💻 computer science

The Environmental Cost of LLMs in AIED: Reporting and Practices

Este artículo destaca la falta de informes estandarizados sobre los costos computacionales y ambientales ocultos de los Modelos de Lenguaje de Gran Escala en la Inteligencia Artificial en la Educación (AIED) y propone un marco de código abierto, que incluye herramientas de software y fórmulas de cálculo, para medir sistemáticamente y reportar estos impactos de manera transparente.

Autores originales: Sabrina C. Eimler, Lukas Erle, Daniel Flood, Aditi Haiman, Luca Häckert, André Helgert, Lachlan McGinness, Büsra Yapici

Publicado 2026-06-11

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Sabrina C. Eimler, Lukas Erle, Daniel Flood, Aditi Haiman, Luca Häckert, André Helgert, Lachlan McGinness, Büsra Yapici

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el mundo de la Inteligencia Artificial en la Educación (AIED, por sus siglas en inglés) como una escuela bulliciosa y de alta tecnología. Durante mucho tiempo, todo el mundo ha estado emocionado con los nuevos "tutores inteligentes" (Modelos de Lenguaje Extensos, o LLM) que pueden escribir ensayos, calificar trabajos y charlar con los estudiantes. La escuela se ha centrado tanto en lo buenos que son estos tutores para enseñar, que se han olvidado por completo de mirar la factura de la electricidad y el agua necesarios para hacerlos funcionar.

Este artículo es como un grupo de profesores e ingenieros preocupados que entran en esa escuela y dicen: "Oigan, tenemos que empezar a leer el medidor".

Aquí hay un desgrecado de lo que encontraron y lo que proponen, utilizando analogías sencillas:

1. El problema de la "Factura Oculta"

Los investigadores analizaron 396 artículos recientes de la conferencia AIED 2025. Es como revisar las boletas de calificaciones de 396 proyectos escolares diferentes.

Lo que encontraron: Casi todo el mundo (257 de 396) está utilizando estos tutores de IA inteligentes.
La brecha: Solo un puñado minúsculo mencionó cuánta energía consumen estas herramientas. Incluso menos hablaron de la "humareda" ambiental (emisiones de carbono) que producen.
La analogía: Imagina que a cada estudiante de la escuela se le pide construir un robot gigante para que les ayude a estudiar. Todos escribirían un informe sobre lo genial que es el robot, pero casi nadie mencionaría que el robot come 500 libras de carbón al día. El artículo argumenta que debemos empezar a incluir ese consumo de carbón en la boleta de calificaciones.

2. El desorden actual: Sin una regla estándar

En este momento, si un investigador sí menciona el costo, lo hace de formas diferentes.

Algunos dicen: "Tomó 2 horas".
Otros dicen: "Usamos una computadora específica".
Algunos simplemente dicen: "Es malo para el planeta" sin números.
La analogía: Es como si todos midieran el largo de su escritorio en unidades diferentes: algunos usan pulgadas, otros usan "palmos de mano", y otros usan "rebanadas de pizza". No puedes compararlos. El artículo dice que necesitamos una sola regla estándar para que realmente podamos comparar quién está siendo más eficiente.

3. La solución: Una nueva "Calculadora de Energía"

Los autores proponen un conjunto de herramientas para solucionar esto, que llaman TerraFlops (piensa en ello como una "Calculadora Verde").

Para computadoras locales (La oficina en casa):
Si ejecutas una IA en tu propia laptop, el artículo sugiere usar una herramienta llamada CodeCarbon.
- La analogía: Esto es como un enchufe inteligente que te dice exactamente cuánta electricidad usa tu cafetera. El artículo señala que esta herramienta a veces subestima la factura porque olvida contar la energía utilizada por el ventilador que enfría la computadora o la pantalla del monitor. Para solucionar esto, proponen un factor "equivalente a PUE". Piensa en esto como un "multiplicador de desperdicio". Si tu computadora solo está trabajando al 10% de su capacidad pero toda la máquina sigue zumbando, multiplicas el costo de energía para contabilizar esa potencia ociosa desperdiciada.
Para computadoras en la nube (Los grandes centros de datos):
Muchos investigadores utilizan grandes servidores (como AWS o Google) en lugar de sus propias laptops.
- La analogía: Dado que no puedes conectar un "enchufe inteligente" a una granja de servidores en otro país, los autores sugieren una estimación teórica. Crearon una fórmula basada en cuántas palabras (tokens) lee y escribe la IA.
- El "juego de adivinanzas": Si estás usando una IA secreta y propietaria (como un modelo superinteligente de una gran empresa tecnológica) y no sabes qué tan grande es, el artículo sugiere una "regla de oro". Asumen que los modelos grandes tienen aproximadamente el tamaño de los gigantes de código abierto conocidos (como 100 mil millones de "células cerebrales" o parámetros). No es perfecto, pero te da una forma consistente de decir: "Esta tarea costó aproximadamente X cantidad de energía", para que puedas compararla con otras tareas.

