Inteligencia artificial, sostenibilidad e impacto ambiental. Un estudio narrativo y bibliométrico

doi: 10.58763/rc2025355

Investigación Científica y Tecnológica

Artificial intelligence, sustainability and environmental impact. A narrative and bibliometric study

Fabiano Domenico Camastra¹ *, Rubén González Vallejo² *

RESUMEN

Los estudios sobre inteligencia artificial (IA) han aumentado de manera ostensible en la última década, al punto de que recientemente forman una parte importante de campos disímiles. En lo concerniente a los estudios sobre sostenibilidad, cuidado medioambiental y aplicación de avances tecnológicos, los modelos basados en IA también han cobrado particular significación. En consecuencia, este estudio exploró la relación entre la IA, la sostenibilidad y el impacto ambiental mediante una revisión documental mixta, que combinó una revisión narrativa y un análisis bibliométrico. A través de la revisión narrativa, se examinaron las principales ideas y etapas que permean la intersección de la IA y la sostenibilidad, identificando tanto sus contribuciones como sus desafíos. El análisis bibliométrico proporcionó un panorama cuantitativo de la producción científica, destacando las tendencias en cuanto a producción, países y palabras clave más influyentes. Los resultados revelan que la IA tiene un papel crucial en la promoción de prácticas sostenibles, pero también plantea riesgos que requieren una consideración cuidadosa, de ahí que sus también deban analizarse. El estudio subrayó la necesidad de un enfoque equilibrado que maximice los beneficios de la IA mientras se minimizan sus impactos negativos en el medio ambiente.

Palabras clave: bibliometría, cambio climático, desarrollo sostenible, lenguaje de indexación.

Clasificación JEL: Q54, Q55

ABSTRACT

Studies on artificial intelligence (AI) have increased significantly over the past decade to the point that they have recently become essential to diverse fields. Regarding studies on sustainability, environmental care, and the application of technological advances, AI-based models have also gained particular significance. Accordingly, this study explored the relationship between AI, sustainability, and environmental impact through a mixed documentary review, which combined a narrative review and a bibliometric analysis. The narrative review examined the main ideas and stages that permeate the intersection of AI and sustainability, identifying their contributions and challenges. The bibliometric analysis provided a quantitative overview of scientific production, highlighting trends in terms of production, countries, and most influential keywords. The results reveal that AI has a crucial role in promoting sustainable practices, but it also poses risks that require careful consideration. Hence, the costs of AI must also be analyzed. The study underlined the need for a balanced approach that maximizes the benefits of AI while minimizing its negative impacts on the environment.

Keywords: bibliometrics, climate change, indexing languages, sustainable development.

JEL classification: Q54, Q55

Recibido: 07-08-2024 Revisado: 25-10-2024 Aceptado: 15-12-2024 Publicado: 03-01-2025

Editor: Carlos Alberto Gómez Cano

¹Universidad de Zaragoza. Zaragoza, España.

²Universidad de Málaga. Málaga, España.

Citar como: Camastra, F. y González, R. (2025). Inteligencia artificial, sostenibilidad e impacto ambiental. Un estudio narrativo y bibliométrico. Región Científica, 4(1), 2025355. https://doi.org/10.58763/rc2025355

INTRODUCCIÓN

La inteligencia artificial (IA) ha emergido como una de las tecnologías más influyentes del siglo XXI, especialmente en el último quinquenio y en la actualidad, con un auge que también se ha visto reflejado en la cultura popular y en las agendas políticas (Fosso et al., 2021; Oduro et al., 2022; Straub et al., 2023). Debido a las posibilidades y prestaciones que ofrece que, además de ser flexibles y reforzadas por el aprendizaje y desarrollo continuo, dependen de la creatividad y objetivos de su uso, la IA ha transformado una amplia gama de sectores. Desde la salud hasta las finanzas, con un amplio crecimiento en otras áreas, la IA se ha popularizado como un amplio set de utilidades.

Su evolución ha sido marcada por avances significativos en algoritmos de aprendizaje automático, procesamiento de grandes volúmenes de datos y mejoras en la capacidad de cómputo. Desde los inicios de su conceptualización, la IA ha experimentado varias fases de desarrollo, transitando desde los primeros sistemas expertos en los años 70 al resurgimiento del aprendizaje profundo en la década de 2010.

