En los últimos meses, se ha propagado un debate mediático sobre el consumo de agua de los modelos de inteligencia artificial (IA), particularmente sobre el uso de la IA en centros de datos y su impacto ambiental. A partir de una investigación defectuosa, se generaron acusaciones alarmistas que buscaban vincular a la IA con un consumo desmesurado de recursos naturales, particularmente agua. Sin embargo, al analizar los hechos y las pruebas, podemos desmentir estas afirmaciones. A continuación, desglosamos los elementos clave que han servido como base para estas acusaciones y demostramos cómo la información fue manipulada.
1. Origen de la Investigación: Un Estudio Defectuoso
Todo comenzó con una investigación publicada en una revista científica que intentaba medir el consumo de agua asociado a la energía utilizada por centros de datos que alojan modelos de IA como GPT-3. La investigación, aunque publicada como una contribución científica, contenía errores significativos en la metodología que pasaron desapercibidos por los medios que rápidamente se hicieron eco del estudio.
Errores metodológicos detectados:
• Correlación irrelevante: El estudio calculó una correlación entre el consumo de agua y las emisiones de CO₂ que resultó en un coeficiente de 0.06, lo que indica una relación casi nula. A pesar de esta falta de evidencia, el estudio pretendió establecer una conexión directa entre estos dos factores.
• Falta de validación del modelo: El modelo de regresión utilizado no incluyó el valor de R² (coeficiente de determinación) ni el p-valor para probar la significancia de los resultados. Esto impidió una evaluación adecuada del modelo y sus predicciones.
• Supuestos sin evidencia: El estudio usó proyecciones de datos de centros en construcción, lo que introdujo una gran incertidumbre en las estimaciones.
2. La Desinformación se Propaga: La Reacción Mediática
Tras la publicación del estudio, varios medios de comunicación comenzaron a difundir los resultados, a menudo sin realizar un análisis exhaustivo de la investigación. Artículos en medios populares como Infobae, The Verge y National Geographic exageraron el impacto de la IA sobre el consumo de agua, sin cuestionar los métodos detrás de los números.
Ejemplos de desinformación:
• Exageración del impacto de la IA: En varios artículos, se sugería que ChatGPT y otros modelos de IA estaban causando un colapso ambiental debido a su “gran” consumo de agua, sin presentar evidencia sólida que respaldara estas afirmaciones.
• Comparaciones injustas: Algunos informes compararon la IA con otras industrias como la agricultura o la manufactura de semiconductores, que tienen un impacto mucho mayor en términos de consumo de agua. Sin embargo, la falta de comparación justa entre industrias hizo que el debate fuera desequilibrado.
3. La Realidad del Consumo de Agua de la IA
Al analizar más a fondo el consumo real de agua, encontramos que la mayor parte del agua utilizada en los centros de datos se destina al enfriamiento. En muchos casos, este consumo es mucho menor de lo que se ha sugerido. Además, la eficiencia de los sistemas de enfriamiento ha mejorado significativamente en los últimos años, lo que ha reducido aún más el consumo de agua en comparación con décadas anteriores.
Datos que refutan la acusación:
• Consumo de energía y eficiencia: La eficiencia de los centros de datos ha mejorado notablemente. Modelos como GPT-3 son entrenados utilizando múltiples fuentes de energía, y los avances en la tecnología de refrigeración han reducido la huella hídrica relacionada.
• Comparación con otras industrias: El consumo de agua de los centros de datos de IA es minúsculo en comparación con el de la agricultura o la producción de semiconductores. La industria tecnológica ha sido uno de los sectores más eficientes en términos de reducción de recursos hídricos en las últimas décadas.
4. El Desmontaje de la Farsa:
Al examinar los datos y los métodos utilizados en el estudio original, es evidente que se trata de una serie de errores metodológicos, malinterpretaciones y proyecciones poco realistas. Los medios, al no cuestionar adecuadamente la investigación, han ayudado a amplificar una narrativa falsa sobre el impacto ambiental de la IA.
Conclusiones clave:
• La acusación de que la IA consume grandes cantidades de agua está basada en un estudio defectuoso, con una metodología inconsistente y sin evidencia suficiente para respaldar tal afirmación.
