El boom de la IA y el muro energético: límites físicos, económicos y regulatorios

Un examen de las dinámicas de consumo eléctrico, eficiencia, viabilidad macroeconómica y respuestas institucionales ante la expansión de la infraestructura de IA, a partir de las fuentes primarias que subyacen al informe de Axios de julio de 2026.

Sección 1. Introducción: el boom de la IA y su dimensión energética

1.1. Contexto y planteamiento del problema

En pocos años, la inteligencia artificial ha pasado de ser un dominio predominantemente académico a constituir un sector industrial con una capitalización bursátil agregada de aproximadamente 12 billones de dólares acumulados desde 2022 entre las empresas vinculadas a la IA incluidas en el S&P 500 (1). Esta expansión ha situado a la IA en el centro de las estrategias corporativas de las grandes tecnológicas y de las agendas de política económica y geopolítica de numerosos gobiernos.

Sin embargo, este crecimiento se enfrenta a una restricción física fundamental. La Agencia Internacional de la Energía (IEA) subraya en su informe Energy and AI (2025) que el suministro de electricidad asequible, fiable y sostenible será un determinante crucial del desarrollo de la IA (2). El entrenamiento y el despliegue de modelos de IA requieren centros de datos de alta intensidad eléctrica, y la incertidumbre sobre el ritmo de adopción de aceleradores de cómputo constituye, según la propia IEA, un factor crítico para la demanda eléctrica futura (2).

El artículo de Axios publicado el 16 de julio de 2026, "The AI boom tests the limits of growth", sitúa la demanda eléctrica como la medida más clara de la expansión de la industria de la IA y, a la vez, como una prueba de cuánto tiempo puede sostenerse ese ritmo (1). La cuestión de fondo que plantea el artículo —y que este análisis desarrolla— es si la apuesta de la industria por modelos cada vez más grandes está generando beneficios suficientes para justificar los crecientes costes ambientales, financieros y de infraestructura asociados.

1.2. La tesis central: el consumo eléctrico como termómetro y límite del crecimiento

El dato más citado del artículo de Axios es el incremento del consumo eléctrico de Google, que aumentó más de un 140% entre 2021 y 2025, superando ya el límite superior de crecimiento proyectado en un modelo de 2023 de Alex de Vries-Gao, investigador de la Vrije Universiteit Amsterdam y fundador de la plataforma Digiconomist (1)(3). De Vries-Gao estima además que la nueva demanda eléctrica combinada añadida por Google, Microsoft, Amazon y Meta entre 2022 y 2025 equivale aproximadamente al doble del consumo eléctrico anual de la ciudad de Nueva York (1)(3).

1.3. Objetivo y alcance del análisis

Este análisis examina los informes de la Agencia Internacional de la Energía (2025 y 2026), las proyecciones de Gartner (2026), la literatura sobre eficiencia y paradoja de Jevons, el modelo macroeconómico de Daron Acemoglu (2025) y las iniciativas regulatorias en curso en Estados Unidos, la Unión Europea y el Reino Unido. Cada afirmación se ha contrastado con la fuente primaria correspondiente antes de su inclusión.

Sección 2. La magnitud del fenómeno: cifras agregadas y dinámicas de crecimiento

2.1. El consumo eléctrico de los centros de datos: evolución reciente y proyecciones

Según la IEA, en 2024 el consumo eléctrico global de los centros de datos se estimaba en aproximadamente 415 teravatios-hora (TWh), en torno al 1,5% del consumo eléctrico mundial, tras crecer a una tasa anual del 12% durante los cinco años anteriores —más de cuatro veces el crecimiento de la demanda eléctrica global (2). En su escenario base, la IEA proyecta que ese consumo se duplicará hasta unos 945 TWh en 2030, algo menos del 3% del consumo eléctrico mundial (2).

En su actualización de 2026, Key Questions on Energy and AI, la IEA revisa la demanda a 485 TWh en 2025 (un crecimiento del 17% respecto al año anterior) y mantiene la trayectoria hacia unos 950 TWh en 2030; el organismo precisa que la electricidad consumida específicamente por los centros de datos orientados a IA se triplicará en ese periodo (4). Los grandes operadores tecnológicos superaron los 400.000 millones de dólares de gasto de capital en 2025, con una subida adicional prevista del 75% en 2026 (4).

