La factura eléctrica de la inteligencia artificial: por qué la potencia es el nuevo cuello de botella
Durante quince años, los centros de datos del mundo consumieron prácticamente la misma electricidad mientras el tráfico de internet se triplicaba. La eficiencia lo absorbió todo. Ese equilibrio se ha roto: con la inteligencia artificial generativa, la demanda eléctrica de los centros de datos ha entrado en una fase de crecimiento que la Agencia Internacional de la Energía proyecta que la duplicará hacia 2030. Este artículo lee ese cambio con dos preguntas: cuánta electricidad hablamos y dónde está el límite real; y cómo ha respondido el mercado a esa tesis en los últimos meses.
Alcance de los datos. Las cifras de consumo son las publicadas por la IEA en Energy and AI (2025) y en sus series históricas: son estimaciones y proyecciones agregadas, no una medición en tiempo real. Las de mercado son retornos de cierre ajustado de Yahoo Finance sobre un universo de 26 valores cotizados, en un corte fechado. No es asesoramiento de inversión.
1. De plano a duplicarse en seis años
Hasta 2020 el consumo se mantuvo cerca de los 220 TWh anuales. No fue estancamiento de la actividad —los servicios digitales crecieron con fuerza— sino que las mejoras de eficiencia del hardware y el salto a centros de datos hyperscale compensaron ese crecimiento casi punto por punto. A partir de 2023, con la adopción amplia de la IA, la curva se separa de esa horizontal: la IEA sitúa el consumo en unos 415 TWh en 2024 (alrededor del 1,5 % de la electricidad mundial) y proyecta que alcance 945 TWh en 2030 en su escenario base, es decir, cerca del 3 % del total mundial. Es un crecimiento del orden del 15 % anual, más de cuatro veces el ritmo del resto de sectores; hacia 2035 la proyección se acerca a los 1.200 TWh.
Fundamento. La lectura separa lo observado (línea azul) de la proyección (línea naranja, discontinua) para no presentar un supuesto como un dato. La proyección es el Base Case de la IEA, no una extrapolación propia; cuando una serie pasa de plana a exponencial, distinguir el tramo medido del proyectado evita el error habitual de leer una tendencia reciente como destino inevitable.
2. El límite ya no es el chip, es el megavatio
El debate público asocia la IA con los chips. Pero el factor que gobierna hasta dónde puede crecer el cómputo es la potencia: megavatios contratados, capacidad de la red eléctrica para entregarlos e, incluso, agua para refrigerar. La IEA es explícita en un punto que ordena la geografía del fenómeno: Estados Unidos concentra la mayor parte del aumento proyectado —los centros de datos explican cerca de la mitad del crecimiento de la demanda eléctrica estadounidense hasta 2030—, seguido de China.
Ese cuello se manifiesta en cosas concretas: colas de interconexión a la red de varios años, moratorias a nuevos centros en núcleos europeos saturados (el clúster de Fráncfort, Londres, Ámsterdam, París y Dublín) y un interés renovado por la generación firme —nuclear, incluidos los reactores modulares— capaz de dar suministro constante. La conclusión analítica es que la restricción activa del despliegue de IA se ha desplazado del semiconductor a la infraestructura eléctrica.
3. Lo que dice el mercado: castigó al cuello de botella
Si la potencia es el límite estructural, cabría esperar que el mercado premiara a las compañías eléctricas ligadas a esa demanda. A seis meses ha ocurrido lo contrario.
Tratando la cadena como un stack de eslabones —silicio, suelo (REIT), energía, térmico/eléctrico, red e hyperscalers— y midiendo cada eslabón por la mediana de sus valores, el eslabón de energía fue el peor del conjunto (mediana −19 %), mientras que la red (conmutación y óptica) lideró (+30 %). El silicio, que en el relato domina, tiene una mediana modesta (+13 %): su brillo se concentra en unos pocos nombres —el rango de sus valores llega hasta +198 %—, no en un ascenso generalizado.
No hay contradicción con la tesis estructural. Lo que muestra el corte es que el consenso "comprar potencia" se había adelantado y sobrecalentado, y corrigió; y que dentro de cada eslabón la dispersión es enorme (las líneas de rango del gráfico), de modo que la selección de valor importa más que la etiqueta del sector. Tesis de largo plazo y precio de corto plazo son dos cosas distintas.
