Resumen Técnico: ¿Certificados sin Electrones? Teoría y Evidencia sobre los Impactos de la Demanda de Energía Impulsada por la IA

1. Planteamiento del Problema

La rápida expansión de la inteligencia artificial (IA) ha impulsado el consumo de electricidad de los centros de datos en los Estados Unidos del 1.9% al 4.4% de la demanda total en seis años. Si bien los hiperescaladores utilizan Certificados de Energía Renovable (REC) y Acuerdos de Compra de Energía (PPA) para declarar neutralidad de carbono, la efectividad de estos mecanismos a nivel de red sigue siendo incierta. Específicamente, existe una falta de evidencia causal sobre cómo los lanzamientos de modelos de IA afectan a:

1. Calidad de la Energía Local: Incluyendo la estabilidad del voltaje, la regulación de frecuencia y la distorsión armónica.
2. Demanda de Combustibles Fósiles: El grado en que las cargas de trabajo de IA desplazan la generación renovable o requieren el despacho de combustibles fósiles.
3. Precios de la Electricidad al Por Mayor: La magnitud de los aumentos de precios en los mercados locales debido a los choques de demanda impulsados por la IA.
4. Fiabilidad: La frecuencia y severidad de los cortes de suministro y la degradación de los equipos.

La literatura existente se basa en evaluaciones tecnoeconómicas o estudios de rendimiento energético a microescala, pero no logra aislar las externalidades causales que la IA impone a otros usuarios de la red. Además, existe una "brecha de sincronización" (timing wedge) donde el consumo (cargas de trabajo de IA) y la generación renovable acreditada (vía RECs) están desajustados en tiempo y espacio, lo que potencialmente degrada la fiabilidad incluso cuando el consumo anual está teóricamente cubierto por renovables.

2. Metodología

Los autores emplean un marco econométrico riguroso para abordar la escasez de datos operativos granulares (por ejemplo, tiempos exactos de inicio de entrenamiento) y la naturaleza escalonada de los lanzamientos de modelos de IA.

2.1. Marco Teórico

Se desarrolla un modelo de teoría de juegos donde los operadores de centros de datos eligen entre RECs, PPAs y la combinación detrás del medidor (behind-the-meter colocation), mientras que los generadores toman decisiones de entrada bajo costos de financiamiento endógenos. El modelo identifica la brecha de sincronización —el desajuste entre el consumo y la generación acreditada— como el mecanismo central a través del cual la demanda de la IA degrada la fiabilidad y aumenta las emisiones, incluso con una cobertura del 100% de RECs.

2.2. Estrategia Econométrica: Diferencia en Diferencias (DiD) Escalonada

Para superar la falta de ventanas de entrenamiento específicas y el lanzamiento escalonado de los modelos, los autores utilizan un enfoque de DiD Apilado con Múltiples Horizontes.

• Definición del Tratamiento: El tratamiento se define en relación con la fecha de lanzamiento ($r_m$) de los principales modelos de IA.
  • Ventana de Entrenamiento: $[r_m - \tau_{train}, r_m)$
  • Ventana de Inferencia: $[r_m, r_m + \tau_{infer}]$
• Diseño Apilado: Para evitar el sesgo por heterogeneidad en el efecto del tratamiento (donde las unidades ya tratadas contaminan los grupos de control en los modelos estándar de Efectos Fijos de Dos Vías), los autores construyen "subexperimentos" separados para cada cohorte de lanzamiento de modelos. Cada subexperimento utiliza únicamente unidades que están genuinamente no tratadas en el momento de la adopción de esa cohorte específica.
• Ecuación: El efecto dinámico del tratamiento se estima como:
  $$Y_{i,t,m} = \sum_{k=-K}^{K} \beta_k \cdot D^k_{ut} + \delta_t + \gamma_u + X'_{ut}\theta + \varepsilon_{ut}$$
  Donde $D^k_{ut}$ indica el horizonte de tiempo del evento $k$ relativo al lanzamiento.

2.3. Abordar la Endogeneidad y los Confundidores

• Demanda de Fósiles: Se utiliza un enfoque de Mínimos Cuadrados en Dos Etapas (2SLS) para abordar la endogeneidad de los precios.
  • Primera Etapa: Los precios de la electricidad se instrumentan utilizando desplazadores de costos del lado de la oferta (tasas de calor de los generadores y precios al contado del gas natural).
  • Segunda Etapa: La demanda de combustibles fósiles se regresa sobre los precios predichos y los indicadores de tratamiento.
• Efectos de Precio: Los impactos en los precios se derivan combinando los desplazamientos de demanda estimados con la elasticidad de la curva de oferta ($\varepsilon_s$) en el mercado PJM.
• Pruebas de Robustez: El estudio emplea pruebas de tendencias paralelas (pruebas de Wald sobre coeficientes previos al tratamiento), pruebas de placebo (fechas y ubicaciones de tratamiento aleatorias) y análisis de sensibilidad con respecto a las definiciones de tratamiento (por ejemplo, variando el radio o eliminando casos ambiguos).

2.4. Datos

El análisis integra un conjunto de datos novedoso que vincula la actividad de la IA con los resultados de la red:

• Datos de Tratamiento: Base de datos Aterio para ubicaciones de centros de datos, propiedad y capacidad; vinculado a lanzamientos de modelos específicos (ej. GPT-3, Llama 2, Claude 2.1) mediante comunicados de prensa y fechas de API.
• Datos de Resultados:
  • Calidad de la Energía: Índice de Calidad de la Energía para el Consumidor (CPQI) de Whisker Labs y Distorsión Armónica Total (THD) de 72 empresas de servicios públicos.
  • Demanda: Datos horarios de generadores de la EPA Clean Air Markets Program (CAMPD) (2021–2023).
  • Precios: Precios mayoristas zonales de ISO (enfocándose en PJM).
• Controles: Datos meteorológicos (Meteostat), precios del gas natural (S&P Capital IQ) e índices de mercado.

