Cuánta energía gasta una pregunta a ChatGPT y por qué varía

Una pregunta de texto corta a un chatbot gasta unos 0,3 Wh según las estimaciones de 2025 y 2026, no los 3 Wh que se repiten desde 2023. He rastreado cada cifra hasta su origen: cambian lo que se mide, los tokens y el modelo.

Portátil encendido sobre una mesa de cocina de noche, unido por un cable luminoso que sale por la ventana hacia un centro de datos con torres de refrigeración

Si buscas cuánta energía gasta una pregunta a ChatGPT, encontrarás cifras que van de 0,1 a 40 vatios hora. Y no es que unas fuentes mientan y otras no: casi todas miden cosas distintas. En resumen, con lo publicado en 2025 y 2026, una pregunta corta de texto ronda los 0,3 Wh.

Esa cifra es diez veces menor que los famosos 3 Wh que llevan circulando desde 2023. Para esta guía he seguido cada número hasta su origen, he rehecho las cuentas que se podían rehacer y he anotado qué deja fuera cada uno. Adelanto una cosa: el dato más repetido nació de una conversión de costes, no de un medidor.

Cuánta energía gasta ChatGPT por pregunta

Una pregunta corta de texto a un chatbot actual gasta del orden de 0,3 vatios hora en el centro de datos. Es lo que consume una bombilla LED de 10 W durante unos dos minutos, o un microondas de 1.000 W durante un segundo.

El problema es que «una pregunta» no es una unidad fija, y que las cifras sobre ChatGPT corresponden a modelos que OpenAI ya ha retirado del chatbot (lo explico más abajo). Estas son las estimaciones con más peso, por orden de aparición:

Fuente Año Energía por pregunta Qué cuenta
Google, búsqueda web clásica 2009 0,3 Wh Servidores y construcción del índice; es la referencia, no es IA
Alex de Vries (Joule) 2023 2,9 Wh como máximo Consumo estimado de la flota de ChatGPT dividido entre sus peticiones diarias
Epoch AI (GPT-4o) 2025 ~0,3 Wh Modelo teórico con 500 tokens de respuesta en GPU H100
Sam Altman (ChatGPT) 2025 0,34 Wh Media declarada, sin metodología publicada
Google (Gemini) 2025 0,24 Wh Mediana medida en producción, con todo el centro de datos (0,10 Wh si solo se cuentan los chips)
MIT Technology Review (Llama 3.1 405B) 2025 ~1,9 Wh Energía de la GPU medida en un modelo abierto, multiplicada por dos
Oviedo et al., Microsoft (Joule) 2026 0,31 Wh Mediana modelada para modelos de más de 200.000 millones de parámetros

Quitando la búsqueda de 2009, que solo sirve de vara de medir, cuatro de las seis estimaciones sobre chatbots caen entre 0,24 y 0,34 Wh. Llegan por caminos distintos, eso sí. Epoch AI usa un modelo teórico, Google mide en sus servidores y Microsoft estima el consumo de nodos de GPU en condiciones de producción. Altman, en cambio, da un número sin método publicado y dirige la empresa que vende el servicio, así que su cifra es la que menos debería pesar. Las dos que se salen tienen explicación, y entenderla es lo que te permite leer cualquier titular sobre IA y energía sin tragártelo entero.

Por qué ahora: la cifra por fin pasa revisión por pares

Este año la estimación baja ha llegado a una revista científica. Joule, donde salieron los 3 Wh en 2023, ha publicado el trabajo de un equipo de Microsoft encabezado por Felipe Oviedo. Su conclusión es que las cifras más citadas, calculadas sin las condiciones reales de servicio, sobrevaloran el consumo entre 4 y 20 veces.

Calculan una mediana de 0,31 Wh por consulta para modelos de frontera servidos en nodos con GPU H100, con la mitad central de los casos entre 0,16 y 0,60 Wh. Ojo con el conflicto de interés: Microsoft vende infraestructura de IA. Aun así, su cifra está en línea con la de Epoch AI, un centro de investigación independiente, y con la que Google midió en sus propios servidores.

El otro dato del año viene de la Agencia Internacional de la Energía (AIE). En su informe de abril de 2026 afirma que la energía por tarea de IA ha bajado al menos un orden de magnitud al año en los últimos años. Volveré a esto, porque tiene trampa.

De dónde salen los famosos 3 Wh

El número que más se repite tiene una genealogía curiosa. La he reconstruido leyendo el artículo original de Alex de Vries en Joule, de octubre de 2023.

