IA – ¿Vale la pena el esfuerzo?

La demanda de energía que requiere la inteligencia artificial (IA), combinada con los efectos de la reindustrialización (VE) y la transición a las energías renovables, hacen que la tecnología represente una importante oportunidad de inversión en toda la cadena de valor, incluidos los centros de datos y la infraestructura de red, así como los mercados finales de electrificación.

Sin embargo, conviene tener en cuenta y cuestionar siempre los riesgos potenciales, en particular las limitaciones físicas del crecimiento de la IA, la procedencia de su insaciable hambre de energía y cómo las emisiones que conlleva pueden suscitar nuevas inquietudes climáticas.

¿Qué es la IA habilitadora?

El avance de la IA se logra principalmente gracias a las unidades de procesamiento gráfico (GPU) cada vez más eficientes del fabricante de chips estadounidense Nvidia. El Gráfico 1 muestra la evolución de sus GPU, indicando los aumentos de eficiencia, representados en términos de teraflops por GPU, por vatio, en todos los modelos, desde Pascal (2016) hasta su última iteración Blackwell (2024).

Actualmente, para entrenar ChatGPT-4 de OpenAI en solo diez días, se necesitarían 10.000 GPU Blackwell con un coste aproximado de 400 millones de dólares. En cambio, hace tan solo seis años, el entrenamiento de un modelo de lenguaje (LLM) tan grande habría requerido millones de GPU del tipo antiguo para hacer el mismo trabajo. De hecho, habría requerido más de seis millones de GPU Volta a un coste de 61.500 millones de dólares, lo que lo hace prohibitivo. Esta diferencia revela no solo el inmenso coste que entrañaban los predecesores de Blackwell, sino también la enorme cantidad de energía que se precisa para entrenar un LLM como ChatGPT-4.

Anteriormente, sólo el coste de energía que exige entrenar a semejante LLM podía alcanzar la friolera de 140 millones de USD, lo que haría inviable el proceso en términos económicos. Sin embargo, el enorme salto de eficiencia de computación que logran estos chips, especialmente en lo que respecta a eficiencia energética, ha hecho económicamente factible el entrenamiento de modelos LLM.

Este punto se ilustra en el Gráfico 1 según la métrica "julios de inferencia/token", que se utiliza para medir la eficiencia energética del procesamiento de tareas de lenguaje natural, particularmente en el contexto de modelos LLM como los que se utilizan para generar o comprender texto (p. ej., chatbots, sistemas de traducción). Aquí podemos ver que el Hopper de Nvidia (10) multiplica por 25 su eficiencia con respecto su sucesor Blackwell (0.4).

Un inconveniente inesperado

Ciertamente, Nvidia ha logrado avances en la IA gracias a sus innovaciones en la eficiencia energética de sus chips. Sin embargo, hay una advertencia importante a tener en cuenta. Aunque a menudo evaluamos la rentabilidad de estos chips en términos de potencia de computación por unidad de energía (operaciones de coma flotante por segundo (FLOPS) por vatio), conviene observar que los chips más nuevos vienen con una calificación de potencia más alta (Gráfico 2). Esto significa que, en términos absolutos, estos nuevos chips consumen más energía que sus predecesores.

Nota: Uso de energía por servidor (suponiendo cuatro chips por servidor).

Todo esto, unido al fuerte crecimiento de las ventas de Nvidia, que indica una increíble demanda de potencia informática por parte de compañías como Alphabet (Google), OpenAI, Microsoft y Meta, inducida por el creciente tamaño de los datos destinados a desarrollar tecnologías de IA, las implicaciones energéticas de la rápida expansión de la IA han empezado a causar asombro.

Curiosamente, gracias a las mejoras de eficiencia, el consumo de energía de los centros de datos globales se ha mantenido relativamente constante durante la última década, a pesar de haberse multiplicado por doce el tráfico de Internet y por ocho las cargas de trabajo de los centros de datos.¹ Un informe de la Agencia Internacional de la Energía (AIE) reveló que los centros de datos consumieron aproximadamente 460 teravatios-hora (TWh) en 2022, lo que representa en torno al 2% de la demanda mundial de energía ², que fue prácticamente el mismo nivel que en 2010.

