Una paradoja de 1865 detrás de nuestra AI photo trend de los años 80

Hace unas semanas las redes sociales empezaron a llenarse de fotografías que parecían rescatadas de un álbum familiar de los años ochenta. Peinados imposibles, denim, iluminación de estudio, colores ligeramente desvaídos. La diferencia es que muchas de esas fotografías nunca existieron. Eran imágenes actuales reinterpretadas por herramientas de inteligencia artificial generativa.

El llamado 1980s AI photo trend se ha extendido rápidamente por redes sociales utilizando herramientas como ChatGPT o Gemini. Como anteriormente ocurrió con las imágenes inspiradas en Studio Ghibli, basta subir una fotografía, escribir unas instrucciones y esperar unos segundos. Lo que para nosotros es prácticamente un clic desencadena, sin embargo, una operación computacional mucho más compleja en algún centro de datos.

Y ahí aparece una pregunta interesante: ¿cuánto cuesta realmente nuestra nostalgia digital?

La respuesta más rigurosa es probablemente la menos atractiva para un titular: no lo sabemos con precisión. Y, por ello, debemos evitar afirmaciones tipo “cada foto consume 29 ml de agua” que circulan con frecuencia estos días.

El coste que no vemos

Una imagen generada por IA parece intangible. No hay materias primas visibles, transporte, embalaje ni residuos delante de nosotros.

Pero lo digital también tiene una infraestructura física. Cada generación requiere procesadores especializados, electricidad, sistemas de refrigeración, redes de comunicaciones y centros de datos. A ello habría que añadir el impacto asociado a fabricar chips, construir esas instalaciones y mantener una infraestructura que debe responder prácticamente de forma instantánea a millones de peticiones.

El coste concreto de una imagen, además, varía enormemente.

Un estudio publicado en 2025 comparó 17 modelos de generación de imágenes y encontró diferencias de consumo energético de hasta 46 veces entre unos y otros. Incluso duplicar la resolución podía incrementar el consumo entre 1,3 y 4,7 veces dependiendo del modelo. Algo aparentemente tan sencillo como preguntar “¿cuánta energía consume una imagen generada con IA?” no tiene, por tanto, una respuesta universal.

El modelo empleado, el hardware, la resolución, el centro de datos, su localización, la fuente de electricidad y el sistema de refrigeración importan.

Por eso deberíamos ser prudentes con algunas cifras espectaculares que circulan en redes sociales sobre los litros de agua o los vatios consumidos por cada consulta. Con frecuencia mezclan modelos diferentes, momentos tecnológicos distintos o estimaciones realizadas bajo condiciones concretas y las convierten en supuestas constantes universales.

Lo que sí tenemos, sin embargo, son datos que ayudan a entender la magnitud de la situación.

Google publicó en 2025 una estimación según la cual una petición mediana de “texto” a Gemini utilizaba aproximadamente 0,24 Wh de electricidad (equivalente, por ejemplo, a tener una bombilla de 60 W encendida durante unos 14 segundos), generaba unos 0,03 gramos de CO₂ equivalente y consumía aproximadamente 0,26 mililitros de agua. Pero hay dos matices fundamentales. Primero, estamos hablando de texto, no de generación de imágenes. Segundo, Google aseguraba que el consumo energético por petición había disminuido 33 veces en apenas doce meses, mientras que su huella de carbono se había reducido 44 veces.

A primera vista parece una magnífica noticia. Y lo es.

Pero solo es una parte de la historia.

Una paradoja de hace 160 años

En 1865, en plena Revolución Industrial, el economista británico William Stanley Jevons publicó The Coal Question. Jevons observó algo aparentemente contradictorio: las mejoras en la eficiencia de las máquinas de vapor no estaban reduciendo el consumo británico de carbón. Al contrario, al hacer más rentable su utilización, estaban extendiendo sus aplicaciones y aumentando el consumo agregado.

Hoy conocemos este fenómeno como “la paradoja de Jevons”.

Más eficiencia reduce el coste de utilizar un recurso. Ese menor coste facilita nuevas aplicaciones, amplía el mercado y aumenta el número de usos. Si ese crecimiento supera el ahorro conseguido gracias a la eficiencia, el consumo total acaba aumentando.

Figura 1. Paradoja de Jevons: efecto rebote de la eficiencia sobre el consumo total de recursos. Fuente: elaboración propia, basada en Jevons (1865), representada mediante un diagrama causal de dinámica de sistemas.

Más de 160 años después, Jevons puede ayudarnos a entender algo que ocurre con la inteligencia artificial.

Los modelos son cada vez más eficientes. El hardware mejora. Los algoritmos se optimizan. El coste de inferencia disminuye. Pero, precisamente por ello, utilizamos IA para cada vez más cosas: algunas extraordinariamente útiles y otras, digamos, algo menos esenciales para el progreso de la humanidad como, por ejemplo, averiguar cómo habríamos lucido con un mullet en 1987.

Generamos una fotografía. No nos convence y generamos otra. Cambiamos el fondo. Después el peinado. Probamos cómo seríamos en los años ochenta, cómo seríamos mayores o cómo apareceríamos convertidos en un personaje cinematográfico.

