¿Cuánta energía y CO₂ consume un agente de IA por tarea o sesión?

Mucho más que una pregunta de chat, porque una tarea son muchas llamadas al modelo y cada una vuelve a enviar todo el contexto de trabajo. SOMA AI estima que una tarea ilustrativa de un agente de 10 millones de tokens facturados, con el 91% de la entrada leída de caché, consume unos 135 Wh con un modelo mediano y 504 Wh con un modelo de frontera. Con la red media mundial, eso son unos 98 g y 382 g de CO₂e. Un intercambio de chat de 1.210 tokens con la misma clase mediana se queda en unos 0,099 Wh, así que la tarea equivale a unos 1.400 intercambios de chat. Una estimación pública muy difundida, del climatólogo Zeke Hausfather, sitúa cada prompt que él escribió en Claude Code en torno a 150 Wh, unas 600 veces una pregunta de chat mediana. Ambas son estimaciones. Ningún proveedor de los que revisamos publica la energía por tarea de un agente.

Un chat es una petición y una respuesta. Un agente trabaja en bucle. Planifica, lee archivos, ejecuta un comando, lee el resultado y vuelve a llamar al modelo, y cada llamada lleva toda la conversación hasta ese momento. La documentación de Anthropic explica que Claude Code envía la conversación completa en cada petición, y que cada ronda de herramientas envía otra petición con sus resultados (Anthropic, documentación de Claude Code, «Manage costs effectively», consultada el 11 de noviembre de 2026 (en inglés)). Se suman cuatro cosas.

• Muchas llamadas por tarea. Con el valor por defecto de SAEF de 85.000 tokens por petición de agente, 1 millón de tokens son unas 12 llamadas al modelo y 100 millones unas 1.176.
• El contexto se relee en cada llamada. Archivos, instrucciones y turnos anteriores se envían de nuevo cada vez, así que la entrada supera con mucho a la salida. En el valor por defecto del conjunto de datos, la salida es el 0,5% de los tokens de una petición de agente.
• La salida de las herramientas. Registros de pruebas, resultados de búsqueda y contenido de archivos entran en el contexto y se releen en cada llamada posterior.
• Subagentes y equipos. Cada subagente o compañero de equipo tiene su propio contexto. Anthropic indica que los equipos de agentes usan unas 7 veces más tokens que una sesión normal cuando los compañeros trabajan en modo plan (Anthropic, documentación de Claude Code, «Manage costs effectively», consultada el 11 de noviembre de 2026 (en inglés)).

Casi todo el contexto releído sale de la caché de prompts del proveedor, que requiere mucho menos cómputo que procesarlo de nuevo. Por eso la entrada en caché se cuenta aparte. SAEF pondera un token de entrada en caché con 0,05 y uno sin caché con 0,3 respecto a un token de salida. Sin descontar la caché, la misma tarea de 10 millones de tokens con un modelo mediano se estimaría en 534 Wh, unas 3,9 veces más.

• El uso de Claude Code de una persona, estimado. Hausfather cuenta que en 8 semanas su Claude Code usó 3.200 millones de tokens en 1.138 prompts escritos, y estima unos 170 kWh de electricidad de centro de datos, con un intervalo de 70 a 330 kWh según el método. Son unos 150 Wh por prompt, unas 600 veces (de 250 a 1.200) una pregunta de chat mediana, tomando como referencia la pregunta de texto mediana de Gemini que publicó Google y la consulta media de ChatGPT que dio OpenAI. Su sesión mediana ronda los 0,6 kWh y su día medio los 3,0 kWh. Alrededor del 96% de los tokens fueron lecturas de caché (Zeke Hausfather, The Climate Brink, 5 de agosto de 2026 (en inglés)). Él mismo advierte que nadie fuera de los laboratorios conoce la energía real por token de un modelo de frontera.
• Otra estimación de Claude Code. Simon P. Couch, que desarrolla software de ciencia de datos en Posit, explica en su blog personal que, a partir del análisis de energía por consulta de Epoch AI, estima su sesión mediana de Claude Code en 41 Wh y su día mediano en 1.300 Wh. Él mismo lo llama un cálculo a ojo (Simon P. Couch, «Electricity use of AI coding agents», 20 de enero de 2026 (en inglés)). Hausfather usa las cifras por token de Couch como uno de sus tres métodos, así que las dos estimaciones no son independientes.
• Tokens por tarea de programación. Un estudio con ocho modelos de frontera que ejecutan el agente OpenHands en SWE-bench Verified concluye que la programación con agentes usa unas 1.000 veces más tokens que el razonamiento sobre código o el chat de código, que los tokens de entrada son los que mandan en el coste, que la misma tarea puede variar hasta 30 veces de una ejecución a otra, y que Kimi-K2 y Claude Sonnet 4.5 usan de media más de 1,5 millones de tokens más por tarea que GPT-5 (Bai et al., «How Do AI Agents Spend Your Money?», arXiv 2604.22750, v3 del 2 de octubre de 2026 (en inglés)).
• Lo que dicen los proveedores. Anthropic publica costes, no energía. Su documentación da un coste medio de Claude Code de unos 13 dólares por desarrollador y día activo en los despliegues empresariales, por debajo de 30 dólares por día activo para el 90% de los usuarios, y dice que una sola sesión de depuración puede consumir más que un día de chat (Anthropic, documentación de Claude Code, «Manage costs effectively», consultada el 11 de noviembre de 2026 (en inglés)). En lo que revisamos el 11 de noviembre de 2026, ni Anthropic, ni OpenAI, ni GitHub, ni Cursor, ni Cognition publicaban una cifra de energía o emisiones por tarea de agente.