Sin embargo, con la llegada de la IA y su necesidad imperiosa de energía, el consumo de electricidad de los centros de datos está abocado a dispararse. De hecho, la AIE estima que el consumo total de electricidad de los centros de datos podría duplicarse con creces hasta alcanzar más de 1.000 TWh en 2026, lo que equivale aproximadamente al consumo de electricidad de Japón.³ Esto pone de manifiesto el cambio de paradigma que está creando la demanda de IA en el crecimiento de la demanda de potencia. Desde la crisis financiera mundial, la demanda de electricidad en EE. UU. permaneció estancada en el 1 % anual... hasta hace poco.⁴ A raíz del auge de la IA, del aumento de la producción manufacturera/industrial y de las tendencias de electrificación generales, la demanda de electricidad estadounidense se estima que crecerá un 2,4 % anual.⁵ Además, a tenor del análisis de la información disponible divulgada por las empresas de tecnología, los proveedores de centros de datos públicos y las compañías de suministros, así como los datos de la Agencia de Investigación Ambiental, Barclays Research  estima que los centros de datos representan el 3,5 % del consumo de electricidad de EE. UU. en la actualidad; en este contexto, el consumo de electricidad de los centros de datos podría situarse por encima del 5,5 % en 2027 y en más del 9 % hacia 2030.⁶

La paradoja de la innovación, la eficiencia y la sostenibilidad

Este cambio de paradigma introduce el concepto de la Paradoja de Jevons, que tiene implicaciones para el consumo de energía y la sostenibilidad ambiental. Este concepto sugiere que la simple mejora de la eficiencia en el uso de recursos no basta para reducir el consumo total de recursos.

La paradoja lleva el nombre de William Stanley Jevons, un economista inglés que observó por primera vez este fenómeno en el siglo XIX durante la Revolución Industrial. En su libro de 1865 "The Coal Question", Jevons observó que las mejoras tecnológicas en las máquinas de vapor las hacían más eficientes en el uso del carbón. Sin embargo, esta mayor eficiencia no se tradujo en una reducción de la cantidad de carbón utilizado, sino que originó una gama más amplia de aplicaciones para la energía de vapor. En consecuencia, el consumo total de carbón aumentó drásticamente.

Esta paradoja parece ser igualmente aplicable hoy en día, ya que nos hallamos en los albores de una nueva revolución industrial impulsada por la IA. A medida que la innovación de los fabricantes de chips induce una escalada de la potencia de computación y de eficiencia de los chips, las ventajas potenciales de productividad de la IA en diversos sectores están originando una demanda aún mayor de la tecnología, lo que a su vez lleva a un aumento del consumo de energía a pesar de estas mejoras de eficiencia.

Para situar esto en contexto, en teoría, la transición de un centro de datos Hopper a otro impulsado por Blackwell debería traducirse en una reducción de cuatro veces el consumo de energía. Sin embargo, ocurre justo lo contrario, como se muestra en los datos del Gráfico 3, porque las grandes empresas de IA y los hiperescaladores maximizan el uso de estos chips más potentes y eficientes. Esto ha producido un aumento del número de GPU usados en centros de datos, lo que subraya la esencia de la paradoja de Jevons, según la cual una mayor eficiencia conduce a un mayor consumo general debido a la expansión del uso.

Preguntas críticas

Una barrera histórica para el desarrollo de la IA han sido los costes energéticos. Teniendo en cuenta las tendencias predominantes y sus implicaciones sobre la energía, surge una pregunta crucial: ¿de dónde va a venir esta potencia adicional y qué consecuencias tendrá en las emisiones?

Al examinar esta cuestión, se plantean tres áreas clave como puntos de actuación:

1. Cadena de valor de la electrificación

La demanda de energía de la IA, combinada con los efectos de la reindustrialización, los vehículos eléctricos (VE) y la migración a la energía renovable, está creando excelentes condiciones de mercado para las empresas expuestas a la electrificación. Prueba de ello son las compañías energéticas Vistra y Constellation Energy, que se encuentran entre los valores estadounidenses más rentables en lo que va de año, al haberse apreciado más del 282% y el 105%, respectivamente, en el momento de la publicación.⁷

2. Limitaciones físicas

También debemos examinar las posibles limitaciones físicas para el crecimiento de la IA. Esto abarca no solo las limitaciones de la tecnología y la infraestructura actuales, sino también la disponibilidad de los recursos que se necesitan para satisfacer la creciente demanda energética de la tecnología.

