Cuando interactúas con ChatGPT para hacer una pregunta, el consumo energético es significativo pero manejable. Cuando ese mismo modelo actúa como agente autónomo —planificando, usando herramientas, ejecutando código, navegando la web—, el consumo puede multiplicarse hasta 136,5 veces. Ese es el hallazgo principal de un estudio publicado por investigadores del Korea Advanced Institute of Science and Technology (KAIST) en el 32nd IEEE International Symposium on High-Performance Computer Architecture, presentado en febrero de 2026. El paper recibe atención masiva esta semana en medios como Gizmodo, y los datos son suficientemente concretos como para cambiar la conversación sobre el coste energético de la IA.El problema no es solo el consumo pico: es lo que ocurre mientras el agente espera.Qué midió el equipo de KAISTEl equipo del profesor Minsoo Rhu diseñó el primer análisis sistemático del consumo energético de los agentes de IA como una nueva categoría de carga de trabajo para centros de datos. La metodología fue simple en concepto pero exigente en ejecución: medir el consumo real de energía de extremo a extremo, desde que llega el prompt del usuario hasta que se entrega la respuesta final.Los resultados más llamativos en cifras concretas:Un agente de IA consume hasta 136,5 veces más energía por consulta que un modelo generativo convencional operando como chatbot.La latencia de respuesta puede ser 153,7 veces mayor para tareas agentivas complejas.Las GPU pueden estar inactivas hasta el 54,5% del tiempo durante la ejecución de una tarea agentiva, esperando respuestas de herramientas externas (APIs, navegadores, ejecutores de código).Un agente basado en un modelo de 70.000 millones de parámetros (escala comparable a los servicios comerciales actuales) consume una media de 348,41 vatios-hora por consulta.El tercer punto es especialmente revelador. En un chatbot convencional, la GPU trabaja de forma continua para generar tokens. En un agente, la GPU ejecuta el modelo, llama a una herramienta (por ejemplo, una búsqueda web), espera la respuesta, procesa el resultado, llama a otra herramienta, vuelve a esperar. Todo ese tiempo de espera se cobra igualmente en términos de recursos del servidor.La proyección que convierte esto en un problema sistémicoEl equipo de KAIST no se limitó a medir el consumo actual. También modeló un escenario hipotético: ¿qué ocurre si los agentes de IA alcanzan el mismo volumen de consultas que Google Search gestiona hoy, es decir, aproximadamente 13.700 millones de consultas diarias?La respuesta es inquietante: sin mejoras sustanciales en eficiencia, ese volumen requeriría aproximadamente 198,9 gigavatios de potencia eléctrica continua. Para calibrarlo: el consumo eléctrico total de Estados Unidos es de alrededor de 400 gigavatios. La mitad del país alimentando solo agentes de IA.Esa proyección no es una predicción; es un escenario extremo diseñado para ilustrar el problema de escala. Pero es relevante porque los centros de datos de IA ya han disparado el precio mayorista de la electricidad un 76% en la red PJM, que cubre a 67 millones de americanos, y eso fue antes de que los agentes se convirtieran en el caso de uso dominante.El timing del estudio no puede ser más relevante. Los agentes de IA son el caso de uso del momento en el sector empresarial. Microsoft los integra en Copilot, Google en Gemini, Anthropic en Claude, OpenAI en sus APIs de tool use. Los roadmaps corporativos de 2026 están llenos de proyectos agentivos. Ninguno de esos presupuestos de computación fue calculado asumiendo un multiplicador de consumo de 136 respecto al chatbot.Llevamos desde 2023 cubriendo el impacto energético de los modelos de IA, y la tendencia de los grandes hiperescaladores de convertirse en empresas energéticas para asegurar su suministro tiene ahora una explicación técnica más precisa. No es solo que necesiten más centros de datos; es que cada consulta de un agente cuesta exponencialmente más que una consulta de chatbot.