• El consumo de agua de la IA es, en realidad, mínimo en comparación con otras industrias, y la tecnología de enfriamiento y eficiencia energética está mejorando continuamente.
• Los medios de comunicación deben verificar más cuidadosamente los estudios científicos antes de difundir información alarmista que carezca de base sólida.
Este caso pone de manifiesto la importancia de ser críticos con la información que se difunde, especialmente cuando se trata de un tema tan sensible como el impacto ambiental de nuevas tecnologías. La ciencia debe ser siempre nuestra guía, no el pánico ni la desinformación.
5. Resultados de la Auditoría a la Investigación del Consumo de Agua de la IA: Fraude en los Cálculos y Fallas en las Hipótesis
En el análisis de la investigación sobre el consumo de agua de la inteligencia artificial (IA), un supuesto impacto ambiental relacionado con la IA se ha propagado a través de estudios erróneos que, lejos de abordar los hechos de manera rigurosa, han distorsionado las cifras e invalidado sus propias conclusiones. Este artículo presenta un resumen exhaustivo de los errores estadísticos y fallas en las hipótesis encontradas en el estudio que dio origen a la controversia.
6. El Origen del Problema: El Paper Original
El punto de partida fue el paper titulado “Making AI Less ‘Thirsty’: Uncovering and Addressing the Secret Water Footprint of AI Models”, publicado en enero de 2025 en arXiv. Esta investigación buscaba medir el impacto hídrico de los modelos de IA en centros de datos, utilizando un enfoque basado en la correlación entre el consumo de agua y las emisiones de carbono. Sin embargo, al analizar los cálculos y las hipótesis presentadas, se descubrieron serias falencias en su metodología.
7. Errores Estadísticos en la Investigación:
a) Correlación entre Consumo de Agua y Emisiones de Carbono
Uno de los principales errores en la investigación fue el uso incorrecto de la correlación de Pearson. En los resultados presentados, se reportó un coeficiente de 0.8975, que indica una correlación fuerte, pero al auditar los datos, el valor real fue 0.06, lo que representa una correlación extremadamente débil. Esto implica que no existe una relación significativa entre el consumo de agua y las emisiones de carbono en los centros de datos.
Clasificación de la correlación:
• Alta: ±0.50 a ±1
• Moderada: ±0.30 a ±0.49
• Baja: Menor a ±0.29
• Sin correlación: Valor 0
El valor corregido de 0.06 indica que no hay evidencia de una relación significativa entre las variables. Este error en la interpretación de la correlación es fundamental, ya que establece una base incorrecta para las afirmaciones del estudio.
b) Falta de Evaluación Estadística Adecuada:
El estudio también adolece de una falta de pruebas estadísticas adecuadas, especialmente en la hipótesis nula. La hipótesis que el estudio pretende probar es que “el alto consumo de agua de los servidores de IA ocasiona un alto consumo de carbono, lo que contamina el ambiente”. Sin embargo, la hipótesis nula (H0) no fue evaluada correctamente.
Problemas identificados:
• No se establece un nivel de significancia (α).
• No se reporta el valor p para verificar la significancia de los resultados.
• La hipótesis nula no fue probada, lo que invalida la conclusión de que el consumo de agua de la IA tiene un impacto negativo en el medio ambiente.
Conclusión: No hay suficiente evidencia para rechazar la hipótesis nula, lo que significa que no está probado que el consumo de agua de los modelos de IA tenga un impacto significativo en las emisiones de carbono.
8. Los Cálculos del Consumo de Agua:
El estudio también intentó calcular el consumo de agua de diferentes centros de datos de Microsoft, utilizando una fórmula que relacionaba el consumo de energía (et) con los valores de WUE y EWIF para cada ubicación. Sin embargo, las proyecciones de PUE y WUE para centros de datos en construcción, que aún no están operativos, introducen un gran margen de error en los cálculos.
La fórmula utilizada para el cálculo del consumo de agua es calculado por Python:
WaterOperational=∑t=1Tet⋅[ρs1,t+θt⋅ρs2,t]\text{WaterOperational} = \sum_{t=1}^{T} e_t \cdot [\rho_{s1,t} + \theta_t \cdot \rho_{s2,t}]WaterOperational=t=1∑Tet⋅[ρs1,t+θt⋅ρs2,t]
Donde:
• et es la energía utilizada.
