Només existeixen 10 mesures reals del consum d'IA al món

De totes les xifres sobre consum energètic de la IA que circulen en mitjans, informes acadèmics i debats regulatoris, només un grapat minúscul constitueix mesures reals en entorns de producció. La resta — incloent-hi pràcticament totes les dades sobre GPT-5, Claude, Sora, Midjourney, DALL-E, Suno i tots els serveis comercials — són estimacions amb marges d’error que van de x2 a x27.

Hem fet el que ningú sembla voler fer: un inventari forense, dada per dada, de tot el que realment s’ha mesurat. El resultat és desolador.

L’únic dada real: Google i els seus 0,24 Wh

En tota la indústria de la intel·ligència artificial, existeix una única mesura directa de producció publicada per un proveïdor d’IA.

Google va revelar l’agost de 2025 que una consulta mediana de text a Gemini Apps consumeix 0,24 Wh i genera aproximadament 0,03 gCO₂e — usant comptabilitat de mercat amb certificats d’energia neta. La dada es va publicar en un paper revisable (arXiv:2508.15734) amb metodologia explícita.

0,24 Wh. Un número. Una empresa. En una indústria que mou més de 500.000 milions de dòlars anuals en infraestructura.

És important entendre què cobreix i què no cobreix aquest número: es refereix a consultes medianes de text. No inclou generació d’imatges amb Imagen 3, no inclou vídeo amb Veo, no inclou Gemini Deep Research. És una dada parcial — però és l’única que mereix el qualificatiu de mesura real.

En una indústria que promet transformar el món, només un proveïdor ha mesurat públicament quanta energia consumeix el seu producte principal.

La declaració sense proves: OpenAI i els seus 0,34 Wh

Sam Altman va afirmar el juny de 2025 que la consulta mitjana de ChatGPT consumeix 0,34 Wh. Ho va publicar en un post de blog personal, no en un paper. No va publicar metodologia. No va definir què constitueix una «consulta mitjana». No va especificar si inclou imatges, Deep Research o code interpreter.

La xifra és plausible — és en el mateix ordre de magnitud que la de Google — però no és verificable. Això té importància pràctica: quan una empresa que factura milers de milions de dòlars i que acaba de llançar GPT-5, GPT-5.4, Sora 2 i Codex no publica una metodologia reproduïble, no està oferint transparència. Està oferint una declaració de màrqueting.

I les coses es compliquen quan baixem al detall:

• GPT-5 té una estimació mitjana de ~18,9 Wh per consulta segons l’URI AI Lab — 63 vegades la referència base
• GPT-5.4 amb raonament actiu pot arribar a 4–18 Wh per consulta
• Sora 2 va arribar a consumir ~1.000 Wh per clip de 10 segons abans de tancar

Cap d’aquestes dades prové d’OpenAI. Totes són estimacions de tercers.

Les mesures acadèmiques: 5 illes de rigor

Fora dels proveïdors, un grapat de grups de recerca ha fet el que la indústria es nega a fer: mesurar de veritat.

1. AI Energy Score — Hugging Face

El projecte de mesura sistemàtica més ambiciós. Hugging Face va llançar la versió 1 el febrer de 2025 i la v2 el desembre de 2025. Ha mesurat el consum real de ~205 models de codi obert executant-los en maquinari estandarditzat (NVIDIA H100).

El problema: només mesura models oberts. GPT-5, Claude, Gemini, Midjourney — els que usa la immensa majoria de la gent — queden fora per disseny.

2. Bertazzini et al. — El cost ocult de la imatge

Publicat el 2025 (arXiv:2506.17016), aquest equip va mesurar 17 models de difusió per a generació d’imatges en una RTX 4090. Van trobar una diferència de 46 vegades entre el model més eficient i el menys eficient.

x46. Això significa que triar el model equivocat pot multiplicar el teu consum per gairebé 50 vegades per obtenir una imatge de qualitat similar.

3. Luccioni & Delavande — El pressupost energètic del vídeo

Van mesurar 7 models de generació de vídeo en H100 (arXiv:2509.19222). Les seves dades van confirmar el que la indústria prefereix no dir: generar vídeo amb IA consumeix entre x300 i x3.000 més que una consulta de text.

4. Passoni et al. — L’àudio que ningú mesura

Primer estudi seriós del consum de generació d’àudio (arXiv:2505.07615). Van trobar que Tango2 consumeix ~2 Wh per clip de 10 segons i AudioLDM uns ~0,25 Wh. Són les úniques dades de referència per a tota la indústria de l’àudio generatiu — Suno, Udio i ElevenLabs no han publicat absolutament res.

