Cómo calcular la huella de carbono del uso de inteligencia artificial en tu empresa

La huella de carbono del uso de IA de una empresa se estima multiplicando la actividad (tokens, mensajes o, en último caso, gasto) por un factor de emisión que depende de dos cosas, el tamaño del modelo y la región donde se ejecuta. El resultado va en el alcance 3, categoría 1 (bienes y servicios comprados) del GHG Protocol, con su rango de incertidumbre y el agua al lado, nunca sumada al CO₂e. SOMA AI (somaai.earth) publica esos factores como un conjunto de datos abierto, SOMA AI Emission Factors (SAEF), con licencia CC BY 4.0 y DOI, y ofrece una calculadora gratuita para un primer resultado sin registro. Son estimaciones construidas con benchmarks publicados, no mediciones del proveedor.

Las cifras publicadas van de unas décimas de vatio hora a varios Wh, y la diferencia se debe sobre todo a qué se cuenta y a la longitud de la consulta. Sam Altman dio 0,34 Wh para una consulta media de ChatGPT en junio de 2025, sin explicar el método. Google publicó 0,24 Wh para la consulta de texto mediana en Gemini Apps (mayo de 2025), incluyendo máquinas en reposo y la sobrecarga del centro de datos. Epoch AI estimó unos 0,3 Wh para GPT-4o con 500 tokens de salida, y hasta casi 40 Wh con 100.000 tokens de entrada. Con los factores SAEF, un intercambio de 1.210 tokens con un modelo de tamaño medio servido desde España sale en torno a 0,10 Wh y 0,02 g de CO₂e, incluyendo hardware y la parte amortizada del entrenamiento. Por qué estas cifras no coinciden, fila a fila, está en why AI footprint estimates differ.

En la mayoría de los casos, no. La Directiva (UE) 2026/470 (Ómnibus) limita la obligación de la CSRD a empresas con más de 1.000 personas empleadas de media y más de 450 millones de euros de cifra de negocio neta, ambas condiciones, para ejercicios que empiecen a partir del 1 de enero de 2027. En España, el proyecto de ley 121/000038 que debía trasponer la CSRD consta como caducado desde el 6 de octubre de 2026, con la disolución de las Cortes. La obligación de estado de información no financiera de la Ley 11/2018 es otra cuestión y conviene revisarla con asesoría.

Aun así, las preguntas llegan, en cuestionarios de clientes, licitaciones y financiación, o porque la empresa quiere un inventario completo según el estándar de alcance 3 del GHG Protocol, que pide contabilizar todas las categorías o justificar las exclusiones. La situación por fechas está detallada en la guía en inglés.

Todos, también los que no compró informática. Lo que suele faltar en un inventario de IA no es un buen factor, es un servicio entero pagado con la tarjeta de un equipo. Cruza tres listas, el inventario de software, los proveedores de contabilidad y el registro de inicio de sesión único (SSO).

• API con facturación por uso. OpenAI, Anthropic, Azure OpenAI, AWS Bedrock, Google Vertex AI, Mistral.
• Licencias por usuario. ChatGPT Enterprise o Team, Claude for Work, Microsoft 365 Copilot, GitHub Copilot, Gemini para Workspace.
• SaaS con IA integrada. CRM, transcripción de reuniones, atención al cliente. Normalmente solo hay gasto.
• Herramientas internas construidas sobre la API de otro. El uso está en vuestros propios registros.

Tokens por modelo y por mes del periodo de reporte. Las consolas de OpenAI y Anthropic los exportan, Azure, Bedrock y Vertex también, y además indican la región. Microsoft 365 Copilot y GitHub Copilot no dan tokens, solo licencias y usuarios activos. Con lo que consigas, cada servicio cae en un nivel de datos.

• Nivel 2a, tokens exactos. Millones de tokens × factor de la clase y la región. Incertidumbre ±39% para la clase B.
• Nivel 2b, mensajes o licencias. Cada mensaje se convierte en 1.210 tokens (928 de entrada y 282 de salida), y la salida se multiplica por 2,20 para cubrir los modos de razonamiento. Es una hipótesis y se declara como tal.
• Nivel 1, solo la factura. Gasto en euros × 0,1181 kg CO₂e por euro, un factor sectorial que da un techo, entre 1,7 y 12,3 veces la estimación por uso según la comparación del artículo de método.

