La termodinámica del capital: inteligencia artificial, crisis energética y crisis ecológica

Del código a la materia

En la primavera de 2023, Microsoft anunció una inversión multimillonaria en OpenAI, presentando la asociación como un salto hacia una civilización más limpia, más inteligente y más eficiente. Las imágenes que acompañan a este tipo de anuncios son invariablemente etéreas: redes neuronales luminosas, flujos de datos ingrávidos y algoritmos que danzan en un espacio digital sin fricciones. La inteligencia artificial (IA), en el discurso dominante de Silicon Valley y su ecosistema mediático, se presenta como la apoteosis de la desmaterialización: una tecnología tan refinada, tan puramente cognitiva, que finalmente ha escapado del mundo sucio y entrópico de las máquinas de vapor, las minas de carbón y las naves industriales.

Este artículo sostiene que tales representaciones son ideológicas en el sentido marxista estricto: invierten la realidad, presentando como inmaterial un proceso que es profunda y consecuentemente material. Se estima que el entrenamiento de GPT-4 ha consumido energía equivalente al consumo eléctrico anual de miles de hogares.¹ Una sola consulta a un gran modelo de lenguaje requiere aproximadamente diez veces la electricidad de una búsqueda estándar en Internet. ² El consumo de agua de Microsoft aumentó un 34 % en un solo año, un incremento que su propio informe medioambiental atribuyó directamente a la expansión de la infraestructura de IA.³ No se trata de ineficiencias accidentales que esperan una corrección técnica; son necesidades estructurales de una tecnología cuyo sustrato físico —semiconductores, centros de datos, sistemas de refrigeración y redes de transmisión— se encuentra entre las infraestructuras que más recursos consumen que la humanidad haya construido jamás.

El mito de la desmaterialización digital tiene una larga genealogía. Desde la década de 1990, los teóricos de la «economía de la información» han sostenido que el paso de la industria manufacturera a los servicios, y de los átomos a los bits, desacoplaría el crecimiento económico del consumo de materiales.⁴ El auge de la IA ha dotado a esta tesis de una nueva y más poderosa versión: si las tecnologías digitales anteriores se limitaban a procesar información, la IA —según este argumento— genera inteligencia por sí misma, un recurso cuya abundancia no agota la naturaleza, sino que la trasciende. Esta es la visión que anima la retórica de la «IA para el clima», la «IA para la sostenibilidad» y la afirmación más amplia de que la potencia computacional puede sustituir a los recursos naturales a la hora de resolver la crisis ecológica.

El marco teórico desarrollado en este artículo cuestiona esta visión desde sus cimientos. Me baso en la tradición termodinámica dentro de la economía política ecológica, desde la obra fundacional de Nicholas Georgescu-Roegen La ley de la entropía y el proceso económico hasta la síntesis ecosocialista desarrollada por John Bellamy Foster y Brett Clark, para argumentar que el auge de la IA bajo el capitalismo no representa una trascendencia del mundo material, sino una intensificación de la relación entrópica del capital con él.⁵ La segunda ley de la termodinámica es implacable en su universalidad: todo cálculo es un evento termodinámico. Consume energía de baja entropía —ordenada, utilizable, libre para realizar trabajo— y devuelve residuos de alta entropía a la biosfera en forma de calor, dióxido de carbono y materia degradada. Ningún algoritmo, por muy elegante que sea, suspende esta ley. La cuestión no es si la IA produce entropía, sino cuánta, a qué ritmo y qué ecosistemas absorben las consecuencias.

Karl Marx entendía la producción como un proceso metabólico: un intercambio continuo entre las sociedades humanas y el mundo natural, mediado por el trabajo y la tecnología. En El capital, observó que la maquinaria no crea energía, sino que transforma y transmite las fuerzas naturales incrustadas en ella, y que esta transformación siempre implica el consumo de sustancia natural. ⁶ Lo que no pudo prever fue una forma de acumulación de capital en la que la principal fuerza productiva es la potencia computacional, y en la que las exigencias termodinámicas de esa potencia ejercerían una presión sin precedentes sobre los sistemas energéticos planetarios, las reservas de agua dulce y la estabilidad climática. El auge de la IA nos enfrenta a la necesidad de extender el análisis metabólico de Marx al ámbito digital.

La dinámica de la acumulación: la IA como motor de alta entropía

La crisis ecológica de la IA no es, en primera instancia, un problema termodinámico. Es un problema social e histórico. Los procesos específicos que están generando la carga ecológica de la IA —la carrera armamentística competitiva entre un puñado de monopolios tecnológicos, la necesidad imperiosa de ampliar la capacidad computacional independientemente de la utilidad social y la externalización sistemática de los costes ecológicos a las comunidades y los ecosistemas del Sur Global— son producto de una formación histórica concreta: el capitalismo en su fase monopolista-digital. La termodinámica no causa estos procesos; registra sus consecuencias. La segunda ley de la termodinámica nos dice que todo cálculo degrada la energía. No nos dice por qué el cálculo se organiza a esta escala, a este ritmo, con estos fines y a costa de quién. Para eso, necesitamos un análisis social e histórico. Lo que aporta el marco termodinámico, y lo que lo hace indispensable, es una explicación precisa de por qué el daño ecológico generado por estos procesos sociales no es incidental, sino estructural; no es corregible mediante mejoras de eficiencia, sino que se agrava; y no es reversible mediante mecanismos de mercado, sino que es permanente.

Para comprender por qué la IA es termodinámicamente costosa de una manera estructuralmente necesaria y no contingente, es esencial examinar la relación entre el escalado computacional, la acumulación de capital y el consumo de energía. Esta relación se rige por dinámicas que hacen que la carga ecológica de la IA bajo el capitalismo no sea meramente grande, sino que se refuerce a sí misma y sea expansiva.

