Cada respuesta que obtienes de un chatbot de IA comienza con electricidad. Las palabras aparecen en tu pantalla, pero el trabajo real ocurre en un edificio lejano repleto de chips informáticos. Esos chips consumen energía, mueven datos y generan suficiente calor como para requerir una refrigeración intensiva en los centros de datos de IA.
Cuando multiplicas ese proceso por millones de consultas, solicitudes de imágenes y tareas comerciales, empiezas a entender por qué una respuesta rápida a una pregunta que parece liviana se convierte en una demanda física para las centrales eléctricas y los cables.
Se pide a las empresas de servicios eléctricos que satisfagan esa demanda en bloques enormes y concentrados. Un campus típico de gran centro de datos puede consumir tanta electricidad como una ciudad pequeña, y las empresas pueden planificar y construir uno mucho más rápido de lo que la empresa de servicios puede gestionar.
La empresa de servicios también tiene que prepararse para las horas en que los clientes usan más electricidad, aunque parte de esa capacidad quede sin usar durante períodos normales. En resumen, los centros de datos quieren energía antes de que la red pueda proporcionarla.
Una solución es construir nuevas centrales eléctricas. Pero es una solución muy costosa y que lleva tiempo, que puede tomar miles de millones de dólares y años hasta entrar en funcionamiento.
Sin embargo, otra solución es trasladar parte del trabajo informático a otra hora.
Una respuesta de chatbot suele necesitar aparecer inmediatamente, pero un experimento interno o una cola nocturna de procesamiento de video pueden esperar. Un software que pueda distinguir podría ralentizar el trabajo que puede esperar cuando la electricidad escasea, y luego permitir que se recupere cuando haya más energía disponible.
Un pequeño experimento en Texas muestra cómo podría ser ese acuerdo.
Luxor Energy, una empresa con raíces en la minería de Bitcoin, se asoció con Bentaus, que desarrolla software que controla cuánta energía consumen los chips informáticos. Juntos, controlaron una sola Nvidia B200, un chip de alto rendimiento diseñado para trabajos de IA.
El chip estaba realizando inferencia, lo que simplemente significa utilizar un modelo de IA entrenado para producir una respuesta, cuando el software le indicó que consumiera menos electricidad.
Las empresas dicen que el consumo de energía del chip cayó a aproximadamente el 25% de lo normal en medio segundo, y procesó menos solicitudes durante la restricción.
Ethan Vera, director de operaciones de Luxor, dijo a CryptoSlate que ningún trabajo falló y ningún trabajo en curso se perdió. El chip volvió a su velocidad máxima cuando terminó la restricción.
Luxor y Bentaus dijeron que su demostración pública no causó «ninguna interrupción», pero la frase necesita cierta traducción. Desde la perspectiva del operador, el trabajo sobrevivió y se reanudó a plena velocidad.
Sin embargo, los clientes aún podrían haber esperado más tiempo por una respuesta porque el chip completó menos trabajo durante la restricción. Cualquier plan para hacer flexible la IA dependerá de la frecuencia con que ocurra ese retraso, quiénes lo experimenten y qué se les prometió a esos clientes.
El experimento fue un éxito, pero involucró solo un chip. Los grandes centros de datos contienen decenas de miles de chips, junto con servidores, sistemas de refrigeración, dispositivos de almacenamiento y equipos de red.
La prueba hace más fácil ver una idea más amplia: un centro de datos de IA podría clasificar el trabajo por urgencia y ocasionalmente pedirle a la red menos electricidad.
Texas carece de energía para alimentar las computadoras que esperan
El mejor ejemplo de lo que ocurre cuando los nuevos centros de datos llegan más rápido que la nueva infraestructura energética es Texas.
El Consejo de Confiabilidad Eléctrica de Texas (ERCOT) opera la red que sirve a la mayor parte del estado. El 22 de julio, el consumo de electricidad alcanzó un récord preliminar de 91.089 megavatios, una cifra que no es oficial hasta que los datos se confirmen.
ERCOT dice que un megavatio puede atender a unos 250 clientes residenciales durante una hora pico. Por esa comparación aproximada, el récord igualó las necesidades de más de 22 millones de clientes residenciales a la vez.