  • Primer eslabón (2009). Google publica que una búsqueda gasta 0,0003 kWh, es decir, 0,3 Wh. Lo hizo para desmentir una cifra mucho más alta que circulaba entonces.
  • Segundo eslabón (febrero de 2023). John Hennessy, presidente de Alphabet, dice a Reuters que una interacción con un modelo de lenguaje probablemente cuesta diez veces más que una búsqueda. Hablaba de dinero, no de energía.
  • Tercer eslabón. De Vries multiplica los 0,3 Wh de 2009 por ese factor diez y obtiene unos 3 Wh. Lo contrasta con una estimación de la consultora SemiAnalysis: unos 3.600 servidores con GPU A100, 564 MWh al día y 195 millones de peticiones diarias.

He rehecho la división: 564 MWh entre 195 millones de peticiones dan 2,89 Wh. De Vries lo escribió con precisión, «como máximo 2,9 Wh por petición». El matiz se perdió en cuanto el número saltó a los titulares.

Nadie hizo trampa; simplemente se trabajaba con lo que había. Era una cota superior razonable para 2023, con hardware de la generación anterior y suponiendo, según Epoch AI, 4.000 tokens de entrada y 2.000 de salida por petición. Una pregunta típica de chat se queda muy por debajo de eso.

Por qué nadie da la misma cifra

Los autores del estudio de Joule lo resumen en dos causas: cada uno mide con una frontera distinta y muchos ensayos no reproducen cómo se sirve un modelo en producción. A eso se suman los tokens de cada pregunta, el tamaño del modelo y la forma de resumir el dato.

Qué se cuenta: solo el chip o todo el edificio

Google es el caso más claro, porque publicó las dos versiones. Si solo cuenta los aceleradores activos, su prompt mediano gasta 0,10 Wh. Si añade lo que de verdad consume servir ese prompt, sube a 0,24 Wh.

El reparto es este: los chips de IA suponen el 58 %, y los procesadores y la memoria del servidor, el 25 %. Las máquinas reservadas en espera suman el 10 %, y la refrigeración y el resto del centro de datos, el 8 %. Mismo prompt, mismo periodo de medición, y una cifra es más del doble que la otra. La diferencia no es solo técnica, es de contabilidad.

MIT Technology Review usó un atajo: medir la GPU y multiplicar por dos para estimar el sistema completo. Cada frontera es defendible. Lo que no se puede es comparar una con otra como si fueran la misma cosa.

Hay algo que ninguna de estas cifras por pregunta incluye: el entrenamiento del modelo. Google lo deja fuera de forma expresa. Epoch AI calcula que, repartido entre sus usuarios, el de GPT-4o pesa poco, y que todos los costes previos, fabricación del hardware incluida, son probablemente comparables o menores que el gasto de usarlo. Admite que medirlo con rigor sería difícil.

Cuántos tokens lleva la pregunta

El modelo cobra en tokens y gasta en tokens, aunque no todos cuestan lo mismo. Si no tienes claro qué es un token, lo expliqué en la guía sobre qué es un token en IA. Aquí basta con saber que el texto de entrada se procesa de una vez, al principio, y que cada token de respuesta exige otra pasada del modelo.

Epoch AI calcula sus 0,3 Wh con 500 tokens de salida, un supuesto que ellos mismos llaman algo pesimista. En una pregunta tecleada a mano, procesar la entrada es casi despreciable. Si le pegas al chat un documento de 10.000 tokens, la estimación sube a unos 2,5 Wh. Con 100.000 tokens de entrada, a casi 40 Wh. Esa es la cifra alta que verás citada sin contexto.

Qué modelo responde

El tamaño del modelo manda. En las mediciones que recoge MIT Technology Review, Llama 3.1 de 8.000 millones de parámetros gasta unos 114 julios por respuesta, unos 0,03 Wh. La versión de 405.000 millones llega a unos 6.700 julios, casi 1,9 Wh: unas sesenta veces más.

Cuando probé 44 modelos de IA local en un Mac Studio medí velocidad, no vatios. Pero la lógica es la misma: más parámetros por token y más tokens por respuesta significan más tiempo con el chip trabajando a fondo.

Laboratorio frente a producción

Un servidor en producción no atiende una pregunta cada vez. Agrupa cientos de peticiones y las procesa juntas, de modo que el gasto fijo del hardware se reparte. Un banco de pruebas con pocas peticiones simultáneas, o un modelo abierto servido sin optimizar, da cifras más altas que un servicio a escala. Es la diferencia entre un autobús lleno y uno que circula con dos pasajeros.

Por eso el estudio de Microsoft, que modela nodos saturados, sale bajo. Y por eso los ensayos con modelos abiertos, los únicos que cualquiera puede medir, tienden a salir más altos.

