La IA pot reduir emissions 4× més que les que genera: les dades

Els centres de dades de Google van emetre un 48% més de CO₂ el 2024 que el 2023.

És una dada real. Consta al seu propi informe de sostenibilitat. I és el tipus de xifra que alimenta titulars sobre la IA com a amenaça climàtica.

Però hi ha un altre costat d’aquesta equació — un que gairebé mai apareix al mateix article.

El ratio que canvia la conversa

El 2024, BCG va publicar una de les anàlisis més rigoroses sobre l’impacte climàtic net de la intel·ligència artificial. La conclusió va ser sorprenent en la seva magnitud: la IA podria reduir entre 2,6 i 5,3 gigatones de CO₂ anuals per al 2030.

Quant emetrà la pròpia IA per a aquell any? Les estimacions més conservadores apunten a ~100 megatones. Les més pessimistes, a 300-500 Mt si el creixement de la demanda de còmput no s’acompanya d’energia renovable.

Fem l’aritmètica:

El ratio no és x4 ni x10 de forma absoluta: depèn críticament d’on s’executa la IA i a què s’aplica.

Aquesta és la frase que falta a la majoria dels debats.

Energia elèctrica: el major potencial documentat

El sector energètic concentra entre 1.200 i 1.800 MtCO₂ de reducció potencial anual segons les estimacions de BCG i Nature Climate Change. És, amb diferència, la categoria amb major palanca.

Les dades ja no són projeccions — són resultats mesurats.

DeepMind i la refrigeració de centres de dades

El 2016, DeepMind va entrenar un sistema d’aprenentatge per reforç per controlar la refrigeració dels centres de dades de Google. El sistema prenia centenars de variables — temperatura, pressió, cabals, meteorologia — i aprenia a optimitzar-les en temps real.

Resultat: reducció del 40% en el consum d’energia de refrigeració.

No és una estimació. És un resultat auditat, publicat amb codi i dades verificables, que Google ha mantingut en producció des d’aleshores. La refrigeració representa típicament entre el 30% i el 40% del consum total d’un centre de dades, de manera que l’impacte real sobre el consum total del centre se situa al voltant del 15% de reducció global.

Predicció de producció eòlica

El problema fonamental de l’energia eòlica no és generar-la — és predir-la. Una turbina que produeix energia variable té molt menys valor de mercat que una que pot comprometre’s a lliurar un determinat volum en una finestra de temps específica.

DeepMind va desenvolupar un model de predicció per a 700 MW de capacitat eòlica als EUA. El sistema prediu la producció amb 36 hores d’antelació, cosa que permet als operadors comprometre contractes de lliurament en ferm.

Resultat: +20% de valor econòmic per a la mateixa energia generada. No més panells, no més turbines. Només informació millor gestionada.

La implicació és directa: si l’energia eòlica val més, es construeix més energia eòlica. La IA com a multiplicador de rendibilitat de les renovables té efectes sistèmics que van més enllà del cas d’ús individual.

Transport: la logística com a camp de proves

El transport representa aproximadament el 16% de les emissions globals. I a diferència del sector energètic, els casos d’ús d’IA en transport porten més d’una dècada produint resultats mesurables.

UPS Project ORION és potser l’exemple més citat i més verificable. Abans de l’era dels grans models de llenguatge, UPS va desenvolupar un sistema d’optimització de rutes que analitzava milions de combinacions possibles per a cada conductor.

El resultat, documentat als seus informes anuals: estalvi de més de 100 milions de milles conduïdes a l’any. Això equival a aproximadament 100.000 tones de CO₂ evitades anualment — només per UPS, només per optimització de rutes.

Altres vectors d’impacte documentats:

• Predicció de demanda en transport públic: reduir el nombre d’unitats circulant amb baixa ocupació. Els sistemes de predicció en ciutats com Singapur han demostrat reduccions del 10-15% en quilòmetres-vehicle sense reduir la cobertura de servei.
• Conducció autònoma en entorns controlats (mineria, aeroports, ports): els vehicles autònoms a mines de coure a Xile han demostrat reduccions de consum del 15-30% respecte a conductors humans en els mateixos cicles de treball.

Indústria: els sectors “hard to abate”

Acer, ciment, productes químics. Són els tres sectors industrials que concentren la major proporció d’emissions difícils d’eliminar amb simples fonts d’energia renovable. Requereixen calor de molt alta temperatura, processos químics que emeten CO₂ com a subproducte intrínsec, o ambdues coses.

La IA no resol aquests problemes d’arrel — però pot comprimir-los.