El gobernador Greg Abbott dijo en agosto que ERCOT estaba revisando solicitudes para conectar más de 474 gigavatios de nuevo consumo de electricidad, de los cuales alrededor del 90% provendría de centros de datos. Un gigavatio equivale a 1.000 megavatios, así que en papel, la lista pide más de cinco veces la potencia utilizada durante la hora récord de ERCOT.
Abbott ordenó a los reguladores auditar los proyectos antes de permitir que prosigan.
En una revisión preliminar del 28 de julio, ERCOT encontró que aproximadamente 205 gigavatios tenían estudios de apoyo suficientes para calificar para la primera tanda de estudios, menos de la mitad del total de 474 gigavatios. La auditoría de Abbott interrumpió esa revisión.
Los reguladores dieron más tiempo a ERCOT el 20 de agosto, y la agencia dijo que enviaría decisiones de elegibilidad condicional antes del 31 de agosto. Los desarrolladores pueden presentar propuestas superpuestas, reservar lugares para proyectos que nunca consigan financiación o pedir a varias ubicaciones que proporcionen energía para un campus final.
Texas está realizando la auditoría en parte porque la lista se ha vuelto demasiado ajena a la posibilidad física para guiar por sí misma la planificación de la red.
Pero incluso con esa advertencia, 474 gigavatios muestran la carrera por terrenos con acceso a grandes cantidades de electricidad. Se proponen muchas más máquinas de las que los cables están listos para servir.
Una actualización del Laboratorio Nacional Lawrence Berkeley publicada este año estima que los centros de datos podrían consumir el 11,8% de la electricidad estadounidense en 2030. Su estimación baja es del 9,5%, y la alta es del 15,3%. La Agencia Internacional de Energía espera que los centros de datos representen cerca de la mitad del aumento en el consumo de electricidad en EE.UU. hasta finales de la década.
Pero incluso con este tipo de demanda, las líneas de transmisión en economías avanzadas pueden tardar entre cuatro y ocho años en completarse. La agencia dice que las esperas por equipos vitales, incluyendo transformadores y cables, se han duplicado en los últimos tres años.
Las empresas de IA tienden a hablar en términos de chips, pero los sistemas eléctricos tienen que pensar en términos de ciudades. Un solo B200 puede consumir hasta 1.000 vatios. Nvidia enumera el consumo máximo de energía de alrededor de 14,3 kilovatios para un servidor DGX B200 completo con ocho GPU. Un megavatio equivale a 1.000 kilovatios, y las nuevas reglas de Texas para usuarios de electricidad muy grandes comienzan en 75 megavatios.
Según la comparación con clientes residenciales de ERCOT, esa cantidad podría atender a aproximadamente 18.750 clientes durante una hora pico. También podría alimentar 75.000 GPU de un kilovatio, al menos antes de añadir procesadores, refrigeración, redes, baterías y pérdidas eléctricas.
Así que aprender a controlar y reducir el consumo de energía de uno de esos chips es el primero de muchos, muchos pasos hacia la comprensión de cómo gestionar el consumo de energía en todo un centro de datos.
La complejidad misma de ese esfuerzo, tanto en software como en hardware, es la razón por la cual los planificadores de redes tratan a los centros de datos como «cargas firmes», lo que significa que la electricidad debe estar disponible siempre que lo pidan.
Los operadores de centros de datos quieren GPUs caras funcionando continuamente porque cada minuto ocioso retrasa el trabajo por el que los clientes pagan. Miles de chips trabajando en un solo gran trabajo de IA son estrechamente interdependientes.
En ciertos momentos, un grupo puede tener que esperar a que otro termine antes de poder continuar. Si ralentizas un grupo seleccionado, el retraso puede propagarse a las máquinas cercanas.
Pero no todo el trabajo informático en un centro de datos tiene que hacerse inmediatamente ni funcionar a plena velocidad. Algunos trabajos son sensibles al tiempo, mientras que otros pueden retrasarse o ejecutarse más lentamente con pocas consecuencias. Incluso algunos pueden trasladarse a otro centro de datos donde la electricidad esté más disponible.