Media, mediana y una caja negra

Altman da una media; Google, una mediana. Si unas pocas preguntas son enormes, la media sube y la mediana no se entera. Además, ni OpenAI ni Google describen cómo es su pregunta típica: cuántos tokens entran y cuántos salen. Sin ese dato, comparar sus cifras es comparar el consumo de dos coches sin saber a qué velocidad iba cada uno.

El razonamiento multiplica la cuenta

Los modelos que «piensan» antes de responder generan una cadena de tokens que no llegas a leer, y cada uno cuesta energía. Es la variable que más ha cambiado desde 2023.

Hugging Face lo midió en diciembre de 2025. De media, los modelos de razonamiento gastaron unas 30 veces más energía que los que no razonan o lo tienen apagado. Al activar el razonamiento en un mismo modelo, el salto fue de entre 150 y 700 veces. En DeepSeek-R1-Distill-Llama-70B, el gasto de la GPU pasó de 49,5 a 7.626 Wh por cada mil consultas: unas 150 veces más, el extremo bajo de ese rango. El motivo es directo: en esa prueba, los modelos con razonamiento generaron entre 300 y 800 veces más tokens que sus versiones sin él.

El estudio de Joule estima que una consulta de razonamiento, quince veces más larga que una normal, sube la mediana hasta 3,91 Wh. Jegham y sus colegas estimaron el consumo de 30 modelos comerciales a partir de la velocidad de sus API y del hardware que suponen detrás. Los más intensivos superan los 29 Wh con un prompt largo.

Esto afecta de lleno a ChatGPT. El 13 de febrero de 2026, OpenAI retiró de su chatbot GPT-4o, el modelo del que salen casi todas sus cifras públicas. Desde GPT-5, ChatGPT decide cuánto razonar según la pregunta, y no he encontrado datos de OpenAI sobre lo que gastan sus modelos actuales. La referencia más concreta es otra vez la estimación de Jegham: con GPT-5, una pregunta corta con el razonamiento mínimo sale en 0,67 Wh; una de longitud media, entre 2,3 y 17,2 Wh según cuánto razone, y una larga con razonamiento alto, 33,8 Wh.

En la práctica, la mayoría acaba citando la cifra que encaja con lo que ya pensaba: 0,3 Wh si quiere tranquilizar y 30 Wh si quiere alarmar. Las dos son ciertas para preguntas distintas.

Lo que importa de verdad: el total

La cifra por pregunta es pequeña y baja cada año. Google calcula que su prompt mediano gastó 33 veces menos energía en mayo de 2025 que un año antes. El total, en cambio, sube.

Según las estimaciones de la AIE, los centros de datos en su conjunto, no solo los de IA, consumieron unos 415 TWh en 2024, alrededor del 1,5 % de la electricidad mundial. En 2025 llegaron a 485 TWh, un 17 % más, y los centrados en IA crecieron un 50 %. La previsión central de la AIE es que alcancen unos 950 TWh en 2030, en torno al 3 % del consumo global. Es la trampa que anunciaba arriba: cada pregunta gasta menos, pero hacemos muchísimas más, y cada vez más largas.

Jegham y sus colegas lo ilustran con GPT-4o. Parten de 700 millones de consultas diarias, que en su modelo crecen a lo largo de 2025 hasta sumar unos 772.000 millones en el año, ocho de cada diez cortas. A cada una le asignan 0,42 Wh, algo más que los 0,3 Wh de Epoch AI, en parte porque su cálculo supone que el servidor agrupa solo ocho peticiones a la vez. Les salen entre 392 y 463 GWh, más de lo que gastan en un año 35.000 hogares de Estados Unidos, a unos 10.800 kWh por hogar. La misma expansión de los centros de datos es la que ha puesto la memoria RAM por las nubes.

Tu pregunta suelta no es el problema. El agregado sí es una cuestión de política energética, y ahí la falta de datos públicos y comparables pesa más que cualquier cifra concreta.

Errores comunes al leer estas cifras

Con todo lo anterior, estos son los tropiezos que más veo en artículos y conversaciones:

  • Citar los 3 Wh como una medición. Era un máximo estimado en 2023 a partir de costes y de hardware de la generación anterior.
  • Comparar cifras con fronteras distintas. Los 0,10 Wh de Google y sus 0,24 Wh describen la misma pregunta. Antes de comparar, mira si cuentan solo el chip o todo el centro de datos.
  • Suponer que todas las preguntas gastan igual. Un documento largo o el modo de razonamiento pueden multiplicar el consumo por diez o por varios cientos, según el modelo y la tarea.
  • Mezclar energía, emisiones y agua. Mistral publica gramos de CO₂ y mililitros de agua por respuesta, no vatios hora. Las emisiones dependen además de la electricidad que alimente cada centro de datos.
  • Comparar con la búsqueda de 2009. Ese 0,3 Wh tiene diecisiete años y describe otra infraestructura. Sirve de referencia histórica, no de medida actual.
  • Quedarse en la pregunta suelta. El consumo unitario baja y el total sube. Las dos cosas son verdad a la vez.