4. La nueva boleta de calificaciones: "Carbono por Precisión"

El artículo sugiere que, cuando los investigadores publiquen su trabajo, no deberían limitarse a decir: "Nuestra IA obtuvo un 90% de precisión". También deberían decir: "Nuestra IA obtuvo un 90% de precisión, pero costó 5 kilogramos de CO2 llegar ahí".

Proponen algunas métricas nuevas:

Intensidad de Carbono Corregida: La contaminación total, ajustada según la eficiencia con la que se usó la computadora.
Carbono por Precisión: Cuánta contaminación se necesitó para obtener un punto de mejora.
Puntuación de Sostenibilidad (1-10): Una calificación simple, como una boleta de calificaciones, que combina la contaminación y el rendimiento. Una puntuación de 10 significa "Súper eficiente", y una de 1 significa "Muy ineficiente".

5. El llamado a la acción

Los autores no solo se están quejando; están entregando las herramientas. Han hecho que su software sea de código abierto (gratuito para que cualquiera lo use) y están pidiendo a la comunidad de AIED que adopte estos estándares.

El objetivo: Quieren que las futuras conferencias exijan estos "informes de energía" tal como exigen que los autores sean anónimos.
La visión: Si todo el mundo empieza a reportar la "factura oculta", la comunidad puede empezar a tomar decisiones más inteligentes. Tal vez nos demos cuenta de que una IA ligeramente menos precisa vale la pena usar porque ahorra una cantidad masiva de energía, o tal vez encontremos mejores formas de ejecutar las que ya tenemos.

En resumen: El artículo dice: "Nos encantan los nuevos tutores de IA, pero no podemos seguir ignorando la factura de la electricidad. Vamos a medirla, reportarla y empezar a hacer que nuestra IA educativa sea más verde".

Resumen Técnico: El Costo Ambiental de los LLM en AIED: Reportes y Prácticas

Declaración del Problema

La integración de los Modelos de Lenguaje de Gran Tamaño (LLM) en la Inteligencia Artificial en la Educación (AIED) se ha acelerado, sin embargo, los costos computacionales y ambientales asociados con su uso permanecen mayoritariamente sin reportar y sin estandarizar. Mientras que las discusiones éticas en AIED abordan frecuentemente el sesgo, la privacidad y la dependencia excesiva de los estudiantes, el consumo de energía y la huella de carbono del entrenamiento y despliegue de los LLM suelen ser ignorados. Esta falta de transparencia se ve exacerbada por la ausencia de procedimientos estandarizados para medir y reportar estos impactos. Consecuentemente, la comunidad carece de una comprensión unificada de la carga ambiental de la IA educativa, lo que dificulta la comparación de la eficiencia de diferentes sistemas o el establecimiento de normas para la investigación sostenible.

Metodología

Los autores emplearon un enfoque de métodos mixtos combinando una revisión sistemática de la literatura con el desarrollo de marcos técnicos de código abierto para la medición y estimación.

1. Revisión de la Literatura

Los autores realizaron una revisión exhaustiva de los 396 artículos publicados en las actas de la conferencia AIED 2025. Analizaron las contribuciones en todas las áreas (artículos completos, talleres, consorcio doctoral, etc.) utilizando un marco de codificación para extraer:

Uso de LLM: Si se utilizó un LLM (binario) y el rol específico (Sujeto de Experimento, Análisis de Datos, Diseño de Producto o Interacción con el Usuario).
Prácticas de Reporte: Si se reportaron explícitamente los costos computacionales (tiempo de ejecución, energía, hardware) y la sostenibilidad ambiental.
Detalles del Modelo: Versiones específicas del modelo e información de parámetros.

2. Desarrollo de Marcos de Medición

Para abordar las brechas identificadas, los autores propusieron e implementaron tres soluciones técnicas:

Medición de Hardware Local (CodeCarbon): Los autores utilizaron el paquete de Python de código abierto CodeCarbon para estimar las emisiones de carbono midiendo el consumo de energía del hardware local y convirtiéndolo a CO2 basado en las mezclas locales de la red eléctrica. Señalaron que, si bien CodeCarbon proporciona una base, a menudo subestima el consumo total en aproximadamente un 20% porque no tiene en cuenta las ineficiencias de la fuente de alimentación o la refrigeración periférica.
El Marco TerraFlops: Para mejorar la precisión en entornos de desarrollo local, los autores introdujeron TerraFlops, un envoltorio (wrapper) de código abierto para herramientas de seguimiento. Este marco introduce una métrica de PUE equivalente (Efectividad del Uso de la Energía) para máquinas locales. A diferencia de los centros de datos con alta utilización, los dispositivos locales tienen un excedente base significativo (SO, pantalla, refrigeración) independientemente de la carga de trabajo de ML. TerraFlops ajusta dinámicamente el PUE equivalente (que varía de 1.60 para baja carga a 1.08 para alta carga) para contabilizar esta energía desperdiciada.
- El marco también incluye un Modo de Nube que aplica valores de PUE fijos basados en los principales proveedores (AWS, GCP) para estandarizar las proyecciones de costo de despliegue.
- Genera métricas compuestas: Intensidad de Carbono Corregida, Carbono por Precisión y una Puntuación de Sostenibilidad (escala de 1 a 10 utilizando transformación logarítmica).
Estimación Teórica de FLOPs para LLMs: Para escenarios donde la medición directa es imposible (por ejemplo, modelos propietarios vía API), los autores propusieron un método para estimar el costo computacional utilizando Operaciones de Punto Flotante (FLOPs).
- Derivaron fórmulas para transformadores de solo decodificador (incluyendo Pre-Layer Normalization, RoPE y KV caching) para calcular los FLOPs del primer token y de los tokens subsecuentes.
- Propusieron una aproximación simplificada: $FLOPs = 2Nn$ (donde $N$ es de parámetros activos y $n$ es el total de tokens).
- Para modelos propietarios donde $N$ es desconocido, sugirieron estimaciones de orden de magnitud (por ejemplo, ~100B de parámetros para modelos frontera, ~30B para modelos rápidos) y un factor de conversión a CO2 (aproximadamente $6 \times 10^{-5}$ gramos de CO2 por T-FLOP, asumiendo GPUs H100 y la mezcla de la red de EE. UU.).

Resultados Clave

La revisión de la literatura de los 396 artículos de AIED 2025 arrojó los siguientes hallazgos:

Alta Adopción: 257 artículos (65%) utilizaron LLMs.
Patrones de Uso: El caso de uso más común fue la Interacción con el Usuario (176 artículos), principalmente como tutores o asistentes. Otros usos incluyeron Análisis de Datos (79), Diseño de Contenido (108) y Sujeto de Experimento (100).
Déficit de Reporte: Solo 85 artículos proporcionaron detalles sobre los costos computacionales, y solo 57 artículos mencionaron la sostenibilidad o problemas ambientales.
Inconsistencia: Entre los que sí reportaron, no hubo estandarización en métricas, unidades o profundidad de análisis.
Prevalencia de Modelos: Los modelos de OpenAI (GPT-4/4o) fueron los más citados con frecuencia, seguidos por Anthropic Claude, Google Gemini y varios modelos de código abierto (Llama, Mistral, etc.).

Contribuciones Clave

Evidencia Empírica de la Brecha: El artículo proporciona la primera cuantificación sistemática de la falta de reporte ambiental en la comunidad de AIED, demostrando que mientras el uso de LLM es ubicuo, su costo es invisible en la gran mayoría de las investigaciones.
Herramienta TerraFlops: La introducción de una herramienta de código abierto que extiende el seguimiento de carbono para incluir ajustes de PUE equivalente para hardware local, ofreciendo una estimación más realista de la huella ambiental de la investigación realizada en máquinas de grado de consumo.
Propuestas de Reporte Estandarizado: Los autores proponen un conjunto de métricas compuestas (Intensidad de Carbono Corregida, Carbono por Precisión, Puntuación de Sostenibilidad) para ser reportadas junto con las métricas de precisión tradicionales.
Metodología de Estimación para Modelos Propietarios: Un procedimiento práctico de tres pasos para investigadores que utilizan LLMs basados en API para estimar su costo computacional y huella de carbono sin acceso a los datos internos del hardware, utilizando conteos de tokens y aproximaciones de parámetros.

Significado y Reivindicaciones

Los autores argumentan que el costo ambiental de los LLM en AIED es una dimensión ética crítica, aunque descuidada. Afirman que al hacer visibles estos costos mediante un reporte estandarizado, la comunidad puede:

Establecer normas para el reporte transparente de costos ocultos.
Permitir la comparación de modelos basada en la eficiencia (rendimiento por unidad de CO2) en lugar de solo la precisión.
Motivar a los investigadores a optimizar para la sostenibilidad, reduciendo potencialmente el impacto ambiental de la IA educativa.

El artículo concluye con un llamado a la acción para que la comunidad de AIED adopte estas prácticas de reporte, sugiriendo que las futuras conferencias podrían exigir métricas de sostenibilidad como condición para la entrega, de manera similar a los requisitos de anonimato. Los autores posicionan su trabajo no como una solución definitiva, sino como un paso fundacional hacia un ecosistema de investigación en AIED más sostenible y responsable.