2.2. Las proyecciones de Gartner: un horizonte de tensión estructural

Gartner, en su previsión de junio de 2026, estima que el consumo eléctrico global de los centros de datos alcanzará los 565 TWh en 2026, un incremento del 26% respecto a los 447 TWh de 2025 (5). La demanda de potencia crecerá de 104 GW (2025) a 132 GW (2026) y se estima que llegará a 290 GW en 2030, con un consumo total que superará los 1.200 TWh (5). Linglan Wang, analista de Gartner, advierte que la disponibilidad de energía se ha convertido en "el nuevo campo de batalla para la escalabilidad y la protección de márgenes en la carrera global por la IA" (5). El World Economic Forum difunde de forma recurrente la misma cifra de la IEA —945 TWh en 2030, más que el consumo eléctrico actual de Japón— como ilustración del fenómeno, sin que conste un hallazgo propio e independiente del organismo sobre esta magnitud (6).

2.3. El caso de Google: un 140% de crecimiento entre 2021 y 2025

El dato de Axios ya referido en el epígrafe 1.2 adquiere particular relevancia porque Google ha sido tradicionalmente una de las tecnológicas más comprometidas con la eficiencia energética y la neutralidad de carbono. Que su consumo haya superado las proyecciones más pesimistas formuladas apenas dos años antes subraya la velocidad de la expansión de la infraestructura de IA y la dificultad de anticiparla (1).

2.4. La demanda combinada de las grandes tecnológicas en perspectiva comparada

La nueva demanda agregada de Google, Microsoft, Amazon y Meta en tres años equivale, en términos eléctricos, a incorporar al sistema global una ciudad del tamaño de Nueva York —con sus 8,5 millones de habitantes— duplicada (1)(3).

2.5. La aceleración de los servidores optimizados para IA

El fenómeno no es un crecimiento generalizado de la actividad de los centros de datos, sino una reconfiguración estructural: los servidores optimizados para IA, equipados con GPU y otros aceleradores, consumen significativamente más electricidad por unidad de cómputo que los servidores tradicionales. Gartner cuantifica la transición: en 2025 estos servidores representaban 95 TWh (21% del consumo total); en 2026 alcanzarán 175 TWh (31%, un crecimiento del 84%); y en 2027 superarán en consumo absoluto a los servidores tradicionales (5).

Sección 3. Eficiencia energética y paradoja de Jevons: por qué la eficiencia no basta

3.1. Los avances en eficiencia declarados por las tecnológicas

En agosto de 2025, Google publicó una metodología integral para medir la energía, las emisiones y el consumo de agua de los prompts de Gemini (7). Según esta metodología, el prompt de texto mediano de Gemini Apps consume 0,24 vatios-hora (Wh) de energía, emite 0,03 gramos de CO₂ equivalente y consume 0,26 mililitros de agua —un impacto energético equivalente a ver televisión durante menos de nueve segundos (7). Durante los doce meses previos, la energía y la huella de carbono del prompt mediano cayeron en factores de 33 y 44 respectivamente, manteniendo la calidad de las respuestas (7). Google atribuye este avance a mejoras de software, eficiencia de hardware y adquisición de energía libre de carbono (7).

Otros actores han reportado avances comparables: en un taller de las National Academies of Sciences, Engineering, and Medicine (2025), representantes del sector destacaron que los chips de IA actuales son varios órdenes de magnitud más eficientes que sus predecesores de una década atrás (8).

3.2. La paradoja de Jevons en su versión digital: fundamentos y evidencia empírica

La eficiencia por sí sola no basta para contener el crecimiento del consumo energético agregado de la IA. El fenómeno se explica mediante la paradoja de Jevons, formulada por William Stanley Jevons en 1865 a partir de la observación de que la mejora de la eficiencia de las máquinas de vapor aceleró, en lugar de reducir, el consumo de carbón en la industrialización británica.

Jianxian Wu, en un artículo publicado en Nature Cities (2025), documenta lo que denomina el "heredero digital" de la paradoja de Jevons: las ganancias de eficiencia algorítmica en los centros de datos metropolitanos pueden ampliar, y no reducir, la huella energética de la inteligencia artificial (9). Citando a Ravindran, el propio artículo señala que las plataformas de IA generativa concentradas en los principales centros tecnológicos urbanos consumen aproximadamente 600 megavatios-hora de electricidad al día, más de 50 veces el consumo energético anual de un hogar estadounidense medio (9).

