Agentes autónomos de IA consumen hasta 136 veces más energía que chatbots

El estudio que cambia la conversación energética

Cuando interactúas con ChatGPT para hacer una pregunta, el consumo energético es significativo pero manejable. Cuando ese mismo modelo actúa como agente autónomo —planificando, usando herramientas, ejecutando código, navegando la web—, el consumo puede multiplicarse hasta 136,5 veces. Ese es el hallazgo principal de un estudio publicado por investigadores del Korea Advanced Institute of Science and Technology (KAIST) en el 32nd IEEE International Symposium on High-Performance Computer Architecture, presentado en febrero de 2026. El paper, que ha recibido atención masiva en medios como Gizmodo, ofrece datos concretos que están redefiniendo la conversación sobre el coste energético de la IA.

El problema no es solo el consumo pico: es lo que ocurre mientras el agente espera. Este estudio llega en un momento en que la industria de la IA está apostando fuertemente por los agentes autónomos, desde asistentes de código hasta sistemas de automatización empresarial. El consumo energético adicional podría tener implicaciones significativas en los costes operativos de los centros de datos y en la huella de carbono de la IA. Además, el hallazgo de que las GPU están inactivas más de la mitad del tiempo sugiere que hay un enorme margen de mejora en la eficiencia de los sistemas actuales.

¿Qué midió el equipo de KAIST?

El equipo del profesor Minsoo Rhu diseñó el primer análisis sistemático del consumo energético de los agentes de IA como una nueva categoría de carga de trabajo para centros de datos. Midieron el consumo real de energía de extremo a extremo, desde que llega el prompt del usuario hasta que se entrega la respuesta final. Los resultados más llamativos:

• Un agente de IA consume hasta 136,5 veces más energía por consulta que un modelo generativo convencional operando como chatbot.
• La latencia de respuesta puede ser 153,7 veces mayor para tareas agentivas complejas.
• Las GPU pueden estar inactivas hasta el 54,5% del tiempo durante la ejecución de una tarea agentiva, esperando respuestas de herramientas externas (APIs, navegadores, ejecutores de código).
• Un agente basado en un modelo de 70.000 millones de parámetros consume una media de 348,41 vatios-hora por consulta.

Para ponerlo en perspectiva, una consulta típica a un chatbot consume alrededor de 2,55 vatios-hora, según estimaciones del estudio. Un agente que realiza múltiples pasos de razonamiento, llama a APIs y procesa resultados puede fácilmente disparar ese número. Los investigadores también observaron que el consumo varía enormemente según la tarea: desde 10 veces más para tareas simples hasta las 136 veces para escenarios complejos como la generación de informes con datos en tiempo real.

Contexto histórico: la evolución del consumo energético en IA

Este estudio no surge de la nada. Desde 2020, varios trabajos han alertado sobre el creciente consumo energético de los grandes modelos de lenguaje. Por ejemplo, un estudio de 2023 de la Universidad de California, Riverside, estimó que el entrenamiento de GPT-3 consumió alrededor de 1.287 MWh, equivalente a las emisiones de 120 coches durante un año. Sin embargo, el foco ahora se desplaza del entrenamiento a la inferencia, y más concretamente a la inferencia agentiva. A diferencia de los chatbots, que generan respuestas en un solo paso, los agentes ejecutan bucles de razonamiento-acción-observación, lo que multiplica las iteraciones y, por tanto, el consumo. Este fenómeno se asemeja a lo que ocurrió con la computación en la nube: inicialmente se subestimó el coste de las instancias inactivas, y luego surgieron soluciones como los spot instances. De manera análoga, el 54,5% de inactividad de las GPU en tareas agentivas representa un desperdicio que la industria deberá abordar.

Impacto en empresas y usuarios

Para las empresas que despliegan agentes de IA, esto significa que los costes energéticos podrían ser mucho más altos de lo previsto. Un agente que procesa 1.000 consultas al día podría consumir hasta 348 kWh diarios, lo que a un precio medio industrial de 0,10 USD/kWh supone 34,8 USD al día, o más de 10.000 USD al año por agente. En un centro de datos con miles de agentes, el impacto es masivo. Los proveedores de infraestructura como Nvidia, AMD o Google podrían necesitar rediseñar sus arquitecturas para manejar cargas de trabajo agentivas de manera más eficiente. Por ejemplo, Nvidia ya ha comenzado a optimizar sus GPU para inferencia, pero el tiempo de inactividad durante las esperas de herramientas externas sugiere que se necesitan nuevas técnicas, como la ejecución asíncrona o la virtualización de GPU. También abre la puerta a nuevas startups que optimicen el uso de GPU durante los tiempos de espera, similar a lo que hizo Docker con la contenedorización. Para los usuarios finales, aunque no paguen directamente la factura energética, el coste podría trasladarse a precios más altos de suscripción o a una menor disponibilidad de servicios gratuitos.

Consecuencias para el mercado

El estudio de KAIST tiene implicaciones directas en el mercado de la IA. Empresas como OpenAI, Google y Anthropic, que están apostando por agentes autónomos, deberán reconsiderar sus modelos de negocio. Por ejemplo, OpenAI lanzó recientemente 'Operator', un agente que puede realizar tareas en la web, y este estudio sugiere que su coste operativo es mucho mayor que el de ChatGPT. Esto podría justificar precios más altos o modelos de suscripción escalonados. Además, los fabricantes de hardware como Nvidia podrían ver una oportunidad en el diseño de chips especializados para cargas de trabajo agentivas, con mejor gestión de la latencia y el consumo en espera. AMD y las startups de chips de IA también podrían beneficiarse si logran ofrecer soluciones más eficientes. Por otro lado, las empresas de software de virtualización y orquestación, como VMware o Kubernetes, podrían desarrollar herramientas para minimizar el tiempo de inactividad de las GPU, por ejemplo, mediante la programación de tareas paralelas o la reasignación dinámica de recursos.

¿Qué deben saber los lectores?

No todos los agentes de IA consumirán 136 veces más energía; el factor depende de la complejidad de la tarea y del número de herramientas utilizadas. Sin embargo, el estudio de KAIST es una llamada de atención: la eficiencia energética debe ser una prioridad en el diseño de sistemas agentivos. Los usuarios y empresas deberían considerar el impacto ambiental y económico al adoptar estas tecnologías. Además, los investigadores señalan que las métricas actuales de eficiencia (como el coste por token) no capturan el coste real de los agentes, y proponen nuevas métricas como el 'coste energético por tarea completada'. En resumen, estamos ante un cambio de paradigma: de la IA conversacional a la IA agentiva, y con él, un nuevo conjunto de desafíos energéticos que la industria deberá resolver para que la promesa de los agentes autónomos sea sostenible a largo plazo.