La base física del cálculo de la IA es el procesamiento de vastas cantidades de operaciones numéricas —multiplicaciones, sumas y comparaciones— realizadas por hardware especializado a una velocidad extraordinaria. La energía necesaria para realizar estas operaciones no es insignificante. El estudio de referencia de 2019 de Emma Strubell, Ananya Ganesh y Andrew McCallum estimó que el entrenamiento de un solo modelo grande de procesamiento del lenguaje natural con búsqueda de arquitectura neuronal produce emisiones de dióxido de carbono comparables a las emisiones a lo largo de la vida útil de cinco automóviles estadounidenses medios.⁷ Las generaciones posteriores de modelos han sido sustancialmente más grandes. Aunque las empresas tecnológicas se han negado a publicar cifras energéticas exhaustivas de sus sistemas más recientes, análisis independientes sugieren que el entrenamiento de modelos de vanguardia, como el GPT-4, consumió energía del orden de decenas de gigavatios-hora, suficiente para abastecer de energía a una pequeña ciudad durante semanas.⁸

La relación entre la escala del modelo y la demanda computacional no es lineal, sino superlineal. Las investigaciones sobre las leyes de escalado en los grandes modelos de lenguaje han establecido que el rendimiento del modelo se escala aproximadamente como una función de potencia del producto de los parámetros del modelo y los datos de entrenamiento.⁹ Esto significa que las mejoras incrementales en la capacidad del modelo requieren aumentos desproporcionados en la inversión computacional. Para mejorar el rendimiento de un modelo en un porcentaje fijo, el presupuesto computacional —y, por lo tanto, el consumo de energía— debe aumentar en un porcentaje significativamente mayor. Esta es la expresión termodinámica de los rendimientos decrecientes: a medida que los sistemas de IA de vanguardia se acercan a los límites de rendimiento en tareas de referencia, cada incremento adicional de extracción de capacidad requiere un aporte de energía exponencialmente mayor. El coste entrópico de la inteligencia, bajo los paradigmas tecnológicos actuales, aumenta más rápido que la propia inteligencia.

Esta dinámica se ve amplificada aún más por la lógica de la acumulación de capital. La industria de la IA se organiza en torno a un pequeño número de grandes empresas —Google, Microsoft, Amazon, Meta (Facebook) y sus homólogas chinas— cuya posición competitiva depende del mantenimiento de la superioridad algorítmica. En este contexto, la capacidad computacional no es meramente un insumo de producción, sino un activo estratégico: la empresa con mayores recursos computacionales puede entrenar modelos más grandes, atraer a más usuarios y acumular más datos, reforzando así su dominio del mercado. Esto crea lo que podría denominarse una carrera armamentística computacional, en la que cada empresa se ve obligada a ampliar su infraestructura de IA no porque el beneficio social marginal de la computación adicional justifique el coste marginal, sino porque la lógica competitiva de la acumulación de capital equipara la moderación a la salida del mercado.¹⁰ Ninguna empresa individual puede limitar voluntariamente su consumo energético sin ceder terreno a sus rivales. El resultado es un fracaso de la acción colectiva de proporciones históricas: el sector en su conjunto amplía su huella energética mucho más allá de lo que requeriría cualquier evaluación racional de las necesidades sociales.

El mecanismo por el que opera esta dinámica queda ilustrado por la paradoja de Jevons, identificada por primera vez por el economista inglés William Stanley Jevons en su análisis de 1865 sobre el consumo de carbón británico. Jevons observó que las mejoras en la eficiencia de las máquinas de vapor —la reducción de la cantidad de carbón necesaria para realizar una unidad de trabajo determinada— no reducían el consumo total de carbón, sino que lo aceleraban, ya que los menores costes del uso de la energía estimulaban la expansión de la actividad económica intensiva en energía. ¹¹ La paradoja no es una peculiaridad de la economía política victoriana; es una característica estructural de la acumulación de capital, que opera siempre que las ganancias de eficiencia reducen el coste de un recurso y, por lo tanto, estimulan la demanda de su uso.

En el sector de la IA, la paradoja de Jevons opera con especial intensidad. Las sucesivas generaciones de chips de IA —desde las arquitecturas A100 y H100 de NVIDIA hasta las Blackwell— han aportado mejoras espectaculares en la eficiencia computacional, medida en operaciones por vatio. Sin embargo, el consumo total de energía de la infraestructura de IA ha aumentado de forma continua y pronunciada, ya que las mejoras en la eficiencia han reducido el coste del cálculo de IA, estimulado la proliferación de aplicaciones de IA, ampliado el volumen de operaciones de inferencia y acelerado el desarrollo de modelos cada vez más grandes. El propio análisis de OpenAI reveló que los requisitos computacionales de las sesiones de entrenamiento de IA de vanguardia se duplicaron aproximadamente cada 3,4 meses entre 2012 y 2018, una tasa de aumento que supera con creces las mejoras de eficiencia logradas gracias a los avances en hardware. ¹² La Agencia Internacional de la Energía pronosticó en 2024 que el consumo eléctrico de los centros de datos podría superar los 1000 teravatios-hora anuales para 2026, lo que equivale aproximadamente a la demanda eléctrica total de Japón.¹³

Son estos procesos sociales e históricos concretos —la carrera armamentística monopolística, la dinámica de Jevons y la imposibilidad estructural de la moderación voluntaria en el marco de la acumulación competitiva— los que la termodinámica registra, pero no puede explicar por sí sola. La termodinámica del desequilibrio de Ilya Prigogine, desarrollada de forma más completa en *El orden del caos*, proporciona el puente conceptual entre la lógica social del capital y sus consecuencias físicas. ¹⁴ Prigogine demostró que los sistemas complejos que se encuentran lejos del equilibrio termodinámico —las denominadas estructuras disipativas— mantienen su orden interno importando continuamente energía de baja entropía de su entorno y exportando residuos de alta entropía. La célula viva, el huracán y la llama son, en este sentido, estructuras disipativas: mantienen su complejidad interna a costa de aumentar la entropía de su entorno. Pero la idea más profunda de Prigogine, y la más relevante para nuestros propósitos actuales, es que los procesos que impulsan a las estructuras disipativas lejos del equilibrio son irreversibles. La entropía generada en el entorno no puede recuperarse; la degradación del medio ambiente es permanente. Esta irreversibilidad no es un efecto secundario de la ineficiencia, sino la firma termodinámica de los propios procesos disipativos.

