Una nueva métrica de IA para impulsar la sostenibilidad

GreenPT presenta un artículo de reflexión sobre una métrica de transparencia para la sostenibilidad de la IA: mWh por 100 tokens. Quien usa GreenPT recibe en tiempo real una estimación de su consumo de energía, lo que favorece un uso de la IA más eficiente y de menor impacto.

El sistema permite calcular el impacto de carbono por sesión o por prompt y está diseñado para facilitar los informes de Software Carbon Intensity (SCI). Al alinearse con las normas ISO, GreenPT ofrece orientaciones claras, responsables y prácticas para mejorar la sostenibilidad de los sistemas inteligentes.

Introducción

El sector de la IA por fin empieza a medir lo que consume. Los trabajos recientes de Google sobre energía, carbono y agua por prompt en Gemini, y la primera divulgación completa de Mistral sobre el impacto ambiental de un LLM, han llevado la conversación más allá de los cálculos a ojo.

Pero sigue habiendo mucha opacidad: los centros de datos se multiplican, la potencia que exige la inferencia no deja de crecer y, aun así, nadie puede decir con seguridad lo que cuesta de verdad una interacción real, ni cómo comparar ejecuciones entre modelos y configuraciones.

Con GreenPT levantamos la tapa del todo, aunque esto es un primer paso, no la última palabra.

Como alojamos nosotros mismos nuestros modelos y medidores, podemos mostrar los costes operativos reales: lo bueno, lo malo y lo incómodo. El objetivo no es la perfección. Es una transparencia radical que otros puedan replicar, criticar y mejorar. Si el sector quiere crecer de forma responsable, necesitamos una métrica que convierta la eficiencia en una decisión de producto y no en algo que se piensa después. Hoy empezamos con una que puedes ejecutar, auditar y usar para actuar.

Una furgoneta nueva, una carretera desconocida

Emma acababa de recoger su furgoneta eléctrica recién estrenada: elegante, silenciosa y llena de promesas. No seguía ningún GPS. No había mapa ni horario, solo una intención: conducir hasta que un paisaje la hiciera detenerse, no porque tuviera que hacerlo, sino porque lo sintiera como el destino.

Sus primeros kilómetros fueron prudentes, por calles llenas de movimiento e impaciencia. Los semáforos se ponían en rojo demasiado a menudo y cada atasco la obligaba a alternar el pie entre el freno y el acelerador. Vio cómo la pantalla de consumo, en kWh por 100 km, subía con cada maniobra ineficiente. No mentía. Le decía que conducir de forma eficiente no dependía solo de la batería de la furgoneta, sino de ella: de cómo aceleraba, de cuánto tiempo pasaba parada, de cuánta atención prestaba a la inercia. En la cabina silenciosa entendió que no solo conducía la furgoneta: estaba midiendo sus decisiones.

Dejó atrás el bullicio de la ciudad, tomó las circunvalaciones de las afueras y, por fin, salió a la carretera abierta. Con menos paradas y una velocidad mejor controlada, el consumo de energía bajó. Un puesto de fruta al borde de la carretera apareció como un estallido de color y vida. La pareja de ancianos que lo atendía le ofreció algo más que fresas: viejas historias de carretera y consejos sobre cómo se conduce por la zona. Emma se quedó un rato y aprendió que las condiciones de cada región, la pendiente de la carretera e incluso la dirección del viento pueden cambiar la eficiencia.

Siguió conduciendo y experimentando. ¿Podría bajar la siguiente cuesta por inercia, sin frenada regenerativa? ¿Cómo se comportaría el control de crucero en las carreteras secundarias llenas de curvas? Apagó la climatización para ver qué pasaba: el consumo bajó un poco, pero la incomodidad subió. Conducir se convirtió en un diálogo. Cada acción tenía una consecuencia.

En las tierras altas se coló la niebla. Emma encendió los antinieblas. Luego la calefacción. Luego los limpiaparabrisas. Iba abrigada, segura y consumiendo más. El indicador de kWh/100 km volvió a subir poco a poco. Paró en una plaza multicultural de food trucks y habló con un repartidor que le explicó cómo el terreno y la presión de los neumáticos (sí, hasta eso) afectaban a sus previsiones diarias de batería. Picada por la curiosidad, Emma revisó las suyas.

A esas alturas ya no veía el indicador como un dato de rendimiento, sino como el relato de una interacción. La resistencia del viento en el tramo de costa. El viento de cara frente al viento de cola. ¿Aperitivos pesados en el asiento de atrás? Hasta esa carga tenía efecto. Cada decisión, suya o de la naturaleza, escribía una línea más en la métrica. El viaje se había convertido en un lienzo para aprender, adaptarse y prestar atención.

