En un mundo donde la inteligencia artificial (IA) se está convirtiendo en parte de nuestra rutina diaria, un grupo de investigadores alemanes ha hecho un descubrimiento muy interesante: han medido las emisiones de CO2 de distintos modelos de lenguaje. Este análisis no solo revela el impacto ambiental de estas tecnologías, sino que también destaca cómo la precisión de las respuestas está relacionada con el consumo de energía, un aspecto crucial en la lucha contra el cambio climático.
¿Qué hallazgos sorprendieron a los investigadores?
Un equipo de la Hochschule München, liderado por Maximilian Dauner, evaluó 14 modelos de lenguaje que van desde siete hasta 72 mil millones de parámetros. Utilizando un conjunto de 1,000 preguntas estandarizadas, su objetivo era medir las emisiones de CO2 generadas al responder. Dauner señaló que “el impacto ambiental de cuestionar modelos de lenguaje entrenados está fuertemente determinado por su enfoque de razonamiento; los procesos de razonamiento explícito son los que más aumentan el consumo de energía y las emisiones de carbono”.
Los resultados fueron, sin duda, sorprendentes. Los modelos que emplean razonamiento generaron hasta 50 veces más emisiones de CO2 que aquellos que ofrecieron respuestas más concisas. En promedio, los modelos de razonamiento producían 543.5 «tokens de pensamiento» por pregunta, mientras que los modelos más directos solo necesitaban 37.7. Esto demuestra que una mayor cantidad de tokens no siempre se traduce en respuestas más precisas, ya que la complejidad no es sinónimo de calidad.
La conexión entre precisión y sostenibilidad
El modelo más preciso evaluado fue el Cogito, que cuenta con 70 mil millones de parámetros y logró una tasa de precisión del 84.9%. Sin embargo, este modelo también emitió tres veces más CO2 que otros modelos similares que ofrecieron respuestas más directas. “Actualmente, observamos un claro intercambio entre precisión y sostenibilidad en las tecnologías de modelos de lenguaje”, concluyó Dauner.
Además, los investigadores notaron que el tipo de preguntas influye notablemente en las emisiones de CO2. Por ejemplo, preguntas que requieren razonamientos más complejos, como las de álgebra abstracta o filosofía, pueden generar hasta seis veces más emisiones que temas más simples, como la historia de secundaria. Esto resalta la importancia de ser más conscientes sobre el tipo de preguntas que formulamos a los modelos de IA.
Consejos para reducir la huella de carbono
Con base en estos hallazgos, los usuarios pueden hacer elecciones más informadas para disminuir las emisiones de CO2 al interactuar con la IA. “Se puede reducir significativamente el impacto ambiental al solicitar que la IA genere respuestas concisas o limitando el uso de modelos de alta capacidad a tareas que realmente lo requieran”, explicó Dauner. Por ejemplo, utilizar un modelo como DeepSeek R1 para responder a 600,000 preguntas generaría emisiones equivalentes a un vuelo de ida y vuelta de Londres a Nueva York.
En contraste, el modelo Qwen 2.5 puede responder más de tres veces la cantidad de preguntas (cerca de 1.9 millones) con tasas de precisión similares, mientras produce las mismas emisiones. Esta comparación muestra que la elección del modelo tiene un impacto significativo en la huella de carbono generada.
Por último, los investigadores advirtieron que los resultados podrían verse afectados por el hardware utilizado en el estudio, un factor de emisión que puede variar según las mezclas energéticas locales. “Si los usuarios comprenden el costo exacto de CO2 de sus interacciones generadas por IA, podrían ser más selectivos y reflexivos sobre cuándo y cómo utilizan estas tecnologías”, concluyó Dauner.