3. Perfil de emisiones

Para abordar estos problemas, los grandes hiperescaladores han reafirmado sus compromisos con las vías de descarbonización y algunos han recurrido a la energía nuclear como solución, aunque esto conlleva sus propias consideraciones ambientales. Debemos tener en cuenta el perfil de emisiones de la IA y el impacto medioambiental general que supone el aumento del consumo de energía. Esto comprende no solo las emisiones inmediatas procedentes de la generación de energía, sino también su sostenibilidad a largo plazo. Los perfiles de emisiones de las grandes compañías tecnológicas apenas han disminuido en los últimos años, y el auge de la IA ha creado demandas energéticas aún mayores. Según un estudio realizado por la startup de IA Hugging Face y la Universidad Carnegie Mellon, el uso de la IA generativa para crear una sola imagen exige tanta energía como la carga completa de un smartphone.⁸

Energía nuclear para atender la demanda de energía de la IA

Para mostrar las implicaciones de la creciente demanda de energía de la IA en el mundo real, Microsoft anunció recientemente un acuerdo con Constellation Energy relativo a la puesta en servicio de un reactor nuclear de 835 megavatios (MW) en el centro Three Mile Island en Pennyslyvania.⁹

Este acuerdo evidencia la magnitud de los esfuerzos que se están realizando para satisfacer las crecientes necesidades de energía de la IA. Esta medida forma parte del compromiso más amplio de Microsoft con su ruta de descarbonización, lo que demuestra cómo la demanda de energía de las empresas se entrecruza con las soluciones de energía sostenible.

El coste de la puesta en servicio del reactor nuclear se estima en 1.600 millones de dólares, con un plazo previsto de tres años para entrar en funcionamiento y una fecha de finalización pretendida por Microsoft en 2028.

En octubre, Alphabet cursó un pedido de siete pequeños reactores modulares (SMR) de Kairos Power, con sede en California, para ofrecer una solución con bajo consumo de carbono que permitiera dar suministro energético a sus centros de datos ante el creciente aumento de la demanda de IA y almacenamiento en la nube. Se prevé que el primero de estos SMR quedará terminado en 2030 y el resto entrará en servicio en 2035.¹⁰ Amazon también anunció que ha firmado tres nuevos acuerdos para financiar el desarrollo de proyectos de energía nuclear, incluida la construcción de varios SMR nuevos para atender la creciente demanda de energía.¹¹

Estas iniciativas ponen de relieve las cuantiosas inversiones y plazos que se requieren para garantizar las capacidades energéticas adicionales que permitan cubrir la creciente demanda de energía que absorben las tecnologías modernas de computación e IA. En el futuro se espera el lanzamiento de más iniciativas, ya que la demanda incremental de capacidad de los centros de datos en el mercado estadounidense previsiblemente crecerá un 10 % anual durante los próximos cinco años.¹² Como resultado de este crecimiento, los centros de datos podrían representar hasta el 10 % del suministro total de energía de EE. UU. hacia 2030, lo cual es significativo, dado que Rystad Energy augura que la demanda total de energía del país crecerá en 175 TWh entre 2023 y 2030, lo que elevará la demanda a 4.500 TWh.¹³

Aunque Microsoft está apostando por la energía nuclear, una fuente de electricidad exenta de carbono en el marco de sus esfuerzos de descarbonización, tenemos ciertas reservas y dudas sobre cómo se cubrirá el déficit energético necesario para respaldar este crecimiento de la IA y los centros de datos.

Impulsando el futuro

A principios de este año, nos pusimos en contacto con Microsoft ante el aumento de sus emisiones y su compromiso con el abastecimiento de energía renovable para sus centros de datos. En agosto nos alegró comprobar que la compañía estaba abordando las dudas en torno a las crecientes necesidades energéticas de la IA y el giro resultante hacia prácticas sostenibles en toda la industria durante su presentación ante el Comité Selecto del Senado australiano sobre la adopción de la IA.¹⁴

El hiperescalador reconoció que los modelos de IA y los servicios vinculados a ellos requieren mucha más potencia que los servicios tradicionales en la nube, lo cual constituía un importante problema que el sector debía abordar. Microsoft también declaró que seguía por buen camino para alcanzar sus objetivos de cero emisiones netas y de agua positiva hacia 2030 en su estrategia de sostenibilidad. Aunque cuando se establecieron los objetivos en 2020 se desconocía la magnitud del aumento de la demanda energética, el uso de energía renovable y nuclear debería permitirla cumplir su compromiso de manera sostenible.

El fundador de Microsoft, Bill Gates, ha instado a los responsables políticos mundiales a no "exagerar" en su preocupación por la huella energética de la IA, al señalar que la tecnología probablemente desempeñará un papel decisivo en la consecución de los objetivos de cero emisiones netas al reducirse la demanda mundial.