El coste marginal percibido por el usuario es prácticamente cero. Y cuando el precio psicológico y económico de generar una imagen se aproxima a cero, nuestra demanda puede aproximarse al infinito.

Figura 2. Relación conceptual entre el coste marginal percibido y la demanda de generación de imágenes mediante IA.

*Nota: Representación conceptual e ilustrativa. La curva no se basa en datos empíricos ni pretende establecer una función de demanda cuantitativa.

Investigadores como Alexandra Sasha Luccioni, Emma Strubell y Kate Crawford han aplicado explícitamente la paradoja de Jevons al debate ambiental de la inteligencia artificial. Su argumento es relevante: “mejorar la eficiencia técnica no garantiza por sí mismo una reducción del impacto ambiental”, porque esa eficiencia puede estimular un aumento todavía mayor de la demanda.

El problema, por tanto, quizá no sean nuestras fotografías de los ochenta: el problema es la escala.

Del coste por prompt al coste del sistema

Durante los primeros años de la actual revolución/democratización de la IA, una parte importante de la conversación sobre sostenibilidad se centró en el coste de “entrenar” grandes modelos.

Ahora estamos entrando en otra fase.

Una vez entrenado un modelo, millones de personas pueden utilizarlo continuamente. Cada consulta, cada imagen, cada vídeo y cada agente ejecutando tareas requiere inferencia. Una operación individual puede hacerse cada vez más barata, pero multiplicada por cientos de millones de usuarios, empresas y aplicaciones puede representar un volumen extraordinario de computación.

La Agencia Internacional de la Energía estima que los centros de datos consumieron aproximadamente 460 TWh de electricidad en 2024 y proyecta que su demanda podría superar los 900 TWh en 2030. En su escenario central, el consumo crecería alrededor del 15 % anual hasta entonces, más de cuatro veces más rápido que el crecimiento del consumo eléctrico del resto de sectores. La IA es uno de los principales motores de ese incremento.

La estimación más reciente de la propia IEA mantiene prácticamente esa trayectoria: alrededor de 950 TWh en 2030, cerca del 3 % de la electricidad mundial, mientras que el consumo de los centros de datos específicamente orientados a IA podría triplicarse entre 2025 y 2030.

Conviene también poner estos números en perspectiva. La IA no es responsable de todo el consumo de los centros de datos, ni todos sus usos tienen el mismo impacto. Y la propia inteligencia artificial puede contribuir a optimizar redes eléctricas, mejorar procesos industriales, desarrollar nuevos materiales o reducir consumos en otros sectores. Convertir el debate en “IA buena” frente a “IA mala” sería excesivamente simplista.

La pregunta interesante es otra: ¿para qué utilizamos la computación adicional que estamos creando?

Eficiencia no es lo mismo que sostenibilidad

Aquí existe una lección importante también para las empresas.

Estamos acostumbrados a medir la eficiencia tecnológica mediante indicadores unitarios: coste por transacción, energía por operación, tiempo por consulta o coste por millón de tokens.

Son indicadores necesarios, pero insuficientes.

Una compañía puede reducir a la mitad el consumo energético de cada operación y, simultáneamente, multiplicar por diez el número de operaciones. Técnicamente será mucho más eficiente. En términos absolutos consumirá cinco veces más.

Por eso, en IA deberíamos mirar simultáneamente eficiencia, volumen y valor generado.

No tiene demasiado sentido culpabilizar al usuario por generar una divertida fotografía de los años ochenta. Ese enfoque convertiría un problema sistémico en una cuestión de responsabilidad individual y probablemente nos impediría entender lo verdaderamente importante.

La foto es interesante porque hace visible algo que normalmente permanece invisible.

Cada vez que una tecnología reduce radicalmente el coste de hacer algo, tendemos a hacerlo mucho más.

Cuando almacenar fotografías era caro, seleccionábamos cuáles conservar. Cuando la fotografía digital hizo prácticamente gratuito disparar una imagen, empezamos a producir miles. Cuando enviar información pasó a ser prácticamente gratuito, multiplicamos exponencialmente los datos que generamos y almacenamos.

Con la IA estamos probablemente entrando en una dinámica similar, pero aplicada a la cognición y a la creación artificial. Textos, imágenes, vídeos, análisis, simulaciones y decisiones que antes requerían minutos, horas o días pueden generarse ahora en segundos. Eso representa una extraordinaria oportunidad económica y social.

Pero también significa que no podemos confiar exclusivamente en que los próximos chips o modelos sean más eficientes para resolver el impacto ambiental de la inteligencia artificial.

Jevons ya nos advirtió de ello hace 160 años. Quizá por eso una aparentemente inocente fotografía que nos devuelve a los años ochenta contiene una lección mucho más contemporánea: el verdadero coste de la inteligencia artificial no depende únicamente de cuánto consume cada operación, sino de qué ocurre cuando hacerla se vuelve tan fácil y barato que decidimos realizarla millones (o miles de millones) de veces.

La próxima gran cuestión sobre sostenibilidad de la IA quizá no sea cuánto cuesta generar una imagen. Podría ser decidir cuánto valor somos capaces de generar con toda la computación que estamos dispuestos a consumir.