La Agencia Internacional de la Energía (IEA) estima que los centros de datos de IA consumieron 485 TWh de electricidad en 2025 y prevé que lleguen a 950 TWh en 2030. Para las empresas, la cuestión no es solo cuánto consume la IA, sino cuánto puede acabar costando incorporarla a sus procesos.
Cuando una empresa contrata una herramienta de inteligencia artificial, la electricidad necesaria para generar una respuesta no aparece en la factura. Lo que aparece es una suscripción, un consumo de API, una factura cloud o un plan empresarial. Pero detrás de esos servicios existe una infraestructura que necesita chips, servidores, almacenamiento, refrigeración y electricidad para funcionar.
Y cuanto más se utiliza la IA, mayor es esa necesidad de computación. Por eso, el coste energético de la IA puede terminar teniendo una traducción económica para las empresas, aunque no aparezca como una partida independiente de la cuenta de resultados.
El coste de la IA no termina en la suscripción
Es más que probable que las empresas vean crecer su gasto en herramientas de IA a medida que aumente su utilización. No necesariamente porque los proveedores tengan que trasladar directamente el precio de la electricidad a sus clientes, sino porque ofrecer IA a gran escala exige una infraestructura cada vez mayor.
La IEA calcula que el consumo eléctrico de los centros de datos orientados específicamente a IA aumentó un 50% en 2025. Al mismo tiempo, las compañías tecnológicas están aumentando sus inversiones en infraestructura. El gasto de capital de cinco grandes empresas tecnológicas superó los 400.000 millones de dólares en 2025 y la IEA prevé que aumente otro 75% en 2026.
Para las empresas, la consecuencia no es que tengan que añadir una nueva línea de electricidad a su presupuesto. Es que debería empezar a preguntarse ¿qué parte de su gasto tecnológico depende del volumen de IA que utiliza y cómo puede evolucionar ese coste?
El verdadero problema aparece cuando se escala
Una consulta individual puede tener un coste energético reducido. El problema es que la IA no está pensada para utilizarse una sola vez.
Un modelo puede responder millones o incluso miles de millones de consultas. McKinsey señala que, aunque el coste de cada consulta suele ser pequeño, se acumula a medida que aumenta el volumen de inferencia. De hecho, el coste por token (unidad de texto que utiliza un modelo de IA para procesar una petición) y la energía utilizada por token se están convirtiendo en variables relevantes para determinar la economía de la IA.
Para una empresa, esto significa que una herramienta que empieza como una suscripción aparentemente marginal puede convertirse en un coste operativo mucho más relevante cuando pasa a utilizarse de forma generalizada. Diez empleados utilizando IA ocasionalmente y cien empleados utilizándola durante toda su jornada no representan la misma estructura de costes. La IA mejora cada día más y sus herramientas también, por lo que es más que probable que el precio de las suscripciones suba cada vez más.
El precio de entrada de las principales herramientas de IA no necesariamente está subiendo, pero la estructura de costes sí se está ampliando. ChatGPT Plus, Claude Pro y Perplexity tienen un coste de 20€ al mes por usuario. La diferencia aparece cuando aumenta la intensidad de uso, ChatGPT Pro y Perplexity Max alcanzan los 200€ mensuales, Midjourney ofrece planes de hasta 120€ y GitHub Copilot llega a los 100€.
Algunas plataformas incorporan créditos y límites de uso, de modo que el coste para una empresa ya no depende únicamente del número de licencias contratadas, sino también de cuánto y cómo se utiliza la IA.
“En todos los sectores, las organizaciones están descubriendo que los costes de la IA pueden dispararse mucho más rápido que el gasto tecnológico tradicional”, Pankaj Sachdeva, socio de McKinsey & Company
¿Qué deberían hacer las empresas?
McKinsey & Company, una de las grandes firmas internacionales de consultoría de gestión, recoge esta preocupación en una encuesta de 2026. El 93% de los participantes declaró haber superado sus presupuestos de IA, mientras que una quinta parte afirmó haber limitado su utilización por los costes operativos asociados.
Apunta precisamente hacia esta nueva economía de la IA. Para algunas empresas, los costes de inferencia todavía tendrían que reducirse varias veces para alcanzar márgenes sostenibles. La razón está en el conjunto de hardware, memoria, infraestructura, software y energía necesarios para ejecutar los modelos.
Por eso, una empresa que quiera dimensionar el coste de su apuesta por la IA debería mirar más allá del precio de la licencia. La pregunta pasa así de “¿cuánto cuesta esta herramienta?” a “¿cuánto nos cuesta utilizarla a esta escala?”.
La conclusión para las empresas no pasa por frenar el uso de la IA, sino por entender su economía antes de escalarla. La eficiencia de los modelos está mejorando y el coste energético por consulta puede seguir bajando, pero esa reducción convive con un aumento del volumen de uso y con aplicaciones más complejas.
Como señala la IEA, las mejoras de eficiencia están siendo muy rápidas, pero también crece el uso de aplicaciones intensivas en energía, como los agentes de IA. Para una empresa, el reto será medir cuánto cuesta realmente cada caso de uso y si el ahorro de tiempo, la reducción de costes o la capacidad adicional que genera compensan el gasto.
