Antes de entrar en los datos, una aclaración rápida para quien no esté familiarizado con el término: ¿qué es la IA agéntica? Hasta ahora, la mayoría de nosotros usábamos la IA como un chatbot: le hacemos una pregunta, nos responde, y ahí termina la interacción. La IA agéntica es un salto más allá. En lugar de solo responder, el sistema actúa por su cuenta para completar una tarea de principio a fin: decide qué pasos seguir, busca información en internet si la necesita, ejecuta código, corrige sus propios errores sobre la marcha y encadena varias acciones sin que una persona tenga que ir guiando cada paso intermedio. Es la diferencia entre preguntarle a alguien "¿cómo reservo un vuelo?" y decirle "resérvame un vuelo a Roma para el fin de semana que viene" y que esa persona lo haga todo por sí misma.
Esta capacidad es la que está detrás de los nuevos "agentes" que empiezan a integrarse en sistemas operativos, navegadores, herramientas de programación y aplicaciones de empresa. Y aunque suena a pura ventaja, tiene un coste que hasta ahora apenas se había medido: el energético.
Hasta hace poco, hablar del gasto energético de la IA era hablar de chatbots: preguntas y respuestas, un consumo relativamente acotado y ya bastante estudiado. Ese marco ya no sirve.
En los últimos dos años el foco de la industria ha cambiado. Ya no basta con que un modelo "conteste bien": ahora se le pide que actúe. A esto lo llamamos IA agéntica, y se está convirtiendo rápidamente en el estándar de facto en asistentes de productividad, copilotos de programación y automatización empresarial.
El problema es que, mientras la adopción se acelera, el coste real de esa autonomía apenas se había medido con rigor. Un estudio del KAIST (Korea Advanced Institute of Science and Technology), liderado por el profesor Minsoo Rhu, ha sido el primero en cuantificarlo de forma sistemática, comparando el consumo de agentes reales frente al de un chatbot convencional resolviendo la misma tarea. El resultado: hasta 136,5 veces más energía por consulta.
¿Por qué consume tanto más un agente?
La clave no está en un único paso "pesado", sino en el efecto multiplicador de la propia autonomía. Un chatbot resuelve una consulta con, en general, una sola pasada por el modelo. Un agente, en cambio, puede necesitar decenas de llamadas internas para completar la misma tarea: interpreta el objetivo, genera un plan, invoca una herramienta externa (buscador, intérprete de código, una API), espera la respuesta, reevalúa si el resultado es suficiente, corrige el rumbo si no lo es, y repite el ciclo tantas veces como haga falta. Cada una de esas vueltas vuelve a poner en marcha el modelo completo.
Y aquí aparece una paradoja que los propios investigadores señalan como uno de los hallazgos más relevantes del estudio: gran parte de ese sobrecoste no se debe a que la GPU esté "pensando" más, sino a que está esperando. Mientras el agente aguarda la respuesta de una herramienta externa, la GPU permanece reservada y consumiendo energía, pero inactiva. Es una ineficiencia estructural: se paga por un recurso carísimo que buena parte del tiempo no está haciendo ningún trabajo útil.
Los números, en detalle:
Un agente basado en un modelo de 70.000 millones de parámetros (una escala comparable a los servicios comerciales actuales) consume una media de 348,41 Wh por consulta. Para hacerse una idea, es aproximadamente lo que consume una bombilla LED encendida durante todo un día.
No es solo energía: la latencia también se dispara. Los tiempos de respuesta pueden llegar a ser 153,7 veces más largos.
Y aquí está la parte más incómoda: las GPU, ese hardware carísimo y de altísima demanda, permanecen inactivas hasta el 54,5% del tiempo de ejecución, esperando a que las herramientas externas respondan. Se paga por potencia de cómputo que gran parte del tiempo no se está usando.
