🤖 machine learning

AgentDecarbonizer: Carbon-Aware Execution for AI Agents

Este artículo presenta AgentDecarbonizer, un optimizador de ejecución consciente del carbono para agentes de IA que reduce las emisiones de carbono hasta en un 57,9% aprovechando la flexibilidad de los plazos para programar tareas durante periodos de baja intensidad de carbono o en redes más limpias, teniendo en cuenta las incertidumbres de ejecución y la sobrecarga de recomputación de caché.

Autores originales: Leyi Yan, Shuangning Li, Sihang Liu

Publicado 2026-08-24

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Leyi Yan, Shuangning Li, Sihang Liu

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

Cada vez que una computadora realiza un cálculo, extrae electricidad de la red eléctrica. Esa electricidad no siempre es limpia; dependiendo de dónde provenga la energía y cuándo se genere, el proceso puede liberar cantidades variables de dióxido de carbono a la atmósfera. En años recientes, ha surgido un nuevo tipo de software que actúa como un asistente digital capaz de un pensamiento complejo y de múltiples pasos. A diferencia de un chatbot simple que responde una sola pregunta y se detiene, estos agentes autónomos pueden planificar un largo viaje, dividirlo en tareas más pequeñas, utilizar herramientas para recopilar información y corregir sus propios errores en el camino. Pueden escribir código, analizar datos o gestionar agendas sin supervisión humana constante. Sin embargo, debido a que estos agentes se ejecutan durante períodos más largos y realizan muchas más solicitudes a los modelos de inteligencia artificial subyacentes que un chat estándar, consumen significativamente más energía. A medida que estas herramientas se vuelven más comunes, la huella de carbono de su pensamiento interminable se está convirtiendo en una seria preocupación ambiental.

Investigadores de la Universidad de Waterloo y la Universidad de Chicago han desarrollado un nuevo sistema diseñado para hacer que estos asistentes digitales sean más ecológicos sin ralentizarlos o hacerlos menos efectivos. Llaman a su herramienta AgentDecarbonizer. Para entender cómo funciona, primero hay que observar cómo operan estos agentes. Cuando un agente recibe una tarea, no solo piensa una vez; piensa en un bucle. Hace una pregunta, recibe una respuesta, utiliza una herramienta como una búsqueda web o un editor de archivos, y luego utiliza esa nueva información para hacer la siguiente pregunta. Este ciclo se repite muchas veces. Los investigadores descubrieron que este proceso es increíblemente pesado en cuanto a "entrada", lo que significa que el agente envía una vasta cantidad de texto al modelo de computadora para mantenerlo informado del historial de la conversación y de los pasos previos. Debido a que el agente a menudo repite partes de este historial, el sistema informático puede ahorrar energía si recuerda lo que ya ha procesado, una técnica conocida como almacenamiento en caché de contexto (context caching). Si el agente permanece en el mismo lugar, puede reutilizar estos recuerdos guardados. Si se mueve a una ubicación diferente, debe olvidar y reaprender todo, lo que desperdicia energía.

El equipo descubrió que el costo de carbono de ejecutar estos agentes depende en gran medida de dos cosas: dónde se encuentra la computadora y cuándo se realiza el trabajo. La red eléctrica en diferentes partes del mundo depende de diferentes fuentes de energía. Algunas regiones obtienen la mayor parte de su energía del viento, el sol o las represas hidroeléctricas, que producen muy poco carbono. Otras dependen más de combustibles fósiles como el carbón o el gas, que producen mucho más. Además, la mezcla de energía cambia a lo largo del día. Una red puede ser muy limpia al mediodía cuando el sol brilla, pero puede volverse más sucia por la noche cuando la energía solar no está disponible. Los investigadores observaron que un agente ejecutándose en una región en un momento específico podía producir casi tres veces las emisiones de carbono de un mismo agente ejecutándose en una región o en un momento diferente.

Para resolver esto, los investigadores construyeron AgentDecarbonizer para que actúe como un programador inteligente que se ejecuta junto al agente. En lugar de dejar que el agente comience su trabajo inmediatamente, el sistema mira hacia adelante. Estima cuánto tiempo tomará la tarea y verifica el pronóstico de limpieza de la electricidad en diferentes partes del mundo. Si el agente tiene un plazo flexible, como una tarea que debe terminarse dentro de las veinticuatro horas, el sistema puede esperar a un momento en que la red sea más limpia. También puede decidir mover el trabajo a una región donde el aire sea más limpio. Sin embargo, el sistema es cuidadoso de no mover el trabajo solo porque una región parezca más limpia en el papel. Calcula si la energía ahorrada al usar energía limpia se desperdiciaría por el esfuerzo de mover la memoria del agente a una nueva ubicación. Si el costo de mover y reaprender es demasiado alto, el sistema mantiene al agente donde está, incluso si la energía local es ligeramente más sucia.