Cada elección conlleva compromisos, pero cada una puede reducir la energía que un centro de datos necesita de la red local en un momento dado.
Los mineros de Bitcoin enseñaron a las computadoras a ceder
El precedente viene de la minería de Bitcoin en la red de Texas. Los mineros de Bitcoin compiten por obtener recompensas ejecutando máquinas que realizan cálculos continuamente. Cuando una máquina se apaga, el minero pierde la oportunidad de ganar dinero durante ese período.
Pero cuando vuelve la energía, la máquina puede reanudarse casi inmediatamente. Ningún cliente está esperando una respuesta, y ningún trabajo informático inconcluso tiene que conservarse.
Texas descubrió que la idea básica se llama respuesta a la demanda: cuando la electricidad escasea y se encarece, los grandes usuarios tienen una razón para usar menos.
Los mineros de Bitcoin estaban excepcionalmente bien adaptados al acuerdo. Podían apagarse cuando los precios mayoristas subían, recibir pagos por cortar la energía durante emergencias y reducir las tarifas de transmisión al omitir unas pocas horas críticas del verano.
Una revisión de ERCOT en abril describió a los mineros de criptomonedas como los principales participantes sensibles al precio en uno de sus programas de emergencia. Para un minero, el cálculo es sencillo: cuando un megavatio se vuelve más valioso que el Bitcoin que las máquinas podrían ganar con él, apaga las máquinas.
La carga de minería de Bitcoin se mantiene cerca de la capacidad total cuando la electricidad es barata, y luego disminuye una vez que los precios cruzan umbral de reducción. Un precio de hash más alto eleva ese umbral. Fuente: Subir Majumder, basado en datos de ERCOT
Luxor suministra a los mineros de Bitcoin software, servicios energéticos y productos financieros, por lo que abordó la IA con un instinto para la computación que puede interrumpirse. El experimento pregunta si las máquinas que sirven a los clientes pueden heredar parte de la obediencia de la minería a los precios de la electricidad.
Esta pregunta se vuelve más urgente a medida que los mineros convierten sitios llenos de energía en campus de IA. Si la red cambia una mina de Bitcoin que puede apagarse a pedido por un centro de datos que funciona las 24 horas, podría estar renunciando a un valioso freno de emergencia.
La flexibilidad de un centro de datos depende en gran medida de lo que hacen sus máquinas.
El entrenamiento es el largo proceso computacional de enseñar un modelo, ajustándolo repetidamente mientras trabaja con enormes cantidades de datos. La inferencia es lo que ocurre después, cuando alguien le pide al modelo terminado una respuesta, una imagen, una traducción o una predicción. Ambos crean diferentes oportunidades para ahorrar energía.
Una larga sesión de entrenamiento a veces puede pausarse en un punto de control guardado y retomarse más tarde, aunque detener miles de máquinas sincronizadas no es trivial. La inferencia puede consistir en millones de solicitudes más pequeñas, algunas de personas que esperan una respuesta inmediata y otras de trabajos automáticos que pueden esperar en una cola hasta que la electricidad sea más fácil o barata.
Google ha estado clasificando su computación de esta manera durante años. En 2023, la compañía describió cómo podía retrasar trabajos como el procesamiento de videos de YouTube cuando una red local estaba bajo presión, o enviar ese trabajo a otra región con más energía disponible. Búsquedas, mapas y otros servicios que la gente espera que funcionen inmediatamente permanecieron en línea.
Google luego llevó la misma idea a cargas de aprendizaje automático. Para marzo de 2026, dijo que había puesto un gigavatio de respuesta a la demanda de centros de datos bajo contratos a largo plazo con empresas de servicios públicos en varias regiones de EE.UU.
Algunos de esos acuerdos también podrían ayudar a que nuevos centros de datos se conecten a la red antes.
Investigadores ahora están mostrando que esto puede funcionar fuera de simulaciones. En un artículo revisado por pares en Nature Energy, un equipo describió un experimento en una instalación en la nube de Oracle en Phoenix. El software redujo en un 25% la energía utilizada por un clúster de 256 GPU durante tres horas sin desplazar trabajos prioritarios fuera de sus niveles de rendimiento prometidos.