GNoME: 2,2 milions de materials nous

El novembre del 2023, Google DeepMind va publicar el resultat del projecte GNoME (Graph Networks for Materials Exploration): 2,2 milions de materials estables nous descoberts mitjançant aprenentatge automàtic en grafs moleculars.

Per contextualitzar: la ciència de materials havia catalogat aproximadament 50.000 materials estables en els últims 50 anys d’investigació experimental. GNoME va multiplicar aquest catàleg per 44 en un sol projecte.

Entre aquests materials hi ha candidats per a bateries de propera generació, superconductors, i catalitzadors per a processos industrials de baixa emissió. No tots arribaran a producció — però fins i tot si el 0,1% són útils, representa 2.200 materials nous amb potencial industrial.

Manteniment predictiu

Un forn d’arc elèctric en una acieria consumeix entre 350 i 400 kWh per tona d’acer. Quan falla de forma no planificada, el procés de reinici consumeix entre 2 i 4 vegades més energia que un cicle normal durant les primeres hores.

Els sistemes de manteniment predictiu basats en IA — que analitzen vibració, temperatura, corrent i patrons d’ús — poden reduir les parades no planificades en 30-50%. En una acieria mitjana de 500.000 tones anuals, això pot equivaler a 10.000-20.000 tones de CO₂ evitades per any.

Agricultura: aigua, sòl i carboni

L’agricultura i l’ús del sòl representen aproximadament el 22% de les emissions globals si s’inclou la desforestació. I és un dels sectors on la IA té vectors d’acció més diversos.

Optimització del reg: Els sistemes d’IA que combinen dades meteorològiques, sensors d’humitat del sòl i imatges satelitàries estan demostrant reduccions del 30-50% en l’ús d’aigua en projectes pilot a Califòrnia, Espanya i Israel. El benefici climàtic és doble: menys energia per al bombament, i menor estrès sobre aqüífers que regulen el cicle hídric local.

Detecció primerenca de plagues: El monitoratge continu de cultius amb imatges satelitàries d’alta resolució, combinat amb models de visió computacional, permet detectar infestacions en les seves fases inicials — quan el tractament necessari és una fracció del que requeriria una infestació establerta. Els pilots en plantacions de cafè a Colòmbia i blat de moro a Kenya han demostrat reduccions del 40-60% en l’ús de pesticides.

Mesura del segrest de carboni: Un dels problemes estructurals del mercat de crèdits de carboni forestal és la manca de verificació objectiva. Els models de ML entrenats sobre imatges satelitàries multiespectrals poden estimar la biomassa forestal — i per tant el carboni emmagatzemat — amb una precisió comparable als inventaris de camp, però a escala global i cost marginal gairebé nul.

Ciència: compressió de cicles d’investigació

El cas més conegut és AlphaFold.

El 2022, DeepMind va publicar les estructures predites de 200 milions de proteïnes — pràcticament tot el proteoma conegut de la vida a la Terra. El treball que hauria requerit dècades de cristal·lografia de raigs X va quedar disponible en una base de dades pública, gratuïta, en 18 mesos de còmput.

Les implicacions per al clima són indirectes però reals: la investigació en biocombustibles de quarta generació, en enzims que degraden plàstics, en catalitzadors biològics per a processos industrials, s’ha accelerat de forma mesurable. Els cicles de descobriment que abans prenien 10-15 anys ara, en alguns casos, es comprimeixen a 3-5.

GraphCast, el model de predicció meteorològica de Google, opera a 10.000 vegades la velocitat dels models numèrics tradicionals del European Centre for Medium-Range Weather Forecasts (ECMWF), amb una precisió comparable o superior a la majoria dels paràmetres. Previsions climàtiques més precises no només salven vides en esdeveniments extrems — també optimitzen la gestió de xarxes elèctriques amb alta penetració de renovables.

El parany del greenwashing d’IA

Aquí l’article canvia de to. Perquè hi ha una bretxa enorme entre el potencial documentat i el que realment està passant.

“IA per al clima” s’ha convertit en un argument de màrqueting.

El 80% dels projectes que es presenten com a “IA verda” als informes ESG de grans corporacions són, en realitat, optimització de processos interns — reducció de costos operatius que també redueix consum, però que hauria passat igualment amb o sense una agenda climàtica explícita.

El ratio x4 o x10 només és real sota tres condicions que rarament es verifiquen simultàniament:

1. La IA s’aplica a casos d’ús d’alt impacte real, no a optimitzacions cosmètiques.

Hi ha una diferència entre entrenar un model per predir quan encendre els llums d’una oficina (impacte marginal) i entrenar un model per optimitzar el despatx d’energia en una xarxa elèctrica regional amb 40% de penetració eòlica (impacte sistèmic). Els dos es compten igual en molts informes.