En la actualidad, su expansión hacia aplicaciones más complejas ha puesto estos grandes modelos en el centro de una gran diversidad de procesos, lo que ha aliviado la carga laboral de los científicos humanos y se espera que pueda constituir una nueva línea para la creación de empleos. Incluso bajo la percepción de que la sociedad no se encuentra del todo preparada para la integración total de la IA, existen una amplia variedad de potencialidades (Fosso et al., 2021).

Uno de los campos donde la IA ha mostrado mayor potencial transformador es el de los estudios medioambientales (Balsalobre-Lorente et al., 2023; Nti et al., 2023; Yu et al., 2021). En respuesta a la creciente preocupación por el cambio climático, la variabilidad climática, la pérdida de biodiversidad y la degradación de los ecosistemas, investigadores y organizaciones han comenzado a aplicar técnicas de IA para abordar estos desafíos globales (Ahmad et al., 2022; Antonopoulos et al., 2020; Zare et al., 2024).

En las últimas dos décadas, especialmente desde 2019, se ha visto un aumento exponencial en el número de estudios que emplean IA para modelar fenómenos ambientales y optimizar el uso de recursos naturales (Casado-Aranda et al., 2021; H. Tan et al., 2021; Zhang et al., 2022). Además de un empleo orientado a utilidades diagnósticas, los modelos de AI han empezado a ganar relevancia en el diseño de estrategias de mitigación y adaptación ante los efectos del cambio climático.

La integración de IA en los estudios medioambientales ha permitido avances en áreas como la predicción de eventos climáticos extremos, la gestión de recursos hídricos y la conservación de especies en peligro, aunque también se ha extendido a entornos urbanos y el diseño de ciudades inteligentes (Balogun et al., 2020; Bolón-Canedo et al., 2024). Los modelos predictivos basados en IA han demostrado ser herramientas especialmente útiles para anticipar cambios en los patrones climáticos y proporcionar información crítica para la toma de decisiones en políticas de sostenibilidad (Bibri et al., 2024; Chakraborty et al., 2021; Nishant et al., 2020). En este sentido, la IA facilita el análisis de grandes conjuntos de datos ecológicos, por lo que permite a los científicos identificar patrones y relaciones complejas que antes eran difíciles de discernir o de acceder en los ecosistemas.

A medida que la tecnología de IA continúa su evolución, las aplicaciones en el ámbito medioambiental se expanden y refinan rápidamente. Sin embargo, el uso de IA también plantea desafíos éticos y prácticos, como la necesidad de garantizar que los modelos sean transparentes, explicables y accesibles a las comunidades que más se beneficiarían de ellos (Cabitza et al., 2021; Chiu et al., 2023; Du y Xie, 2021). En este contexto, es esencial realizar un análisis crítico, histórico y topográfico de cómo la IA está siendo utilizada en estudios medioambientales, con el fin de evaluar tanto sus logros como sus limitaciones.

Este artículo explora las principales tendencias históricas y actuales en la evolución de la IA, con un enfoque particular en su aplicación en estudios medioambientales y de sostenibilidad. A través de una revisión narrativa y un análisis bibliométrico, se pretende ofrecer una visión integral del estado actual y el futuro potencial de la IA como herramienta para abordar los desafíos ambientales más urgentes del contexto actual y previsible.

METODOLOGÍA

El estudio se llevó a cabo con un enfoque mixto aplicado a la revisión de la literatura, de manera que se pudieran combinar datos cualitativos y cuantitativos en el análisis de las fuentes bibliográficas, pero también en función de las propias etapas del proceso investigativo. De esta manera, la investigación comenzó con una revisión narrativa, de carácter crítico y holístico, conducida en función de dos grandes temas: las etapas de su evolución conceptual y el impacto medioambiental del empleo de la IA. Esta decisión metodológica obedeció a la necesidad de comprender y presentar hitos, tendencias históricas y las bases de los estudios actuales sobre IA, para posteriormente mapear el campo en función de sus principales tendencias bibliométricas en la última década.

