Productivity gains of artificial intelligence outweigh energy costs

Resumen Técnico: Las ganancias de productividad de la Inteligencia Artificial superan los costos energéticos

Planteamiento del problema
La rápida difusión de la inteligencia artificial (IA) en el lugar de trabajo presenta una tendencia dual: ganancias sustanciales de productividad a nivel de tarea y una expansión sin precedentes de la huella energética asociada a los sistemas de IA. Mientras que los estudios a microescala cuantifican el ahorro de tiempo de las herramientas de IA, y la literatura independiente estima las huellas de carbono y electricidad de la infraestructura de IA, ningún estudio ha comparado directamente estos dos factores en una escala monetaria común para la economía agregada. Esta brecha es crítica porque los beneficios de productividad revierten principalmente en las empresas, mientras que los costos ambientales se externalizan a la sociedad. Sin una evaluación conjunta, los responsables de políticas y las empresas no pueden evaluar el retorno social neto de la adopción de la IA a gran escala.

Metodología
Los autores emplean un marco basado en tareas para proporcionar la primera comparación monetaria directa entre las ganancias de productividad inducidas por la IA y los costos de energía en el lugar de trabajo de EE. UU. El análisis se basa en los siguientes datos y métodos:

• Fuentes de datos: El estudio utiliza la base de datos O*NET, que cubre 19,265 tareas laborales en 923 ocupaciones. Los datos de empleo y salarios se extraen de la Oficina de Estadísticas Laborales de EE. UU. (Matriz Nacional de Empleo y Encuesta de Población Actual). Los parámetros de consumo de energía por consulta se derivan de [14], y los precios de la electricidad se basan en las tarifas industriales de EE. UU. de 2024.
• Estimación de la productividad: Los ahorros de tiempo a nivel de tarea se estiman mediante evaluaciones de GPT-5 de la base de datos O*NET. Las tareas se clasifican en tres categorías de exposición:
  • E0: La asistencia de la IA genera ahorros de tiempo inferiores al 50%.
  • E1: El acceso solo a un chatbot de LLM genera ahorros >50%.
  • E2: Los ahorros superan el 50% solo cuando el modelo se aumenta con software específico para la tarea.
    El análisis asume un escenario de "adopción cuasi-total" donde todas las tareas E1 están totalmente aumentadas, y las tareas E2 se ponderan al 50% para reflejar las barreras organizativas.
• Estimación de la energía: Los costos totales de electricidad se calculan combinando las frecuencias de ejecución a nivel de tarea con los parámetros de consumo de energía por consulta. El estudio modela tres supuestos de iteración de consultas (1, 4 y 7 iteraciones por tarea) y tres escenarios de consumo de energía (mínimo, medio y máximo entre los modelos parametrizados).
• Monetización: Las ganancias de productividad se expresan como "ahorros salariales" (el equivalente en costo laboral del tiempo liberado). Los costos de energía se convierten a dólares utilizando los precios promedio de la electricidad industrial en EE. UU. El estudio también calcula las emisiones de carbono utilizando datos de ciclo de vida de CO2 y el costo social del carbono de la EPA para contabilizar las externalidades ambientales.

Resultos clave

• Ganancias de productividad: Bajo el escenario de adopción cuasi-total, los ahorros salariales agregados se estiman en aproximadamente el 8.87% del PIB nominal de EE. UU. (2024). La distribución de los ahorros de tiempo es bimodal: las tareas manuales y altamente contextuales muestran ahorros cercanos a cero, mientras que las tareas cognitivas, informativas y textuales muestran ahorros agrupados entre el 60 y el 70%, con algunas tareas E2 alcanzando el 85–90%.
• Costos de energía: En todos los supuestos de modelo e iteración, los costos de energía se mantienen muy por debajo del 0.1% del PIB. En términos absolutos, el consumo total de energía para el escenario de referencia (7 iteraciones, consumo de energía medio) se estima en 28 TWh.
• Magnitud comparativa: Las ganancias de productividad superan los costos directos de energía operativa por varios órdenes de magnitud.
• Eficiencia física: La asistencia de la IA requiere entre 27 y 1,769 Wh por hora de mano de obra ahorrada, con una estimación de referencia de 430 Wh. Esto implica que ahorrar una hora de labor consume aproximadamente 8 veces la energía de esa hora de trabajo en sí misma (asumiendo un parámetro de laptop de ~50 Wh/hora), lo que indica un aumento neto en el consumo de energía.
• Externalidades ambientales: Incluso al contabilizar las emisiones de carbono (estimadas en 10.7 Mt de CO2, o 0.21% de las emisiones totales de EE. UU.) y aplicar el costo social del carbono ($204/ton), los costos energéticos y ambientales combinados ($2.2 mil millones de costo social + ~$2.6 mil millones de costo directo) siguen estando muy por debajo del valor monetario estimado de las ganancias de productividad ($2.6 billones).

Contribuciones clave

1. Primera comparación monetaria directa: Este documento proporciona la primera comparación directa de las ganancias de productividad de la IA y los costos de energía en una escala monetaria común para la economía agregada.
2. Granularidad a nivel de tarea: A diferencia de los enfoques de arriba hacia abajo que utilizan coeficientes de intensidad a nivel de industria, este estudio construye las estimaciones desde la base, combinando frecuencias de tareas específicas con parámetros de energía por consulta.
3. Métrica de eficiencia normalizada: Los autores introducen una métrica de consumo de energía en Wh por hora de mano de obra ahorrada, ofreciendo una visión normalizada de los costos energéticos de las ganancias de productividad.
4. Integración de externalidades: El estudio extiende el análisis más allá de los costos monetarios directos para incluir el costo social del carbono, demostrando que incluso con las externalidades ambientales, los beneficios netos siguen siendo positivos.

Significancia y afirmaciones
El artículo afirma que, contrariamente a las preocupaciones sobre la intensidad energética de la IA, las ganancias de productividad de la adopción de la IA parecen superar los costos de energía asociados por varios órdenes de magnitud. Los autores sostienen que incluso cuando se internalizan las externalidades ambientales, el retorno social neto de la adopción de la IA a gran escala en el lugar de trabajo sigue siendo fuertemente positivo.

El estudio concluye que el caso para la adopción de la IA no puede basarse en el ahorro directo de energía (ya que la IA aumenta el consumo neto de energía por hora de trabajo ahorrada), sino que debe sopesar el valor de la mano de obra ahorrada frente al costo neto de energía. Los hallazgos sugieren que los costos energéticos asociados con la adopción de la IA están "contenidos con respecto a sus beneficios", lo que respalda la difusión continua de la IA en entornos profesionales desde un punto de vista de eficiencia económica. Los autores señalan que sus estimaciones representan un límite inferior del consumo de energía de los centros de datos atribuibles a la IA profesional, ya que excluyen los usos de consumo y los costos de entrenamiento de modelos, aunque la disparidad entre beneficios y costos sigue siendo inmensa.