Quan es parla de la intel·ligència artificial, sovint només es pensa en la part “guai”: aplicacions creatives, respostes ràpides, o projectes que semblen futuristes. Però darrere d’això hi ha un consum energètic enorme. Entrenar un model gran pot gastar tanta electricitat com desenes de famílies en un any, i això es tradueix en emissions de CO₂ que no es veuen però que acaben afectant el planeta. A més, cal recordar que els servidors necessiten refrigeració constant i que la fabricació de xips implica extreure metalls rars i utilitzar molta aigua. Tot plegat té un cost ambiental que sovint s’amaga darrere de la pantalla.
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.