El complejo capitalista de IA es una estructura disipativa de este tipo, pero una en la que la escala, la tasa de crecimiento y la irreversibilidad no vienen determinadas por dinámicas naturales, sino por los imperativos de la acumulación de capital. Mantiene el orden interno de los beneficios corporativos, la optimización algorítmica y el dominio del mercado agotando continuamente las reservas de baja entropía de la biosfera —combustibles fósiles, agua dulce y minerales— y devolviéndolas en forma de residuos de alta entropía: dióxido de carbono, contaminación térmica y residuos electrónicos. El dióxido de carbono emitido por los centros de datos se acumula en la atmósfera en escalas temporales de siglos. Los acuíferos agotados por los sistemas de refrigeración se reponen en escalas temporales de milenios, si es que llegan a hacerlo. Los ecosistemas alterados por la extracción de minerales en la cuenca del Congo o en el desierto de Atacama no vuelven a su estado anterior cuando cierran las minas. Lo que hace el capitalismo, a través de la lógica competitiva de la acumulación de IA, es impulsar estos procesos disipativos a un ritmo y una escala que desbordan la capacidad regenerativa de los sistemas naturales, consolidando un daño ecológico que ninguna solución tecnológica futura podrá revertir. El orden del algoritmo se adquiere a costa de un desorden permanente en la atmósfera, las cuencas hidrográficas y el suelo.

Este enfoque nos permite ver lo que oculta la narrativa tecno-optimista: que la «inteligencia» producida por los sistemas de IA no es un regalo gratuito de la tecnología de la información, sino un producto termodinámico, extraído de la naturaleza a un coste que el mercado sistemáticamente no registra. Las cuentas financieras de las empresas tecnológicas registran los ingresos generados por los servicios de IA; no registran la carga entrópica impuesta a los ecosistemas, las comunidades y los sistemas climáticos por los flujos de energía y materiales que hacen posibles esos servicios. No se trata de un error contable, sino de una característica estructural de la relación del capitalismo con la naturaleza —lo que Foster, Clark y Richard York han denominado la «brecha ecológica»—: la separación sistemática de los costes de producción de los lugares y sujetos que los soportan.¹⁵

Otra dimensión del análisis termodinámico se refiere a la relación entre el entrenamiento de la IA y la inferencia de la IA. El entrenamiento, el proceso de optimizar los parámetros de un modelo en grandes conjuntos de datos, requiere un uso intensivo de recursos computacionales, pero se produce una sola vez. La inferencia, el proceso de ejecutar un modelo entrenado para generar resultados, es menos intensiva individualmente, pero se produce de forma continua, miles de millones de veces al día, en el despliegue global de los sistemas de IA. A medida que la IA se integra en motores de búsqueda, software de productividad, diagnósticos sanitarios, investigación jurídica, análisis financiero y sistemas militares de selección de objetivos, la demanda energética agregada de la inferencia crece en proporción a la escala de implementación. Goldman Sachs Research estimó que la demanda energética de la inferencia de la IA podría superar a la del entrenamiento en la presente década a medida que se amplíe la implementación. ¹⁶ Esto significa que la carga ecológica de la IA no es un coste puntual de la construcción del sistema, sino un impuesto continuo y creciente sobre los presupuestos de energía y agua del planeta —un impuesto cuya tasa aumenta con cada nueva aplicación, cada nuevo usuario y cada nueva ronda de acumulación de capital en el sector de la IA.

El panorama que se perfila es uno en el que la crisis ecológica de la IA no es producida por la termodinámica en sí misma, sino por los procesos sociales e históricos específicos de la acumulación de capital —la carrera armamentística competitiva, la dinámica de Jevons y la externalización sistemática de los costes ecológicos—, que en conjunto impulsan procesos disipativos de no reversibilidad prigoginiana a escala planetaria. La entropía es la medida del daño; la acumulación de capital es su causa.

La brecha energética: energía, agua y extracción de minerales

El análisis termodinámico de la sección anterior establece la lógica estructural de las demandas energéticas de la IA. Esta sección examina la realidad material de esas demandas en tres dimensiones: electricidad, agua y minerales críticos. En conjunto, estos tres vectores de extracción constituyen lo que podríamos denominar, adaptando el concepto de «brecha metabólica» de Foster y Clark, una «brecha energética» específica de la era digital: una ruptura sistemática de la relación metabólica entre los sistemas tecnológicos humanos y los ciclos naturales que los sustentan, mediada por las desigualdades espaciales y sociales del capitalismo global.¹⁷

Electricidad: la red eléctrica bajo asedio

La dimensión más visible de la huella ecológica de la IA es su demanda de energía eléctrica. Los centros de datos —la infraestructura física de la IA, que albergan los servidores que entrenan los modelos y procesan las solicitudes de inferencia— se encuentran entre las instalaciones que más electricidad consumen en la economía moderna. Un gran centro de datos a hiperescala, del tipo de los que operan Google, Microsoft o Amazon, puede consumir entre 100 y 500 megavatios de potencia de forma continua, lo que es comparable a la demanda eléctrica de una ciudad de tamaño medio. La expansión de la IA ha acelerado drásticamente la construcción de este tipo de instalaciones. Solo Microsoft anunció en 2024 planes para invertir 100 000 millones de dólares en nueva infraestructura de centros de datos a nivel mundial, con compromisos similares por parte de Google, Amazon y Meta.¹⁸

La magnitud de esta expansión está ejerciendo una presión aguda sobre las redes eléctricas en las regiones donde se concentra la construcción de centros de datos. En el norte de Virginia, donde se encuentra la mayor concentración de centros de datos del mundo, los operadores de la red han advertido de que el crecimiento previsto de los centros de datos amenaza con superar la capacidad de generación y transmisión de electricidad de la región, lo que podría requerir la construcción de nuevas centrales de combustibles fósiles para satisfacer la demanda.¹⁹ En Irlanda, los centros de datos ya representan aproximadamente el 21 % del consumo total de electricidad del país, una cifra que, según las previsiones del operador nacional de la red, podría aumentar hasta el 32 % en 2031, desplazando la capacidad de energía renovable destinada a la descarbonización doméstica e industrial.²⁰ En Singapur, el Gobierno impuso una moratoria a la construcción de nuevos centros de datos entre 2019 y 2022, alegando limitaciones energéticas, antes de levantarla bajo la presión de las empresas tecnológicas.

