Anteriormente, en el artículo El costo ambiental de la IA, exploramos el impacto ambiental de la inteligencia artificial (IA), en particular el consumo energético, la huella de carbono y los tipos de emisiones que estas tecnologías generan. En esta nueva edición, indagaremos sobre la huella hídrica de la IA y sus repercusiones en el medio ambiente y en las comunidades donde se ubican estos complejos.
Según el reporte de la UNESCO Montañas y glaciares: Torres de agua de 2025, en la actualidad, el sector agrícola domina las extracciones de agua dulce (72 %), seguido por la industria (15 %) y el uso doméstico (13 %). Además, menciona que las extracciones han aumentado en las ciudades con un gran crecimiento económico (14 %), destacando que en los países de mayores ingresos se utiliza (agua) mayormente en el sector industrial, mientras que en los de menores ingresos se utiliza en la agricultura (UNESCO, 2025, como se citó en Kashiwase y Fujs, 2023).
Ahora bien, al hablar de la IA no se piensa de inmediato en el agua, sino en la energía. En específico, en la cantidad excesiva de electricidad que estos sistemas requieren para entrenar modelos y almacenar datos en los data centers, la demanda energética que generan y los recursos (muchas veces no renovables) de donde proviene esta electricidad. Sin embargo, no suele cuestionarse cuánta agua necesitan para funcionar.
Para poner en contexto, tan solo en 2024, Google consumió 31 millones de metros cúbicos de agua, lo que equivale a regar 54 campos de golf al año. Sin embargo, también aclaran que este consumo se realizó en regiones con abundantes recursos hídricos, es decir, con bajo riesgo de agotamiento o de escasez hídrica.
Asimismo, Google confirma que, a medida que la empresa sigue creciendo, la demanda hídrica ha aumentado un 28 % entre 2023 y 2024. Por su parte, Microsoft reporta en su 2025 Environmental Sustainability Report: Accelerating progress to 2030 que su consumo y extracción de agua también han aumentado debido al crecimiento. Solo en 2024, se consumieron más de 5 millones de m³ y se extrajo más de 10 millones de m³ de agua.
¿Qué es la huella hídrica?
El concepto de la huella hídrica surgió en el 2002 por el profesor Arjen Hoekstra, quien posteriormente fundó en el 2008 la Water Footprint Network para abordar y visibilizar la crisis del agua. Este concepto se define como «el volumen total de agua dulce empleada para producir bienes y servicios consumidos por individuos o comunidades y/o producidos por empresas» (Chapagain, 2017). Por tanto, es un indicador que muestra el agua consumida y contaminada, así como su ubicación geográfica.
De acuerdo con la Water Footprint Network, la huella hídrica se divide en tres tipos, en función de la procedencia del agua:
La IA y el consumo de agua
Los centros de datos y la IA requieren mucho más que solo energía eléctrica para funcionar. Por tanto, para medir la eficiencia hídrica de los centros de datos se emplea la Water Usage Effectiveness (WUE), una fórmula que mide el consumo total de agua para los sistemas de refrigeración y humidificación dividido por el consumo anual de energía (Vries-Gao, 2026):
En este sentido, el consumo de agua en los centros de datos se divide en tres categorías: enfriamiento (uso directo), energía (uso indirecto) y cadena de suministro (Li et al., 2025; Barnett-Itzhaki, 2026, como se citó en Yáñez-Barbanuevo, 2025). A continuación, se desglosa cada categoría.
Sistemas de enfriamiento
Todos los data centers requieren sistemas de enfriamiento para evitar interrupciones de funcionamiento por sobrecalentamiento, ya que al operar sin parar 24/7, generan grandes cantidades de calor.
Por ende, para enfriar los servidores, se requiere transferir el calor a una instalación especializada o a un intercambiador de calor mediante enfriamiento por aire o por líquido. Para entrenar IA se emplea el enfriamiento por líquido debido a la alta densidad de potencia de estos servidores (Li et al.,2025).