2. L’energia que usa la IA prové de fonts renovables.

Una IA entrenada amb carbó per després optimitzar una xarxa de renovables té un ratio net pitjor del que apareix en la comptabilitat habitual. El còmput té una geografia — i aquesta geografia importa.

3. L’estalvi no queda neutralitzat per l’efecte rebot.

Si la IA redueix el cost de produir un bé en un 30%, la demanda d’aquest bé pot augmentar prou com perquè el consum total pugi. Aquest és l’efecte Jevons aplicat a l’eficiència per IA. No és hipotètic: hi ha evidència preliminar que l’eficiència en l’ús d’energia als centres de dades d’IA ha estat parcialment compensada per l’explosió de la demanda de serveis d’IA.

L’informe ambiental de Google 2024 ho diu sense embuts: les emissions van créixer un 48% interanual, impulsades pel consum energètic de la infraestructura d’IA — mentre els seus propis sistemes d’optimització ja estaven en producció. El benefici i el cost coexisteixen a la mateixa empresa.

La condició necessària: energia neta per a la IA

Hi ha una paradoxa estructural en el debat actual.

La IA pot ser l’eina més poderosa per accelerar la transició energètica. Però si aquesta mateixa IA s’alimenta de carbó o gas, la seva petjada pròpia creix més ràpid que els beneficis que genera en altres sectors.

Les grans tecnològiques ho saben. Les seves respostes són reveladores:

• Microsoft va adquirir drets de producció de la central nuclear de Three Mile Island (Pennsylvania) per alimentar els seus centres de dades d’IA. És la primera reactivació d’una central nuclear als EUA en dècades, impulsada explícitament per la demanda de còmput d’IA.
• Google va signar contractes d’energia geotèrmica a Kenya — una de les poques fonts renovables amb generació base estable — per a les seves operacions a l’Àfrica.
• Amazon Web Services és el major comprador corporatiu d’energia renovable del món, amb més de 24 GW de capacitat contractada.

Però els contractes d’energia renovable no són el mateix que l’energia renovable en temps real. Un centre de dades que signa un PPA (Power Purchase Agreement) amb un parc eòlic segueix consumint la barreja de la xarxa en els moments en què el vent no bufa. La descarbonització del còmput d’IA requereix solucions d’emmagatzematge i despatx que encara no existeixen a l’escala necessària.

La IA no és intrínsecament verda ni intrínsecament destructiva. És una eina d’amplificació. Amplifica el que ja fem: si l’apuntem al problema climàtic amb rigor, pot ser l’eina més poderosa que tenim. Si la usem per fer més del mateix, només accelera el problema.

Què puc fer jo?

• Si ets empresa o dirigeixes operacions: L’argument financer i el climàtic convergeixen: optimitzar consum industrial amb IA redueix costos i emissions alhora. El primer pas no és un projecte d’IA — és tenir les dades. La inversió en instrumentació i telemetria és el prerequisit perquè qualsevol sistema d’optimització tingui alguna cosa per aprendre.

• Si treballes en energia o indústria: Els sectors amb major potencial són generació elèctrica, indústria pesant i transport de mercaderies. Els casos d’ús estan documentats i els models són accessibles. La barrera real no sol ser la tecnologia — és la governança de la dada i la resistència organitzativa al control algorítmic de sistemes crítics.

• Si ets inversor o directiu de fons ESG: El ratio de reducció d’emissions per euro invertit en IA aplicada a energia o indústria supera altres categories d’inversió verda. Però requereix due diligence específic: quin és el sector d’aplicació? quina és la línia base de reducció? la pròpia infraestructura d’IA està alimentada amb energia renovable?

• Si ets ciutadà o activista climàtic: Les dues narratives — “la IA destrueix el clima” i “la IA salvarà el clima” — són igualment incompletes. Exigeix la versió condicional: la IA pot reduir emissions x4 si s’aplica en sectors d’alt impacte, si usa energia neta, si es governa per evitar l’efecte rebot.

El 48% d’augment en emissions de Google el 2024 és real. I també ho és la reducció del 40% en el consum de refrigeració que DeepMind va aconseguir amb aprenentatge per reforç. Les dues dades coexisteixen. Entendre per què — i sota quines condicions una pot superar l’altra — és exactament el tipus de pensament que la crisi climàtica requereix.

Les dades no diuen que la IA és bona o dolenta per al clima. Diuen que pot ser decisiva si sabem on apuntar-la.