El mecanismo es conocido en la literatura sobre economía del cambio tecnológico: las ganancias de eficiencia en CPU, GPU y sistemas de refrigeración reducen el coste y la energía por operación; unos costes más bajos permiten nuevas aplicaciones, modelos más grandes y una adopción más amplia; y la demanda de computación termina creciendo más rápido que las ganancias de eficiencia, generando un mayor consumo total (10)(11). Este es el efecto rebote en acción.

3.3. La eficiencia a nivel de modelo: diferencias entre modelos de razonamiento y modelos convencionales

El AI Energy Score, proyecto liderado por Sasha Luccioni (investigadora, cofundadora de Sustainable AI Group) y Boris Gamazaychikov (cofundador y director ejecutivo de Sustainable AI Group, anteriormente responsable de sostenibilidad de IA en Salesforce), publicó en diciembre de 2025 un estudio sobre 40 modelos de acceso abierto, incluido software de OpenAI, Google y Microsoft (12). Los modelos de razonamiento utilizaron 30 veces más energía de media para responder a 1.000 prompts escritos que las alternativas sin esa capacidad o con ella desactivada (12). Una versión reducida del modelo R1 de DeepSeek utilizó solo 50 vatios-hora con el razonamiento desactivado —el equivalente a una bombilla de 50 vatios durante una hora—, frente a 7.626 vatios-hora con el razonamiento activado: un incremento superior a 150 veces (12).

Luccioni subrayó la importancia de elegir el modelo adecuado para cada tarea: no todas las consultas requieren recurrir a los sistemas de IA más intensivos desde el punto de vista computacional (12).

3.4. El debate sobre el "desacoplamiento" entre crecimiento e impacto ambiental

Las grandes tecnológicas han formulado una respuesta basada en el "desacoplamiento" (decoupling): la posibilidad de que el crecimiento de la IA se separe del impacto ambiental mediante eficiencia y energías limpias. Es la línea argumental de Google y Microsoft recogida por Axios: Melanie Nakagawa, directora de sostenibilidad de Microsoft, explicó que el objetivo no es simplemente frenar el crecimiento del impacto ambiental, sino reducir la intensidad de cada unidad de crecimiento, de modo que el crecimiento futuro se desacople del impacto futuro (1). Kate Brandt, directora de sostenibilidad de Google, se limitó a afirmar el compromiso de la compañía con la gestión responsable de su huella ambiental, sin comprometerse a reconsiderar el ritmo de crecimiento (1).

Sin embargo, la evidencia disponible sugiere que este desacoplamiento no avanza a la velocidad necesaria: pese a los avances en eficiencia, la IEA proyecta que el consumo de los centros de datos dedicados a IA se triplicará entre 2025 y 2030 (4).

Sección 4. La perspectiva económica: rendimientos decrecientes y valor social de la IA

4.1. El modelo basado en tareas de Daron Acemoglu: fundamentos metodológicos

El análisis económico más influyente sobre el impacto macroeconómico de la IA es el de Daron Acemoglu, Premio Nobel de Economía 2024, en "The simple macroeconomics of AI", publicado en Economic Policy (vol. 40, núm. 121, pp. 13-58, 2025) (14). El trabajo parte de un modelo basado en tareas que descompone el impacto de la IA en automatización —sustitución de trabajo humano por capital— y complementariedades —mejora de la productividad humana mediante la colaboración con la IA (14).

La arquitectura metodológica se apoya en el teorema de Hulten, que permite estimar las ganancias agregadas de productividad a partir de la fracción de tareas afectadas por una innovación y el ahorro de costes medio por tarea (14). Acemoglu concluye que, aunque casi el 20% de las tareas del mercado laboral estadounidense podrían verse afectadas por la IA, solo una fracción de ellas resultaría rentable de automatizar con la tecnología actual, dado que en la mayoría de los casos los costes de implementación superarían los beneficios (14).