Primera etapa

En la primera etapa del estudio, se llevó a cabo una revisión narrativa con el objetivo de explorar y sintetizar la evolución de la IA. Se recopilaron y analizaron artículos académicos, libros y reportes clave que abordaran los principales hitos y desarrollos en IA desde sus orígenes hasta la actualidad. La selección de fuentes se basó en la relevancia para el tema y se abarcaron enfoques teóricos como aplicaciones prácticas. Esta revisión permitió construir un marco teórico sólido que sirvió como base para la etapa posterior del estudio y la comprensión de los hallazgos.

Análisis bibliométrico

En la segunda etapa, se realizó un análisis bibliométrico para examinar las tendencias de investigación en el cruce entre IA, medioambiente y desarrollo sostenible durante el período 2014-2024. Para ello, se utilizó la base de datos Scopus, seleccionada por su amplio alcance y reconocimiento en la comunidad académica. Se definieron palabras clave específicas, relacionadas con IA, ecología y desarrollo sostenible para recuperar los documentos pertinentes, de manera que la búsqueda se dividió en dos campos concurrentes que permitieron una mejor visualización del tránsito de los estudios sobre desarrollo sostenible al uso de la IA en el abordaje, del impacto medioambiental de los fenómenos discutidos en la introducción.

Tabla 1.

Estrategia de búsqueda

AI AND sustainable development

AI AND environmental impact

( TITLE-ABS-KEY ( artificial AND intelligence ) AND TITLE-ABS-KEY ( sustainable AND development ) ) AND PUBYEAR > 2013

( TITLE-ABS-KEY ( artificial AND intelligence ) AND TITLE-ABS-KEY ( environmental AND impact ) ) AND PUBYEAR > 2013

Fuente: elaboración propia

Procedimiento metodológico

Criterios de inclusión. Se empleó el rango temporal, por lo que se incluyeron únicamente aquellos artículos publicados entre 2014 y 2024. No se emplearon otros filtros, como: lenguaje, región o tipo de publicación.

Extracción de datos. Se extrajeron según los indicadores relacionados con el número de publicaciones anuales, citas recibidas, países de origen de las publicaciones, tipos de publicación y áreas del conocimiento. El archivo se descargó en formato .CVS y se exportó al software VOSviewer.

Análisis. Se utilizó el software especializado en análisis bibliométrico VOSviewer, donde se corrieron diferentes análisis encaminados principalmente a comprender la estructura categorial del campo, a través de la dimensión co-ocurrencia de palabras clave. Además, se visualizaron las redes de colaboración por países y se compararon las unidades de análisis en la dimensión estudiada.

Interpretación de resultados

Los hallazgos de ambas etapas se integraron para proporcionar una visión comprensiva del estado actual y las tendencias futuras en la investigación sobre la intersección de inteligencia artificial, ecología y desarrollo sostenible. Este enfoque metodológico permitió no solo explorar holísticamente la evolución histórica de la IA, sino facilitar la identificación de cómo se aplican sus modelos y prestaciones en contextos relacionados con la sostenibilidad y la ecología. Además, este enfoque de integración de datos proporcionó la base para en pro de una triangulación exhaustiva y concurrente para la comparación con hallazgos y propuestas relevantes encontradas en la literatura especializada.

RESULTADOS Y DISCUSIÓN

Revisión narrativa

Historia de las ideas sobre IA

Los desarrollos más significativos de sistemas de inteligencia artificial (IA) se produjeron en el siglo XX. Sin embargo, cabe precisar que ya en 1842 la matemática e informática Ada Lovelace programó el primer algoritmo que sería procesado por una máquina (Abeliuk y Gutiérrez, 2021). En opinión de Lovelace, la máquina podía componer piezas musicales complejas, así como obras científicas, además de actuar únicamente basándose en los números. Esta visión de la IA ha resultado en una línea particular de conceptualización, donde se manejan términos como el “efecto Lovelace” y la “objeción Lovelace”, que permiten el abordaje de las cuestiones culturales y no puramente cognitivas, como la creatividad (Gonçalves, 2024; Natale y Henrickson, 2024).

