> ## Content Index > Fetch the complete content index at: https://fomoera.com/llms.txt > Use this file to discover other available public pages before exploring further. # Una tarea de IA gasta hasta 10,000 veces más que una pregunta; OpenAI y Anthropic quedaron fuera - URL: https://fomoera.com/una-tarea-de-ia-gasta-hasta-10-000-veces-mas-que-una-pregunta-openai-y-anthropic-quedaron-fuera/ - Published: 2026-09-04T15:00:27.000Z - Updated: 2026-09-04T15:00:27.000Z - Description: Vals AI estimó energía, carbono y agua de 16 modelos de pesos abiertos en tareas largas. Bloomberg reporta saltos de hasta 10,000 veces frente a una consulta simple. Los modelos de OpenAI y Anthropic no se pudieron medir, y ni el precio ni los tokens anticipan la huella. - Author: Gerardo Pavez - Tags: Tecnología y Ciencia, IA **TL;DR:** - Vals AI estimó energía, carbono y agua de 16 modelos de pesos abiertos en tareas largas de código, finanzas, salud y derecho; Bloomberg reporta saltos de hasta 10,000 veces frente a una consulta simple. - Los modelos de OpenAI y Anthropic quedaron fuera del estudio porque su arquitectura no es pública. De los 16 evaluados, 14 son de empresas chinas. - Ni el precio ni el conteo de tokens anticipan el gasto: en una misma conversación, Kimi K3 consumió más del triple de energía que GLM-5.2 usando la mitad de tokens. --- Vals AI publicó el 3 de septiembre de 2026 un informe que estima cuánta energía, agua y carbono consumen 16 modelos de inteligencia artificial de pesos abiertos al resolver tareas largas, del tipo que hoy delegan las empresas a un agente: migrar código, cerrar un análisis financiero, redactar un documento legal. El salto frente a una consulta suelta es enorme. Según el reporte de Bloomberg firmado por Michelle Ma y Shirin Ghaffary, esas tareas pueden tener un impacto ambiental hasta 10,000 veces mayor que una pregunta simple, y construir una web app con algunos modelos gasta lo que una casa estadounidense en dos horas y media. El estudio también deja un hueco grande: los modelos de OpenAI y Anthropic no aparecen, porque sin conocer su arquitectura no hay forma de estimarlos con este método. ## De una pregunta suelta a dos horas y media de una casa La comparación funciona porque existe una línea base pública, aunque venga de parte interesada. Sam Altman escribió en 2025 que una consulta promedio a ChatGPT usa alrededor de un quinceavo de cucharadita de agua, y ese mismo año las estimaciones de Altman y de Google situaron la energía de una consulta de texto promedio entre 0.24 y 0.34 vatios-hora, recuerda Bloomberg. Sobre las tareas agénticas, las empresas han dicho mucho menos. Una investigación aparte de Microsoft encontró que las peticiones de razonamiento largo y las agénticas pueden elevar el consumo de energía en más de un orden de magnitud, en línea con el análisis de Vals. Los números del propio índice dan la escala. Correr los 2,157 encargos del Vals Index con Kimi K3, el modelo abierto más preciso de la lista con 57% de aciertos, sumaría 1.7 millones de vatios-hora; con Ling 3.0 Flash 2607, de Ant Group, diseñado para tareas simples, serían 23,800\. Vals sitúa el consumo mensual de un hogar promedio en Estados Unidos en 865,000 vatios-hora. La extrapolación deja fuera el cómputo de entrada, de caché y de prellenado, así que es un piso, no un techo. ![An IT professional configuring network cables in a server rack, focusing on Ethernet connections.](https://fomoera.com/content/images/2026/09/fomoera-pexels-442150--source.jpg) Imagen ilustrativa de la infraestructura donde corren los modelos; no corresponde a ningún centro de datos del estudio · Foto de [Field Engineer](https://www.pexels.com/@field-engineer-147254?ref=fomoera.com) en [Pexels](https://www.pexels.com/photo/electronics-engineer-fixing-cables-on-server-442150/?ref=fomoera.com) ## Ni el precio ni los tokens anticipan el gasto La intuición más común, que pagar menos significa contaminar menos, no se sostiene con estos datos. DeepSeek V4 Pro cuesta casi 15 veces menos por token de salida que Kimi K3 y tiene aproximadamente la misma huella ambiental. Medido por tarea, sigue siendo unas seis veces más barato. Vals explica por qué el precio despista: en tareas agénticas un modelo barato puede ser menos eficiente en tokens y terminar consumiendo más, y encima los proveedores rebajan sus tarifas para ganar mercado. El conteo de tokens tampoco sirve de atajo. Vals corrió una misma conversación de diez turnos con un usuario simulado, tomada de un banco de pruebas que todavía no publica, en tres modelos. Esta tabla ordena cuántos tokens generó cada uno y cuánto gastó. __Huella estimada de una misma conversación de diez turnos en tres modelos de pesos abiertos, según Vals AI, 3 de septiembre de 2026__ | Modelo | Tokens generados | Energía estimada | Agua estimada | | ----------------------- | ---------------- | ---------------- | ------------- | | Kimi K3, de Moonshot AI | 6,400 | 169.5 Wh | 733 mL | | DeepSeek V4 Flash | 6,900 | 10.5 Wh | 46 mL | | GLM-5.2, de Z.ai | 12,300 | 50.4 Wh | 218 mL | El modelo que menos escribió es el