El sector de la inteligencia artificial enfrenta un desafío crítico: reducir el consumo energético masivo que genera, un factor determinante para la viabilidad económica de las empresas. Según un informe de McKinsey, el 89% de las empresas a nivel global ya utiliza IA, pero el 20% restringe su adopción debido a los altos costes operativos. Esta presión ha desplazado el foco de optimización desde el hardware hacia el software, donde la eficiencia algorítmica puede reducir significativamente la demanda de recursos.
Investigadoras como Coral Calero, de la Universidad de Castilla-La Mancha, y Verónica Bolón Canedo, de la Universidade da Coruña, lideran esfuerzos para desarrollar algoritmos más eficientes. Una técnica clave consiste en la cuantización, que reduce la precisión de los cálculos de 64 a 16 o 8 bits. Aunque esto introduce errores de redondeo, los investigadores ajustan el software para minimizar el impacto, permitiendo que los modelos funcionen con menos energía. Este enfoque es crucial porque, a diferencia del entrenamiento, la fase de inferencia (el uso diario de la IA) está en aumento. McKinsey estima que en 2027 la demanda energética de la inferencia superará a la del entrenamiento, marcando un punto de inflexión donde la eficiencia del software será el principal determinante de la sostenibilidad y el coste de la IA.