Al final, en lo alto de un prado azotado por el viento y bañado por una luz dorada, se detuvo. No porque necesitara cargar. No porque se hubiera perdido. Sino porque algo en aquella inmensidad abierta y silenciosa le habló.

Había llegado. Y esta vez no era solo una parada con vistas. Era la recompensa por haber conducido con conciencia.

De la carretera a la ejecución: el viaje energético de la IA

El viaje de Emma nunca consistió solo en llegar a un destino. Importaba cómo llegaba y lo que le costaba: no solo en porcentaje de batería, sino en impacto. Cada giro del volante influía en los kWh por 100 km de su furgoneta eléctrica y cada parada le aportaba algo nuevo. Empezó a ver el consumo de energía no solo como un número, sino como una relación entre decisiones, contexto y consecuencias.

Creemos que los sistemas inteligentes merecen la misma transparencia. Por eso hemos desarrollado un nuevo estándar:

mWh por 100 tokens (muestreado a intervalos de 1 segundo)

No es solo una métrica de rendimiento: es un mapa del viaje, adaptado a la IA.

Invitamos a la comunidad a usar esta métrica, probarla con sus propias cargas de trabajo y compartir los resultados con nosotros. Hace falta una participación amplia para ir más allá de los totales de energía y avanzar hacia mediciones de energía de la IA comparables, transparentes y ligadas a la carga de trabajo.

Tokens = distancia

En la furgoneta de Emma, los kilómetros marcaban el avance físico. En la IA, los tokens son nuestra medida de distancia computacional: la cantidad de contenido que procesa tu sistema. Igual que los trayectos largos exigen más energía, los prompts o las respuestas más largas aumentan el consumo. Pero la eficiencia con la que se recorre esa “distancia” depende de la ruta: la arquitectura del modelo, la estructura del prompt y los ajustes del sistema.

Qué tokens contamos

En GreenPT, cuando hablamos de “tokens” nos referimos siempre a los tokens de salida que genera el modelo durante la inferencia. Los tokens de entrada no se incluyen en la métrica. Así, mWh por 100 tokens refleja el coste energético de producir nueva salida del modelo y las comparaciones son coherentes entre prompts, cargas de trabajo y modelos.

mWh = energía

Este es nuestro consumo de energía: el trabajo eléctrico necesario para generar las respuestas de la IA. Igual que Emma veía cambiar en tiempo real el nivel de batería de su furgoneta, los equipos de IA pueden ver ahora la huella energética en directo de cada prompt, expresada directamente en milivatios hora.

CO₂ = coste

La energía es una cosa; el impacto, otra. Ahí entra nuestra capa de CO₂. Igual que el precio del kWh varía según la región y la hora, calculamos la intensidad de carbono de forma dinámica. Para ello tenemos en cuenta:

• La ubicación en la red (por ejemplo, mucho carbón frente a renovables)
• La hora del día (carga punta frente a horas de excedente)
• El carbono incorporado (el impacto previo de la infraestructura sobre la que funcionas)

El CO₂ se convierte en una capa de coste que traduce la energía en consecuencias ambientales. Cuanto más limpio es el contexto, menos carbono por mWh: igual que cargar un vehículo eléctrico fuera de las horas punta es más barato y más limpio.

Muestreo de 1 segundo = información en directo

El muestreo en tiempo real permite ver de forma continua cómo se acumulan la energía estimada y la generación de tokens durante la inferencia. Así puedes ajustar los prompts, gestionar la carga o elegir modelos más ligeros mientras el sistema funciona, y reaccionar a los cambios de eficiencia en cuanto aparecen.

Tiempo de sesión = duración del viaje

Un solo prompt puede ser una curva, pero la sesión es el viaje entero. El tiempo total de sesión refleja el periodo en que la IA está activa. Una sesión que da rodeos o se queda parada consume más, igual que un coche eléctrico aparcado y encendido va vaciando su batería sin que se note.

Por qué importa

Este marco de métricas hace que el uso de la IA deje de ser pasivo y pase a ser participativo. No solo dice cuánto se ha usado, también muestra por qué. Convierte la interacción con el sistema en un ciclo de información transparente, en el que:

• La distancia (tokens) se puede reducir con un buen diseño del prompt
• La energía (mWh) se puede optimizar con la elección del modelo
• El coste (CO₂) se puede reducir con mejores decisiones de horario e infraestructura
• La duración se puede acortar con una orquestación inteligente

Y, como en el viaje de Emma, ya no se trata solo de rendimiento, sino de conciencia, responsabilidad y navegación atenta.

Con la visibilidad llega el control. Con el control, la IA no solo es inteligente: también es responsable.