A nivel de instalación, el calor se disipa hacia el exterior del centro de datos. Para estos procesos se utilizan las torres de enfriamiento y el enfriamiento asistido por aire con evaporación de agua. Por un lado, las torres de enfriamiento requieren un suministro continuo de agua dulce para evitar la acumulación de minerales, sales y bacterias, así como para compensar el agua que se evapora o se descarga. Por su parte, el enfriamiento asistido por evaporación utiliza el agua presente en el aire exterior. Sin embargo, cuando el aire está muy caliente, deben consumir agua para compensar y controlar la humedad. Con este método se puede aumentar la demanda de agua cuando el aire exterior es muy caliente y seco (Li et al., 2025).
Generación de electricidad
Muchos centros de datos utilizan energía termoeléctrica, es decir, en la que se obtiene energía eléctrica a partir del vapor de agua, que genera presión y mueve turbinas. Esto implica un consumo considerable de agua para generar dicho tipo de energía, que puede ser hasta cuatro veces mayor que el de los sistemas de enfriamiento.
Por ejemplo, Meta (Facebook) consumió 3,7 l/kWh* en 2023.
*Litros por kilovatio-hora, es decir, la cantidad de agua necesaria para generar electricidad o disipar el calor.
Cadena de suministro
La cadena de suministro implica la fabricación de materiales y servidores de IA, lo cual requiere agua ultrapura, ya que no debe contener impurezas que puedan dañar el proceso de fabricación. Sin embargo, para obtener 3,7 litros de agua ultrapura se requieren 5,6 litros de agua.
Ahora bien, en la cadena de suministro se utiliza el agua tanto para fabricar chips como para mantener refrigeradas las plantas de semiconductores. Para darnos una idea de la inmensa cantidad de agua para la fabricación de chips, en promedio, se requieren más de 37 millones de litros de agua ultrapura al día.
Asimismo, la huella hídrica se refleja en el agua contaminada por sustancias químicas o residuos peligrosos. Un ejemplo muy claro de consumo de agua en la cadena de suministro es Apple, que reporta que este consumo representa el 99 % de su huella hídrica.
Entrenamiento e inferencia
De acuerdo con Barnett-Itzhaki (2026), las cargas de trabajo de la inteligencia artificial, es decir, los procesos de entrenamiento e inferencia de estos sistemas, también intensifican las demandas hídricas.
Recordemos que los modelos de IA requieren energía eléctrica para entrenarse y funcionar. En la actualidad, las demandas energéticas se deben al aumento de la escala de los parámetros, es decir, las configuraciones o valores que aprenden los modelos durante su entrenamiento, los cuales se ajustan para modificar la forma de procesar la información y generar respuestas, así como para adecuar sus comportamientos. Se predice que para 2028 el consumo eléctrico de la IA superará los 150 billones de vatios-hora (TWh) solo en Estados Unidos.
Asimismo, la IA requiere agua para entrenarse. Un ejemplo importante es el modelo GPT-3, que tiene 175 mil millones de parámetros y consumió 5,4 millones de litros de agua durante su entrenamiento (lo cual implica la refrigeración de los servidores y del propio data center, así como la energía eléctrica necesaria, etc.). Del mismo modo, las IA consumen agua al ser utilizadas por el usuario final, a esto se le llama inferencia
El impacto ambiental y social de la IA
Estudios como el de Gour et al. (2026) mencionan que los centros de datos presentan riesgos para la salud derivados de la contaminación atmosférica, el uso excesivo de agua, la contaminación acústica y la alteración del suelo, que afectan a los ecosistemas y las comunidades. Aquí examinaremos brevemente algunos de ellos.
Agua
La International Energy Agency (IEA) estimó que en el 2023 el sector de IA consumió 560 mil millones de litros de agua (373 mil millones de consumo indirecto, 140 mil millones de consumo directo y 47 mil millones de consumo en la cadena de suministro).
