AI Agents están en el centro de un debate que va mucho más allá del hype tecnológico.
Mientras mucha gente todavía discutía cuánto pesan los chatbots de IA generativa en la factura de luz y sobrecargan la red eléctrica, investigadores del Instituto Avanzado de Ciencia y Tecnología de Corea, el KAIST, llegaron con un número que cambia completamente la dimensión del problema. Un nuevo estudio de la institución reveló que los agentes de inteligencia artificial pueden consumir hasta 136,5 veces más energía por consulta que un modelo de IA generativa convencional. Así como lo lees. 😮 Y no se queda ahí: el trabajo también señala problemas serios de latencia y eficiencia en el uso de las GPUs, lo que pone una presión todavía mayor sobre la infraestructura tecnológica y eléctrica del planeta.
Con cientos de miles de agentes ya en operación en el mundo real, y proyecciones que colocan ese número en miles de millones de solicitudes diarias en un futuro cercano, entender el impacto energético de los AI Agents dejó de ser una discusión académica y se convirtió en una cuestión urgente para toda la industria tecnológica. Si los chatbots ya parecían los grandes villanos del consumo eléctrico, los agentes los hacen parecer calculadoras de bolsillo. La diferencia entre un chatbot convencional y un agente autónomo es enorme en términos de arquitectura, y esa diferencia se traduce directamente en demanda de energía, tiempo de respuesta y aprovechamiento del hardware disponible.
¿Por qué los AI Agents consumen tanta energía?
Para entender la magnitud del problema, vale la pena dar un paso atrás y pensar en lo que diferencia a un AI Agent de un chatbot común. Cuando le mandas un mensaje a ChatGPT o a cualquier otro modelo generativo convencional, el proceso es relativamente directo: envías un prompt, el modelo lo procesa y devuelve una respuesta. Es una operación de pregunta y respuesta, con un único ciclo de inferencia. Los AI Agents, por otro lado, funcionan de forma radicalmente diferente. Están diseñados para ejecutar tareas complejas de forma autónoma, lo que significa que necesitan planificar, tomar decisiones, llamar herramientas externas, verificar resultados y repetir ese ciclo varias veces hasta alcanzar un objetivo. Cada una de esas etapas genera una nueva solicitud al modelo, y cada solicitud consume energía. Multiplica eso por decenas de pasos en una sola tarea y el consumo se dispara.
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
Los investigadores explican que el agente necesita estar constantemente consultando su modelo para generar nuevas respuestas mientras razona a lo largo de todas las etapas de la tarea que recibió. Es ese efecto multiplicador el que hace que el número se dispare. Según el estudio, un AI Agent corriendo sobre un modelo de lenguaje grande, a la escala de los modelos comerciales más usados hoy, consumiría en promedio 348,41 vatios-hora por consulta. Para que te hagas una idea de lo que eso representa, es más o menos el equivalente a mantener una bombilla LED encendida durante un día entero. Una sola consulta a un agente. ¿Te imaginas el daño con millones de ellas al día? 😅
Gran parte de ese consumo de energía adicional viene justamente de esa naturaleza iterativa de los agentes. En vez de un único proceso lineal, los AI Agents operan en bucles de razonamiento y acción que pueden repetirse muchas veces antes de completar una tarea. Esto no es un bug, es una característica intencional, ya que esa capacidad de razonamiento en múltiples etapas es exactamente lo que hace a estos agentes tan poderosos. Pero el precio que se paga por esa capacidad en términos de energía es mucho más alto de lo que el mercado estaba estimando hasta ahora. La investigación sirve como una alerta para que las empresas comiencen a incluir el costo energético en sus ecuaciones de desarrollo y escalabilidad.
El problema de la latencia y la eficiencia de las GPUs
Si el consumo de energía ya es una alerta, la cuestión de la latencia añade otra capa de complejidad al problema. El estudio del KAIST identificó que los AI Agents pueden tardar hasta 153,7 veces más tiempo en responder que una consulta convencional. Y esto ocurre por una razón muy específica: la naturaleza secuencial de sus operaciones. Como cada etapa del agente depende del resultado de la etapa anterior, no es posible paralelizar gran parte del trabajo. El modelo necesita terminar una acción antes de iniciar la siguiente, lo que crea una cadena de dependencias que se traduce directamente en mayor latencia percibida por el usuario y por otros sistemas que dependen de ese agente.
