuánta electricidad consume el entrenamiento de un modelo grande de IA?
Entrenar un modelo de frontera como GPT-4 consumió aproximadamente 50–60 GWh de electricidad — equivalente a alimentar aproximadamente 5,000 hogares estadounidenses durante un año. Los modelos de próxima generación que se entrenan con más de 50,000 GPU durante meses podrían consumir 100+ GWh por ejecución de entrenamiento. Solo el costo de electricidad para una sola ejecución de entrenamiento de frontera es de $3–$8 millones a tarifas industriales típicas.
¿Por qué se requiere refrigeración líquida para GPU de IA?
Una GPU H100 consume 700W bajo carga completa. Ocho de ellas en un nodo de servidor consumen 10–12 kW. Un rack de estos nodos consume 80–140 kW. La refrigeración por aire físicamente no puede eliminar el calor lo suficientemente rápido por encima de aproximadamente 30 kW por rack. Se requiere refrigeración líquida directa o por inmersión para mantener temperaturas de operación seguras en niveles de potencia densos en GPU.
¿Qué regiones tienen la energía más barata para operaciones con GPU?
El Noroeste del Pacífico (Washington, Oregon) ofrece las tarifas más bajas de EE.UU. a $0.04–$0.06/kWh, principalmente de energía hidroeléctrica. Los países nórdicos (Noruega, Suecia, Finlandia) ofrecen tarifas similares con excelente refrigeración natural. Texas y el Medio Oeste ofrecen tarifas moderadas ($0.05–$0.09) con alta disponibilidad. Para la comparación más completa, consulte nuestra guía de GPU que incluye la eficiencia energética en la selección de GPU.
¿Realmente se están construyendo plantas nucleares para la IA?
Sí. El acuerdo de Microsoft para reiniciar Three Mile Island Unit 1 (837 MW) es específicamente para alimentar centros de datos de IA. Google y Amazon han invertido en empresas de reactores modulares pequeños (SMR) con aplicaciones explícitas para centros de datos. Estos no son especulativos — son contratos firmados con plazos de entrega. Los primeros despliegues de SMR para centros de datos se esperan para 2028–2030.
¿Las restricciones energéticas ralentizarán el progreso de la IA?
A corto plazo (2026–2028), sí — la energía es la restricción vinculante sobre la escalabilidad del cómputo de IA. Sin embargo, la inversión masiva que fluye hacia la energía para centros de datos ($50B+ en proyectos energéticos anunciados para centros de datos) aliviará gradualmente esta restricción. Para 2030, suficiente nueva capacidad de generación debería estar en línea para soportar la siguiente ola de escalamiento de IA, aunque la demanda probablemente seguirá creciendo para llenar cualquier nueva oferta.