Los investigadores probaron su sistema utilizando una colección de sesenta tareas realistas, que iban desde el análisis de artículos científicos hasta la depuración de código de computadora. Ejecutaron estas tareas a través de cuatro redes eléctricas diferentes con diversas mezclas de energía. Los resultados mostraron que, al elegir cuidadosamente cuándo y dónde ejecutar el trabajo, el sistema podía reducir drásticamente las emisiones de carbono. Cuando se le dio un día completo para completar una tarea, el sistema redujo las emisiones hasta en un 57.9 por ciento en comparación con un enfoque estándar que ignora el carbono. Incluso cuando el plazo era ajustado, con solo tres horas para terminar, el sistema logró reducir las emisiones en más de un 34 por ciento. El sistema demostró que es posible hacer que estos poderosos asistentes digitales sean más sostenibles simplemente siendo más inteligentes sobre cuándo y dónde realizan su trabajo, asegurando que el futuro de la inteligencia artificial no se produzca a costa del clima del planeta.

Resumen Técnico: AgentDecarbonizer: Ejecución Consciente del Carbono para Agentes de IA

Declaración del Problema

Los agentes de IA autónomos extienden los Modelos de Lenguaje de Gran Escala (LLM) desde interacciones simples de un solo prompt-respuesta hacia flujos de trabajo de larga duración dirigidos por objetivos, que involucran llamadas repetidas al modelo, invocaciones de herramientas e interacciones con el entorno. Si bien estos flujos de trabajo permiten tareas complejas como la reparación de software y el análisis de datos, su intensidad computacional conduce a emisiones de carbono sustanciales. Las técnicas de optimización conscientes del carbono existentes, que típicamente desplazan las cargas de trabajo a través del tiempo y la geografía para explotar una menor intensidad de carbono, no logran abordar dos características únicas de los agentes de IA:

Tiempo de Ejecución Incierto: Los flujos de trabajo de los agentes son iterativos y dinámicos; los pasos posteriores dependen de los resultados previos, lo que hace que la duración de la ejecución sea difícil de predecir. Esto complica la estrategia de "desplazamiento temporal", ya que los agentes deben cumplir con los plazos especificados por el usuario en lugar de posponerse indefinidamente.
Sobrecarga de Almacenamiento en Caché de Contexto: Los agentes reutilizan intensamente el contexto (tokens de entrada) a través de múltiples invocaciones del modelo. Los sistemas de servicio de LLM modernos almacenan estos contextos en caché para evitar la recomputación. El desplazamiento espacial (mover la ejecución a una red diferente) a menudo invalida estas cachés, obligando a la recomputación de las entradas previamente almacenadas en caché. Esta sobrecarga de recomputación puede anular los beneficios de carbono de moverse a una red con menor intensidad de carbono.

Metodología

Los autores proponen AgentDecarbonizer, un optimizador de carbono diseñado para ejecutarse junto al sistema de agentes de código abierto OpenClaw. El sistema opera optimizando conjuntamente las decisiones de ejecución temporal y espacial mientras respeta los plazos y la localidad de la caché.

1. Arquitectura del Sistema

AgentDecarbonizer consta de cuatro componentes principales (Figura 7):

Predictor de Intensidad de Carbono: Pronostica la intensidad de carbono futura para las redes candidatas utilizando datos históricos y mediciones de la mezcla energética (utilizando el predictor EnsembleCI).
Estimador de Tiempo de Ejecución: Un LLM local ligero (Gemma 4 4B) que estima la duración de la tarea. Realiza una estimación inicial conservadora basada en las fases y la complejidad de la tarea, luego refina la estimación del tiempo restante durante la ejecución utilizando el progreso en tiempo real, el recuento de tokens y las estadísticas de llamadas a la API de OpenClaw.
Modelo de Carbono Consciente de la Caché: Un planificador que modela el almacenamiento en caché de contexto como una penalización dependiente de la ubicación. Calcula el costo de carbono de la recomputación de las entradas en caché si la ejecución se desplaza a una nueva red. Un desplazamiento espacial solo se selecciona si la reducción de carbono esperada de la red con menor intensidad supera la sobrecarga de recomputación.
Controlador de Ejecución: Gestiona el flujo de ejecución, pausando la ejecución durante los intervalos de "espera", reanudándola desde estados guardados y enrutando las solicitudes a redes específicas según el cronograma del planificador.

2. Algoritmo de Optimización

El problema central de optimización se formula minimizando las emisiones de carbono previstas más la sobrecarga de recomputación de la caché, sujeto a la viabilidad del plazo.

Formulación: El objetivo minimiza $\sum \hat{E}_{r,t} \cdot \widehat{CI}_{r,t} + \sum \Lambda^{(k)}$ , donde $\Lambda^{(k)}$ representa las penalizaciones de recomputación de la caché incurridas al cambiar de región entre los intervalos de ejecución.
Programación Dinámica: Bajo el supuesto de que la recomputación de la caché depende únicamente de si la región del servicio cambia entre intervalos consecutivos (recomputación de caché local), los autores derivan una solución exacta de programación dinámica. Este algoritmo se ejecuta en un tiempo de $O(K|R|H)$ , donde $K$ es el número de intervalos de ejecución, $|R|$ es el número de regiones y $H$ es el número de ranuras de tiempo candidatas.
Garantía de Plazo: El sistema garantiza que se cumplan los plazos utilizando estimaciones de duración conservadoras. Si el tiempo restante estimado supera el tiempo restante hasta el plazo, el sistema recurre a la ejecución inmediata en la red actual.

