La expansión de los centros de datos para inteligencia artificial está entrando en una fase incómoda. Ya no se discute solo cuánta electricidad consumen, cuánta agua necesitan o dónde deben conectarse a la red. Ahora aparece otra pregunta: si estas instalaciones pueden elevar la temperatura local de las zonas donde se construyen.
Un estudio publicado en arXiv en abril de 2026, firmado por investigadores vinculados a la Universidad de Cambridge y otras instituciones, plantea precisamente eso. El trabajo analiza temperaturas de superficie terrestre mediante satélite entre 2004 y 2024, cruza esos datos con ubicaciones de centros de datos y concluye que, tras el inicio de operación de estas instalaciones, se observa un aumento medio de 2,07 ºC en la temperatura de superficie sobre la zona analizada. El rango va de 0,3 ºC a 9,1 ºC, con el 95 % de los casos concentrado entre 1,5 ºC y 2,4 ºC.
El dato es llamativo, pero conviene leerlo sin convertirlo en eslogan. El estudio habla de temperatura de superficie terrestre, no necesariamente de temperatura del aire que percibe una persona al caminar por la calle. Además, agrupa centros de datos construidos durante dos décadas, desde 2004 hasta 2024. Ese detalle importa mucho: buena parte de esas instalaciones nacieron antes del boom reciente de la IA generativa, así que llamar a todo el fenómeno “isla de calor de la IA” puede ser una simplificación demasiado cómoda.
Qué dice realmente el estudio
El paper utiliza datos MODIS de temperatura de superficie terrestre, reconstruidos a escala global con una resolución mejorada de 500 metros, y los combina con ubicaciones de centros de datos. Los autores parten de más de 11.000 localizaciones, filtran las situadas en zonas urbanas densas y trabajan con 8.472 centros de datos fuera de esas áreas. Después de limpiar datos problemáticos y valores atípicos, el análisis se apoya en 6.733 puntos.
La metodología compara la temperatura antes y después del arranque de cada centro de datos. Según los autores, el incremento no se limita al punto exacto de la instalación. El efecto seguiría siendo medible hasta 10 kilómetros, aunque se debilita con la distancia. El estudio indica que un aumento medio mensual de 1 ºC puede medirse hasta unos 4,5 kilómetros, y que la intensidad cae de forma clara alrededor de los 7 kilómetros.
También estima que más de 340 millones de personas podrían vivir dentro del radio de influencia de este tipo de “data heat islands”. La cifra se calcula cruzando los radios de 10 kilómetros alrededor de los centros de datos con mapas de población de WorldPop.
| Elemento del estudio | Dato principal |
|---|---|
| Periodo analizado | 2004-2024 |
| Fuente térmica | Temperatura de superficie terrestre por satélite |
| Localizaciones iniciales | Más de 11.000 centros de datos |
| Centros fuera de zonas urbanas densas | 8.472 |
| Puntos usados tras limpieza | 6.733 |
| Aumento medio observado | 2,07 ºC |
| Rango observado | 0,3-9,1 ºC |
| Percentil 95 | 1,5-2,4 ºC |
| Alcance estimado | Hasta 10 km |
| Población potencialmente expuesta | Más de 340 millones |
Estos números merecen atención. El problema es que no todos admiten una lectura directa.
El matiz metodológico: ¿calor de IA o cambio de uso del suelo?
El primer matiz está en la propia etiqueta. El paper habla de “AI data centres” e “AI hyperscalers”, pero la serie temporal empieza en 2004. En aquel momento no existía el despliegue actual de modelos fundacionales, ni la demanda masiva de GPUs para entrenamiento e inferencia, ni la carrera de centros de datos pensados específicamente para IA generativa. Había centros de datos, cloud, hosting, colocation, redes y servicios digitales, pero no el patrón de consumo que se asocia hoy a la IA.
Eso no invalida el estudio, pero sí obliga a afinar el titular. Lo que el trabajo parece medir con más solidez es el impacto térmico local asociado a la implantación de centros de datos en determinadas ubicaciones. Atribuirlo de forma exclusiva a la IA es más discutible.
