Can We Test Jevons Paradox in AI Inference? A Longitudinal Audit of Token Prices, Demand, and Energy (2022–2026)
Este artículo construye un conjunto de datos longitudinales y un nuevo marco analítico para demostrar que los datos públicos actuales carecen de la granularidad y la identificación causal necesarias para verificar si la eficiencia de la inferencia de la IA está impulsando una Paradoja de Jevons, ya que la estabilidad de los precios observada y el crecimiento no verificado del volumen impiden una conclusión definitiva sobre si la eficiencia finalmente limitará o aumentará la demanda total de energía.
Artículo original bajo licencia CC BY 4.0 (https://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 un mundo donde hacer que una máquina sea más inteligente y barata de operar realmente provoca que la usemos tanto que el consumo total de energía se dispara. Este es el corazón de una pregunta que ha desconcertado a los economistas durante más de un siglo, conocida como la paradoja de Jevons. Sugiere que cuando nos volvemos más eficientes en el uso de un recurso, no necesariamente ahorramos ese recurso; en cambio, el menor costo nos incita a usarlo de forma tan agresiva que nuestro consumo total crece. Hoy, esta pregunta se ha trasladado de las minas de carbón al reino digital, centrándose en la inteligencia artificial. A medida que los modelos de IA se vuelven más rápidos y baratos de operar, existe un intenso debate sobre si esta eficiencia limitará el apetito energético masivo de la industria o, por el contrario, alimentará una explosión en la demanda que supere nuestra capacidad para generar energía. Para resolver esto, necesitamos que tres cosas sucedan al mismo tiempo: el precio de usar la IA, el volumen de cuánto se está usando y la energía real que consume.
Un investigador llamado Eugen Spivak se propuso encontrar estas tres piezas del rompecabezas para los años 2022 a 2026. El objetivo era construir un registro único y unificado que rastreara el precio del texto de IA, la cantidad de texto generado y la energía requerida para crearlo, todo para los mismos servicios y periodos de tiempo. Spivak pasó años recopilando datos de fuentes públicas, incluyendo versiones archivadas de páginas de precios de once de los principales desarrolladores de IA, declaraciones sobre cuántos tokens (las unidades básicas de texto) se procesaron y cifras publicadas sobre el uso de energía. El resultado fue un libro contable masivo que contenía más de mil puntos de precio, docenas de declaraciones de volumen y más de cien cifras de energía. Sin embargo, el hallazgo más significativo de este trabajo no es una confirmación de la paradoja, sino una revelación sobre los datos mismos: el registro público simplemente no contiene la información necesaria para responder a la pregunta.
La investigación reveló que, si bien tenemos abundancia de números, estos rara vez encajan de una manera que permita una comparación justa. Por ejemplo, cuando los investigadores analizaron los precios de modelos específicos de IA a lo largo del tiempo, encontraron que el costo de un solo modelo rara vez cambiaba. En casi 700 instancias donde se verificó el mismo modelo en diferentes momentos, su precio permaneció exactamente igual. Las drásticas caídas de precios citadas frecuentemente en las noticias no se debieron a que los desarrolladores bajaran el costo de las herramientas existentes, sino a que se introdujeron nuevos modelos más baratos al mercado mientras que los antiguos se mantenían caros. Esta distinción es crucial porque significa que el "precio" de la IA está cambiando debido a cambios en el producto, no solo por ganancias de eficiencia.
Cuando el investigador intentó cotejar estos precios con cuánto utilizaba la gente realmente la IA, los datos se volvieron aún más fragmentados. Para los dos proveedores más grandes, Google y OpenAI, existen declaraciones claras que muestran que la cantidad de texto generado en sus plataformas creció increíblemente rápido, multiplicándose por más de cuatro o cinco veces cada año entre 2025 y 2026. Al mismo tiempo, los precios para sus modelos estándar no bajaron; de hecho, para muchas categorías, subieron. Esto crea un panorama confuso donde el uso está explotando incluso cuando el costo por unidad no está cayendo. Sin embargo, persiste una brecha crítica: las declaraciones de volumen no especifican exactamente qué tipo de texto están contando. Podrían incluir texto de entrada, texto de salida o datos en caché, mientras que las listas de precios solo cubren tipos específicos de salida. Sin saber si las cifras de volumen y las cifras de precio están hablando exactamente de lo mismo, es imposible decir si el crecimiento en el uso fue una respuesta directa a una baja de precios.
La pieza faltante que hace imposible completar todo el panorama es el dato de la energía. Aunque hay muchas afirmaciones sobre cuánta energía usa una IA, la mayoría de ellas no establece los límites de su medición. Algunas cifras cuentan solo los chips informáticos, mientras que otras incluyen el edificio completo, los sistemas de enfriamiento y la electricidad utilizada para mantener los servidores funcionando incluso cuando están inactivos. Debido a que estas mediciones se toman en diferentes escalas, no pueden compararse de manera confiable entre sí, y mucho menos cotejarse con los datos de precio y volumen. El estudio encontró que, en más de la mitad de las cifras de energía revisadas, era imposible determinar exactamente qué se estaba midiendo. Sin una medición clara y consistente de la energía por unidad de trabajo, y sin un vínculo claro entre el precio y el volumen, los datos no pueden mostrar si la eficiencia está impulsando un mayor consumo.
En última instancia, esta rigurosa auditoría concluye que aún no podemos decir si la IA está sufriendo la paradoja de Jevons. El registro público es demasiado irregular para probar que las ganancias de eficiencia están causando un aumento en el uso total de energía, ni puede probar que la eficiencia eventualmente limitará ese uso. Los datos muestran que el uso de la IA está creciendo rápidamente, pero no muestran que este crecimiento sea causado por precios más bajos o una mejor eficiencia. El investigador argumenta que para resolver este misterio, las empresas que construyen estos sistemas deben comenzar a publicar datos más claros. Necesitan declarar exactamente cuándo entra en vigor un precio, especificar exactamente qué cuentan sus cifras de volumen y definir los límites de sus mediciones de energía. Hasta que se proporcionen estos detalles, el debate sobre el futuro energético de la IA seguirá siendo una cuestión de teoría más que de hecho, dejándonos sin saber si la máquina se está convirtiendo en una herramienta sostenible o en un consumidor insaciable de energía.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.