La relación entre la demanda eléctrica de la IA y la transición energética es profundamente contradictoria. Las empresas tecnológicas han asumido compromisos de gran repercusión para abastecer sus operaciones con energía renovable y han realizado importantes inversiones en acuerdos de compra de energía eólica y solar. Sin embargo, estos compromisos se ven sistemáticamente comprometidos por tres dinámicas estructurales. En primer lugar, el desajuste temporal entre la disponibilidad de energía renovable —que es intermitente y depende de las condiciones eólicas y solares— y la demanda de los centros de datos, que es continua y no puede interrumpirse, implica que los acuerdos de compra de energía renovable a menudo no se corresponden con los patrones reales de consumo eléctrico. La electricidad que circula por los circuitos de los centros de datos en un momento dado puede proceder de centrales de gas natural, carbón o nucleares, independientemente de los contratos de energía renovable que haya firmado la empresa.²¹

En segundo lugar, y de manera más fundamental, el crecimiento de la demanda de electricidad para la IA está superando la expansión de la capacidad de energía renovable. Un análisis de 2024 de la Agencia Internacional de la Energía reveló que el crecimiento previsto de la demanda de electricidad de los centros de datos consumiría una parte sustancial de la nueva generación renovable en varios mercados importantes, desplazando de hecho la descarbonización en otros sectores.²² La construcción de capacidad renovable para alimentar la IA no aumenta el suministro de energía limpia disponible para la economía en general; sino que absorbe energía limpia que, de otro modo, desplazaría a los combustibles fósiles en otros ámbitos.

En tercer lugar, los exigentes requisitos de fiabilidad de la infraestructura de IA han llevado a las empresas tecnológicas a buscar contratos a largo plazo para la generación de electricidad a partir de gas natural. El acuerdo de Microsoft con Constellation Energy para reabrir la central nuclear de Three Mile Island atrajo una considerable atención mediática, pero pasó más desapercibida la tendencia generalizada de las empresas tecnológicas a firmar acuerdos de capacidad con generadores de gas para garantizar un suministro eléctrico firme.²³ La lógica ecológica es cruda: la expansión de la IA está prolongando directamente la vida económica de la infraestructura de combustibles fósiles, lo que consolidará las emisiones de carbono durante las próximas décadas.

Agua: el metabolismo oculto

Si la electricidad es la cara visible de las exigencias ecológicas de la IA, el agua es su metabolismo oculto. Los centros de datos requieren grandes cantidades de agua dulce para la refrigeración, ya sea a través de sistemas de refrigeración por evaporación directa que consumen agua en forma de vapor o mediante la refrigeración de las centrales termoeléctricas que suministran su electricidad. Esta demanda de agua es estructuralmente invisible en la mayoría de los cálculos públicos sobre el impacto ambiental de la IA, pero representa una de las dimensiones más graves y localmente agudas de la huella ecológica de esta tecnología.

El estudio de 2023 de Pengfei Li y sus colegas proporcionó las primeras estimaciones sistemáticas del consumo de agua de la IA, calculando que el entrenamiento de GPT-3 requirió aproximadamente 700 000 litros de agua dulce, suficiente para fabricar 370 automóviles BMW o 320 vehículos eléctricos Tesla.²⁴ En cuanto a la inferencia, el panorama es igualmente llamativo: el estudio estimó que una conversación de entre veinte y cincuenta preguntas con ChatGPT consume aproximadamente 500 mililitros de agua. Multiplicado por millones de usuarios diarios, esto representa una demanda agregada de agua dulce de una escala extraordinaria.

Los datos de divulgación corporativa confirman la tendencia. El informe medioambiental de Microsoft de 2022 reveló un aumento del 34 % en el consumo mundial de agua con respecto al año anterior, atribuyendo explícitamente dicho aumento a la expansión de la infraestructura de IA.²⁵ Google informó de un aumento del 20 % en el consumo de agua durante el mismo periodo.²⁶ No se trata de fluctuaciones marginales, sino que representan un cambio estructural en la demanda de agua dulce del sector tecnológico impulsado directamente por la expansión de los sistemas de IA.

La geografía de este consumo de agua no es neutra. Los centros de datos suelen ubicarse en regiones seleccionadas por el bajo coste del suelo, los regímenes fiscales favorables y las condiciones climáticas adecuadas para la refrigeración, criterios que habitualmente llevan a las empresas tecnológicas a instalarse en zonas con estrés hídrico existente o emergente. En el suroeste de Estados Unidos, los centros de datos compiten por el agua con la agricultura y los sistemas municipales en una región que ya se enfrenta a graves condiciones de sequía, agravadas por el cambio climático. En Chile, las empresas tecnológicas han establecido instalaciones de centros de datos en la región de Atacama y sus alrededores, aprovechando los recursos hídricos de uno de los ecosistemas más áridos del mundo —recursos de los que dependen para su supervivencia las comunidades indígenas atacameñas y los pequeños agricultores.²⁷ En los estados de Telangana y Andhra Pradesh, en la India, los parques de centros de datos propuestos se han enfrentado a la resistencia local debido a la preocupación por el agotamiento de las aguas subterráneas en zonas que ya sufren escasez de agua para la agricultura.