Uno de los autores que se ha ocupado de detallar la historia de la IA ha sido Luis Eduardo Múnera (2010), quien al abordar el tema emplea una metáfora reveladora para afirmar que la IA tiene su auge en una época muy remota. En opinión de este autor, su estudio debe remontarse o interesarse por la propia evolución de la humanidad, lo que sustenta con la comparación entre las características del ser humano, su proyección y los automatismos que generan. De hecho, Múnera afirma que las primeras muestras de automatismos y de ideas incipientes relacionadas con lo que hoy se denomina IA se remontan ya a la Grecia de Arquímedes.

Además, este autor pone de manifiesto que en Grecia se publicó lo que sería la primera obra literaria en hablar de IA, la Ilíada, pues en uno de sus episodios se narra la escena en la que se habla de la fragua de Hefesto, donde se encuentran un sinfín de automatismos que le servían al rey para deambular. Por otro lado, el autor recorre la historia de la IA hasta llegar al siglo XX, pues es en este siglo cuando se desarrolla una nueva ciencia, a saber, la cibernética.

Los primeros estudios se condujeron en el MIT de Boston bajo la dirección científica de Norbert Wiener. A este autor se le atribuyen ideas fundamentales, como la visión de complementariedad y posibilidad de integración entre humanos y sistemas, así como la necesidad de elaborar modelos con enfoque multidisciplinar (Godoy, 2024). En la actualidad, se le considera a Wiener no solo el padre de la cibernética, sino un importante precursor de los sistemas integrados y los modelos complejos (Bittanti, 2022; Groumpos, 2024).

Además de Wiener, también McCulloch y Pitts llevaron a cabo estudios en el campo de la cibernética. En concreto, a estos últimos se les debe la creación de un enfoque booleano para el estudio de las conexiones nerviosas y su impacto en el almacenamiento y procesamiento de la información. En la actualidad, el estudio de las redes neurales y las implicaciones filosóficas y cosmovisivas de la obra de estos autores puede considerarse un campo en sí mismo, con múltiples aplicaciones y problemáticas abordadas (An et al., 2022; Lobo et al., 2020).

Otro importante hito fue la Conferencia de Dartmouth, durante la que se logró abordar una primera definición de IA (Kubassova et al., 2021; Xin et al., 2021). En dicha conferencia también participó Samuels, quien presentó un juego de damas que era capaz de aprender; cosa que generó confusión, pues esa percepción estaba condicionada por el desconocimiento de las cualidades atribuidas por el diseño de Samuels. Adicionalmente, esta conferencia trascendió por visibilizar la IA como un campo de estudio legítimo y diverso, con múltiples aplicaciones futuras (Chang y Limon, 2024; Krauss, 2024).

En definitiva, la conferencia de Dartmouth fue el punto de inflexión de la ciencia de la IA. A partir de ella se establecieron sus tres épocas, que se detallan enseguida:

1956-1970

De acuerdo con las fuentes consultadas, durante esta época se desarrollaron las técnicas primarias de la IA, tales como los algoritmos y las estrategias de búsqueda de solución de problemas. Gracias a la labor investigadora de Newell y Simon, se acuña el término “sistemas de producción”, que los dos utilizaron para resolver problemas. En la actualidad, estos rudimentos conceptuales continúan siendo empleados y desarrollados, así como revisados bajo el lente de los nuevos avances tecnológicos.

Sin embargo, durante esta época se sobrevaloraron las potencialidades de dichos sistemas de producción, que todavía no contaban con las características que les permitirían llegar a ser “General Problem Solver”. Concretamente, los sistemas estaban debilitados por el tamaño y la velocidad de las memorias, así como por la escasa fluidez de los primeros lenguajes de programación y de los primeros sistemas operativos.

Aun siendo muy poco avanzados, dichos sistemas lograron solucionar problemas que hasta aquel entonces solo personas muy inteligentes habían resuelto. Por ello, en la primera etapa de la IA se celebraron sus potencialidades. De hecho, Simon estaba convencido de que a corto plazo la IA sería capaz de ganar al campeón mundial de ajedrez, un logro que se alcanzaría solo en 1997, cuando el Deep Blue de IBM ganó a Garry Kasparov (Múnera, 2010). En la actualidad estas ideas se han desarrollado y los programas de ajedrez basados en IA constituyen poderosos motores de análisis, sustentan aplicaciones de entrenamiento y pueden jugar al nivel más alto (Krakowski et al., 2023).