La IA y la transición energética

Los avances en IA, cuando se combinan con innovaciones en energías renovables, pueden ser la clave para satisfacer la creciente demanda de energía de un modo sostenible. La AIE informó que, según una estimación, la inversión del sector energético en tecnología solar fotovoltaica (PV) excederá de 500.000 millones de dólares en 2024, superando a todas las demás fuentes de generación combinadas.¹⁵ Al integrar la IA en diversas aplicaciones de energía solar, como el uso de tecnología para analizar datos meteorológicos y elaborar pronósticos climáticos más precisos, se puede mitigar el suministro intermitente de energía.¹⁶ Los investigadores también recurren a la IA para acelerar la innovación en los sistemas de almacenamiento de energía, dado que las baterías de litio convencionales que existen actualmente no pueden cumplir los requisitos de eficiencia y capacidad.¹⁷ Aunque la IA creará una demanda adicional de energía, también podría resolver los retos relacionados con la transición a cero emisiones netas.

En abril, el Departamento de Energía de Estados Unidos (DoE) publicó un informe en el que se describía cómo la IA tenderá a desempeñar un papel vital a la hora de acelerar el desarrollo de un sistema eléctrico 100 % limpio.¹⁸

Se expusieron oportunidades significativas en las siguientes áreas:

• Mejor planificación de la red: Se emplean datos climáticos detallados del Laboratorio Nacional de Energía Renovable, combinados con sofisticadas técnicas de aprendizaje automático generativo, para integrar mejor las fuentes de energía renovable fluctuantes.
• Aumento de la resiliencia de la red: La capacidad de la IA para analizar rápidamente vastos conjuntos de datos e identificar patrones intrincados puede ayudar a los operadores de la red eléctrica a identificar rápidamente los problemas y reaccionar ante interrupciones en el suministro de energía, o evitarlas.
• Identificación de materiales innovadores: Acelerar el descubrimiento de nuevos materiales es esencial para las tecnologías de energía limpia, incluidas las baterías que precisan menos litio, los nuevos materiales eficaces en la energía solar o los catalizadores mejorados para aumentar la producción de hidrógeno.

Más allá de la red, la IA podría desempeñar un papel relevante al admitir diversas aplicaciones que pueden contribuir al desarrollo de una economía de energía limpia y justa, señaló el DoE. Lograr un objetivo de cero emisiones netas de gases de efecto invernadero (GEI) en toda la economía implica superar distintos retos en varios sectores, como el transporte, la edificación, la industria y la agricultura.

Estamos asistiendo a indicios de una creciente demanda de IA en varios sectores, incluidos la salud, el transporte, las finanzas y la industria, una tendencia que prevemos que se mantendrá a largo plazo.

Como equipo, nos hemos beneficiado de la participación en la IA y del tránsito más general hacia la electrificación y la reindustrialización. Sin embargo, somos conscientes de que las emisiones de carbono podrían aumentar debido a la expansión de la IA, por lo que estamos siguiendo de cerca los compromisos de descarbonización de compañías como Nvidia y Microsoft. Aunque creemos que las emisiones aumentarán a corto plazo, somos optimistas al creer que la IA contribuirá en última instancia a los esfuerzos de descarbonización a través de la innovación y las mejoras de productividad, y confiamos en que la mayor demanda de energía se atenderá mediante una mayor inversión en energía limpia.

A pesar de ser un año marcado por importantes cambios políticos en todo el mundo, mantenemos nuestras perspectivas positivas para invertir en renta variable sostenible. Las presiones inflacionarias están remitiendo y la política monetaria parece estar adoptando una dirección más favorable. Con independencia del panorama político, las tendencias fundamentales en las que nos centramos siguen avanzando y desarrollándose.

Información importante

Las referencias a títulos específicos no constituyen una recomendación para la compra, venta, o el mantenimiento de ningún valor, estrategia de inversión o sector del mercado, y no se ha de suponer que sean rentables. Janus Henderson Investors, su asesor afiliado o sus empleados pueden tener una posición en los valores mencionados.

No hay garantía de que las tendencias pasadas continúen o que las previsiones vayan a cumplirse.

La rentabilidad histórica no predice las rentabilidades futuras.

La inversión sostenible o basada en aspectos Ambientales, Sociales y de Gobernanza (ASG) examina factores que van más allá del tradicional análisis financiero. Esto puede limitar las inversiones disponibles y hacer que la rentabilidad y las exposiciones difieran de las del mercado en general y estén potencialmente más concentradas en determinadas áreas.