3. Resultados Clave

3.1. Degradación de la Calidad de la Energía

Los lanzamientos de modelos de IA causan una degradación significativa en la calidad de la energía local:

• Índice de Calidad de la Energía para el Consumidor (CPQI): Las áreas de servicios públicos tratadas experimentan un aumento del coeficiente de 0.3795, lo que corresponde a un cambio de la calidad de energía típica de EE. UU. al cuartil inferior. Esto equivale a un aumento en los cortes de suministro anuales para el cliente promedio de aproximadamente 1 a 1.5–2 cortes por año.
• Distorsión Armónica (THD): Hay un aumento de 0.0625 puntos porcentuales en las lecturas por encima del umbral de distorsión de 0.8. Aunque parece pequeño, la exposición sostenida acelera la degradación de los equipos (ej. motores, refrigeradores).

3.2. Demanda de Combustibles Fósiles

La actividad de la IA aumenta significativamente la generación de combustibles fósiles:

• Magnitud: La fase de entrenamiento añade aproximadamente 6.33 MWh por hora de generador, y la fase de inferencia añade 5.20 MWh.
• Impacto Agregado: Esto se traduce en más de 500 GWh adicionales de generación fósil cerca de los centros de datos, equivalente al consumo anual de aproximadamente 47,000 hogares de EE. UU.
• Mecanismo: El efecto es impulsado por la necesidad inmediata de capacidad de base y de pico que los RECs no cubren temporalmente.

3.3. Impactos en los Precios al Por Mayor

En el mercado PJM, los picos de demanda impulsados por la IA provocan aumentos sustancialos de precios:

• Variación Zonal: Los impactos en los precios varían según la elasticidad de la oferta. En la zona de American Electric Power (AEP) (menor elasticidad), los precios mayoristas aumentaron hasta un 25% durante los periodos de actividad de IA. En la zona de ComEd (mayor elasticidad), el impacto fue menor pero aún significativo.
• Implicaciones Minoristas: Aunque el traspaso al consumidor minorista es diferido, los autores estiman un posible aumento de precios al consumidor a largo plazo de hasta un 25% en zonas de alto impacto, a medida que se despachan generadores marginales de mayor costo para satisfacer la demanda de la IA.

3.4. Mitigación mediante Generación en el Sitio

Un hallazgo crítico es la reversión del signo en los efectos de la calidad de la energía basado en la infraestructura:

• Sin Generación en el Sitio: La calidad de la energía se degrada (coeficiente CPQI positivo).
• Con Generación en el Sitio: La calidad de la energía mejora (coefiente CPCI negativo).
• Interpretación: La generación colocada (colocated) (a menudo con almacenamiento) absorbe los picos de demanda directamente, evitando que se propaguen a la red y reduciendo la dependencia de generadores fósiles marginales.

4. Análisis Contrafactuales

El artículo evalúa cómo diferentes evoluciones técnicas de la IA podrían alterar los impactos en la red:

1. Escalamiento de Modelos: Escalar de 2 billones a 4 billones de parámetros aumentaría el impacto en la calidad de la energía en un ~35%. Un aumento del 1% en los parámetros del modelo se correlaciona con un aumento del 0.15% en la demanda de energía.
2. Redistribución Geográfica:
   • Inferencia en el Borde (Edge Inference): Desplazar la inferencia de las instalaciones concentradas de los hiperescaladores hacia nodos distribuidos en el borde reduce significativamente los picos de demanda zonal (de 162 MWh/hora a 4 MWh/hora en simulaciones).
   • Centralización: Concentrar todo el entrenamiento en una sola instalación grande crea picos de demanda local extremos (~100 GWh), resaltando los riesgos de la sobreconcentración.
3. Generación en el Sitio: La adopción universal de la generación en el sitio cambiaría el impacto neto de los centros de datos de un detrimento de la calidad de la energía a una mejora neta.

5. Significado y Contribuciones

El artículo reclama tres contribuciones primarias a la literatura:

1. Innovación Metodológica: Establece una metodología robusta para evaluar los impactos macro de la IA en la red utilizando datos disponibles públicamente, superando la falta de detalles operativos patentados mediante el uso de DiD escalonado y variables instrumentales.
2. Evidencia Causal: Proporciona las primeras estimaciones causales de los lanzamientos de modelos de IA sobre la calidad de la energía, la demanda de combustibles fósiles y los precios al por mayor, yendo más allá de los estudios correlacionales o las proyecciones tecnoeconómicas.
3. Relevancia Política: Demuestra que las externalidades de la IA están estrechamente vinculadas al diseño de la contratación y la organización espacial. Los resultados sugieren que las estrategias basadas solo en RECs son insuficientes para la estabilidad de la red. En su lugar, la colocación en el sitio con almacenamiento y la reubicación espacial (ej. computación en el borde) se identifican como palancas efectivas para mitigar los impactos en la red.

Los autores concluyen que, sin cambios estructurales en la forma en que se alimenta y se ubica la infraestructura de la IA, el escalamiento continuo de los modelos de IA seguirá degradando la fiabilidad de la red y aumentando los costos para todos los consumidores, independientemente de sus declaraciones de neutralidad de carbono.