Fundamento. Se usa la mediana por eslabón, no la media, porque unos pocos valores extremos (un +198 %) inflarían la media y darían una lectura engañosa del eslabón "típico"; la mediana es robusta a esos valores atípicos, y el rango min-máx acompaña a cada barra para no ocultar esa dispersión. Es la misma razón por la que en estadística descriptiva la mediana se prefiere a la media en distribuciones muy asimétricas.
4. Qué cambia si eres tú quien firma la infraestructura
Que el límite sea el megavatio y no el chip mueve la restricción de sitio dentro del plan. La potencia contratada deja de ser una línea de compras y pasa a ser un supuesto del modelo: si el plan de cómputo a tres años no lleva al lado una curva de MW disponibles y una fecha de conexión, el plan está incompleto, no conservador. Las colas de interconexión se miden en años, así que la elección de región deja de ser una decisión de precio y pasa a ser una decisión de calendario: la capacidad barata a la que no puedes enchufarte en dos años vale cero hoy.
Eso reordena el build vs buy clásico. La pregunta ya no es comprar servidores o alquilarlos, sino quién se queda la exposición al precio del MWh y al riesgo de plazo: capacidad reservada a varios años, con su coste de compromiso, frente a cómputo bajo demanda que traslada la volatilidad energética a tu coste unitario. Cualquier unit economics de un producto de IA que trate la energía como un residuo del hosting envejece mal en el escenario de la propia IEA.
Y la lectura de mercado añade una advertencia para quien construya la tesis de inversión o el argumento ante el comité: el eslabón correcto no garantiza el resultado. La energía era el cuello y fue el peor a seis meses, mientras la dispersión dentro de cada eslabón superaba a la diferencia entre eslabones. Tener razón sobre la restricción física y tener razón sobre el precio son dos afirmaciones distintas, y conviene no presentarlas como una sola.
Alcance y calidad de los datos
| Permiten estos datos | Requeriría más |
|---|---|
| Dimensionar el orden de magnitud (TWh, % de electricidad) y su trayectoria proyectada | Consumo por país/operador en tiempo real (datos propietarios de utilities y operadores) |
| Comparar el comportamiento relativo de los eslabones cotizados en una ventana dada | Atribución causal del precio (flujos, posicionamiento, guidance de capex) |
| Ilustrar la dispersión dentro de cada eslabón (rango min-máx) | Una cartera o recomendación (fuera del alcance: esto es análisis) |
Las cifras de consumo son proyecciones agregadas: cambian entre informes y escenarios, y deben releerse con cada actualización de la IEA. El corte de mercado está fechado y es una foto, no una serie.
Referencias
Fuentes primarias:
- International Energy Agency (2025). Energy and AI. IEA, París. https://www.iea.org/reports/energy-and-ai
- International Energy Agency. Electricity consumption by data centres, 2020-2035 (Data & Statistics). https://www.iea.org/data-and-statistics
- Yahoo Finance — cierres ajustados del universo de 26 valores (corte 23-08-2026).
Nota metodológica: el universo de mercado y el detalle por valor se generan con el
módulo analisis_centros_datos.R de quasarTRADEPro; aquí se usa un corte fechado.
Cita: Gutierrez Miranda, J. M. (2026). La factura eléctrica de la inteligencia artificial: por qué la potencia es el nuevo cuello de botella. TodoEconometria · Fuente: IEA, «Energy and AI» (2025); Yahoo Finance.
Tener razón no basta: separar la tesis del momento en las decisiones con datos
Dos maneras silenciosas en que un buen analisis termina en una mala decision: confundir en que crees con cuando pasa, y fiarte de una regla que suena razonable sin haber comprobado nunca si funciona.
Se me cayeron al suelo el disco de trabajo y el de backup
En una sola caida perdi el original y el respaldo. Lo que salvo el rescate no fue un programa de recuperacion: fue un indice con hashes hecho meses antes por otro motivo.
¿Necesitas resolver algo parecido?
Modelización cuantitativa, validación de modelos y data leadership. Trabajo bajo NDA si lo pides.
Háblame de tu proyecto →