Desde 1956 hasta 1970 también se empezó a trabajar en el lenguaje natural y, en cierta medida, se esbozó el concepto que luego se conocería como “traducción automática”. Los investigadores de la época sostenían que, a partir de mega diccionarios y la programación de reglas gramaticales, las tareas de traducción serían simplificadas. En la actualidad, estas ideas han revolucionado la traducción de lenguajes y han transformado la generación de texto, de manera que las asociaciones humano-IA siguen siendo necesarias, especialmente para un uso efectivo y ético (Doo et al., 2023; Lim y Zhang, 2022; Lund et al., 2023).

En realidad, este proyecto fue un fracaso de gran magnitud. De hecho, el sistema que los investigadores lograron idear no tenía en cuenta aspectos tales como la complejidad del lenguaje ni sus aspectos culturales y biológicos. A modo de ejemplo, expone una traducción obtenida por el sistema de traducción automática con el que se trabajó en la primera etapa de la IA. Concretamente, se le había pedido al sistema que tradujera un fragmento recuperado de la Biblia, en el que se decía “El espíritu es fuerte y la carne es débil”. El sistema acabó traduciendo este fragmento como “El vodka está muy bueno, pero la carne está podrida” (Múnera, 2010).

Los años sesenta

La segunda etapa de la historia de la IA se puede clasificar como la época de los prototipos, y empieza a partir de los años sesenta. Es durante esa época cuando se examinan los proyectos que hasta ese entonces se habían llevado a cabo y se intenta descubrir por qué habían fracasado. Estos proyectos fracasaron por no haber tenido en cuenta el componente heurístico del proceso resolutivo de problemas de los humanos. El conocimiento heurístico consiste en añadir la experiencia y el conocimiento en el proceso de toma de decisiones.

Los estudios de Simon fueron cardinales en el inicio de los modelos heurísticos de solución de problemas y posteriormente para la toma de decisiones (Navaneethakrishnan, 2021). En concreto, estas aportaciones transformaron conceptualmente las ciencias de la computación y abrieron líneas para lo que se conoce como ciencias de la decisión, donde la IA también ocupa un papel central. El mayor logro de esta etapa fue la producción del primer sistema experto que, en actualidad, se ha transformado en una de las principales vías para la automatización de tareas y aplicación en diferentes campos (Radaideh et al., 2020; L. Tan y Yi, 2024).

1981 – presente

La tercera y última etapa de la historia de la IA empieza en 1981, a raíz de los resultados obtenidos en la época precedente; cuando se difunden en las universidades y en los laboratorios los prototipos mencionados anteriormente. Esta época estuvo caracterizada por el interés generalizado de emprender, y la investigación aplicada se redujo antes del despunte de la última década, que se produjo en una amplia variedad de disciplinas (Di Vaio et al., 2022; Jimma, 2023; Riahi et al., 2021).

En concreto, las fuentes consideran que aún hay que trabajar en los campos de la representación del conocimiento y de la inferencia; además, las líneas de investigación sobre uso informado y responsabilidad ética han aumentado. Un elemento importante señalado es que, cuando se desarrollan y perfeccionan los sistemas de IA, deben ser consideradas problemáticas sociales como la reducción de empleos, el fraude o las potenciales fallas sin supervisión humana.

Asimismo, el campo de estudio parece crecientemente consciente de los beneficios del desarrollo de la IA; por ejemplo, la toma de decisiones para salvaguardar el planeta, haciendo frente a uno de los mayores dilemas de nuestra época, a saber, la mitigación de los efectos del cambio climático (Goralski y Tan, 2020; Kaack et al., 2022; Palomares et al., 2021).

Impacto medioambiental de la IA

El análisis del tema tomó como punto de partida un estudio llevado a cabo por Kaack et al. (2022), en donde se analizan los efectos del machine learning en la regulación de las emisiones de gases de efecto invernadero. Estos autores ponen de manifiesto la necesidad de desarrollar una comprensión holística de todos los impactos, tanto positivos como negativos, del uso del aprendizaje automático sobre el cambio climático.