Los investigadores fueron más allá y simularon qué pasaría si estos agentes gestionaran un volumen de tráfico equivalente al de las búsquedas diarias de Google (13.700 millones de consultas al día). La infraestructura necesaria rondaría los 199 gigavatios, cerca de la mitad del consumo eléctrico medio de todo Estados Unidos. Es un escenario hipotético, no una predicción a corto plazo, pero sirve para dimensionar algo que hoy pasa desapercibido: los planes de expansión de los centros de datos y las previsiones de demanda eléctrica de la Agencia Internacional de la Energía se siguen calculando, en gran medida, sobre el patrón de consumo de los chatbots. Si la adopción de agentes autónomos escala al ritmo que anticipa el mercado, esas previsiones podrían estar quedándose cortas.
¿Por qué importa esto ahora?
Porque la IA agéntica no es una promesa lejana: ya se está integrando en sistemas operativos, navegadores, suites ofimáticas y plataformas cloud, y las principales tecnológicas la están presentando como el siguiente salto de productividad. La conversación sobre sostenibilidad de la IA se centró primero en el entrenamiento de los grandes modelos; después, en la inferencia de los chatbots en producción. Ahora se abre un tercer capítulo, el de la autonomía, y trae una factura energética de un orden de magnitud distinto a los dos anteriores.
Para las empresas que ya están desplegando o evaluando agentes en sus operaciones, esto tiene una lectura muy práctica: no basta con presupuestar "consultas" o "tokens", como se ha hecho hasta ahora. Hay que presupuestar tareas completadas, con todo lo que implican: los reintentos, las llamadas a herramientas, los tiempos de espera y el hardware reservado aunque esté inactivo. Es una forma de medir el coste real muy distinta a la que usábamos con los chatbots, y muchas organizaciones todavía no la han incorporado a sus cálculos.
Conviene matizar algo importante: 136,5x es el pico observado en el estudio (con la técnica Reflexion), no un promedio universal. Otra configuración analizada (LATS) arrojó una cifra de 62,1x. Son cifras obtenidas en un benchmark específico (HotpotQA, con modelos Llama-3.1), no una ley general aplicable a cualquier agente en cualquier tarea. Pero incluso como rango, el mensaje de fondo no cambia: la brecha entre "responder" y "actuar de forma autónoma" es enorme.
La conclusión del propio equipo investigador es clara: el reto ya no es solo diseñar modelos más potentes, sino repensar de raíz el hardware, la arquitectura de los modelos y el diseño de los centros de datos para que esta nueva forma de IA sea energéticamente viable. Optimizar el software ya no basta.
En la práctica, esto apunta a varias líneas de trabajo que probablemente vamos a ver desarrollarse en los próximos años: modelos más pequeños y especializados para las tareas intermedias de un agente (no todo paso necesita el modelo más grande y caro), sistemas de orquestación que reduzcan el número de llamadas redundantes, hardware capaz de liberar o reasignar capacidad de cómputo mientras espera respuestas externas, y centros de datos diseñados pensando en cargas de trabajo intermitentes y no en flujos constantes como los que generaban los chatbots. Ninguna de estas soluciones es trivial, y todas requieren inversión e I+D a un ritmo que hoy no está garantizado.
La pregunta que nos deberíamos estar haciendo en el sector no es solo "qué puede hacer un agente", sino "a qué coste energético lo hace, quién asume esa factura y quién va a poder permitírselo a escala". Es una pregunta de negocio, de infraestructura y, cada vez más, de política energética.
Fuentes:
Kim, J., Shin, B., Chung, J., Rhu, M. — "The Cost of Dynamic Reasoning: Demystifying AI Agents and Test-Time Scaling from an AI Infrastructure Perspective", KAIST (arXiv), julio 2026.
The Korea Times — "Advanced AI uses 136.5 times more electricity than standard chatbots, study warns" (5 jul. 2026)
Gizmodo — "When It Comes to Energy Use, AI Agents Could Make Chatbots Look Like Pocket Calculators"
Digital Trends — "AI's energy tax was already concerning. Research says AI agents are over hundred times worse"
Forbes — "AI Agents Don't Use 136 Times More Power. The Truth Costs More" (matiza y contextualiza la cifra viral)