4.2. Productividad total de los factores: como máximo 0,66% en diez años

Acemoglu estima que el aumento de la productividad total de los factores (PTF) impulsado por la IA en Estados Unidos en los próximos diez años será, como máximo, del 0,66%, lo que equivale a añadir apenas 0,066 puntos porcentuales al crecimiento anual de la PTF; bajo supuestos más conservadores sobre la dificultad de aprendizaje de las tareas futuras, la cifra podría situarse por debajo del 0,55% (14). Se trata de una estimación uno o dos órdenes de magnitud inferior a las proyecciones más optimistas del mercado, como los pronósticos de Goldman Sachs de un 7% de incremento del PIB global (14).

Otros estudios, sin embargo, se apartan de la estimación conservadora de Acemoglu en sentido opuesto al que suele asumirse: un análisis de la OCDE (Filippucci et al., 2025), que adapta el propio marco metodológico de Acemoglu a un contexto sectorial, proyecta un crecimiento de la productividad laboral agregada de entre 0,4 y 1,3 puntos porcentuales anuales en países con alta exposición a la IA —como Estados Unidos y el Reino Unido— y de entre 0,2 y 0,8 puntos en economías con menor exposición (15). Se trata, por tanto, de una cifra sustancialmente más optimista que la de Acemoglu, no de una confirmación de su límite superior del 0,66% en diez años; la divergencia ilustra lo sensibles que son estas proyecciones a los supuestos sobre ritmo de adopción y alcance de las tareas afectadas.

4.3. Implicaciones para la desigualdad: capital frente a trabajo

Acemoglu sostiene que la trayectoria actual de la IA está excesivamente centrada en la automatización, impulsada por la facilidad de crear modelos de negocio lucrativos, más que por su contribución al bienestar social general (14). El desarrollo de la IA se orienta hacia la sustitución de trabajadores en tareas rutinarias y cognitivas, en lugar de hacia el aumento de la productividad humana en tareas complejas donde la complementariedad resulta más valiosa (14).

Esta perspectiva tiene implicaciones para la sostenibilidad del propio boom: si los beneficios se concentran en el capital y las grandes tecnológicas mientras los costes energéticos, ambientales y sociales se distribuyen más ampliamente, el modelo de crecimiento podría enfrentar resistencias políticas y sociales que limiten su continuidad (14).

4.4. La posibilidad de una desaceleración económica del boom

Daron Acemoglu, profesor del MIT, advierte en el artículo de Axios que si la inversión sigue superando a la demanda real, el boom de la IA podría frenarse por razones económicas (1). Según Acemoglu, el argumento habitual de la industria —que basta esperar a que los próximos años sean distintos porque "la tecnología es tan excepcional que va a desafiar todas estas tendencias"— no resulta del todo convincente, aunque tampoco puede descartarse por completo (1).

La IEA constata que el gasto de capital de las cinco mayores tecnológicas superó los 400.000 millones de dólares en 2025, con una subida prevista del 75% en 2026 (4). Axios, citando un análisis de un grupo internacional de bancos centrales, señala que el boom de la IA resulta incluso más extremo, en escala y velocidad, que anteriores oleadas históricas de inversión en infraestructura —canales, ferrocarriles, internet (1).

Sección 5. Cuellos de botella físicos y respuestas del sector

5.1. La energía como factor limitante y la oposición social a los proyectos

El crecimiento de la infraestructura de IA está topando con limitaciones que trascienden la disponibilidad de chips o de financiación. Un informe de Data Center Watch, difundido en junio-julio de 2026 y recogido por medios como NBC News y Fortune, documenta que en el primer trimestre de 2026 al menos 75 proyectos de centros de datos por valor de más de 130.000 millones de dólares fueron pospuestos o cancelados en Estados Unidos, y que el número de grupos de oposición ciudadana activos pasó de 396 a finales de 2025 a 833 a finales de marzo de 2026, en 49 estados (17). A diferencia de lo que sugiere una lectura superficial del fenómeno, la causa dominante documentada por estas fuentes no es exclusivamente la escasez de energía, sino la oposición vecinal y política —motivada por el uso del agua, la calidad del aire y el impacto sobre las facturas eléctricas locales—, a la que se suman de forma concurrente los cuellos de botella de la red (17).

La IEA, en su actualización de 2026, identifica además cuellos de botella físicos en las cadenas de suministro de turbinas de gas, transformadores y chips, así como una saturación de los sistemas de planificación y regulación que retrasa las conexiones a la red (4). La conexión eléctrica en muchas regiones de Estados Unidos y Europa requiere plazos de varios años, y la capacidad de las redes de transmisión está llegando a su límite en numerosos corredores energéticos (4).

5.2. La apuesta por nuevas fuentes: renovables, PPAs y reactores modulares pequeños (SMR)

Según la IEA, el sector tecnológico representó alrededor del 40% de todos los acuerdos de compra de energía renovable (PPA) firmados en 2025 (2). La cartera de acuerdos condicionales entre operadores de centros de datos y proyectos de reactores modulares pequeños (SMR) creció de 25 GW a finales de 2024 a 45 GW en 2026 (4).

Google ha sido especialmente activa en esta estrategia. El 27 de octubre de 2025, la compañía anunció, junto con NextEra Energy, un acuerdo de compra de energía a 25 años para reiniciar la central nuclear de Duane Arnold en Iowa —cerrada desde 2020—, con el objetivo de que vuelva a generar electricidad a comienzos de 2029 (17)(18).

5.3. La declaración de Satya Nadella sobre el nuevo cuello de botella de la IA

El cambio de paradigma en la planificación de infraestructura fue resumido con claridad por Satya Nadella, CEO de Microsoft, en una entrevista concedida el 2 de noviembre de 2025 en el podcast BG2 junto al CEO de OpenAI, Sam Altman: "el mayor problema que tenemos ahora no es un exceso de cómputo, sino la energía —es decir, la capacidad de completar las obras con la rapidez suficiente para acercarlas a la energía disponible", hasta el punto de tener chips de IA "sentados en inventario" que la compañía no puede conectar por falta de instalaciones con suministro eléctrico suficiente (18).

Esta declaración, ampliamente recogida por la prensa especializada, ilustra un cambio de fase: durante 2023 y 2024 la preocupación dominante era la disponibilidad de chips, especialmente GPU de NVIDIA; desde finales de 2025, la disponibilidad de energía se ha convertido en el factor crítico que determina dónde y cómo pueden construirse nuevos centros de datos.

Sección 6. Hacia una regulación de la eficiencia energética de la IA

6.1. La propuesta de etiquetado de eficiencia de Gamazaychikov

Boris Gamazaychikov, cofundador y director ejecutivo de Sustainable AI Group —firma de investigación y asesoría que fundó en 2026 junto con Sasha Luccioni tras dejar su puesto de responsable de sostenibilidad de IA en Salesforce—, propone en el artículo de Axios el establecimiento de etiquetas de eficiencia energética para modelos de IA, al estilo de las de consumo de automóviles o electrodomésticos (1). La metáfora que emplea es clara: "no necesitas un Hummer para ir al supermercado" (1). Del mismo modo que un consumidor no necesita un vehículo de alto consumo para un trayecto corto, un desarrollador o usuario de IA no necesita recurrir al modelo más grande y energéticamente intensivo para una tarea sencilla.

El AI Energy Score, que ya ha evaluado 40 modelos de acceso abierto, ofrece la base metodológica para una etiqueta de este tipo (12). Según Axios, cuando se preguntó a los responsables de sostenibilidad de Google y Microsoft si reconsiderarían el crecimiento por motivos ambientales, no respondieron de forma directa y se remitieron a la apuesta por el "desacoplamiento" (1); Gamazaychikov ofrece, en cambio, una propuesta operativa concreta.

6.2. Iniciativas regulatorias en Estados Unidos, Unión Europea y Reino Unido

El marco regulatorio en torno a la eficiencia energética de la IA está en sus primeras fases de desarrollo, con respuestas heterogéneas entre jurisdicciones.