Este patrón espacial reproduce, en el ámbito específico de la infraestructura digital, la lógica más amplia de lo que Rob Nixon denomina «violencia lenta» —las formas graduales, dispersas y atenuadas en el tiempo de daño ecológico que no se registran como acontecimientos en los medios de comunicación o en los sistemas políticos dominados por catástrofes dramáticas e instantáneas.²⁸ El agotamiento de un acuífero regional debido a las operaciones de refrigeración de los centros de datos se produce a lo largo de años y décadas, afectando a comunidades cuya inseguridad hídrica ya es crónica y cuya voz política es limitada. No genera titulares. No aparece en los informes de sostenibilidad de las empresas tecnológicas. Pero es materialmente real, termodinámicamente necesario y está determinado estructuralmente por la lógica competitiva de la acumulación de IA.

Minerales: la base extractiva

La tercera dimensión de la brecha energética de la IA es la base extractiva de su hardware. Los semiconductores, servidores, sistemas de almacenamiento y equipos de red que constituyen la infraestructura de la IA requieren una compleja gama de minerales críticos —litio, cobalto, tantalio, neodimio, disprosio, indio, galio y otros— cuya extracción implica un daño ecológico grave y concentrado, que recae de manera desproporcionada sobre las comunidades del Sur Global.

La geografía de la extracción de minerales críticos se superpone casi con exactitud a la geografía de la extracción colonial histórica. La República Democrática del Congo suministra aproximadamente el 70 % de la producción mundial de cobalto, en gran parte procedente de minas artesanales que operan en condiciones de grave degradación ambiental y explotación laboral, incluido el uso generalizado de mano de obra infantil.²⁹ Bolivia, Chile y Argentina —el «triángulo del litio»— poseen la mayor parte de las reservas mundiales de litio, y su extracción implica el agotamiento de acuíferos salinos en ecosistemas de gran altitud de excepcional sensibilidad ecológica. Los elementos de tierras raras, esenciales para los imanes permanentes utilizados en los ventiladores de refrigeración y los sistemas de alimentación de los centros de datos, se concentran en China, Myanmar y la República Democrática del Congo, y las operaciones de procesamiento generan flujos de residuos radiactivos y tóxicos.

La aceleración del desarrollo de hardware de IA agrava estas presiones extractivas a través de la lógica de la obsolescencia programada. La dinámica competitiva de la carrera armamentística de la IA exige a las empresas tecnológicas actualizar continuamente su hardware, sustituyendo las generaciones anteriores de GPU y aceleradores de IA personalizados por modelos más nuevos y potentes en ciclos de dos a tres años. Esto genera enormes cantidades de residuos electrónicos: servidores, GPU, módulos de memoria y equipos de red desechados que contienen materiales tóxicos como plomo, mercurio, cadmio y retardantes de llama bromados. La generación mundial de residuos electrónicos alcanzó los 62 millones de toneladas métricas en 2022 y se prevé que aumente hasta los 82 millones de toneladas métricas en 2030. ³⁰ Una proporción considerable de estos residuos se exporta, a menudo infringiendo el Convenio de Basilea, a instalaciones de procesamiento en África Occidental, Asia Meridional y el Sudeste Asiático, donde se manipulan en condiciones que entrañan graves riesgos para la salud y el medio ambiente.

El concepto de intercambio ecológico desigual tiene una historia larga y controvertida, arraigada en la tradición más amplia del intercambio desigual y en la crítica marxista del imperialismo. Basándose en este rico linaje intelectual —que se extiende desde las teorías clásicas del imperialismo hasta la teoría de la dependencia y el análisis de los sistemas mundiales—, los estudiosos han incorporado progresivamente dimensiones ecológicas al análisis de las asimetrías Norte-Sur.³¹ La contribución de Clark y Foster a este marco se fundamenta principalmente en la crítica del imperialismo ecológico: el reconocimiento de que la relación metabólica entre el Norte Global y el Sur Global no es meramente una asimetría económica, sino ecológica, en la que la periferia absorbe los costes medioambientales de la acumulación del centro.³² Este marco proporciona la base teórica para comprender la economía política global del metabolismo material de la IA.

Estos tres vectores de extracción —electricidad, agua y minerales— no son independientes; son dimensiones interconectadas de un único sistema metabólico organizado por los imperativos de la acumulación de capital. Los centros de datos requieren electricidad, lo que exige una infraestructura energética, que a su vez requiere minerales y agua. Los sistemas de refrigeración necesitan agua, lo que compite con la agricultura y el suministro municipal, afectando a los sistemas alimentarios y a la salud humana. La producción de hardware requiere minerales y la extracción de minerales, lo que genera residuos y plantea problemas de eliminación que causan un mayor daño ecológico. La brecha energética de la IA no es una simple ruptura en el metabolismo de la naturaleza, sino una perturbación en cascada que afecta a múltiples sistemas ecológicos, coordinada por la mano invisible del capital y ocultada por el aparato ideológico de la desmaterialización digital.

Los límites termodinámicos del capital

Las pruebas materiales reunidas en la sección anterior apuntan más allá de la escala de la crisis hacia su estructura. Lo que revelan los datos empíricos sobre la demanda de electricidad, el agotamiento de los recursos hídricos y la extracción de minerales no es una serie de fallos de mercado independientes, sino una única lógica sistémica —una que requiere una explicación teórica, no meramente técnica.

La crisis ecológica generada por el capitalismo de la IA no se reduce a un problema de aumento de los costes de producción o de limitaciones de la acumulación por el lado de la oferta. Representa, más bien, un ataque sistemático a las capacidades regenerativas del propio mundo natural. Como ha argumentado Foster, la relación del capitalismo con la naturaleza se define por un antagonismo estructural: la lógica de la acumulación sin fin es irreconciliable con los límites regenerativos finitos de los sistemas naturales.³³ El capital no se limita a explotar la naturaleza como condición de la producción; rompe metabólicamente los ciclos y las relaciones a través de los cuales la naturaleza se reproduce a sí misma. Paul Burkett profundiza en este análisis recuperando de Marx una concepción de la naturaleza que rechaza su reducción a un valor instrumental.³⁴ Los sistemas naturales poseen valores de uso que son irreducibles a su papel en el proceso de producción, y la destrucción sistemática de estos valores de uso por parte del capitalismo —su conversión de ecosistemas vivos en insumos y sumideros de residuos— constituye una crisis ecológica en el sentido más amplio: no una crisis de rentabilidad, sino una crisis de las condiciones biofísicas de la vida misma.