Por su parte, un estudio más reciente sobre la IA y su impacto ambiental demostró que esta tecnología consumió alrededor de 765 mil millones de litros de agua en 2025, superando el consumo mundial de agua embotellada. Otro ejemplo puntual es que, en promedio, un centro de datos de hiperescala puede consumir entre 11 y 26 millones de litros de agua al día solo en los sistemas de refrigeración (Tao y Gao, 2025).
A su vez, otro factor importante en el consumo de agua es la ubicación geográfica, puesto que muchos centros de datos se encuentran en zonas con alto estrés hídrico o en zonas áridas, donde el agua es menos accesible. Por ejemplo, en el municipio de Colón, en el estado de Querétaro (México), Microsoft estableció un centro de datos de hiperescala en medio de una sequía severa que afectaba a la región, lo que obligaba a sus habitantes a depender de camiones cisterna para sobrevivir, mientras el agua se destinaba a las instalaciones de Microsoft.
Li et al. (2025) señalan que, aunque la huella hídrica de la agricultura es mayor, esta es principalmente verde, mientras que la de las empresas de IA es azul (incluye la descarga de aguas residuales de los sistemas de refrigeración, lo que degrada la calidad del agua), lo que representa un estrés hídrico importante para muchas comunidades, como la del municipio de Querétaro antes mencionado.
Contaminación acústica
Un problema muy importante para los ecosistemas y las comunidades es la contaminación acústica generada por la IA y los centros de datos. Esto se debe principalmente a los generadores diésel y a los sistemas de calefacción, ventilación y aire acondicionado, que emiten ruido incesante.
Los niveles de ruido generados por los centros de datos pueden superar los 90 dB (decibelios), mientras que, dentro de ellos, en los racks donde se albergan los servidores, son aún mayores. Para poner en perspectiva, la OMS recomienda mantener los niveles por debajo de 30 dB ponderados durante la noche para no afectar la calidad del sueño. Además, este organismo indica que el ruido persistente perjudica el rendimiento cognitivo, deteriora el bienestar y puede afectar la presión arterial. Otros efectos incluyen la disminución de la productividad, tinnitus, pérdida auditiva permanente, disrupción endocrina, estrés, entre otros.
En fechas recientes, múltiples comunidades en Estados Unidos, como Dowagiac, Michigan, han reportado que el ruido que generan estos centros es insoportable, hasta el punto de no querer abrir las ventanas. Además, se reporta que la zona presenta cortes constantes del suministro eléctrico y facturas elevadas.
Otro ejemplo es el proyecto reciente de Elon Musk, Colossus, en Memphis, Tennessee, una supercomputadora de IA para entrenar a Grok. Según The Times, este proyecto consumirá 1 millón de galones de agua al día y 1,1 gigavatios de energía eléctrica para funcionar. Además, Colossus utiliza 30 turbinas de gas (aparentemente temporales), lo que genera contaminación acústica y ambiental en proporciones exorbitantes.
El infrasonido
Aparte del ruido, los centros de datos también generan infrasonido. Esta frecuencia está por debajo de los 20 Hz, por lo que es imperceptible para el oído humano; sin embargo, estas vibraciones sí tienen efectos importantes, como mareos, náuseas, cefaleas, problemas de sueño, ansiedad, entre otros. En consecuencia, el infrasonido puede afectar el estado mental y cognitivo de las personas.
Otros impactos
Aunado a los efectos antes mencionados, las emisiones generadas por los centros de datos constituyen un problema que repercute en la salud pública. De acuerdo con un estudio de la Universidad de Riverside, Caltech y Rochester Institute of Technology (RIT) titulado The Unpaid Toll: Quantifying and Addressing the Public Health, los centros de datos (por la fabricación de chips y su operación) «contribuyen sustancialmente a la degradación de la calidad del aire, lo que repercute en altos costos para la salud pública». Esto incluye partículas PM2.5, que pueden causar graves problemas de salud (Han et al., 2025).
Un ejemplo de estos efectos fue estudiado en el área donde se encuentra el Vantage Data Center en Virginia, un centro de datos que emplea turbinas de gas para funcionar. Los estudios estimaron que habrá “entre 53 y 99 millones de dólares en daños anuales a la salud derivados de la contaminación atmosférica asociada, lo que constituye una de las mayores estimaciones de daños a la salud realizadas hasta la fecha para una sola instalación».