¿Por qué es tan ineficiente el paradigma agentivo?La causa estructural es el patrón de ejecución. Un chatbot convencional recibe un prompt, genera tokens de forma continua hasta completar la respuesta, y termina. Una GPU a pleno rendimiento durante todo el proceso.Un agente de IA sigue un patrón radicalmente diferente:Recibe el prompt y razona sobre el plan de acción (GPU activa)Llama a una herramienta (búsqueda web, calculadora, API) (GPU mayoritariamente inactiva, esperando)Recibe el resultado y lo procesa (GPU activa de nuevo)Decide si necesita más herramientas y repite el ciclo (pasos 2-3 se pueden repetir decenas de veces)Genera la respuesta final (GPU activa)Ese tiempo de espera de las herramientas es el problema. La GPU sigue consumiendo energía incluso cuando está mayoritariamente ociosa, porque los servidores no se pueden «apagar» entre pasos. El coste del tiempo de espera suma como si la GPU estuviera a pleno rendimiento.La buena noticia: los fabricantes de chips de IA ya están trabajando en mejoras de eficiencia energética por consulta, y los resultados están siendo significativos. Grok 4.1 redujo el consumo por consulta un 38% respecto a su versión anterior; Gemini 3, un 35%; Claude Opus 4.5, un 27%. Pero esas mejoras comparten el mismo punto de referencia: el chatbot estándar. El multiplicador agentivo no desaparece con esas optimizaciones; simplemente se reduce.Mi valoraciónLo que más me convence del estudio de KAIST es que pone un número concreto a algo que el sector sabía intuitivamente pero no había cuantificado de forma rigurosa. 136,5 veces no es «mucho más»; es una categoría de problema diferente que requiere respuestas de diseño diferentes.Lo que más me preocupa es la brecha entre los planes de despliegue agentivo del sector empresarial y la disponibilidad de infraestructura eléctrica. Los proyectos agentivos que se están planificando hoy llegarán a producción en 2026-2027 con presupuestos de cómputo calculados sobre parámetros de chatbot. Cuando esos sistemas escalen, la factura será mucho más alta de lo previsto.Lo más estructuralmente significativo es el idle cost. Cuando una GPU espera la respuesta de una API externa, está pagando el tiempo de latencia de un sistema que la empresa no controla. Eso crea un incentivo muy fuerte para verticalizar: los hiperescaladores que controlen tanto el modelo como todas las herramientas que usa reducirán ese idle cost de forma significativa. El agente de IA autónomo puede convertirse en otro vector de concentración del mercado.Preguntas frecuentes¿Por qué los agentes de IA consumen tanta más energía que los chatbots?Los agentes deben ejecutar el modelo de lenguaje múltiples veces por tarea: para planificar, para llamar a herramientas, para procesar los resultados de esas herramientas y para generar la respuesta final. Las GPU permanecen activas y en reserva durante todo ese tiempo, incluyendo los periodos de espera de respuestas externas. El estudio de KAIST midió que las GPU están inactivas hasta el 54,5% del tiempo durante tareas agentivas.¿Se puede hacer más eficiente un agente de IA?Sí. Los investigadores sugieren que arquitecturas especializadas para gestionar el idle time de los agentes (similar a cómo se diseña el hardware para reducir la latencia en operaciones de red) podrían reducir sustancialmente el problema. A nivel de modelo, las mejoras de eficiencia por consulta ya están produciendo reducciones de 25-38% en el consumo. Pero el multiplicador estructural entre agente y chatbot requiere innovaciones de arquitectura más profundas.¿Qué volumen de agentes existen actualmente?Los investigadores citan dos métricas: aproximadamente 200.000 agentes verificados registrados en Moltbook, la red social para agentes de IA, y alrededor de 400.000 agentes aprobados para usar la stablecoin USDC. Las cifras reales en producción, incluyendo agentes internos corporativos, son con toda probabilidad muy superiores.La noticia Un agente de IA consume hasta 136 veces más energía que un chatbot: el estudio que redefine la factura energética de la IA fue publicada originalmente en Wwwhatsnew.com por Natalia Polo.