Entender la métrica: un nuevo enfoque de la transparencia energética en la IA

La métrica de uso de IA de GreenPT expresa la energía eléctrica estimada necesaria para generar una distancia computacional fija de 100 tokens. La métrica no depende del tiempo: representa la energía por unidad de salida, y el intervalo de muestreo de 1 segundo solo sirve para observar cómo se acumulan la energía total estimada y los tokens totales durante la inferencia.

La energía se expresa en milivatios hora (mWh) y se estima con un valor de potencia documentado para el hardware. Para obtenerla, se multiplica la potencia supuesta (en vatios) por el tiempo transcurrido (en segundos), se suman esos incrementos y el resultado se convierte a mWh.

Como 1 vatio hora son 3600 vatios segundo y 1 vatio hora equivale a 1000 milivatios hora, la conversión de vatios segundo a mWh es:

mWh = vatios segundo / 3,6

Los tokens funcionan como unidad de “distancia” computacional. Normalizar la métrica “por 100 tokens” permite comparar directamente distintos modelos, cargas de trabajo y configuraciones de hardware. Por tanto, la métrica de eficiencia se calcula así:

mWh por 100 tokens = (total de mWh consumidos / total de tokens generados) x 100

En cualquier momento de la inferencia, el sistema actualiza los totales acumulados una vez por segundo. Eso da un valor en directo, pero acumulado:

eficiencia actual = (mWh acumulados / tokens acumulados) x 100

El valor se va estabilizando a medida que avanza la sesión, porque refleja toda la energía y todos los tokens producidos desde el inicio de la interacción. El intervalo de muestreo no aparece en la fórmula: es solo la frecuencia de observación con la que se actualizan los totales acumulados.

Esta formulación se ajusta a las prácticas de la física y la ingeniería eléctrica, donde la energía se obtiene integrando la potencia en el tiempo y la eficiencia se calcula dividiendo la energía acumulada entre el trabajo acumulado. El enfoque mantiene la claridad física, evita confundir la cadencia de medición con la definición de la métrica y garantiza la reproducibilidad.

La métrica también sirve para el análisis ambiental, porque permite combinar la energía estimada con factores de intensidad de carbono que dependen del momento y del lugar. Así se obtienen valores de CO₂ equivalente adecuados para el análisis de ciclo de vida (ACV), los informes SCI y las auditorías de sostenibilidad.

Como la métrica se normaliza por distancia computacional y no por tiempo, permite hacer comparaciones coherentes entre distintas arquitecturas de hardware y condiciones de inferencia. Con un uso prolongado, los datos acumulados ayudan a entender el comportamiento del modelo, la eficiencia en la generación de tokens, la variabilidad de la carga del sistema, los efectos de la latencia y las características operativas a largo plazo.

Enfoque actual: transparencia a nivel de GPU

Por ahora, la medición se centra sobre todo en las cargas de inferencia en GPU, porque son la principal fuente de consumo de energía en tiempo real en la mayoría de los sistemas de IA con arquitectura transformer. Aunque nuestros cálculos de referencia usan una potencia fija de 300 W para que sean reproducibles, esa constante se obtiene y se recalibra periódicamente con telemetría directa de las unidades de gestión de las GPU (por ejemplo, NVIDIA NVML). Así, el valor fijo refleja el comportamiento real del hardware y la métrica se mantiene estable y comparable entre ejecuciones y modelos.

Ampliación futura: responsabilidad de todo el sistema

En próximas iteraciones, se espera que nuestro marco de medición se amplíe para ofrecer transparencia en toda la pila, con:

• Otros componentes del servidor: integración del uso de CPU, el ancho de banda de memoria, la E/S de almacenamiento y el consumo de las interconexiones (por ejemplo, PCIe, NVLink) para reflejar el comportamiento energético total del sistema.
• Influencia del centro de datos: inclusión de la eficacia del uso de la energía (PUE) y de los gastos adicionales de refrigeración para reflejar mejor las implicaciones energéticas de la infraestructura a gran escala.
• Factores de carbono según la red: fusión de datos en tiempo real con mapas de intensidad de carbono de los operadores de red regionales para captar la variación temporal y geográfica de las emisiones por kWh.
• Carbono incorporado y métricas de ACV: futuros módulos incorporarán los principios del análisis de ciclo de vida (ACV) para reflejar el coste ambiental de fabricar, transportar y retirar el hardware, y ofrecer una imagen más completa de la huella ambiental total del sistema.

Para hacer tangible la métrica, el siguiente anexo presenta un caso de uso completo y autónomo. Muestra cómo los prompts, los pasos de validación y la estructura del razonamiento se combinan para revelar el comportamiento energético en la práctica. El anexo incluye el conjunto completo de pruebas de referencia usado en este documento.

Descarga el informe completo (PDF)

Autores

• Wilco Burggraaf - Asesor, GreenPT y HighTech Innovators
• Cas Burggraaf - CTO, GreenPT
• Robert Keus - CEO, GreenPT