Concretamente, empiezan su análisis explicando que en su trabajo estudian los impactos relativos a la computación desde una doble perspectiva, es decir, de abajo hacia arriba y de arriba hacia abajo. La primera evalúa el uso energético de modelos de aprendizaje automático individuales, enfocándose, además de su uso, en su desarrollo y diseño. En cambio, la segunda estima las emisiones totales globales de gases de efecto invernadero asociadas a las cargas de trabajo del aprendizaje automático, analizando el consumo energético usado en la computación como las emisiones resultantes de la extracción y producción del material. De igual manera, estos autores afirman que la creación y la ejecución de un modelo de aprendizaje automático consume energía de computación y también electricidad; aunque es evidente que la cantidad varía mucho entre los diferentes algoritmos y diferentes etapas del ciclo de vida del modelo de aprendizaje automático.

Por otra parte, se identificaron estudios que demuestran que los modelos de Deep Learning siguen aumentando su tamaño y esto conlleva un aumento de los recursos computacionales necesarios para su ejecución (Yuan et al., 2020). Al respecto, existen diferencias de consumo entre los modelos de aprendizaje automático. La primera de las fases que los constituyen describe el uso del modelo en el mundo; por ejemplo, la máquina logra identificar si una imagen es de un perro o de un gato, basándose en lo que ha aprendido. Esta es la fase que menos energía consume, pero es también la que se emplea más a menudo.

El objetivo de la fase de entrenamiento es aprender las funciones, analizando una base de datos de la que la máquina saca los parámetros útiles para definir las funciones mencionadas previamente. Por su parte, Kaack et al. (2022) afirman que entrenar un modelo de aprendizaje automático consume mucha más energía que su empleo, pero es una operación menos frecuente. La última fase consiste en la elección por parte del investigador del modelo que mejores resultados proporciona en el ámbito de la investigación que se está llevando a cabo.

En otro caso, Dhar (2020) observó algo muy interesante. De hecho, este autor afirma que la IA desempeña un doble papel. Por una parte, puede ayudar a reducir el impacto del cambio climático, a la vez que es un gran contaminante de por sí. Esta idea es crucial, pues implica la necesidad de reconocer y abordar la propia sostenibilidad de los sistemas basados en IA, su impacto medioambiental y los costos de reducir este (Van Wynsberghe, 2021).

Ante esto, Tamburrini (2022) afirma que lo que pide la Comisión Europea es importante para entender la entidad de la huella de carbono de la IA y subraya lo dañino de la contribución de muchos campos de la IA, que varían desde la investigación hasta la industria. Asimismo, pone de manifiesto que se necesitan políticas eficaces que logren reducir la huella de carbono del sector de la IA y mitigar su impacto en el calentamiento climático. En cuanto a la sostenibilidad, van Wynsberghe (2021) afirma que diferentes autores han estudiado los beneficios para el medioambiente ofrecidos por la IA, pero han descartado los impactos medioambientales de dichas tecnologías. Por esto, se propone definir qué es la sustainable AI (IA sostenible) y afirma que es una línea de investigación reciente que se ocupa de estudiar la tecnología que está por detrás de la IA y sus aplicaciones para la lucha contra el cambio climático, pasando por un desarrollo sostenible.

Además, la autora añade que esta línea de investigación debería también enfocarse en el ciclo de vida completo, abordando prioritariamente aspectos que varían desde el diseño, el entrenamiento, el desarrollo, la validación y el ajuste, hasta acabar con la implementación y el uso de la IA. A tal respecto, detalla que habría que distinguir entre dos conceptos que recaen en la misma línea de investigación, es decir, “IA para la sostenibilidad” y “sostenibilidad de la IA”. El primer concepto se ocupa de establecer cómo la IA puede favorecer a la humanidad en el logro de la sostenibilidad medioambiental, mientras que el segundo se centra en la evaluación de la sostenibilidad de la IA. La autora concluye afirmando que la línea de investigación de la que hemos hablado previamente engloba ambos conceptos, pues es imposible elaborar sistemas de IA que tengan el objetivo de reducir el impacto del cambio climático si no se consideran también los aspectos medioambientales que subyacen en el desarrollo de los sistemas de IA (van Wynsberghe, 2021).

