Análisis de eficiencia energética para modelos de Aprendizaje Automático (Machine Learning) y Aprendizaje Profundo (Deep Learning): un enfoque comparativo multimodelo estandarizado.
Resumen
Debido a la masificación en el consumo de tecnologías de inteligencia artificial, la productividad humana, tanto en el campo individual, empresarial, corporativo y colaborativo se ha beneficiado de un aumento notable en su aplicabilidad, a medida que estas herramientas han evolucionado en los últimos años, es importante tomar en consideración los factores que su utilización conlleva en múltiples ámbitos, entre los cuales se encuentra la sostenibilidad y el impacto ambiental, es innegable el hecho que el progreso de estos sistemas está asociado a un notable incremento en el consumo de energía eléctrica, lo cual acarrea grandes desafíos para su correcta gestión. El presente documento comprende el estudio de eficiencia energética aplicada al campo de la Inteligencia Artificial, se analiza varios modelos o paradigmas comúnmente utilizados por empresas en sus actividades diarias, sometiéndoles a pruebas realizadas en entornos controlados y bajo condiciones idénticas, con la finalidad de evaluar su rendimiento en materia energética, lo cual ha permitido realizar una comparativa entre estos, y de esta manera poder indicar objetivamente cuáles son los más eficientes en términos de consumo energético.
Descargas
Citas
Aczel, M., Chamanara, S., Matin, M., Farsi, A., Marwala, T., & Madani, K. (2026). The Environmental Cost of AI’s Energy Use: Carbon, Water and Land Footprints. https://doi.org/10.53328/inr26rma002
Anthony, L. F. W., Kanding, B., & Selvan, R. (2020). Carbontracker: Tracking and predicting the carbon footprint of training deep learning models [Preprint]. arXiv. doi.org
Carneiro, T., Da Nóbrega, R. V. M., Nepomuceno, T., Bian, G.-B., De Albuquerque, V. H. C., & Rebouças Filho, P. P. (2018). Performance analysis of Google Colaboratory as a tool for accelerating deep learning applications. IEEE Access, 6, 61677–61685. doi.org
Elsworth, C., Huang, K., Patterson, D., Schneider, I., Sedivy, R. A., Goodman, S., Townsend, B. C., Ranganathan, P., Dean, J., Vahdat, B., Gomes, B., & Manyika, J. (2025). Measuring the environmental impact of delivering AI at Google Scale [Preprint]. arXiv. doi.org
Google. (2026). Google 2026 Environmental Report. Google Sustainability. https://sustainability.google/google-2026-environmental-report/
Lin, P., Bunger, R., y Avelar, V. (2023). Guía de métricas de sostenibilidad medioambiental para centros de datos (Documento Técnico 67, versión 2). Centro de Investigaciones para la Gestión Energética, Schneider Electric.
Luccioni, A. S., Jernite, Y., & Strubell, E. (2024). Power hungry processing: Watts driving the cost of AI deployment? In Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency (pp. 85–99). Association for Computing Machinery. doi.org
Luccioni, A. S., Sylvain, V., Vassilesvski, M., Mitchell, M., & Strubell, E. (2023). Estimating the carbon footprint of BLOOM, a 176B parameter language model. Journal of Machine Learning Research, 24(253), 1–25.
Marinoni, A., Liò, P., Cambria, E., Dal Zilio, L., Lin, W., Dalla Mura, M., Chanussot, J., Ragusa, E., Mengaldo, G., Tso, C. Y., Zhu, Y., & Horton, B. (2026). The data heat island effect: quantifying the impact of AI data centers in a warming world. arXiv. doi.org
Mistral AI. (22 de julio de 2025). Our contribution to a global environmental standard for AI. Mistral AI Blog. mistral.ai
Rosa, L., Sangiorgio, M., Scanlon, B. R., Mazzotti, M., Berry, J., & Michalak, A. M. (2026). One quarter of global data centers are located in water-stressed areas. Environmental Science & Technology, 60(39), 27780–27791. https://doi.org/10.1021/acs.est.6c08088
Schwartz, R., Dodge, J., Smith, N. A., & Etzioni, O. (2020). Green AI. Communications of the ACM, 63(12), 54–63. https://doi.org/10.1145/3381831
Schmidt, V., Goyal, K., Joshi, A., Victor, V., Luccioni, S., O'Connor, M., & Lakhani, N. (2021). CodeCarbon: Tracking carbon emissions from machine learning code [Software Informático]. Zenodo. https://doi.org/10.5281/zenodo.4658424
Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and policy considerations for deep learning in NLP. In Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics (pp. 3645–3650). Association for Computational Linguistics. doi.org
Tangermann, V. (9 de julio de 2026). The Pollution Being Churned Out by AI Data Centers Is So Severe That It's Almost Incomprehensible. Futurism. https://futurism.com/artificial-intelligence/pollution-ai-data-centers-severe
Derechos de autor 2026 Esteban Fernando Castillo Durán, Rodrigo Cadena Martínez.

Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.









.png)
















.png)
1.png)