3. Caracterización de las Cargas de Trabajo

Los autores caracterizaron 60 tareas de agentes de IA de WildClawBench a través de seis categorías (Productividad, Código, Social, Búsqueda, Creativa, Seguridad). Los hallazgos clave incluyen:

Pesadas en Entrada: Los tokens de entrada constituyen el 99.1% de los tokens procesados, con un 94.6% almacenados en caché.
Altos Ahorros de Caché: El almacenamiento en caché de contexto reduce las emisiones de carbono en un promedio de 80.7%.
Variabilidad: Los tiempos de ejecución y el recuento de llamadas a la API varían significativamente entre las tareas, lo que requiere una estimación dinámica en lugar de supuestos estáticos.

Contribuciones Clave

Caracterización Sistemática: El primer trabajo que estudia sistemáticamente las emisiones de carbono de los agentes de IA, identificando que las emisiones son impulsadas por el consumo de tokens, la reutilización de la caché de contexto y la intensidad de carbono de la red.
Diseño de AgentDecarbonizer: Un optimizador de carbono novedoso que maneja la incertidumbre de los tiempos de ejecución de los agentes y la sobrecarga de la recomputación de la caché de contexto durante el desplazamiento espacial.
Optimización Consciente de la Caché: Un enfoque de programación dinámica que equilibra explícitamente los beneficios de carbono del cambio de red frente a la penalización de perder el contexto en caché.
Evaluación: Una evaluación exhaustiva que demuestra que el sistema cumple con los plazos mientras reduce significativamente las emisiones.

Resultados

El sistema fue evaluado utilizando cargas de trabajo de WildClawBench (60 tareas) a través de cuatro redes (Austria, California, Finlandia, Gran Bretaña) con plazos que oscilan entre 3 y 24 horas. La API del modelo utilizada fue GPT-5.4.

Reducción de Carbono:
- Comparado con una línea base agnóstica al carbono (emisiones promedio entre redes), AgentDecarbonizer redujo las emisiones hasta en un 57.9% (con un plazo de 24 horas) y un 34.9% (con un plazo de 3 horas).
- Comparado con una línea base óptima actual (seleccionando la red de menor carbono solo al momento de inicio), redujo las emisiones hasta en un 37.5% (plazo de 24 horas) y un 3.3% (plazo de 3 horas).
Cumplimiento de Plazos: En todas las evaluaciones, el sistema completó con éxito las cargas de trabajo dentro de los plazos especificados por el usuario.
Sobrecarga: La sobrecarga de ejecución local en un Mac mini (M4) fue mínima, con un consumo de energía promedio de 14.9 W y una sobrecarga de tiempo de ejecución de 0.7 a 5.2 minutos por carga de trabajo.
Estudios de Ablación:
- Migración Multi-red: El desplazamiento a través de redes contribuyó con una reducción adicional de las emisiones del 34.1–45.7% en comparación con las estrategias de solo espera.
- Robustez de la Predicción: El sistema se mantuvo robusto ante los errores de predicción de la intensidad de carbono, superando las predicciones estáticas de una sola vez, especialmente para plazos más largos.
- Precisión del Estimador: El estimador de tiempo de ejecución conservador aseguró que los tiempos de ejecución reales fueran consistentemente más cortos que los estimados, garantizando el cumplimiento de los plazos.

Significado y Reivindicaciones

El artículo afirma ser el primer trabajo en estudiar y optimizar sistemáticamente las emisiones de carbono de los agentes de IA adaptando los métodos a sus características de ejecución específicas. Los autores enfatizan que, si bien los agentes autónomos amplifican las demandas computacionales de los LLM, sus características únicas —específicamente la dependencia del almacenamiento en caché de contexto y la variabilidad del tiempo de ejecución— requieren estrategias de optimización especializadas que difieren de la computación tradicional consciente del carbono.

La importancia de AgentDecarbonizer radica en su capacidad para reconciliar los objetivos conflictivos de reducción de carbono y cumplimiento de plazos en un entorno donde el desplazamiento espacial no es trivialmente beneficioso debido a los costos de recomputación de la caché de contexto. Al demostrar que las emisiones de carbono pueden reducirse hasta en un 57.9% sin violar los plazos del usuario, el trabajo proporciona una vía práctica para el despliegue de sistemas de agentes de IA sostenibles y a gran escala. Los autores señalan que, aunque la implementación tiene como objetivo OpenClaw, las estrategias de optimización son ampliamente aplicables a otros sistemas de agentes.