En lo que a las cifras exactas por contaminación se refiere, en un estudio llevado a cabo por los investigadores del MIT (Strubell et al., 2020) se estima que la fase de entrenamiento de un gran modelo a través de una GPU produce unas 625.155 libras de dióxido de carbono, que corresponde a unos 316 vuelos de ida y vuelta de Nueva York a San Francisco. Un ejemplo aún más inquietante es la comparación entre las emisiones de dióxido de carbono que se generan entrenando un modelo de IA y las emisiones generadas por un humano en un año de su vida. En este caso, el entrenamiento consume tanto como 57 años de vida de un ser humano.

También se observó una postura similar en Truhn et al. (2023), quienes en su trabajo afirman que un ciudadano de los Estados miembros de la UE emite unas 6,8 toneladas de dióxido de carbono. Además, presentan un dato muy parecido al ofrecido por Strubell et al. (2020), al analizar que un vuelo entre Múnich y Nueva York emite unas 2,1 toneladas de dióxido de carbono por persona.

Posteriormente, estos autores se centran en las emisiones causadas por los equipamientos médicos, afirmando que un escáner de resonancia magnética emite unas 58,3 toneladas de dióxido de carbono por año, a partir del trabajo de Woolen et al. (2023). Como solución, Truhn et al. (2023) sostienen que se podrían adquirir equipamientos optimizados para ser empleados en inferencia de redes neurales, lo cual reduciría aún más la cantidad de energía necesaria. Asimismo, insisten en la importancia de emplear fuentes renovables para reducir las emisiones contaminantes y añaden que esto conlleva una reducción de costes, pues la energía solar o eólica cuesta menos que la energía producida a partir de combustibles fósiles.

Además de los estudios ya mencionados en este análisis, también Lacoste et al. (2019) intentan arrojar luz sobre cómo podrían estimarse las emisiones de los sistemas de IA. En su estudio, los autores explican los factores que más impacto tienen en la cantidad de carbono que emiten. Dichos factores son: la ubicación del servidor, la tipología de red eléctrica que se emplea, la duración del entrenamiento y el hardware que se emplea para entrenar el modelo.

De igual modo, los autores del estudio crearon un calculador de emisiones generado por el aprendizaje automático. Lacoste et al. (2019) afirman que es difícil dar indicaciones precisas, pues hay que considerar muchos factores que influencian los resultados o modifican las condiciones en las que se desarrolla el estudio. Sin embargo, crean un listado de buenas prácticas que hay que seguir para reducir las emisiones generadas por la fase del aprendizaje automático; concretamente, instan a los investigadores a usar su calculador, además de reflexionar sobre los factores que se han mencionado previamente. En particular, explican que en estos últimos años las empresas de cloud computing han empezado a poner en marcha medidas para reducir su huella medioambiental.

Como resultado, se precisa una mejor comprensión de las disciplinas y líneas de investigación que han profundizado en los usos de los sistemas basados en IA para la mitigación del cambio climático y la promoción del desarrollo sostenible. A partir de estos hallazgos se facilitará la exploración del impacto medioambiental que genera la IA, que contribuirá a su vez al diseño responsable de sistemas, pero también de políticas y normativas que guíen la gobernanza de estas tecnologías. En consecuencia, se presentan los principales hallazgos del estudio bibliométrico, que se exponen a continuación

Estudio bibliométrico

El primer indicador analizado fue la cantidad de publicaciones por año en el periodo (Figura 1). Como se puede apreciar, al inicio del periodo el interés por la relación entre IA y desarrollo sostenible era relativamente pequeño, con una tendencia estable, ligeramente tendiente al crecimiento e incluso registrando un pequeño retroceso en 2017 (n=154). Sin embargo, desde 2019 la tendencia ha sido al crecimiento acelerado, con un pico de 1814 en 2023 y la posibilidad de superación en 2024, donde se registraron 1664 hasta mediados de año.

En cuanto a los estudios dirigidos a la relación IA e impacto ambiental, estos representaron un campo menor, pero con tendencias similares, incluido el retroceso de 2017. En cambio, en 2024 se registraron 37 estudios más que en 2023, lo que sugiere también un crecimiento moderado en lo referente a la preocupación por el impacto ambiental y el papel que ocupa la IA, aunque se necesita profundizar en el enfoque de los estudios.

Figura 1.

Documentos por año. Gráfico comparativo