En junio de 2026, un equipo del Boston Children's Hospital resolvió 18 casos de niños con enfermedades raras que llevaban años sin diagnóstico. Lo hicieron con ayuda de un sistema de IA desarrollado por OpenAI, y el hallazgo se publicó en la revista científica NEJM AI. No es un caso aislado ni futurista, es la fotografía de un cambio que ya está ocurriendo en hospitales de todo el mundo.
En el Johns Hopkins, modelos predictivos alertan sobre riesgo de sepsis antes de que aparezcan los síntomas, cruzando historia clínica, genética y datos de monitorización continua. Google lanzó a comienzos de 2026 MedGemma 1.5, un modelo capaz de superar a sistemas cerrados en exámenes de licencia médica y que los hospitales pueden ejecutar en sus propios servidores, sin enviar datos de pacientes a la nube. Y en radiología, los algoritmos ya priorizan automáticamente los estudios con signos de sangrado, ictus o tumor para que el especialista los revise primero.
El resultado: se estima que más de 900 dispositivos y algoritmos médicos con IA cuentan con aprobación de la FDA en Estados Unidos, y la cifra en Europa (EMA) supera los 200. En Latinoamérica, encuestas recientes hablan de un 81% de facultativos que ya usan alguna herramienta de IA en su práctica diaria.
La parte que no sale en la foto: el data center
Todo ese diagnóstico "instantáneo" tiene un coste físico que rara vez se menciona en la misma conversación: electricidad, chips y refrigeración a una escala que empieza a preocupar a gobiernos y operadoras eléctricas por igual.
Según la Agencia Internacional de la Energía, el consumo eléctrico mundial de los centros de datos rondó los 415 TWh en 2024 y podría duplicarse hasta los 945 TWh en 2030, una cifra ya comparable al consumo eléctrico total de Japón. Goldman Sachs Research proyecta un crecimiento del 165% en la demanda energética de los data centers antes de esa misma fecha, impulsado casi en exclusiva por la IA generativa. En Estados Unidos, solo los centros de datos consumieron 183 TWh en 2024, el 4,4% de toda la electricidad del país, con estimaciones que apuntan a más de 400 TWh en 2030, y eso que antes de la IA agéntica entre en el cálculo.
Un modelo de diagnóstico clínico no funciona con una consulta puntual: necesita entrenarse con volúmenes masivos de imágenes, historiales y datos genómicos, y después responder en tiempo real, las 24 horas, a miles de peticiones simultáneas en decenas de hospitales.
Un entrenamiento de modelo grande pude rondar los 1.300 MWh. Cada inferencia médica, leer una resonancia, cruzar variantes genéticas, generar un informe, corre sobre GPUs de alto consumo que necesitan refrigeración constante. Y esa refrigeración es, a menudo, tan cara energéticamente como el propio cálculo.
¿Qué implica esto para un hospital que quiere adoptar IA diagnóstica en serio?
No es un detalle técnico menor. Adoptar IA clínica de forma seria obliga a responder cuatro preguntas de infraestructura:
Capacidad de cómputo dedicada: GPUs de nivel clínico, con redundancia suficiente para no interrumpir un servicio de urgencias.
Infraestructura energética estable: picos de demanda que muchos edificios hospitalarios, diseñados para otra época, no estaban dimensionados para soportar.
Refrigeración eficiente: Alemania, ya exige a los nuevos centros de datos un PUE (ratio de eficiencia energética) máximo de 1,2 a partir de julio de 2026.
Dónde vive el modelo: ejecutar la IA en local, como permite MedGemma 1.5, reduce la dependencia de la nube y refuerza la privacidad del dato clínico, pero traslada al propio hospital la responsabilidad y el gasto de sostener esa infraestructura.
El dato que cambia el cálculo, modelos pequeños y especializados
No todo apunta a un callejón sin salida energético. La UNESCO señala que los modelos más pequeños, entrenados para una tarea específica en vez de ser generalistas, pueden reducir el consumo energético hasta en un 90% sin perder rendimiento clínico.
Es una pista de por dónde puede ir la próxima generación de IA hospitalaria: no un único modelo gigante haciéndolo todo, sino sistemas más pequeños y especializados, uno para imagen, otro para variantes genéticas, otro para triaje corriendo de forma eficiente y localizada.
Un caso concreto, ¿podría Madrid soportarlo?
La Comunidad de Madrid concentra casi 8 millones de hatitantes, una población envejecida, una red de más de 35 hospitales públicos y el programa Senior Plus específicamente para mayores de 70 años. ¿Tiene la infraestructura para soportar IA diagnóstica a escala?
Lo que juega a favor. Madrid ya es, con diferencia, el mayor hub de data centers de España. Concentra en torno al 70% de toda la potencia instalada del país, con unos 613 MW operativos en 2026 y previsión de multiplicarse varias veces hasta 2030, apoyada en más de 6.000 millones de euros de inversión anunciada. A eso se suma un presupuesto sanitario regional que en 2026 supera por primera vez los 11.000 millones de euros, con partidas ya destinadas a telemedicina y digitalización asistencial.
Lo que no cuadra tan bien. Ese casi 70% de potencia de datos madrileña no está pensado para diagnóstico clínico, da servicio a bancos, telecomunicaciones, comercio electrónico y, cada vez más, a entrenamiento de modelos genéricos de IA. Destinar una porción significativa y estable de esa capacidad con los niveles de disponibilidad y redundancia que exige un hospital, donde una caída de sistema no es un inconveniente sino un riesgo para un paciente implicaría una negociación de recursos distinta a la que hoy hace cualquier cliente corporativo de un data center.
Además, el techo real ya no es la inversión: es el permiso de conexión eléctrica. Conseguir 50-100 MW dedicados y garantizados en el corto plazo se ha convertido en el cuello de botella, incluso para proyectos ya financiados.
Y una población envejecida no reduce la carga de cómputo, la multiplica. Más comorbilidades, más pruebas de imagen, más monitorización continua de crónicos, más algoritmos de predicción de reingresos y de sepsis funcionando en paralelo sobre miles de pacientes mayores de 70 años. Es exactamente el perfil de demanda constante, de alto volumen, sensible al tiempo de respuesta que más electricidad y refrigeración consume.
La conclusión honesta
No existe un estudio público que calcule con precisión los MW exactos que necesitaría la IA diagnóstica desplegada a escala en toda la red hospitalaria madrileña. Pero con los números sobre la mesa, la respuesta razonable es: técnicamente viable, económicamente exigente, y solo funciona si se planifica como infraestructura crítica y no como un servicio de nube más.
La pregunta que el sector no puede seguir ignorando
La IA ya diagnostica enfermedades raras, prioriza tomografías y anticipa sepsis en hospitales reales, hoy. Eso ya no está en discusión. Lo que sí sigue abierto es si estamos dimensionando la infraestructura energética con la misma velocidad con la que estamos dimensionando las expectativas clínicas.
Un hospital puede tener el mejor modelo del mundo, pero si no tiene la energía, el hardware y la refrigeración para sostenerlo de forma fiable las 24 horas, ese modelo no sirve en la sala de urgencias a las tres de la madrugada.
La conversación sobre IA en salud no puede seguir separada de la conversación sobre energía. Son, cada vez más, la misma conversación.