To AI or not to AI? Per-task energy and water demands of AI inference are orders of magnitude lower than human labor across all scenarios

Resumen Técnico: Demandas de Energía y Agua por Tarea de la Inferencia de IA frente a la Mano de Obra Humana

Planteamiento del Problema
Si bien la huella ambiental agregada de la infraestructura de inteligencia artificial (IA) está creciendo rápidamente, persiste una brecha analítica crítica: la falta de comparaciones establecidas por unidad entre la inferencia de la IA y la mano de obra humana que esta aumenta o reemplaza. Los estudios previos se han centrado en trayectorias sectoriales macroscópicas (por ejemplo, el total de emisiones de agua y carbono de los despliegues de IA en EE. UU. para 2030) o en costos de entrenamiento específicos. Sin embargo, estos análisis agregados no pueden responder si la adopción de la IA resulta en un ahorro neto de recursos o en un aumento neto. Sin una unidad funcional común, es imposible distinguir entre la paradoja de Jevons (donde las ganancias de eficiencia conducen a un aumento del consumo agregado) y un desplazamiento genuino de recursos. Este artículo busca establecer una línea base por unidad faltante para evaluar las implicaciones netas de recursos de la adopción de la IA.

Metodología
Los autores construyen un marco de contabilidad de ciclo de vida con descomposición sectorial para comparar a un adulto trabajador representativo de EE. UU. frente a tareas de inferencia de IA.

1. Unidad Funcional: El estudio normaliza todas las demandas a un "minuto de trabajo".
   • Línea Base Humana: Se calcula una demanda de potencia continua de ~6,700 W y una huella hídrica diaria de ~7,800 L para un adulto estadounidense representativo a través de siete sectores: transporte personal, aviación, energía residencial (electricidad y gas), sistemas alimentarios, bienes manufacturados y agua/residuos municipales. Estos se normalizan a una semana laboral estándar de 40 horas (2,400 minutos), lo que arroja 467 Wh y 22.7 L por minuto de trabajo.
   • Línea Base de IA: Las demandas de inferencia se calculan para Modelos de Lenguaje Extensos (texto) y generación de imágenes en hardware actual (por ejemplo, NVIDIA H100).
2. Descomposición de la Contabilidad del Agua: El estudio introduce una descomposición de dos componentes para la demanda de agua de la IA:
   • Enfriamiento Directo: Medido mediante la Eficacia del Uso del Agua (WUE, por sus siglas en inglés).
   • Generación de Electricidad Indirecta: Calculada según la intensidad de agua de la red eléctrica.
   • La Paradoja Hidrológica: La metodología contabiliza la evaporación de los embalses hidroeléctricos. Los autores encuentran que incluir la evaporación invierte la clasificación de intensidad de agua entre la red nacional de EE. UU. y la red de California, ya que la mayor dependencia de la hidroelectricidad de California (13.4% frente al 6% nacional) resulta en una intensidad de agua integral más alta (3.068 L kWh⁻¹ frente a 2.288 L kWh⁻¹).
3. Escenarios Comparativos: El análisis abarca una matriz de configuraciones de hardware, tecnologías de enfriamiento (WUE variando de 0.2 a 9.0 L kWh⁻¹) y mezclas de redes eléctricas (red nacional de EE. UU. vs. California, con y sin evaporación de embalses hidroeléctricos). Se prueban ratios de productividad, comenzando con un ratio conservador de 100:1 (humano-IA) y extendiéndose hasta ratios de rendimiento observados (hasta 3,600:1).

Resultos Clave
El estudio encuentra que las demandas de recursos por tarea de la inferencia de IA son órdenes de magnitud menores que las de la mano de obra humana en todos los escenarios probados.

• Energía:
  • Inferencia de Texto: Requiere ~1.5 Wh por minuto operativo.
  • Generación de Imágenes: Requiere ~2.9 Wh por tarea.
  • Comparación: Con un ratio de productividad conservador de 100:1, la demanda de energía del ciclo de vida humano supera a la inferencia de texto de la IA por aproximadamente 31,000 veces y a la de generación de imágenes por aproximadamente 16,000 veces. Incluso con una paridad de productividad de 1:1, el ciclo de vida humano utiliza 311 veces más energía para texto y 161 veces más para la generación de imágenes.
• Agua:
  • Inferencia de Texto: Oscila entre 1.2 mL y 16.9 mL por minuto, dependiendo del WUE y la metodología de la red.
  • Generación de Imágenes: Oscila entre 2.3 mL y 32.8 mL por tarea.
  • Comparación: La demanda de agua humana supera a la de la IA de texto entre 134,000 y 1,925,000 veces y a la de la generación de imágenes entre 69,000 y 995,000 veces, dependiendo de los supuestos específicos de WUE y de la red.
• Robustez: Estas conclusiones se mantienen incluso bajo supuestos de "peor escenario" (por ejemplo, hardware V100 más antiguo, alto WUE y contabilidad integral de la evaporación de embalses). La brecha se amplía significamente cuando se utilizan ratios de productividad observados en el rendimiento real de la IA (de 240:1 a 3,600:1).

Significancia y Reivindicaciones
El artículo afirma proporcionar la primera línea base por unidad necesaria para un análisis de política completo de la adopción de la IA. Su principal significancia radica en reencuadrar el debate de la de la de consumo agregado a la eficiencia por unidad relativa a la actividad desplazada.

• Implicación de Política: Los autores argumentan que inferir un aumento neto en el uso de recursos de la sociedad basándose únicamente en el crecimiento de las huellas agregadas de la IA es engañoso sin un comparador humano. Si la IA desplaza una actividad humana más intensiva en recursos, el resultado neto es un ahorro de recursos, incluso si el número absoluto de consultas de IA crece.
• Contribución Metodológica: El estudio destaca la "paradoja hidrológica", demostando que las redes percibidas como sostenibles (como la de California) pueden tener intensidades de agua de ciclo de vida más altas cuando se incluye la evaporación de los embalses. Recomienda que las divulgaciones de la infraestructura de IA distingan explícitamente entre tres alcances de agua: (i) pérdida por evaporación in situ (WUE), (ii) agua de electricidad indirecta excluyendo la evaporación de embalses, y (iii) agua de electricidad indirecta incluyendo la evaporación de embalses.
• Limitaciones: Los autores reconocen que sus presupuestos humanos representan promedios nacionales de EE. UU., excluyen la energía embebida en la fabricación de semiconductores y asumen un 100% de productividad humana durante las horas de trabajo. También señalan que no se tienen en cuenta los efectos de rebote a nivel de sistema (donde la IA permite más trabajo total en lugar de la sustitución).

En resumen, el artículo concluye que, si bien el uso de agua y energía de los centros de datos está creciendo, el costo de recursos por tarea de la inferencia de IA es insignificante en comparación con la mano de obra humana que reemplaza, lo que sugiere que la adopción de la IA podría representar una reducción neta en la intensidad de recursos por unidad de producción.