Preguntas frecuentes

¿Gasta más una pregunta a ChatGPT que una búsqueda en Google?

Sobre el papel son del mismo orden, pero eso no permite concluir que gasten lo mismo. La cifra de Google, 0,3 Wh por búsqueda, es de 2009, y las estimaciones recientes para un chatbot están entre 0,24 y 0,34 Wh por pregunta corta de texto. La comparación cojea porque enfrenta una búsqueda de hace casi dos décadas con un chatbot actual, y porque una consulta con razonamiento o documentos largos gasta mucho más.

¿Cuánta agua gasta una pregunta a un chatbot?

Altman habla de unos 0,32 mililitros por consulta media de ChatGPT y Google mide 0,26 mililitros por prompt mediano de Gemini, unas cinco gotas. Mistral publica 45 mililitros para una respuesta de 400 tokens, pero suma el ciclo de vida completo, fabricación de servidores incluida. De nuevo, la diferencia está en qué se cuenta.

¿Generar una imagen o un vídeo gasta más que una pregunta de texto?

Depende del modelo, pero el vídeo está en otra liga. MIT Technology Review estimó unos 2.300 julios, alrededor de 0,6 Wh, para una imagen de 1024 × 1024 píxeles con Stable Diffusion 3 Medium. Un vídeo de cinco segundos con CogVideoX rondó los 3,4 millones de julios: casi un kilovatio hora.

¿Usar un modelo más pequeño ahorra energía?

Sí, y mucho. En las mediciones con Llama 3.1, el modelo de 8.000 millones de parámetros gastó unas sesenta veces menos por respuesta que el de 405.000 millones. Para resumir un correo o corregir una frase, un modelo ligero y sin razonamiento basta. Reserva los grandes para lo que de verdad los necesita.

¿Cuánta electricidad suman mil preguntas?

Con 0,3 Wh por pregunta, mil suman 0,3 kilovatios hora: una bombilla LED de 10 W encendida unas treinta horas. Si son preguntas con razonamiento o con documentos largos, la cuenta puede multiplicarse por diez o más. Para una persona es poco; para cientos de millones de usuarios diarios, ya no.

Resumen práctico

  • Lo normal para una pregunta corta de texto son unos 0,3 Wh en el centro de datos.
  • Los 3 Wh de 2023 eran una cota máxima calculada a partir de costes, no una medición.
  • Las cifras discrepan sobre todo por la frontera de medición, los tokens, el tamaño del modelo y si se sirve a escala.
  • Con razonamiento o documentos largos, el gasto puede ser de diez a varios cientos de veces mayor, y varía mucho de un modelo a otro.
  • El gasto por pregunta baja cada año, pero el consumo total de los centros de datos sigue subiendo.
  • Para lo sencillo, elige un modelo pequeño y sin razonamiento.

Referencias externas:

de Vries (Joule, 2023): The growing energy footprint of artificial intelligence

Google (2009): Powering a Google search

Reuters, en Investing.com (2023): For tech giants, AI like Bing and Bard poses billion-dollar search problem

Epoch AI (2025): How much energy does ChatGPT use?

Sam Altman (2025): The Gentle Singularity

Elsworth et al., Google (2025): Measuring the environmental impact of delivering AI at Google Scale

Oviedo et al., Microsoft (Joule, 2026): Energy use of AI inference, efficiency pathways, and test-time scaling

MIT Technology Review (2025): We did the math on AI’s energy footprint

Hugging Face (2025): AI Energy Score v2 y el coste energético del razonamiento

Jegham et al. (2025): How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference

OpenAI (2026): Retiring GPT-4o, GPT-4.1, GPT-4.1 mini, and OpenAI o4-mini in ChatGPT

Mistral AI (2025): análisis de ciclo de vida de Mistral Large 2

Agencia Internacional de la Energía (2025): Energy and AI

Agencia Internacional de la Energía (2026): Key Questions on Energy and AI

Avatar conceptual de Álex Navarro: portátil con cerebro de IA en estilo low-poly, azul y naranja

Álex Navarro

Ingeniero de software. Dev, entornos y herramientas de IA explicadas con criterio para que no pierdas tiempo. Rigor y utilidad práctica.

Una respuesta

  1. Óscar Ferrer dice:

    Curioso que la cifra de 3 Wh sea una estimación antigua que se ha repetido mil veces sin contrastar. Lo mejor del artículo es que hayas ido cifra por cifra a la fuente. El 0,3 Wh cambia bastante el tamaño del problema.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *