Reasoning vs. resposta ràpida: la consulta que consumeix x130 més

39,2 Wh. Això és el que consumeix una consulta llarga amb raonament al model o3 d’OpenAI — mesura directa, confiança alta. És x131 més que una consulta simple de text (0,3 Wh). La mateixa energia que carregar el teu smartphone gairebé tres vegades.

I o3 no és el cas extrem. El AI Energy Score v2 de Hugging Face va trobar que els models de raonament consumeixen de mitjana x30 més que els estàndard. Alguns arriben a x700.

La diferència entre preguntar alguna cosa a una IA i demanar-li que pensi no és incremental. És d’ordres de magnitud.

Què és el raonament i per què costa tant

Des de 2024, els principals models d’IA incorporen un mode de “raonament” o “thinking”: en lloc de respondre immediatament, el model genera una cadena interna de pensament — de vegades milers de tokens invisibles — abans de produir la resposta final.

Aquest procés és computacionalment molt car perquè:

• Genera tokens ocults: El model pot produir 10-100 vegades més tokens interns dels que mostra a l’usuari. Cada token consumeix energia encara que mai el vegis.
• Activa capes addicionals: Els models de raonament solen activar més paràmetres, més capes d’atenció i més cicles de verificació interna.
• Escala amb la complexitat: A diferència d’una resposta ràpida (cost relativament fix), el raonament escala amb la dificultat del problema. Una pregunta complexa pot generar 10 minuts de “pensament” intern.

Dauner i Socher van documentar que els models de raonament emeten fins a x50 més CO₂ que els models concisos, amb un cas de 37.575 tokens per a una sola resposta.

Les dades: model per model

El AI Energy Score v2 de Hugging Face (desembre 2025), basat en mesures directes en maquinari H100, proporciona les dades més sòlides:

Són mesures reals, no estimacions. I confirmen que el raonament no és un cost marginal — és un canvi d’escala.

Les estimacions calibrades per als models comercials tancats mostren el mateix patró:

Gemini 2.5 Flash-Lite és l’excepció notable: fins i tot amb thinking actiu, es manté en 0,2-0,8 Wh — demostrant que el raonament eficient és possible.

El raonament no és gratuït. És un multiplicador de cost que va de x10 a x500 segons el model. Cada vegada que actives “thinking” estàs triant — conscientment o inconscientment — consumir un ordre de magnitud més d’energia.

Agents de codi: el raonament en bucle

Si el raonament puntual ja és car, els agents de codi porten aquest cost a l’extrem: apliquen raonament de forma iterativa, en bucles que poden durar desenes de minuts, llegint fitxers, executant comandes, verificant resultats i tornant a començar.

Simon P. Couch va mesurar el gener de 2026 el consum real de Claude Code en sessions de programació:

• Sessió mediana: 592.439 tokens en 24 intercanvis interactius
• Consum per sessió: 41 Wh — x137 la referència base
• Ús intensiu diari (2-3 instàncies simultànies): ~1.300 Wh — l’equivalent a un cicle de rentaplats

Els altres agents operen en rangs similars:

• Claude Code + Opus 4.6: 45-70 Wh per sessió (x150-x233)
• GPT-5.3-Codex: 12-40 Wh per tasca (x40-x133)
• Devin 2.0: 10-60 Wh per tasca autònoma (x33-x200)
• Cursor AI: 5-25 Wh per sessió intensa (x17-x83)
• GitHub Copilot Agent: 3-15 Wh per flux PR (x10-x50)
• Aider: 2-9 Wh per tasca (x7-x30)

El problema dels tokens malbaratats

Morph va publicar l’abril de 2026 una anàlisi reveladora: el 70% dels tokens consumits per agents de codi són malbaratament:

• 35-45% en lectura de fitxers
• 15-25% en sortida d’eines
• 15-20% en reenviament de context
• 10-15% en raonament intern
• Només el 5-15% genera codi real

Un fix d’un sol caràcter va consumir més de 21.000 tokens d’entrada. Claude Code usa x4,2 més tokens que Aider per a tasques idèntiques (479.000 vs ~105.000).

Deep Research: la consulta que substitueix un analista

Els sistemes de Deep Research representen l’extrem del raonament: una sola pregunta dispara desenes de cerques web, lectura de pàgines, execució de codi i síntesi iterativa. El resultat és un informe d’investigació — i el cost energètic ho reflecteix.

Simon Willison va documentar una sessió de Deep Research amb o4-mini: 60.506 tokens d’entrada, 22.883 de sortida (el 89% eren tokens de raonament intern), 77 crides a eines (45 cerques + 24 visites a pàgines + 12 execucions de codi). Cost: ~$1,10.

Un exemple de Perplexity: 7 tokens d’entrada de l’usuari, 3.847 de sortida, però 308.156 tokens de raonament invisible. El raonament va representar entre el 54% i el 78% del cost total.

El problema del “thinking per defecte”

Aquí és on hi ha el risc real: diversos models activen el raonament per defecte, fins i tot per a preguntes que no ho necessiten.

• Claude Sonnet 4.6 té el mode “adaptive thinking” activat per defecte. Una consulta simple que es podria resoldre en 0,3 Wh es processa amb raonament innecessari, consumint 1,5-8 Wh.
• GPT-5 usa un router que barreja resposta ràpida i raonament segons el seu criteri — no el de l’usuari.
• Claude Opus 4.6 opera per defecte en mode thinking, tot i que se li redueixi el preu: reduir el preu no equival a reduir el consum energètic.

És com si un cotxe tingués el turbo activat permanentment, fins i tot per anar a comprar el pa.

El mode de raonament hauria de ser opt-in, no opt-out. Activar-lo per defecte per a totes les consultes és un malbaratament energètic sistemàtic a escala de centenars de milions d’usuaris.

La taula de multiplicadors definitiva

Per posar-ho tot en perspectiva, aquesta és l’escala completa des de la consulta més lleugera fins a la més pesada:

De la consulta més lleugera a la més pesada hi ha un factor de x18.000. No són variacions — són mons de consum completament diferents disfressats sota el mateix interfície de xat.

Què puc fer jo?

• Si ets usuari: Desactiva el mode de raonament quan no el necessitis. La majoria de consultes quotidianes — redacció, cerques, resums, traduccions — es resolen millor i més ràpidament sense thinking. Reserva el raonament per a problemes que realment ho requereixin: anàlisis complexes, codi difícil, investigació profunda.

• Si dirigeixes un equip tècnic: Estableix una política de cascada de models: Flash-Lite/mini per a tasques rutinàries, model estàndard per a tasques generals, raonament només quan hi ha un ROI clar. Pot reduir el consum del teu equip en un 80-90% sense afectar la qualitat del resultat.

• Si ets desenvolupador: Desactiva el thinking per defecte en les teves integracions. Usa thinking: "off" o equivalent com a default i activa’l només quan la tasca ho justifiqui. Implementa pressupostos de tokens de raonament. I considera agents més lleugers com Aider (x4 menys tokens que Claude Code per a tasques equivalents).

• Si treballes en regulació: El raonament activat per defecte és un cas clar de consum energètic innecessari a escala massiva. Una normativa que exigís als proveïdors oferir el mode eficient com a opció per defecte — com el mode ECO dels electrodomèstics — tindria un impacte mesurable en el consum global d’IA.