La economía de la IA representa una aguda intensificación de esta dinámica. Los centros de datos, los sistemas de refrigeración y las cadenas de suministro de minerales que sostienen la infraestructura de la IA no se limitan a agotar los recursos naturales en el sentido económico de aumentar los costes de los insumos. Están participando en una degradación acumulativa y en gran medida irreversible de los sistemas hídricos, las ecologías energéticas y los paisajes extractivos de los que depende tanto la vida humana como la no humana. Esta degradación no aparece en los balances de las empresas tecnológicas, no porque sea económicamente marginal, sino porque el sistema contable del capital es estructuralmente incapaz de registrar la destrucción de valores que nunca se mercantilizaron. La crisis ecológica de la IA no es, por lo tanto, un fallo del mercado a la espera de una corrección del mercado; es una expresión de lo que el capitalismo le hace a la naturaleza cuando opera sin límites.

La respuesta dominante a esta contradicción en el marco de la gobernanza capitalista es el discurso de la IA verde y la informática sostenible: la afirmación de que la crisis ecológica de la IA puede resolverse mediante la innovación tecnológica, los mecanismos de mercado y el compromiso voluntario de las empresas. Esta respuesta merece una atención analítica seria, no porque sea convincente, sino porque comprender su fracaso ilumina el carácter estructural del problema.

El discurso de la IA verde se basa en tres afirmaciones: que las energías renovables pueden satisfacer las demandas eléctricas de la IA sin causar un daño ecológico neto; que las mejoras en la eficiencia del hardware reducirán el coste ecológico por unidad de la computación lo suficiente como para compensar el crecimiento de la demanda total; y que la propia IA generará beneficios medioambientales —a través de la modelización climática, la optimización energética y la ciencia de los materiales— que compensarán con creces sus costes ecológicos. Cada una de estas afirmaciones se ve socavada por la dinámica estructural de la acumulación de capital.

La afirmación sobre las energías renovables fracasa, como se ha señalado anteriormente, porque la demanda eléctrica de la IA crece más rápido que la capacidad renovable, porque los desajustes temporales entre el suministro renovable y la demanda de los centros de datos requieren una generación de respaldo con combustibles fósiles, y porque las empresas tecnológicas están contratando activamente capacidad de generación a gas para garantizar la fiabilidad. La afirmación sobre la eficiencia fracasa debido a la paradoja de Jevons: las mejoras en la eficiencia del hardware reducen el coste de la computación y, por lo tanto, estimulan una mayor demanda, lo que produce un mayor consumo total de energía en lugar de uno menor. El argumento del beneficio neto no se sostiene porque trata los costes y beneficios ecológicos de la IA como si fueran comparables y negociables, cuando en realidad los costes ecológicos son concentrados, locales y los soportan las comunidades vulnerables. Por su parte, los beneficios son difusos, especulativos y los acaparan los accionistas y los consumidores de los países ricos. No existe ningún mecanismo de mercado capaz de agregar estos efectos distribuidos de forma asimétrica en una contabilidad social racional.³⁵

Los mecanismos de compensación de carbono y de compromiso de cero emisiones netas mediante los cuales las empresas tecnológicas gestionan su contabilidad ecológica pública son objeto de críticas análogas. Las compensaciones de carbono —pagos a proyectos que afirman reducir las emisiones en otros lugares, compensando las propias de una empresa— adolecen de problemas de adicionalidad, permanencia y verificación que hacen que muchas de ellas sean ecológicamente ficticias.³⁶ Los compromisos de cero emisiones netas que dependen sustancialmente de las compensaciones en lugar de reducciones absolutas de emisiones son, en términos termodinámicos, maniobras contables más que intervenciones físicas: no reducen la entropía generada por las operaciones de los centros de datos; adquieren derechos sobre reducciones de entropía en otros lugares, muchas de las cuales no se materializan. Como han demostrado Clark y York en su análisis del metabolismo del carbono, la brecha biosférica generada por el capitalismo de los combustibles fósiles no es una externalidad que deba valorarse y gestionarse, sino una característica estructural de la relación del capital con el ciclo del carbono —una relación que la expansión de la infraestructura de IA está ahora profundizando y acelerando.³⁷

Una crítica más fundamental se refiere a la relación entre eficiencia y escala. La historia del capitalismo industrial es una historia de mejoras en la eficiencia que se han visto constantemente superadas por la expansión de la escala, una historia que Georgescu-Roegen analizó como la consecuencia inevitable de aplicar los conocimientos termodinámicos a un sistema económico organizado en torno al crecimiento ilimitado.³⁸ No existe mejora en la eficiencia, por muy drástica que sea, que pueda hacer sostenible un sistema en expansión exponencial en un planeta finito con un presupuesto de entropía fijo. La cuestión no es si la IA puede hacerse más eficiente —puede, y las mejoras son reales—, sino si las mejoras en la eficiencia pueden superar el crecimiento de la demanda impulsado por la acumulación competitiva. Las pruebas de la última década sugieren que no pueden. La lógica termodinámica de la acumulación de capital proporciona la razón estructural de por qué.

Esto nos lleva a lo que podríamos llamar el límite termodinámico del capital: el punto en el que la entropía generada por la acumulación de capital excede la capacidad de la biosfera para absorberla sin una perturbación catastrófica de los sistemas —clima, hidrología, biodiversidad y fertilidad del suelo— de los que depende la civilización humana. Este límite no es un umbral preciso que pueda identificarse de antemano; es una zona de crisis cada vez más profunda, en la que ya nos encontramos en varias dimensiones (concentración de carbono en la atmósfera, agotamiento del agua dulce y pérdida de biodiversidad) y a la que nos acercamos en otras. La expansión de la IA bajo el actual régimen de acumulación de capital no está alejando a la civilización de este límite, sino acercándola a él, a un ritmo acelerado.

La economía política de esta trayectoria es clara. Los costes de acercarse al límite termodinámico del capital no los asumen quienes impulsan la acumulación, es decir, los accionistas, los ejecutivos y los inversores institucionales de las empresas tecnológicas cuya dinámica competitiva determina el ritmo de expansión de la IA. Los asumen las comunidades de regiones con estrés hídrico cuyos acuíferos se agotan por la refrigeración de los centros de datos, los trabajadores de minas artesanales cuya salud se ve destruida por la extracción de minerales, las poblaciones de países vulnerables al clima cuya seguridad alimentaria se ve amenazada por las emisiones de carbono, y las generaciones futuras que heredarán un planeta con una capacidad reducida para la autorregulación ecológica. Esta es la economía política de la entropía: la privatización de los beneficios del consumo de baja entropía y la socialización de los costes de los residuos de alta entropía.³⁹

Ninguna innovación técnica puede resolver esta economía política, porque no se trata de un problema técnico. Es un problema de poder: de quién controla los medios de computación, quién determina los fines para los que se despliega la capacidad computacional y quién soporta los costes ecológicos de ese despliegue. Abordarlo no requiere mejores algoritmos ni chips más eficientes, sino una transformación fundamental de las relaciones sociales de producción en la economía digital. Requiere, en resumen, una política adecuada a lo que está en juego desde el punto de vista termodinámico en el momento actual.

Conclusión

El análisis social e histórico desarrollado en este artículo conduce a una conclusión que el discurso dominante sobre la IA y la sostenibilidad elude sistemáticamente: la crisis ecológica de la IA no es un problema de innovación insuficiente o de responsabilidad corporativa inadecuada, sino una expresión estructural de la tensión irresoluble del capitalismo con los límites biofísicos del planeta. Los procesos específicos que impulsan esta crisis —la carrera armamentística monopolística, la dinámica de Jevons, y el desplazamiento sistemático de los costes ecológicos hacia el Sur Global— no son fallos técnicos que esperen soluciones de ingeniería. Son el funcionamiento normal de la acumulación de capital en su fase monopolista-digital, registrado en términos termodinámicos como procesos disipativos de no reversibilidad prigoginiana: permanentes, que se agravan y están fuera del alcance de la corrección del mercado.

La tradición ecosocialista ofrece el punto de partida teóricamente más coherente para una alternativa. Como ha argumentado Foster, la brecha metabólica entre el capital y la naturaleza no puede repararse dentro del marco institucional del propio capitalismo; requiere una reorganización fundamental de las relaciones sociales de producción —una que subordine los imperativos de la acumulación a los límites regenerativos del mundo natural—. Una lógica ecosocialista de la informática se basaría en tres compromisos fundamentales. En primer lugar, se apoyaría en el control democrático de la infraestructura computacional: los centros de datos, las plataformas de IA y las redes que los conectan constituyen una infraestructura social crítica cuya gobernanza no puede dejarse en manos de los imperativos competitivos del capital privado. Al igual que las redes eléctricas y los sistemas de agua, requieren una rendición de cuentas democrática: formas de control social que permitan a las comunidades determinar los fines para los que se utiliza la capacidad computacional y las condiciones en las que se distribuyen sus costes ecológicos. En segundo lugar, requeriría una reorientación de las prioridades de investigación y desarrollo, alejándolas de las aplicaciones destinadas a maximizar los beneficios —optimización publicitaria, operaciones financieras y vigilancia laboral— hacia aplicaciones que atiendan genuinamente a las necesidades sociales. Esto incluye la gestión de las energías renovables, la salud pública, la vigilancia ecológica y la educación. En tercer lugar, y lo más fundamental, requeriría aceptar que la escala de la actividad computacional debe estar limitada por los límites ecológicos. La suficiencia —entendiéndose por tal el hecho de calcular lo suficiente, en lugar de calcular más— debe convertirse en un principio organizativo, sustituyendo al imperativo de crecimiento que impulsa la actual carrera armamentística de la IA.

Ninguna de estas transformaciones es inminente, y ninguna puede lograrse únicamente por medios técnicos. La irreversibilidad que Prigogine identificó en los sistemas disipativos tiene su análogo social en las dependencias de trayectoria de la infraestructura capitalista: los centros de datos ya construidos, los contratos de combustibles fósiles ya firmados y los paisajes de extracción ya degradados. Lo que la política ecosocialista puede lograr no es la reversión del daño pasado, sino la interrupción de los procesos que generan daño futuro: una ruptura en la lógica social de la acumulación que la termodinámica registra, pero que por sí sola no puede producir. La cuestión que se nos plantea no es si los límites del capital se impondrán, sino si se enfrentarán en los términos establecidos por sociedades democráticas comprometidas con la supervivencia ecológica, o en los términos impuestos por las crisis en cascada de una biosfera empujada más allá de su capacidad regenerativa. El algoritmo no decide. La política sí.

Te Li es profesor adjunto en la Facultad de Economía y Gestión de la Universidad Abierta de Yunnan. Su investigación se centra en la matematización de las instituciones y la economía política.

Notas

1. Sasha Luccioni, Alexandre Viguier y Anne-Laure Ligozat, «Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model», Journal of Machine Learning Research 24, n.º 253 (2023): 1-15.
2. Goldman Sachs Research, «AI Is Poised to Drive 160% Increase in Data Center Power Demand», 14 de mayo de 2024.
3. Microsoft, Informe de sostenibilidad medioambiental de 2022 (Redmond, Washington: Microsoft Corporation, 2022), 17.
4. Jeremy Rifkin, La sociedad del coste marginal cero: el Internet de las cosas, los bienes comunes colaborativos y el ocaso del capitalismo (Nueva York: Palgrave Macmillan, 2014), 11–14.
5. Nicholas Georgescu-Roegen, La ley de la entropía y el proceso económico (Cambridge: Harvard University Press, 1971), 3–4; John Bellamy Foster, Brett Clark y Richard York, La brecha ecológica: la guerra del capitalismo contra la Tierra (Nueva York: Monthly Review Press, 2010), 54–76.
6. Karl Marx, El capital: Crítica de la economía política, vol. 1, trad. Ben Fowkes (Londres: Penguin, 1976), 493–94.
7. Emma Strubell, Ananya Ganesh y Andrew McCallum, «Energy and Policy Considerations for Deep Learning in NLP», Actas de la 57.ª Reunión Anual de la Asociación de Lingüística Computacional (2019): 3645–50.
8. David Patterson et al., «Carbon Emissions and Large Neural Network Training», preimpresión de arXiv, arXiv:2104.10350 (2021), 1–9.
9. Jordan Hoffmann et al., «Training Compute-Optimal Large Language Models», preimpresión de arXiv, arXiv:2203.15556 (2022), 1–19.
10. John Bellamy Foster, «The Ecology of Marxian Political Economy», Monthly Review 63, n.º 4 (septiembre de 2011): 1–16.
11. William Stanley Jevons, La cuestión del carbón: una investigación sobre el progreso de la nación y el probable agotamiento de nuestras minas de carbón (Londres: Macmillan, 1865), 152–153.
12. «AI and Compute», OpenAI (blog), openai.com/blog/ai-and-compute.
13. Agencia Internacional de la Energía, Electricity 2024: Analysis and Forecast to 2026 (París: AIE, 2024), 14.
14. Ilya Prigogine e Isabelle Stengers, El orden del caos: el nuevo diálogo del hombre con la naturaleza (Nueva York: Bantam Books, 1984), 143–145.
15. Foster, Clark y York, La brecha ecológica, 73–76.
16. Goldman Sachs Research, «La IA está a punto de provocar un aumento del 160 % en la demanda energética de los centros de datos».
17. Brett Clark y John Bellamy Foster, «Imperialismo ecológico y la brecha metabólica global: intercambio desigual y el comercio de guano y nitratos», International Journal of Comparative Sociology 50, n.º 3–4 (2009): 311–34.
18. Arsheeya Bajwa, «Microsoft y OpenAI planean un proyecto de centros de datos de 100 000 millones de dólares, según informan los medios», Reuters, 29 de marzo de 2024.
19. Agencia Internacional de la Energía, Electricity 2024, 27.
20. EirGrid, Tomorrow’s Energy Scenarios 2023 (Dublín: EirGrid, 2023), 34.
21. Benjamin K. Sovacool et al., «Minerales y metales sostenibles para un futuro con bajas emisiones de carbono», Science 367, n.º 6473 (2020): 30–33.
22. Agencia Internacional de la Energía, Electricidad 2024, 27–29.
23. Kim Crawford y Vladan Joler, «Anatomy of an AI System», 2018, anatomyof.ai.
24. Pengfei Li et al., «Making AI Less ‘Thirsty’: Uncovering and Addressing the Secret Water Footprint of AI Models», preimpresión de arXiv, arXiv:2304.03271 (2023), 1–10.
25. Microsoft, Informe de sostenibilidad medioambiental 2022, 17.
26. Google, Informe medioambiental 2023 (Mountain View, California: Google, 2023), 22.
27. Peter Dauvergne, AI in the Wild: Sustainability in the Age of Artificial Intelligence (Cambridge: MIT Press, 2020), 78–79.
28. Rob Nixon, Slow Violence and the Environmentalism of the Poor (Cambridge, Massachusetts: Harvard University Press, 2011), 2–3.
29. Guillaume Pitron, The Rare Metals War: The Dark Side of the Clean Energy and Digital Technologies, trad. Bianca Jacobsohn (Londres: Scribe, 2023), 45–67.
30. Instituto de las Naciones Unidas para la Formación Profesional e Investigaciones, The Global E-waste Monitor 2024 (Bonn: UNITAR, 2024), 3.
31. John Bellamy Foster y Hannah Holleman, «The Theory of Unequal Ecological Exchange: A Marx-Odum Dialectic», Journal of Peasant Studies 41, n.º 2 (2014): 199–233.
32. John Bellamy Foster y Brett Clark, «Introducción a la edición actualizada de Unequal Exchange, de Arghiri Emmanuel», Monthly Review 77, n.º 8 (enero de 2026): 1-19.
33. John Bellamy Foster, «Capitalismo y ecología: la naturaleza de la contradicción», Monthly Review 54, n.º 4 (septiembre de 2002): 6-16.
34. Paul Burkett, «Fusionando el rojo y el verde», Monthly Review 50, n.º 9 (febrero de 1999): 47-56; Paul Burkett, Marx y la naturaleza: una perspectiva roja y verde (Nueva York: St. Martin’s Press: 1999).
35. John Bellamy Foster y Brett Clark, «El robo de la naturaleza: el capitalismo y la brecha metabólica», Monthly Review 70, n.º 3 (julio-agosto de 2018): 1-20.
36. Benjamin K. Sovacool et al., «Sustainable Minerals and Metals for a Low-Carbon Future», Science 367, n.º 6473 (2020): 30-33.
37. Brett Clark y Richard York, «Carbon Metabolism: Global Capitalism, Climate Change, and the Biospheric Rift», Theory and Society 34, n.º 4 (2005): 391-428.
38. Georgescu-Roegen, The Entropy Law and the Economic Process, 276-278.
39. John Bellamy Foster, Marx’s Ecology: Materialism and Nature (Nueva York: Monthly Review Press, 2000), 141-177.

Fuente: Monthly Review, Vol. 78, n.º 02 (junio de 2026) https://monthlyreview.org/articles/the-thermodynamics-of-capital/)