Estados Unidos. La Executive Order 14318 (23 de julio de 2025), Accelerating Federal Permitting of Data Center Infrastructure, dirige a las agencias federales a acelerar y simplificar los permisos para "Qualifying Projects" —centros de datos de gran escala—, revocando la Executive Order 14141 y sin imponer condiciones ambientales adicionales (18). En el plano estatal, la respuesta es más heterogénea y, en algunos casos, contraria en su orientación: el Senado de Nueva Jersey tramita el proyecto de ley S680 (introducido en enero de 2026 por los senadores Bob Smith y John McKeon), que exigiría que toda la electricidad de los nuevos centros de datos de IA proceda de energía renovable Clase I nueva verificable o de nuevas plantas nucleares, condicionado a que una mayoría de los estados de la región PJM adopten requisitos equivalentes, y que obligaría a presentar un plan de uso energético ante el regulador estatal antes de la aprobación local del proyecto (19). Esta divergencia entre el nivel federal —orientado a acelerar permisos— y ciertas iniciativas estatales —orientadas a condicionar el crecimiento— refleja la falta de consenso regulatorio en Estados Unidos.

Unión Europea. El AI Continent Action Plan (9 de abril de 2025) anuncia, entre otras medidas, la propuesta de una Cloud and AI Development Act (CADA) orientada a triplicar la capacidad de centros de datos de la UE en un plazo de cinco a siete años, priorizando infraestructuras sostenibles, junto con un marco de InvestAI para movilizar 200.000 millones de euros de inversión en IA (20). La UE cuenta además con un Código de Conducta para la Eficiencia Energética de Centros de Datos, cuya extensión a los modelos de IA específicamente se encuentra en discusión (20).

Reino Unido. Conviene precisar, frente a versiones simplificadas de este debate, que el 15 de septiembre de 2025 se presentó en la Cámara de los Lores, durante la tramitación de la Planning and Infrastructure Bill, la enmienda 185N, que habría obligado al Secretario de Estado a publicar, en un plazo de 18 meses, una Estrategia Nacional de Eficiencia Energética para la IA. Sin embargo, la enmienda fue retirada en el propio debate tras la respuesta del Gobierno, y no llegó a incorporarse a la Planning and Infrastructure Act 2025, que recibió la sanción real el 18 de diciembre de 2025 (21). El episodio es revelador en sentido inverso al que suele presentarse: no evidencia un precedente normativo británico sobre eficiencia energética de la IA, sino la ausencia, hasta la fecha, de una obligación estatutaria específica en esta materia, pese a que el Gobierno reconoció durante el debate la magnitud del problema y remitió a la monitorización ya en marcha del sector de centros de datos (21).

6.3. Hacia un estándar de transparencia energética para modelos de IA

La proliferación de iniciativas de la industria y de la regulación apunta hacia la necesidad de un estándar global de transparencia energética para modelos de IA. El AI Energy Score y la metodología de Google proporcionan elementos técnicos para construir dicho estándar (7)(12). La combinación de mejoras de eficiencia con límites absolutos de consumo podría ser una vía para abordar la paradoja de Jevons, aunque su implementación resulta políticamente compleja (10). Una aproximación intermedia, más viable a corto plazo, sería el establecimiento de requisitos de información obligatoria sobre el consumo energético de los modelos de IA, en línea con la propuesta de etiquetado de Gamazaychikov (1)(12).

Sección 7. Conclusiones: el futuro del crecimiento de la IA entre la innovación y la sostenibilidad

7.1. Síntesis de los hallazgos

El crecimiento de la IA está generando un incremento del consumo eléctrico sin precedentes, que supera las proyecciones formuladas apenas dos años antes: el consumo de los centros de datos dedicados a IA creció un 50% interanual en 2025 y se proyecta que se triplique entre 2025 y 2030 (4). Google, Microsoft, Amazon y Meta añadieron en tres años una demanda eléctrica equivalente al doble del consumo de Nueva York (1)(3).

La eficiencia energética, aunque sustancial —la metodología de Google documenta reducciones de 33x y 44x en un año—, no está logrando desacoplar el crecimiento de la IA de su impacto ambiental agregado (7). La paradoja de Jevons se manifiesta en su versión digital: las ganancias de eficiencia reducen el coste por operación, estimulan nuevas aplicaciones y una adopción más amplia, y generan un mayor consumo total (9)(10). Los modelos de razonamiento consumen hasta 30 veces más energía que los convencionales (12).

La viabilidad macroeconómica del boom tampoco está asegurada: Acemoglu estima que el impacto de la IA en la productividad total de los factores podría ser, como máximo, del 0,66% en diez años (14), y advierte que si la inversión sigue superando a la demanda real, el boom podría frenarse por razones económicas (1).

