Un reciente estudio de la Universidad de Ciencias Aplicadas de Múnich destaca el considerable impacto ambiental de los modelos de lenguaje generativo al usarlos para tareas cotidianas, como responder preguntas de cultura general o matemáticas. Cada interacción con una inteligencia artificial implica un complejo proceso computacional que consume energía y genera emisiones de CO₂.
Liderado por el investigador Maximilian Dauner y publicado en Frontiers in Communication, el estudio evaluó 14 modelos de lenguaje con parámetros entre 7.000 y 72.000 millones, sometiéndolos a 100 preguntas en cinco categorías temáticas. Se encontró que el consumo energético y la precisión varían según el método de razonamiento del modelo.
Los modelos que empleaban un razonamiento más complejo producían más emisiones en comparación con los que ofrecían respuestas directas. Mientras los modelos complejos generaban 543,5 tokens por pregunta, los más simples producían solo 37,7. Esto refleja cómo el procesamiento de información puede afectar el impacto ambiental de un LLM.
El modelo más preciso, Cogito, con 70.000 millones de parámetros, alcanzó un 84,9% de precisión, pero emitía tres veces más CO₂ que otros modelos de tamaño similar con respuestas más simples. Este hallazgo plantea un dilema entre precisión y sostenibilidad en la tecnología.
Además, el área temática influye en las emisiones. Preguntas de filosofía o álgebra abstracta generaron hasta seis veces más emisiones que cuestiones de historia básica. Los investigadores sugieren que la implementación de la decodificación especulativa y hardware más eficiente podría reducir la huella de carbono.
Dauner enfatiza la importancia de que los usuarios sean conscientes de las emisiones generadas por sus interacciones con la IA. Elegir modelos adecuados puede marcar una diferencia significativa; por ejemplo, un modelo como DeepSeek R1 generaría emisiones equivalentes a un vuelo entre Londres y Nueva York por 600.000 consultas, mientras que Qwen 2.5 podría responder tres veces más preguntas con similar precisión.
El estudio también destaca la necesidad de transparencia hacia los usuarios, sugiriendo que conocer el costo ambiental de cada consulta podría promover decisiones más responsables. A pesar de los desafíos en regular el consumo energético de estos modelos, los investigadores creen que crear conciencia pública es un primer paso esencial.
El equipo está investigando cómo diferentes tipos de solicitudes afectan la calidad de las respuestas y el consumo energético, abriendo nuevas posibilidades para evaluaciones futuras en un rango más amplio de tareas y aplicaciones multimodales.