¿Qué medidas se están tomando para mitigar la huella hídrica?
Aunque las grandes compañías como Google, OpenAI, Microsoft, Amazon, entre otras, indican en sus reportes de sustentabilidad que buscan estrategias y medidas para mitigar los daños ambientales (contaminación del aire, huella hídrica, huella de carbono, etc.), muchas de estas no son transparentes al 100 % respecto a su impacto ambiental (otras ni siquiera divulgan esta información), por lo que una de las áreas de oportunidad es que brinden cuentas claras sobre cuántos recursos gastan y cómo los gastan.
Entre las estrategias planteadas por estas organizaciones se encuentran las siguientes:
- Mejorar los sistemas de enfriamiento mediante tecnología direct-to-chip liquid cooling para mitigar el consumo de agua. Este sistema no depende de la evaporación y recicla el agua, por lo que disipa el calor sin necesidad de agua adicional.
- Reponer más agua de la que se consume.
- Mejorar la eficiencia de los centros de datos para reducir el consumo de agua (water positive).
Otras medidas que buscan aliviar las tensiones hídricas, como la refrigeración por inmersión, en la que se sumergen los servidores en un líquido sintético que conduce el calor (pero no la electricidad), aunque no es muy utilizada debido a sus altos costos. China, por ejemplo, busca sumergir centros de datos en el océano para evitar el consumo de agua por refrigeración, reduciendo a su vez en un 30 % el consumo de electricidad. No obstante, esta solución podría provocar otros problemas a futuro, sobre todo para los ecosistemas locales (flora y fauna).
Diversos estudios, como el de Pimenow et al. (2024), señalan que la IA y el aprendizaje de máquina (machine learning) pueden aportar soluciones para mejorar la eficiencia energética y mitigar los impactos ambientales, aunque también destacan la dualidad de estas herramientas, ya que entrenar a la IA requiere un importante gasto de recursos económicos y naturales, lo cual se contrapone a la premisa de la mitigación del impacto ambiental.
Por su parte, Wright et al. (2025) mencionan que mejorar la eficiencia de los sistemas no es lo único en lo que hay que enfocarse, ya que por sí sola no puede mejorar la sostenibilidad ambiental.
En América del Norte existen más de 5000 centros de datos activos, lo cual representa el 48 % de data centers a nivel mundial. Tan solo en Estados Unidos hay más de 4000, de los cuales el 54 % son de tipo hiperescalable, ubicados principalmente en estados como Virginia (665), Texas (413) y California (321).
Por otro lado, en México hay 79 centros de datos activos y, según la Asociación Mexicana de Centros de Datos (MEXDC), se prevé que este número aumente. A saber, estas infraestructuras están (o estarán) principalmente en estados como Querétaro, Monterrey, Guadalajara, la Ciudad de México y el Estado de México.
Es innegable que la IA generativa es una herramienta que mejora la eficiencia y la automatización (entre otras bondades), pero también plantea serios problemas para el medio ambiente y la salud pública. Mientras el gobierno nos invade con campañas para cuidar el agua, los CEO de las grandes compañías de tecnología se adueñan poco a poco de todo a su paso, sin consecuencia alguna.
Aunque es difícil dimensionar por completo estos impactos negativos, hay que ser más conscientes y responsables en su uso, ya que el problema no es un problema hasta que se vuelve tu problema. Por tanto, se requiere un desarrollo sostenible y transparencia que permitan la regeneración de recursos y eviten la sobreexplotación, ya que de otra forma no se podrá garantizar el porvenir y la conservación de recursos para las generaciones futuras.
¿Te gustó esta publicación? ¿Te gustaría publicarla en un sitio web, revista, blog o repositorio? Todos nuestros contenidos son de acceso abierto. Para dudas sobre cómo reutilizar este y otros contenidos del Observatorio, contacta a nuestra editora en jefe: karinafuerte@tec.mx
