La revelación que lleva el asunto a discusión proviene de Hiili, una spin-off de la Universidad Carlos III de Madrid (UC3M). Allí, los hermanos Rubén y Ángel Cuevas están desarrollando GreenBrainAI, una propuesta de “IA verde” que no se propone superar a OpenAI, Google o Meta, sino interceder entre el usuario y esos modelos para seleccionar automáticamente el más adecuado para cada consulta.

Y este aspecto es crucial: se estima que alrededor del 90% del consumo energético vinculado a la IA generativa proviene de la inferencia (las preguntas y respuestas cotidianas), en lugar del entrenamiento. En otras palabras, el mayor gasto energético se activa cada vez que alguien escribe “explícame esto” y espera una respuesta rápida.

“No se necesita un superdeportivo para ir a comprar pan”, insisten desde la empresa con una analogía que funciona como interruptor mental. Según ellos, actualmente se está utilizando un “Ferrari algorítmico” para tareas que podrían resolverse con un coche urbano. Y ese derroche se refleja en la factura y en la huella de carbono.

GreenBrainAI funciona como un enrutador inteligente, similar a una central de tráfico. A simple vista, se presenta como un chat convencional: el usuario ingresa un prompt (la instrucción o pregunta) y recibe una respuesta. Sin embargo, detrás hay una capa oculta que decide qué motor es el adecuado para activarse.

La analogía doméstica es evidente: es como el tablero eléctrico de una casa. Si solo deseas encender una lámpara, no se activa todo el circuito del aire acondicionado y el horno al mismo tiempo. GreenBrainAI busca que cada consulta “active” el circuito específico, el modelo adecuado, con el gasto correspondiente.

Para ello, el sistema identifica las características del prompt y selecciona entre más de 400 modelos disponibles. Si la consulta es sencilla, puede dirigirla a modelos más pequeños, como Mistral Small, en vez de utilizar siempre modelos grandes de razonamiento.

¿Cómo determina cuál es el modelo más eficiente? Los Cuevas implementaron modelos de código abierto en infraestructura real en Google Cloud y generaron una gran cantidad de prompts variados. Durante cada prueba midieron el consumo del servidor, el hardware, el modelo utilizado y los tokens (fragmentos de texto) de entrada y salida, entre otros parámetros.

Con esta información, entrenaron un modelo de machine learning (aprendizaje automático) que puede estimar casi en tiempo real el consumo energético de una petición bajo diferentes configuraciones de GPU (chip gráfico). Este mecanismo evita tener que medir físicamente el gasto en cada ejecución específica, como si el sistema aprendiera a “interpretar” el consumo antes de abrir el grifo.

El costo oculto de preguntar “una cosa más”

De acuerdo a Hiili, actualmente se utiliza el modelo más potente disponible en más del 80% del tráfico, aunque para una gran parte de los prompts no es necesario. En situaciones específicas, GreenBrainAI garantiza una reducción de costes del 88% en comparación con la API de OpenAI y una disminución del 48% en emisiones de carbono sin comprometer la calidad.

Pedro Travesedo, director comercial de Hiili, lo explica con una metáfora de oficina: con este tipo de soluciones, un cliente que antes solo podía costear tres licencias podría dar acceso a muchos más usuarios. Es una oportunidad doble: democratiza el uso y reduce el impacto.

El contexto también es relevante. La compañía destaca que España es principalmente un consumidor de servicios de IA. Y encuentra una dificultad: muchas grandes corporaciones ya están ligadas a acuerdos con proveedores como Microsoft u OpenAI, lo cual complica la incorporación de una capa intermedia.

Por ello, apuntan a pymes europeas que han retrasado la adopción por costos o falta de recursos internos. Además, Hiili está desarrollando un plugin de navegador que muestra en tiempo real la energía y el CO2 relacionados con conversaciones en servicios como ChatGPT, Gemini o Perplexity, ofreciendo un histórico semanal para hacer visible lo que hoy pasa desapercibido.

Si la IA se ha convertido en una herramienta cotidiana, el siguiente paso será aprender a usarla con el mismo criterio que utilizamos para apagar una luz al salir de una habitación.