El segundo matiz es físico. Una parte del aumento de temperatura puede venir de la disipación energética de la instalación, pero otra puede estar relacionada con el cambio de uso del suelo: asfalto, cubiertas, explanadas, aparcamientos, menor vegetación, viales y materiales con baja reflectancia. Es el efecto urbano clásico, llevado a una infraestructura concreta.
Los autores intentan reducir esa contaminación metodológica excluyendo centros situados en zonas urbanas densas, precisamente para evitar que fábricas, calefacción, tráfico, viviendas o actividades industriales mezclen demasiado la señal. Aun así, la duda permanece: una parcela rural convertida en instalación técnica no cambia solo porque empiece a computar, sino porque se urbaniza.
También conviene recordar que los centros de datos no son todos iguales. No es lo mismo una sala técnica de hace 15 años que un campus hyperscale actual, ni una instalación con refrigeración por aire que otra con refrigeración líquida, ni un centro ubicado en un clima seco que otro conectado a redes de calor urbano.
Lo que no conviene exagerar
Hay una tentación evidente: presentar el centro de datos como una especie de radiador gigante que calienta barrios enteros por sí solo. La realidad es más compleja. Toda la electricidad consumida en un centro de datos acaba convirtiéndose en calor, pero el impacto local depende de cómo se disipa, de la superficie ocupada, del diseño del recinto, del clima, del viento, de la vegetación, del aislamiento, de la refrigeración y del entorno construido.
Dicho de otra forma: el calor existe, pero no todo aumento térmico alrededor de un centro de datos puede atribuirse únicamente a los servidores. En muchos casos, el factor dominante podría ser la transformación física del suelo.
| Riesgo de lectura rápida | Matiz necesario |
|---|---|
| “La IA sube 2 ºC la temperatura del barrio” | El estudio mide temperatura de superficie, no siempre temperatura del aire |
| “Todos son centros de datos de IA” | La muestra cubre 2004-2024, antes del boom de IA generativa |
| “El calor viene solo de los servidores” | También influyen asfalto, cubiertas, vegetación, albedo y urbanización |
| “El efecto llega igual hasta 10 km” | El impacto se reduce con la distancia |
| “No hay regulación” | En Europa ya existen obligaciones crecientes de reporte y eficiencia |
La crítica metodológica, por tanto, no debería usarse para negar el problema. Debería servir para enfocarlo mejor.
El problema real: más infraestructura para software poco frugal
Los centros de datos, sobre todo en Europa, no operan en un vacío regulatorio. La Directiva de Eficiencia Energética de la UE introdujo obligaciones de reporte para centros de datos con demanda instalada de TI superior a 500 kW, y la Comisión Europea trabaja sobre una base común de datos y estándares mínimos de rendimiento para el sector.
Eso no significa que el impacto esté resuelto. Significa que la conversación debe pasar de “el edificio contamina” a una pregunta más incómoda: qué software estamos ejecutando y con qué disciplina energética.
La IA generativa ha normalizado una cultura de abundancia computacional. Prompts más largos, respuestas innecesariamente extensas, modelos generalistas usados para tareas pequeñas, almacenamiento sin limpieza, reintentos automáticos, agentes que consultan demasiadas herramientas y sistemas que compensan la mala eficiencia con más hardware. El centro de datos es el contenedor visible, pero muchas decisiones de consumo nacen en el diseño del software.
La Agencia Internacional de la Energía prevé que el consumo eléctrico global de los centros de datos se duplique hasta unos 945 TWh en 2030, cerca del 3 % del consumo eléctrico mundial. También señala que, entre 2024 y 2030, la electricidad consumida por centros de datos crecería en torno a un 15 % anual, mucho más rápido que el resto de sectores.
Ese crecimiento no se controla solo con mejores refrigeradores. Hace falta trabajar en modelos más pequeños, inferencia más eficiente, reutilización de cómputo, límites de contexto razonables, carbon-aware scheduling, apagado de cargas inútiles, arquitecturas más sobrias y métricas de sostenibilidad integradas en la operación.
Los hiperescaladores también tienen una deuda de transparencia
Hay otro punto que suele quedar fuera del debate público. Muchas organizaciones usan IA y cloud sin saber con precisión qué huella ambiental genera cada cliente, cada workload o cada servicio. Los grandes proveedores publican informes de sostenibilidad, pero el dato granular necesario para que una empresa incorpore ese consumo a sus propios reportes sigue siendo limitado.
