Quan parlem de la IA sempre ho veiem com un treballador que simplement se li assignen tasques i ja aquesta, com si no tingués un impacte en l’ús de recursos a la vida real, al cap ia la fi la majoria de la gent comú l’usa per a coses vanals sense importància, i no li presta molta atenció al consum de recursos que generar una simple imatge feta amb ia segons calculs es pot dir hem de tenir més cura sobre com fem servir aquesta tecnologia i tenir en compte que els recursos que s’utilitzen per això generen molt CO2 també.
Consum energètic: entrenar un model de llenguatge gran pot consumir tanta electricitat com 30 llars en un any.
Emissions de CO₂: la fabricació d’un sol servidor pot emetre fins a 1,5 tones de CO₂.
Ús de recursos hídrics: empreses com TSMC utilitzen milions de litres d’aigua al dia per produir microxips.
Materials crítics: la producció de xips implica l’extracció de coure, liti i or.
| Tecnologia | Consum energètic (aprox.) | Emissions CO₂ | Ús de recursos |
|---|---|---|---|
| IA generativa | 500–600 MWh per entrenament | 1,5 tones CO₂ per servidor | Alt: aigua + metalls rars |
| Blockchain (Bitcoin) | 700 MWh per transacció global | 2 tones CO₂ per transacció | Alt: energia constant |
| Streaming de vídeo HD | 0,1 MWh per 100 h de vídeo | 0,05 tones CO₂ | Mitjà: dades + refrigeració |
| Servidors web tradicionals | 50 MWh anuals | 0,2 tones CO₂ | Baix-mitjà |
Entrenament eficient: reduir la mida dels models quan no calen capacitats extremes.
Energia renovable: alimentar centres de dades amb solar, eòlica o hidrà
Reutilització de maquinari: allargar el cicle de vida dels servidors i fomentar el reciclatge de components.
Optimització d’ús: evitar aplicacions trivials de la IA que consumeixen recursos sense aportar valor real.
Transparència: exigir que les empreses publiquin dades sobre consum energètic i emissions per cada model entrenat.