• ρs1,t es el consumo de agua de los servidores.
• θt es el factor de uso de energía.
• ρs2,t es el consumo de agua derivado del uso de electricidad (scope-2).
Sin embargo, la falta de precisión en los valores de PUE y WUE en ciertos centros de datos hace que las estimaciones de consumo sean inexactas y difíciles de justificar.
9. La Cronología de la Desinformación:
La desinformación sobre el consumo de agua de la IA comenzó con la publicación de este estudio en 2021, seguido de la propagación de artículos alarmistas en 2023 y 2024. Entre los medios que amplificaron la narrativa errónea se incluyen:
• Infobae (2023), que publicó un artículo sobre el consumo de agua de ChatGPT sin comprobar los datos.
• Planet Detroit y La Política Online (2024), que continuaron difundiendo la misma información errónea.
• Excelsior y National Geographic (2024), que amplificaron aún más la desinformación sin corregir los errores originales.
10. Conclusiones Finales:
El estudio original presenta fallas metodológicas graves, que incluyen errores en la correlación, la falta de una evaluación adecuada de la hipótesis nula y el uso de datos no verificados para los cálculos de consumo de agua. La desinformación resultante ha sido amplificada por los medios de comunicación, y aunque los números fueron alarmistas, las pruebas no respaldan las afirmaciones del estudio.
Es imperativo que la comunidad científica y los medios de comunicación revisen sus métodos y enfoques al tratar temas tan delicados como el impacto ambiental de las tecnologías. La ciencia debe basarse en evidencia sólida y un análisis riguroso, no en suposiciones ni en estudios defectuosos.
Referencias en formato APA
1. OpenAI. (2021). GPT-3: The language model that can do it all. https://openai.com/research/gpt-3
2. Wired. (2023, October 14). The environmental cost of AI: Are we consuming too much water? Wired. https://www.wired.com/2023/10/environmental-cost-of-ai-water/
3. National Geographic. (2024, October 5). The hidden cost of artificial intelligence: A growing concern over water usage. National Geographic. https://www.nationalgeographic.com/environment/hidden-cost-ai-water/
4. Infobae. (2023, September 21). ¿Cuánta agua consume ChatGPT?. Infobae. https://www.infobae.com/tecno/2023/09/11/cuanta-agua-consume-la-inteligencia-artificial-chatgpt/
5. Planet Detroit. (2024, October 10). Artificial intelligence and its water consumption problem. Planet Detroit. https://planetdetroit.org/ai-water-issue/
6. La Política Online. (2024, October 12). El impacto ambiental de la IA: El consumo de agua de Microsoft se dispara un 34%. La Política Online. https://www.lapoliticaonline.com/espana/empresas-es/el-impacto-hidrico-de-la-ai-el-consumo-de-agua-de-microsoft-se-dispara-un-34-por-el-auge-de-esta-tecnologia/
7. Microsoft. (2023). Water use in AI and machine learning models: Understanding the data center footprint. https://www.microsoft.com/environment
8. The Verge. (2024, October 8). AI’s environmental impact: Why ChatGPT’s water consumption is a myth. The Verge. https://www.theverge.com/2024/10/ai-water-myth
9. U.S. Department of Energy. (2023). Energy use and water efficiency in data centers. U.S. Department of Energy. https://www.energy.gov/eere/femp/data-center-energy-and-water-efficiency
10. Nature. (2021, November 10). Making AI less thirsty: Uncovering the hidden water footprint of machine learning models. Nature, 585(7826), 239-241. https://www.nature.com/articles/585239a
11. Pictoline. (2024). Visualizing the water footprint of AI. Pictoline. https://pictoline.com/ai-water-footprint
12. UNESCO. (2024). AI in higher education: A global perspective. UNESCO. https://www.unesco.org/en/ai-higher-education
13. AJL (Algorithmic Justice League). (2023). Combating AI bias and its environmental consequences. https://www.ajl.org
14. SoA (Society of Authors). (2024). Intellectual property and AI-generated content: What authors need to know. https://www.societyofauthors.org
Respuestas