La clave fue decidir dónde absorber la ralentización. El software que determina qué trabajos se ejecutan y cuándo, llamado programador, protegió el trabajo urgente y sacó el ahorro de energía de los trabajos con plazos más flexibles.
La carga de minería de Bitcoin cae conforme aumenta la probabilidad de un intervalo de 4CP. La respuesta se debilita cuando los ingresos de minería son más altos. Fuente: Subir Majumder, basado en datos de ERCOT
Emerald AI, la empresa que lideró ese trabajo, anunció una $150 millones en financiación de la serie A el 25 de agosto que valoró la empresa en más de mil millones de dólares. También dijo que su software ya estaba operando comercialmente en centros de datos enteros, consumiendo múltiples megavatios.
No hay datos independientes de rendimiento disponibles para cada sitio, pero aun así, la financiación demuestra que la IA flexible ha pasado de los artículos de investigación a un negocio comercial.
Otros investigadores han intentado estimar cuánta electricidad podría prometer confiablemente un centro de datos de IA durante una hora difícil.
Un trabajo de la Universidad de Chicago utilizó cuatro años de precios de electricidad y 49,4 millones de solicitudes reales de inferencia para modelar la respuesta. El autor estimó que un centro de datos enfocado en inferencia podría comprometerse a reducir el 40% de su demanda. Un centro de datos que realiza una combinación de inferencia y entrenamiento podría comprometerse con el 24,6%.
Esos porcentajes bajaron solo ligeramente cuando el modelo se expandió a una flota de 10 gigavatios. Los principales límites venían de contratos con clientes, restricciones para mover trabajos y la prisa de las máquinas por volver a plena potencia.
Investigadores de la Universidad de Alberta modelaron lo que ocurre con la red cuando los trabajos de IA pueden retrasarse o trasladarse entre centros de datos. En el escenario más exigido del modelo, esa flexibilidad redujo la cantidad de capacidad de planta eléctrica necesaria en más del 21%. En otro escenario, donde la red local estaba congestionada, redujo el costo total de suministro de electricidad en un 3,5%, aunque el gasto en nueva generación subió un 7,1%.
La mayor parte del beneficio de retrasar trabajos apareció en las primeras tres horas, así que esperar más no ayudó mucho más. Aunque nada de esto eliminó la necesidad de construir nuevas centrales eléctricas y líneas de transmisión, demostró que la red podría satisfacer más demanda de IA con menos infraestructura y a un costo general menor.
Cuatro momentos ocultos pueden fijar el precio de todo un año
El dinero detrás del experimento de Luxor proviene de una característica inusual del mercado eléctrico de Texas. Los grandes clientes ayudan a pagar la red de transmisión de alto voltaje, y parte de esa factura puede depender de cuánta energía usan durante solo cuatro ventanas de 15 minutos al año.
Esas ventanas son los momentos de mayor demanda sistémica en junio, julio, agosto y septiembre, conocidas como los Cuatro Picos Coincidentes, o 4CP.
La trampa es que nadie sabe exactamente cuándo ocurre un 4CP hasta que termina el mes. Así que los grandes usuarios de energía contratan pronosticadores para vigilar la red, el clima y la demanda de electricidad y predecir cuándo es probable que haya un pico.
Si las probabilidades parecen suficientemente altas, reducen su consumo de energía durante esa ventana de 15 minutos. Si aciertan con frecuencia, el ahorro en tarifas de transmisión puede ser sustancial. Eso ha convertido a los 4CP en un juego recurrente de predicción y cortes de energía para fábricas, minas de Bitcoin, baterías y ahora, potencialmente, centros de datos de IA.
Este potencial retorno hace que muchas falsas alarmas valgan la pena tolerar. Las últimas cifras de 2026 de PUCT ponen los costos de transmisión de ERCOT en alrededor de 6.000 millones de dólares, repartidos en una demanda media de 4CP de 80.859,8 megavatios.
Eso da aproximadamente 74,89 dólares por kilovatio al año. A esa tasa, 100 megavatios de demanda durante las cuatro ventanas pico representan alrededor de 7,49 millones de dólares en costos anuales de transmisión.
Aunque la factura real variará según el territorio de la empresa de servicios y el contrato, el incentivo financiero aquí está bastante claro. Un gran centro de datos puede tener millones de dólares en juego por solo una hora de consumo de electricidad repartida a lo largo de todo un verano. Cortar la energía por unas pocas horas extra para capturar esa hora puede ser un muy buen intercambio.
La carga de minería de Bitcoin cae conforme aumenta la probabilidad de un intervalo de 4CP. La respuesta se debilita cuando los ingresos de minería son más altos. Fuente: Subir Majumder, basado en datos de ERCOT
Luxor decidió limitar la propia GPU, usando datos en vivo de la red para decidir cuándo actuar. Vera dijo que la empresa vigilaba señales de que se estaba formando una ventana de 4CP, y luego enviaba su propio comando al chip. ERCOT nunca le dijo a la GPU que ralentizara, y no hubo participación de ningún programa de emergencia de la red.
Esto fue esencialmente una apuesta privada sobre cuándo alcanzaría la demanda de electricidad su punto máximo, destinada a reducir la factura de transmisión del sitio. ERCOT clasifica este tipo de auto-restricción de 4CP por separado de los programas de respuesta a la demanda que opera.
Esto también pone en perspectiva el tiempo de respuesta de medio segundo. Una ventana de 4CP dura 15 minutos, así que si la GPU alcanza su nivel de potencia más bajo en medio segundo o en varios segundos casi no hace diferencia para el ahorro en transmisión.
El programa de emergencia de ERCOT generalmente da a los clientes participantes 10 o 30 minutos para cumplir con la reducción de energía prometida. Otros servicios de la red son más rápidos, exigiendo que los clientes empiecen a cortar la energía inmediatamente y alcancen la reducción completa en 10 minutos.
Si el hardware de IA eventualmente participa en esos mercados, un control subsegundo podría volverse más útil. Para Luxor, cada segundo adicional que una GPU pasa limitada es un segundo que podría haber gastado ganando dinero computando.
Bentaus ya había probado la misma idea básica a mayor escala. En febrero, CPower, Bentaus y Supermicro describieron una demostración en California usando un clúster de servidores equipados con GPU B200.
Las empresas dijeron que el clúster respondió a una señal vinculada al mercado mayorista de electricidad del estado en menos de 20 milisegundos y redujo su consumo de energía hasta en un 75%, mientras seguía cumpliendo sus niveles de rendimiento prometidos.
El experimento de Texas es más pequeño y mucho más específico: una GPU respondiendo a un incentivo concreto de facturación de transmisión. Pero añade otra prueba en el mundo real a una idea que ya ha pasado de chips individuales a clústers de servidores y programas de servicios públicos.
Quedan lagunas importantes en lo que sabemos sobre la prueba de Texas. Las empresas no han revelado qué modelo de IA estaba funcionando ni cuánto tiempo la GPU permaneció con potencia reducida. No han dicho cuánta electricidad consumía previamente, cuánto bajó su rendimiento computacional ni cuánto más tardaron en completarse las solicitudes.
El representante de Luxor en el mercado eléctrico de Texas verificó la reducción de energía, pero no se ha publicado ningún análisis independiente de la prueba.
La prueba mostró que una sola B200 ejecutando una carga de inferencia podía sufrir un fuerte recorte de energía sin perder el trabajo ya en curso. No está claro qué hizo eso con los tiempos de espera de los usuarios, si otros trabajos de inferencia o entrenamiento responderían igual, o cuánta electricidad podría ahorrar la técnica en todo un centro de datos.
Una GPU es solo una parte de la factura de energía de un edificio. Sistemas de refrigeración, equipos de red, almacenamiento, bombas y conversión de energía también consumen electricidad. Así que reducir la potencia de un chip en un 75% no significa que el centro de datos consuma un 75% menos de energía de la red.
La reducción medida en el medidor del edificio podría ser considerablemente menor.
Luxor ya está preparando su próxima prueba, esta vez con un grupo de GPU Nvidia H100 en Texas. Vera dijo que escalar implica crear un software que pueda determinar qué trabajos pueden ralentizarse con seguridad y luego coordinar las máquinas que los realizan. También tiene que respetar cualquier rendimiento prometido a los clientes.