5. ML.Energy — University of Michigan

Benchmark continu d’eficiència energètica de models de machine learning. Proporciona dades de referència per a maquinari estàndard, però — de nou — només per a models als quals tenen accés, no per als serveis comercials tancats.

Les mesures puntuals: 3 dades aïllades

A més dels estudis sistemàtics, existeixen tres mesures directes de models específics que serveixen com a referència:

• DeepSeek-R1 (raonament llarg): 33,6 Wh per consulta llarga — mesura directa, confiança alta. Són 112 vegades una consulta simple de text.

• o3 d’OpenAI (raonament llarg): 39,2 Wh — mesura directa. 131 vegades la referència base.

• SDXL de Stability (imatge en H100): 1,64 Wh per imatge — benchmark mesurat per Hugging Face. El millor punt d’ancoratge obert per a generació d’imatges.

I una mesura especialment reveladora:

• Claude Code (sessió mediana de programació): 41 Wh — mesurada per Simon P. Couch el gener de 2026. 137 vegades una consulta simple. Un desenvolupador que usi agents de codi durant una jornada consumeix uns 1.300 Wh — l’equivalent a un cicle de rentavaixelles.

El forat negre: el que NO sabem

Ara ve la part incòmoda. Això és el que absolutament ningú ha publicat:

• Anthropic (Claude, Claude Code): zero dades de consum energètic. Mai. L’informe mediambiental més recent no inclou telemetria per consulta.

• Midjourney: zero dades. Arquitectura tancada, sense benchmarking públic.

• Suno, Udio, ElevenLabs Music: zero dades. Tota la indústria de l’àudio generatiu opera en completa opacitat.

• Runway, Pika, Kling, Hailuo: zero dades. Els generadors de vídeo que estan reemplaçant Sora no publiquen quant consumeix cada clip.

• xAI (Grok): dades contestades. El seu campus Colossus a Memphis funciona amb 35 turbines de gas sense permisos, però no han publicat dades de consum per inferència.

• Adobe (Firefly): ha generat més de 24.000 milions d’assets però es nega a proporcionar telemetria de consum desagregada per imatge.

Imagina que la indústria de l’automòbil vengués cotxes sense etiqueta de consum. Que els fabricants d’electrodomèstics no publiquessin quanta electricitat usen. Això és exactament el que passa amb la IA el 2026.

Els números que haurien d’existir i no existeixen

Per dimensionar la magnitud del buit informatiu, aquestes són les dades que la indústria podria publicar avui — perquè té la telemetria per fer-ho — i tria no publicar:

• Wh per consulta segons tipus (text, imatge, vídeo, àudio, codi)
• Wh per sessió d’agents autònoms
• Consum total d’inferència per servei al mes/any
• Consum d’aigua per refrigeració per centre de dades
• Mix energètic real per regió de servei (no la mitjana global maquillada)

Google va demostrar que és possible publicar aquestes dades sense perdre quota de mercat. Quan va revelar els seus 0,24 Wh, no va perdre usuaris. Va guanyar credibilitat.

El consum dels centres de dades globals passarà de 415 TWh el 2024 a entre 945 i 1.580 TWh el 2030 segons la IEA. Això equival a sumar el consum elèctric del Japó al sistema global. I la major part d’aquest creixement vindrà de la IA.

Prendre decisions informades sobre aquesta escala d’impacte amb només 10 mesures reals no és difícil. És impossible.

Què puc fer jo?

• Si ets usuari d’IA: Exigeix transparència. Quan triïs un servei, pregunta: publica dades de consum? La nostra calculadora de petjada et dona una estimació basada en el poc que se sap, però seria millor que els proveïdors et donessin les dades reals.

• Si dirigeixes una empresa: Sota el marc CSRD europeu, la teva petjada de carboni inclou els serveis d’IA que contractes (Scope 3). Si el teu proveïdor no et dona dades de consum, estàs volant a cegues en el teu informe de sostenibilitat.

• Si ets desenvolupador: Usa models amb mesures publicades quan puguis. Els models de codi obert mesurats per AI Energy Score i ML.Energy et donen dades reals. Els serveis comercials tancats et donen promeses.

• Si treballes en regulació: L’EU AI Act (Article 40) ja preveu requisits de transparència energètica, però els estàndards no seran vinculants fins a l’agost de 2028. La mesura és possible avui, sense nova tecnologia. El que falta és obligació legal.