La clase del modelo pesa más que su nombre comercial, porque los proveedores no publican el tamaño de sus modelos.

• Class A — Small. gpt-4o-mini, gpt-4.1-mini, gpt-4.1-nano
• Class B — Mid. gpt-4o, chatgpt-4o-latest, gpt-4.1
• Class C — Frontier. gpt-4, gpt-4-turbo, gpt-5

La región es donde el proveedor ejecuta el modelo, no donde está tu oficina. En una plataforma cloud viene en la exportación. Si no la sabes, usa la región habitual del proveedor y anota que es un supuesto. Los factores de España están en AI carbon footprint in Spain.

Una empresa de 60 personas. 45 usan un asistente de chat con un modelo de tamaño medio, unos 1.500 mensajes al mes cada una. No hay exportación de tokens, así que es nivel 2b.

1. Mensajes del año. 45 × 1.500 × 12 = 810.000.
2. Tokens, con el ajuste de razonamiento sobre la salida. 810.000 × (928 + 282 × 2,20) = 1.253,1 millones.
3. Servido desde España. 28,0 kg CO₂e al año, de los que 21,7 kg son electricidad y el resto hardware, construcción y entrenamiento amortizado.
4. El mismo uso servido desde el este de EE. UU. (Virginia) da 45,2 kg, y desde Suecia 11,2 kg.

Fíjate en el orden de magnitud. Decenas de kilos de CO₂e al año, no toneladas. Lo que justifica el trabajo no suele ser el tamaño, sino que un cliente, un banco o un auditor lo pregunte, y una cifra pequeña con método detrás es mejor respuesta que ninguna.

Se parte de un uso típico por licencia activa, 30 mensajes al mes en el valor central, que es un supuesto publicado en el conjunto de datos, no un dato de tu empresa. Para 25 licencias de un asistente en España salen unos 9.000 mensajes al año y 0,31 kg CO₂e (banda de 0,16 a 0,72 kg). Si el equipo es usuario intensivo, el supuesto alto da 3,4 kg. La diferencia entre ambos es la razón para pedir al proveedor el número real de mensajes.

Se reporta al lado del carbono, nunca convertida en CO₂e. Para España el conjunto de datos aún no tiene factores de agua, que llegarán en una próxima versión. Como referencia, un intercambio con un modelo de tamaño medio servido desde Irlanda consume unos 0,15 mL entre refrigeración y generación eléctrica. Qué agua cuenta cada cifra publicada está en la guía del agua.

Lo suficiente para que otra persona reconstruya la cifra sin preguntarte. Siete campos por servicio.

1. Dato de actividad (tokens, mensajes o gasto) y periodo.
2. Fuente del dato, qué exportación, de qué consola y en qué fecha.
3. Nivel (2a, 2b o 1) y por qué no uno mejor.
4. Factor aplicado, con su clase de modelo y su región.
5. Versión y fuente del factor, aquí soma-ai-ef-2026.10-dataset-v3.0.0, DOI 10.5281/zenodo.20443585.
6. Incertidumbre y supuestos que la amplían.
7. Si es un valor medido, una conversión o una estimación.

Hay tres caminos. Hacerlo internamente con un conjunto de datos abierto como SAEF y los pasos de esta página. Usar una biblioteca de código abierto como EcoLogits o CodeCarbon si lo que quieres medir son tus propias llamadas a API o tu propio cómputo, lo que exige trabajo de ingeniería. O encargarlo. SOMA AI, una empresa de Barcelona, convierte las exportaciones de uso de tus proveedores en una línea terminada de alcance 3, categoría 1, con nivel, factor, versión, fuentes e incertidumbre, lista para un cliente, un banco o una auditoría. Puedes empezar con la calculadora gratuita o escribir a lili@somaai.earth. El método está publicado en arXiv:2606.10660, en revisión por pares.

• How to calculate your company's AI carbon footprint (English). La versión completa, con la situación normativa por fechas
• How SOMA calculates the carbon and water footprint of AI usage. Las ecuaciones detrás de cada factor
• SOMA AI Emission Factors. La tabla completa por clase de modelo y región, con descarga CSV