SOMA

    ¿Cómo calculo la huella de carbono del uso de IA de mi empresa?

    Para equipos de sostenibilidad y finanzas que preparan la primera línea de IA de su inventario de carbono. Las cifras de SOMA son estimaciones con los factores abiertos SAEF, versión soma-ai-ef-2026.11-dataset-v3.1.0. Texto actualizado el 12 de noviembre de 2026.

    Página actualizada el

    Versión en inglés. How do I calculate the carbon footprint of my company's AI usage?

    Respuesta corta

    Haz un inventario de las herramientas de IA, reúne el uso de un periodo, asigna a cada modelo una clase de tamaño y una región, multiplica por un factor por millón de tokens y reporta la suma como estimación de alcance 3 con sus supuestos. Con los factores abiertos SAEF, un millón de tokens en un modelo mediano son 0,0165 kg de CO₂e servidos desde EU South - Spain y 0,0261 kg desde US East - N. Virginia. Esos factores incluyen una parte modelizada de hardware, edificio y entrenamiento. La calculadora gratuita los aplica a tus herramientas.

    Tras el Ómnibus I, la CSRD solo obliga a empresas con más de 1.000 personas empleadas de media y más de 450 millones de euros de facturación. Si no es tu caso, tus clientes grandes pueden pedirte el dato igualmente para su propio alcance 3. El método está explicado en la guía para empresas.

    Pasos

    1. Inventaría las herramientas. Haz una lista de todos los servicios de IA que la empresa paga o deja usar a la plantilla. Incluye cuentas de API, asistentes con licencia como ChatGPT Enterprise o Microsoft 365 Copilot, asistentes de programación y funciones de IA dentro de otro software. Asigna un responsable y un periodo a cada uno.
    2. Recoge los datos de uso. Para cada servicio toma el mejor dato que ofrezca. Los tokens facturados de la exportación de la API son lo mejor. Después vienen los usuarios activos y los mensajes del panel de administración. El gasto de la factura es el último recurso.
    3. Asigna clase de modelo y región. Clasifica cada modelo como pequeño, mediano o de frontera y anota la región de nube que lo sirve. Si el proveedor no lo dice, escribe el supuesto y quién lo hizo.
    4. Aplica los factores. Multiplica los tokens por el factor de la clase y la región, en kg de CO2e por millón de tokens. Si solo tienes mensajes, conviértelos antes a tokens con valores por defecto declarados.
    5. Suma por líneas. Agrega por servicio, equipo y mes. Mantén cada línea separada hasta el final para que se vea el nivel de dato de cada una.
    6. Documenta supuestos e incertidumbre. Guarda la versión de los factores, la clase y la región de cada modelo, los valores por defecto usados y el rango. Una estimación con su rango sirve más a un auditor que una cifra suelta.
    7. Repórtalo en el alcance 3. El uso de IA comprado a un proveedor va en el alcance 3, categoría 1 (bienes y servicios comprados) del GHG Protocol. Indica el nivel de dato junto a la cifra y conserva las pruebas.

    Ejemplo resuelto, una empresa de Madrid

    Una empresa de Madrid tiene una carga de API de 100 millones de tokens al año en un modelo mediano (clase B) y 25 licencias activas de Microsoft 365 Copilot. Como el proveedor no indica la región, suponemos EU South - Spain para ambas líneas y lo anotamos como supuesto. Existe factor de red para España, así que no hace falta sustituirlo por una media europea.

    Estimaciones de kg de CO2e para un año. La línea de licencias usa los mensajes por licencia activa que da el conjunto de datos por defecto.
    LíneaDatoCentralRango
    Carga de APINivel 2a, tokens facturados1,65hasta 39 % arriba o abajo
    Licencias de CopilotNivel 2b, 9.000 mensajes0,3110,16 a 0,72
    TotalNiveles mezclados1,96por línea

    Reporta las dos líneas por separado. Una descansa en tokens exactos y la otra en un valor de referencia de mensajes por licencia. Si la misma carga de API se sirviera desde US East - N. Virginia, saldrían 2,61 kg, así que el supuesto de región pesa más que casi cualquier otra decisión. Si de algún servicio solo tienes la factura, el gasto en euros por 0,09613 kg de CO₂e por euro (deflactado a precios de 2019) da una cifra de cribado con una incertidumbre de ±300 %. Cubre otro perímetro, no se compara con las líneas de tokens y no sirve para decidir qué cambiar.

    Errores frecuentes

    • Contar solo el chatbot que conoce todo el mundo y olvidar las llamadas de API, los asistentes de programación y la IA dentro de otro software.
    • Usar el gasto para todo. Es el nivel de peor calidad y el que menos ayuda a decidir qué cambiar.
    • No anotar la región ni la clase de modelo, de modo que nadie pueda reconstruir la cifra.

    Sigue leyendo