Esa latencia elevada también tiene un impacto directo en el aprovechamiento de las GPUs, y es aquí donde el problema se profundiza de verdad. Las GPUs son hardware extremadamente potente, pero funcionan mejor cuando están procesando grandes volúmenes de datos de forma continua. Cuando un AI Agent consulta el modelo repetidamente para completar una tarea, la GPU acaba pasando más tiempo esperando que efectivamente trabajando. Los investigadores estiman que las GPUs pueden quedar ociosas hasta un 54,5% del tiempo mientras un agente ejecuta una tarea, creando un nivel de ineficiencia que simplemente no existe en los usos más directos de IA.
Esa combinación entre alta latencia y baja eficiencia de GPU crea un escenario preocupante, especialmente cuando se piensa a escala. Una empresa que opera cientos de agentes simultáneamente está, en la práctica, manteniendo una infraestructura sobredimensionada que nunca opera en su pico de eficiencia. Esto no es solo un problema de costo operativo, es también una ineficiencia sistémica que contradice cualquier argumento de sostenibilidad que las big techs puedan intentar usar para justificar el avance de los AI Agents. La industria va a necesitar soluciones arquitectónicas creativas para resolver este cuello de botella antes de que la escala del problema se vuelva incontrolable. 🤔
Los agentes ya están por todas partes
Todo esto sería menos preocupante si los AI Agents fueran solo un concepto siendo probado en algún laboratorio aislado. Pero la realidad es muy diferente: ya estamos siendo inundados por agentes de IA por todos lados. En realidad, nadie tiene una noción exacta de cuántos agentes ya están sueltos en el mundo en este momento. Solo para dar una idea, existen cerca de 200 mil agentes verificados registrados en Moltbook, una especie de red social hecha para agentes de IA. Y hay reportes de que aproximadamente 400 mil agentes ya fueron aprobados para usar la stablecoin USDC.
Además, empresas como Google ya comenzaron a integrar AI Agents directamente en la experiencia de navegación web. Es decir, esto ya no es una promesa de futuro lejano, es algo que ya está bastante presente en nuestro día a día, muchas veces sin que nos demos cuenta. Cada una de esas implementaciones carga consigo el peso energético que el estudio señala, y cuando multiplicas eso por millones de tareas ejecutadas diariamente, el impacto sobre la infraestructura eléctrica global deja de ser una abstracción y pasa a ser una realidad concreta que los gestores de data centers ya están sintiendo.
Herramientas que usamos a diario
¿Qué significa esto para el futuro de la tecnología?
Los investigadores también modelaron un futuro nada lejano en el que los AI Agents generarían 13,7 mil millones de solicitudes por día, más o menos el mismo volumen de búsquedas que Google Search procesa actualmente. Sin grandes avances en eficiencia energética, estiman que esto crearía una demanda de cerca de 198,9 gigavatios de energía. Para ponerlo en perspectiva, eso equivale a más o menos la mitad de todo el consumo actual de electricidad de Estados Unidos. Da escalofríos pensar si el planeta aguantaría la mitad de otro país entero solo para alimentar agentes de IA. Pero, tal como van las cosas, probablemente lo vamos a descubrir en la práctica. 😬
La buena noticia es que identificar el problema con claridad es el primer paso para resolverlo. Investigadores e ingenieros ya están trabajando en enfoques que pueden mejorar la eficiencia de los AI Agents sin sacrificar sus capacidades. Una de las líneas de investigación más prometedoras involucra optimizar la planificación y el paralelismo dentro de las arquitecturas de agentes, intentando reducir los períodos de ociosidad de las GPUs al reorganizar el flujo de ejecución de las tareas. Otro enfoque explora el uso de modelos más pequeños y especializados para etapas específicas del razonamiento del agente, reservando los modelos más grandes solo para las decisiones más complejas. Esto puede reducir considerablemente el consumo de energía por consulta sin comprometer la calidad del resultado final.
Pero quizás el impacto más importante del estudio del KAIST sea de naturaleza cultural y estratégica. Pone sobre la mesa una discusión que la industria necesitaba tener con más seriedad: el costo real de los AI Agents necesita ser medido, reportado y considerado en las decisiones de producto y negocio. No sirve de nada construir agentes cada vez más capaces si el precio energético de esa capacidad se vuelve insostenible a largo plazo. La eficiencia energética necesita ser tratada como un criterio de diseño de primera clase, y no como una optimización en la que se piensa después de que el producto ya está en el aire. Ese es el verdadero desafío que el avance de los AI Agents pone frente a toda la industria tecnológica en los próximos años. 🚀