Los cuellos de botella físicos —la disponibilidad de energía, pero también la oposición social y política a los proyectos— ya afectan al despliegue de infraestructura: proyectos por valor de más de 130.000 millones de dólares fueron pospuestos o cancelados en el primer trimestre de 2026 (17). La industria responde con acuerdos de compra de energía renovable, apuestas por la energía nuclear —incluido el reinicio de plantas cerradas como Duane Arnold— y, según Satya Nadella, con chips que permanecen sin instalar a la espera de infraestructura energética suficiente (2)(4)(17)(18).

El marco regulatorio está en fases muy tempranas. La propuesta de etiquetado de eficiencia de Gamazaychikov ofrece una vía operativa a corto plazo (1)(12). La UE avanza hacia estándares de eficiencia a través del AI Continent Action Plan (20); en Estados Unidos la respuesta federal se orienta a acelerar permisos mientras algunos estados, como Nueva Jersey, exploran condicionar el crecimiento a fuentes limpias (18)(19); y en el Reino Unido, pese a un intento parlamentario, no existe todavía una obligación estatutaria equivalente (21).

7.2. Escenarios prospectivos

Escenario A — Crecimiento sostenido con tensiones crecientes. Las tecnológicas continúan invirtiendo, la eficiencia mejora, pero el consumo energético sigue aumentando; los cuellos de botella generan retrasos y sobrecostes sin detener el crecimiento.

Escenario B — Desaceleración económica. La inversión supera a la demanda real, como advierte Acemoglu; el exceso de capacidad y la falta de rentabilidad conducen a una corrección de mercado, y el crecimiento del consumo energético se modera.

Escenario C — Regulación efectiva. Los gobiernos establecen estándares de eficiencia energética, etiquetas y, eventualmente, límites al consumo de los centros de datos; la combinación de regulación, eficiencia y cambio tecnológico permite un crecimiento más sostenible.

La evidencia disponible no permite inclinarse por un escenario frente a otro; los tres son plausibles y compatibles con las fuentes examinadas (1)(2)(4)(14).

7.3. Implicaciones para la política pública y la industria

Para la política pública, la falta de consenso regulatorio en Estados Unidos, la fragmentación entre niveles de gobierno y la brecha entre la velocidad de la innovación y la de la regulación —evidenciada por la retirada de la enmienda británica 185N— constituyen riesgos significativos. La propuesta de etiquetado de eficiencia de Gamazaychikov ofrece una vía pragmática que podría adoptarse a corto plazo sin imponer costes excesivos a la industria (1)(12). La UE está avanzando en este ámbito a través de la CADA, pero la coordinación internacional resultará necesaria para evitar una carrera hacia el mínimo común denominador (20).

Para la industria, la disponibilidad de energía se ha convertido en un factor crítico de localización de centros de datos, y la apuesta por nuevas fuentes —renovables, nuclear— será determinante para la competitividad a largo plazo (4)(18). La transparencia en el consumo energético, lejos de ser una carga regulatoria, puede convertirse en una ventaja competitiva en un mercado cada vez más consciente de los límites ambientales.

7.4. Reflexión final

El artículo de Axios de julio de 2026 capta un momento crítico en la evolución de la IA: el momento en que el crecimiento se encuentra con sus límites físicos (1). La pregunta de fondo no es si la IA tiene potencial para transformar la economía y la sociedad, sino si el modelo actual de crecimiento —basado en modelos cada vez más grandes, entrenados y desplegados en centros de datos de alto consumo— es sostenible a medio y largo plazo. La evidencia recopilada sugiere que el modelo actual está llegando a sus límites, pero que existen vías para un crecimiento más sostenible: eficiencia, regulación efectiva, nuevas fuentes de energía y un enfoque más selectivo en las aplicaciones de IA.

---

Bibliografía

Fuentes periodísticas primarias

(1) Axios (2026, 16 de julio). The AI boom tests the limits of growth. Axios. https://www.axios.com/2026/07/16/ai-boom-tests-limits-growth

(17) Data Center Watch (2026). Informe sobre oposición y cancelación de proyectos de centros de datos, primer trimestre de 2026, recogido en NBC News, Fortune y Tom's Hardware (junio-julio de 2026).