que más gastó. Lo que manda no es cuánto texto sale, sino qué tan grande es el modelo que lo produce y cuántos de sus parámetros se activan en cada paso. Para dimensionar el efecto agregado, Vals toma una estimación del Pew Research Center de 66 millones de adultos estadounidenses que usan chatbots a diario: si cada uno sostuviera una conversación así con DeepSeek V4 Flash, el más eficiente del trío, la suma rondaría los 690 MWh, 375 toneladas de CO2 y 3 millones de litros de agua. ## El ranking solo incluye a quien publica su arquitectura Estimar la huella de un modelo exige conocer su arquitectura, así que Vals se quedó con los de pesos abiertos. Catorce de los 16 analizados son de empresas chinas; los otros dos, del estadounidense Thinking Machines Lab y del francés Mistral AI, según Bloomberg. Los modelos punteros de Estados Unidos, entre ellos los de OpenAI y Anthropic, mantienen sus parámetros en privado y no pueden evaluarse con este método. El propio informe lo advierte: su ausencia no indica una huella menor. Eso cambia cómo debe leerse el podio. Cuando Bloomberg reporta que Qwen3.8 Max, el modelo más potente de Alibaba, salió peor en intensidad de energía, carbono y agua, y que Ling 3.0 Flash 2607 salió mejor, la comparación se limita a quienes abrieron sus especificaciones. Rayan Krishnan, cofundador y CEO de Vals, apunta a esa opacidad y sostiene que "las conversaciones de política pública deberían basarse en evidencia y datos reales", mientras las empresas revelan poco sobre su arquitectura, su hardware y la infraestructura de enfriamiento y electricidad de sus centros de datos. Para llenar el hueco, Vals armó una calculadora con supuestos definidos por el usuario. Con un modelo hipotético de 6 billones de parámetros y 30% de activación, una sola tarea del índice consumiría 21.2 kWh, emitiría 11.5 kg de CO2 equivalente y usaría 91.9 litros de agua, o sea la electricidad de una casa estadounidense durante un día, el carbono de manejar unos 80 kilómetros y el agua de una ducha de diez minutos. Ese número no describe a ningún modelo real; es un escenario paramétrico. El resto de las salvedades apuntan en la misma dirección. Las cuentas salen de EcoLogits, una biblioteca de código abierto que asume hardware H100 de Nvidia, pesos de 16 bits y servicio con vLLM. En la práctica los modelos suelen cuantizarse a precisiones menores, lo que baja el consumo, y el resultado real cambia con el hardware, la eficiencia del centro de datos y la mezcla energética. Los autores lo dicen sin rodeos: son estimaciones de mejor esfuerzo, no mediciones directas. Hay además un interés que declarar, y lo reporta Bloomberg: entre los clientes de Vals figuran varias de las empresas de IA líderes, incluidas algunas de las evaluadas. Ninguna respondió de inmediato a las solicitudes de comentario de ese medio. ## La medición llega cuando los condados ya votan frenos Vals abre su informe con una encuesta de Gallup según la cual siete de cada diez estadounidenses se oponen a que se construyan centros de datos en su localidad, y con las restricciones temporales que aprobaron ciudades como Minneapolis, Denver y Seattle mientras revisan sus reglas. En marzo de 2026, el senador Markey y el representante Beyer presentaron la Artificial Intelligence Environmental Impacts Act of 2026, que obligaría a los centros de datos a reportar sus impactos ambientales y energéticos. California ya exige a las grandes empresas divulgar sus emisiones de gases de efecto invernadero y su riesgo financiero climático, y Bloomberg apunta que esa ley presiona a las firmas de IA. Amazon y Google reconocieron que sus emisiones subieron en 2025, en parte por la expansión de sus centros de datos. Ese pleito ya se juega condado por condado y con fechas encima. En Loudoun, Virginia, donde se concentran más de 250 centros de datos, la junta de supervisores vota el 15 de septiembre una pausa a las nuevas solicitudes que su propio abogado ve fuera de su facultad legal. [Loudoun vota una pausa a los centros de datosLoudoun vota el 15 de septiembre una pausa a los centros de datos que su propio abogado ve fuera de su facultad legal.![](https://fomoera.com/content/images/icon/favicon-27b5586e-e317-4d8b-9d44-42d8984bde5d.ico)FomoEraDilis Salazar![](https://fomoera.com/content/images/thumbnail/fomoera-la-capital-mundial-de-los-centros-de-datos-vota-frenarlos-y-su-web-oficial-dice-que-no-puede-b1100f25-16x9-v2-1600x900-b3fc467b-586a-46a0-bb73-34e7e3a40616.webp)](https://fomoera.com/la-capital-mundial-de-los-centros-de-datos-vota-frenarlos-y-su-web-oficial-dice-que-no-puede/) Mientras tanto, quien contrata un agente de IA no tiene forma de saber qué consumió en su nombre. El informe deja una regla práctica y una ausencia: el gasto ambiental no se lee ni en la factura ni en el conteo de tokens, y muchos de los sistemas más usados siguen sin aparecer en ninguna tabla. *Fuentes:* [1](https://www.vals.ai/blogs/vals-environmental-impacts-report?ref=fomoera.com), [2](https://www.spokesman.com/stories/2026/sep/03/ais-environmental-impact-per-task-balloons-with-mo/?ref=fomoera.com)