Cada salto en escala, desde una GPU hasta un servidor, un rack y finalmente un centro de datos entero, añade otra capa de complejidad. Más equipos consumen energía, más máquinas tienen que moverse juntas y más cargas de clientes pueden tolerar o no una ralentización.
Texas está empezando a exigir algo de esa flexibilidad. La Ley Senatorial 6, aprobada en 2025, exige que ciertos grandes usuarios de energía que se conecten a partir de 2026 reduzcan el consumo durante emergencias graves en la red. También pide un programa que pagaría a sitios que usan al menos 75 megavatios para reducir la demanda cuando se espera problemas.
Al mismo tiempo, el estado también está replanteando los 4CP. Sus cuatro picos de verano pueden pasar por alto las horas de la noche y el invierno, cuando la red está más bajo estrés. Los reguladores han propuesto reemplazarlos por 12CP, que basaría las tarifas de transmisión en un pico de 30 minutos cada mes.
ERCOT llegó a una conclusión similar en una revisión de abril: Texas tiene mucha respuesta a la demanda, pero no siempre aparece cuando la red más lo necesita. Los 4CP impulsan la mayoría de esos cortes de energía, pero sus picos de verano pueden pasar por alto las horas en que la demanda es alta y la producción eólica y solar es baja.
ERCOT dijo que ese desajuste es un problema. Las nuevas centrales eléctricas y líneas de transmisión toman años, pero la demanda flexible puede agregarse en meses. El desafío ahora es asegurar que esa flexibilidad aparezca en el momento adecuado.
Lo más difícil es demostrar que un centro de datos puede cortar la energía de forma confiable. Si la red cuenta con 50 megavatios que desaparecen, necesita saber cuánto habría usado el sitio de otra manera y luego verificar la reducción con datos del medidor.
También necesita saber cuánto tiempo puede durar el corte y qué ocurre cuando las GPU vuelven a subir. Traer miles de ellas de golpe, y el centro de datos podría generar un nuevo pico de consumo.
Esto hace que los contratos con clientes sean una parte esencial pero pasada por alto de la ecuación. Un centro de datos podría mantener trabajos interactivos y sensibles a la seguridad funcionando normalmente mientras coloca trabajos como experimentos internos, indexación o procesamiento nocturno en un nivel flexible.
Los clientes podrían pagar menos por esa flexibilidad, mientras que la red paga al centro de datos para ofrecer un corte de energía predecible y medible cuando sea necesario.
Esto haría que un hecho sobre la IA fuera imposible de ignorar: no todos los cálculos son igualmente urgentes. La industria ya clasifica el trabajo por precio, velocidad y costo computacional, así que la electricidad podría convertirse en otra variable en ese cálculo.
Cuando la red se pone apretada, una imagen podría tardar más en renderizarse o una sesión de entrenamiento podría aplazarse para mañana, mientras otros servicios siguen avanzando. En lugar de tratar cada ciclo de GPU como igualmente importante, los centros de datos podrían empezar a distinguir entre lo que necesita hacerse ahora y lo que puede esperar.
El corte de energía de medio segundo de Luxor fue la parte fácil. Hacer esto en miles de GPU, sin romper promesas a los clientes y entregando megavatios que la red realmente pueda contar, será mucho más difícil.
Pero ahí es donde la idea se vuelve interesante, porque la IA tiene un problema de energía y la red tiene un problema de flexibilidad, y los centros de datos quedan justo en el medio. Están llenos de máquinas haciendo trabajos que a veces pueden moverse por segundos, minutos u horas sin que nadie lo note.
Si los operadores pueden convertir esa flexibilidad en ahorros de energía confiables, el enorme apetito de la IA por la electricidad podría convertirse en algo con lo que la red realmente pueda trabajar. Eso podría hacer que la siguiente fase de la expansión de la IA se centre tanto en usar la energía en el momento adecuado como en encontrar suficiente desde el principio.
La publicación Los centros de datos de IA están aprendiendo el truco de la energía que los mineros de Bitcoin dominaron primero apareció por primera vez en CryptoSlate.