(18) Nadella, S. Declaraciones en el podcast BG2 (con Brad Gerstner y Sam Altman), 2 de noviembre de 2025, recogidas por TechCrunch, Data Center Dynamics y Tom's Hardware; NextEra Energy y Google, comunicado conjunto de 27 de octubre de 2025 sobre el reinicio de la central de Duane Arnold; Executive Order 14318, Accelerating Federal Permitting of Data Center Infrastructure, Federal Register, vol. 90, núm. 142 (28 de julio de 2025).

Informes institucionales y de mercado

(2) International Energy Agency (IEA) (2025). Energy and AI. IEA Publications. https://www.iea.org/reports/energy-and-ai

(3) De Vries-Gao, A. (2023). Modelo de proyección de crecimiento del consumo eléctrico de centros de datos de IA, citado en Axios (2026); publicado originalmente en ScienceDirect, https://www.sciencedirect.com/science/article/pii/S2542435123003653

(4) International Energy Agency (IEA) (2026). Key Questions on Energy and AI. IEA Publications. https://www.iea.org/reports/key-questions-on-energy-and-ai

(5) Gartner (2026, 10 de junio). Data Center Electricity Consumption Forecast, 2025-2030. Gartner Newsroom.

(6) World Economic Forum (2025-2026). Diversas notas sobre demanda eléctrica de centros de datos, que reproducen la proyección de 945 TWh en 2030 de la Agencia Internacional de la Energía. weforum.org/stories

(7) Google (2025, agosto). Measuring the environmental impact of delivering AI at Google Scale. Google Research / arXiv 2508.15734. https://arxiv.org/abs/2508.15734

(8) National Academies of Sciences, Engineering, and Medicine (2025). Implications of Artificial Intelligence-Related Data Center Electricity Use and Emissions: Proceedings of a Workshop. The National Academies Press. https://nap.nationalacademies.org/catalog/28435

Doctrina académica

(9) Wu, J. (2025). Digital Jevons paradox in urban data center energy systems. Nature Cities, 2, 677. https://doi.org/10.1038/s44284-025-00289-9

(10) Wang, W. (2025, 14 de julio). The Jevons Paradox: Why Efficiency Alone Won't Solve Our Data Center Carbon Challenge. SIGARCH Blog, ACM SIGARCH. https://www.sigarch.org/the-jevons-paradox-why-efficiency-alone-wont-solve-our-data-center-carbon-challenge/

(11) Rakova, B. et al. (2025). From Efficiency Gains to Rebound Effects: The Problem of Jevons' Paradox in AI's Polarized Environmental Debate. Preprint, arXiv:2501.16548.

(12) Luccioni, S., Gamazaychikov, B., et al. (2025, diciembre). Estudio del proyecto AI Energy Score sobre modelos de razonamiento. Hugging Face / Sustainable AI Group. https://huggingface.co/blog/ai-energy-score

(14) Acemoglu, D. (2025). The simple macroeconomics of AI. Economic Policy, 40(121), 13-58.

(15) Filippucci, F., Gal, P., Laengle, K. y Schief, M. (2025, junio). Macroeconomic productivity gains from Artificial Intelligence in G7 economies. OECD Artificial Intelligence Papers, núm. 41. OECD Publishing. https://doi.org/10.1787/a5319ab5-en

(16) Acemoglu, D. (2025, noviembre). Entrevista — "AI may not always be a force for general good". Forbes India.

Normativa y documentos institucionales

(19) State of New Jersey (2026). Senate Bill No. 680 (S680), 2026-2027 Legislative Session, introducido en enero de 2026 por los senadores Robert M. Smith y John F. McKeon. New Jersey Legislature.

(20) European Commission (2025, 9 de abril). AI Continent Action Plan. COM(2025) 112 final.

(21) UK Parliament, House of Lords (2025, 15 de septiembre). Debate sobre la Planning and Infrastructure Bill, enmienda 185N (propuesta y retirada en el mismo debate). Hansard. https://hansard.parliament.uk/lords/2025-09-15/debates/AF2E4DF5-6F9F-4D07-972E-A8A0CB2D6EF1/PlanningAndInfrastructureBill