Para una compañía que quiere medir su impacto real, no basta con conocer el consumo agregado de un proveedor. Necesita datos por región, tipo de servicio, consumo energético, agua, emisiones asociadas, reutilización de calor, PUE, WUE y evolución temporal. Sin esa granularidad, la sostenibilidad se convierte en una estimación demasiado gruesa.
El propio estudio plantea medidas tanto de software como de hardware. Entre las primeras cita selección más eficiente de datos, compresión, poda de modelos y estrategias de inferencia con menor huella. Entre las segundas menciona circuitería más eficiente, respuesta dinámica de potencia, refrigeración coordinada y técnicas pasivas como recubrimientos radiativos para reducir carga térmica.
Qué deberían hacer los equipos TIC
La lectura práctica para administradores de sistemas, arquitectos cloud, equipos DevOps y responsables de infraestructura es clara: la sostenibilidad tiene que entrar en los KPIs técnicos. No puede quedarse en una memoria anual.
Durante años se ha medido disponibilidad, latencia, coste, throughput, uso de CPU, memoria, IOPS o errores. Ahora hay que añadir eficiencia por transacción, consumo por consulta, coste energético por inferencia, ocupación real de recursos, datos almacenados sin uso, ratio de reutilización, huella por entorno y vida útil del hardware.
| Área | KPI técnico clásico | KPI de sostenibilidad que debería añadirse |
|---|---|---|
| Infraestructura | CPU, RAM, IOPS, disponibilidad | Consumo por servicio y utilización real |
| IA | Tokens, latencia, calidad de respuesta | Energía por inferencia y coste por tarea útil |
| Almacenamiento | TB usados, rendimiento, backups | Datos fríos, duplicados y retención innecesaria |
| Software | Tiempo de respuesta, errores | Eficiencia por operación |
| Cloud | Coste mensual | Coste, emisiones y ubicación por workload |
| Operación | Incidencias y SLA | Capacidad apagada, consolidada o reutilizada |
El mayor error sería usar el debate de la isla de calor para una batalla simple entre tecnofilia y rechazo a la IA. La infraestructura digital es necesaria, y los centros de datos también. Pero eso no justifica diseñar software como si la energía, el agua, el suelo y el hardware fueran infinitos.
El estudio de Cambridge abre una conversación útil, aunque no perfecta. Sus resultados apuntan a un fenómeno que merece vigilancia, pero su interpretación exige prudencia: puede haber efecto térmico local asociado a centros de datos, aunque no todo ese efecto sea exclusivo de la IA ni todo se explique por calor computacional.
La pregunta importante no es si debemos parar los centros de datos. La pregunta es cómo evitar que la ineficiencia del software se siga tapando con más suelo, más chips, más refrigeración y más megavatios.
Preguntas frecuentes
¿El estudio demuestra que la IA calienta barrios enteros?
Demuestra una asociación entre centros de datos y aumento de temperatura de superficie terrestre en su entorno. Atribuirlo solo a la IA es más discutible, porque el periodo analizado empieza en 2004.
¿Qué diferencia hay entre temperatura de superficie y temperatura del aire?
La temperatura de superficie mide el calor de suelo, cubiertas y materiales vistos por satélite. No equivale siempre a la temperatura que perciben las personas, aunque puede influir en el microclima local.
¿El efecto se debe solo al calor de los servidores?
No necesariamente. También pueden influir el asfalto, las cubiertas, la pérdida de vegetación, el diseño de la parcela y otros cambios de uso del suelo.
¿Están regulados los centros de datos en Europa?
Sí. La UE ha introducido obligaciones de reporte para centros de datos de más de 500 kW de demanda TI y prepara estándares mínimos de rendimiento energético para el sector.
¿Qué pueden hacer los equipos técnicos?
Diseñar software más eficiente, medir consumo por workload, reducir almacenamiento innecesario, optimizar inferencia, usar modelos adecuados al caso de uso y añadir KPIs de sostenibilidad a la operación diaria.
Fuentes:
