La adopción de la inteligencia artificial generativa (IA) ha revolucionado diversos sectores en la era digital, ofreciendo mejoras significativas en eficiencia y capacidad analítica (Castaneda, 2023). A medida que se celebran estos avances, es esencial considerar su impacto ambiental en comparación con los métodos tradicionales de trabajo digital manual.
Consumo de Energía
La inteligencia artificial, especialmente en formas avanzadas como el aprendizaje profundo, requiere una cantidad significativa de recursos computacionales. Los centros de datos que alimentan estas tecnologías consumen enormes cantidades de energía, no solo en términos de la potencia de procesamiento, sino también en la refrigeración necesaria para mantener operativas estas máquinas.
Un estudio relevante es el realizado por Strubell, Ganesh, y McCallum (2019) sobre el costo energético y las emisiones de carbono asociadas con el entrenamiento de modelos de aprendizaje automático. Este tipo de estadísticas pone en perspectiva la carga ambiental que puede acompañar a las soluciones de IA de última generación.
Vs. Trabajo Manual
Por otro lado, el trabajo digital manual, que incluye tareas que los humanos realizan directamente con el uso de software sin la intermediación de sistemas autónomos, tiende a ser menos demandante desde el punto de vista energético. Aunque también depende de la infraestructura digital y de los centros de datos, la escala del consumo energético y las emisiones asociadas suelen ser considerablemente menores. Además, el trabajo manual permite una gestión más inmediata y consciente del uso energético, proporcionando oportunidades para optimizar y reducir el consumo de forma más directa.
Consciencia de la Huella de Carbono
En este contexto, es fundamental que las empresas realicen evaluaciones regulares de su huella de carbono, midiendo no solo las actividades corporativas cotidianas, sino también las herramientas tecnológicas que emplean, especialmente las soluciones de inteligencia artificial generativa.
Es imperativo que estas organizaciones exijan a sus proveedores de tecnología o a sus propios departamentos de TI reportes detallados sobre las emisiones de carbono asociadas con los servicios y productos que utilizan. Esta información es crucial para ajustar y fortalecer las políticas de responsabilidad social corporativa, asegurando que las prácticas de negocio no solo cumplan con los estándares legales y éticos, sino que también contribuyan activamente a la reducción del impacto ambiental global. De esta manera, las empresas no solo responderán a las expectativas de los consumidores y reguladores, sino que también liderarán por el ejemplo en la promoción de un futuro más sostenible.
Consumo a Largo Plazo
Sin embargo, no se puede ignorar que la IA puede conducir a reducciones significativas en el consumo de recursos a largo plazo. Por ejemplo, al optimizar cadenas de suministro o mejorar la eficiencia energética en edificaciones a través de sistemas inteligentes, la IA tiene el potencial de reducir la huella de carbono global de manera más efectiva que los métodos manuales.
Así, el desafío reside en equilibrar estos beneficios potenciales con los costos ambientales inmediatos.
Políticas Ambientales en Uso de IA
Ante este panorama, es imperativo que, como profesionales del cumplimiento y la ética, promovamos políticas y prácticas que consideren tanto los beneficios como los costos ambientales de la tecnología que adoptamos. Debemos abogar por el desarrollo de IA más eficiente desde el punto de vista energético y por infraestructuras que utilicen energías renovables. Además, es crucial fomentar una mayor transparencia en cuanto al impacto ambiental de las tecnologías emergentes.
Mientras que la IA ofrece oportunidades transformadoras, su implementación debe ser gestionada con una consideración cuidadosa de su impacto ambiental, equilibrando la innovación tecnológica con la responsabilidad ecológica. El trabajo digital manual sigue siendo relevante, no solo como una alternativa menos demandante en recursos, sino también como un recordatorio del valor de la intervención humana directa en la era de la automatización.
Referencias
Castaneda, A. U. (2023). Un viaje hacia la inteligencia artificial en la educación. Realidad Y Reflexión, (56), 121-136. https://doi.org/10.5377/ryr.v1i56.15776
Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and Policy Considerations for Deep Learning in NLP. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, 3645-3650. https://doi.org/10.18653/v1/P19-1355