Como comprobación, SOMA pasó el recuento de tokens de Hausfather por SAEF. 3.200 millones de tokens con el 96% de lecturas de caché dan unos 133 kWh con un modelo de frontera (clase C), dentro de su intervalo de 70 a 330 kWh. Con un modelo mediano (clase B), la clase que SAEF asigna a Claude Sonnet, dan unos 36 kWh, por debajo de ese intervalo. El artículo no nombra el modelo, así que la clase es un supuesto de SOMA y es lo que decide si las dos cifras coinciden. Con la clase C son unos 2,4 kWh al día para unos 57 millones de tokens diarios. Los dos métodos usan supuestos distintos por token, así que como mucho esto muestra el mismo orden de magnitud.

La tabla aplica SAEF a tres tamaños de tarea con los valores por defecto del conjunto de datos para agentes. La salida es el 0,5% de los tokens, el 91% de la entrada se lee de caché (la proporción de la única sesión de ejemplo que muestra la documentación de costes de Anthropic, no una encuesta), la GPU es una H100 y el perímetro incluye electricidad, hardware, edificio y entrenamiento amortizado. La energía no depende de la red. El CO₂e se muestra con tres redes. Son la red más limpia que aloja una región de nube en el conjunto de datos, Quebec (Canadá), la media mundial y la de mayor intensidad de carbono, Baréin, entre las 46 redes que alojan una región de AWS, Azure o Google Cloud.

La clase de modelo multiplica la energía por unas 3,7 veces entre mediano y frontera. La red multiplica el CO₂e por unas 4,3 veces entre Quebec (Canadá) y Baréin en la clase mediana, menos que la diferencia de intensidad de la red, porque el hardware, el edificio y el entrenamiento no dependen de ella. La comparación con el chat usa un intercambio de la misma clase. Los tamaños de tarea son ilustrativos, no una estadística de cuánto duran las tareas. Usa tus propios recuentos de tokens.

• Contar tokens facturados, no licencias. Dos personas con la misma licencia pueden diferir muchas veces en tokens. Cuando los agentes funcionan con una cuenta de API o un proveedor cloud, exporta los tokens por modelo desde los informes de uso, la Claude Code Analytics API u OpenTelemetry, como describe la documentación de Anthropic (Anthropic, documentación de Claude Code, «Manage costs effectively», consultada el 11 de noviembre de 2026 (en inglés)).
• Separar la entrada en caché. Casi toda la entrada de un agente son lecturas de caché. Si la exportación las separa, introdúcelas aparte. Si no, la estimación no descuenta la caché y sale alta.
• Registrar el modelo y la región. Son lo que más mueve la estimación de esta página. Si una herramienta solo muestra licencias o número de peticiones, usa las cifras por petición de la página sobre asistentes de programación, en inglés, y dilo.
• Usar las palancas. Limpiar el contexto entre tareas, usar modelos pequeños para los subagentes y mantener la caché activa reducen los tokens y los tokens efectivos. La página sobre cómo reducir la huella de la IA calcula cada palanca.
• Reportarlo en el alcance 3, categoría 1. El uso de agentes comprado a un proveedor es un servicio comprado según el GHG Protocol. El método está en la guía para empresas y en la página sobre el alcance 3, y la calculadora gratuita en español acepta tokens con la entrada en caché.

• Que alguna cifra sea una medición. SOMA estima con los factores SAEF, y Hausfather y Couch también estiman, a partir de recuentos de tokens.
• Que una herramienta concreta use una clase de modelo, una región o un número de tokens por tarea. Los tamaños de tarea son ilustrativos.
• Que una herramienta sea más limpia que otra. SAEF no tiene un término para la marca, solo tokens, clase de modelo y región.
• Que la cifra de 600 veces valga para cualquier usuario. Es el uso de una persona, por prompt escrito, frente a una pregunta de chat mediana.
• Que los agentes sean peores para el clima que el trabajo que sustituyen. Esta página no estima la alternativa.
• Que los agentes sean una parte grande de la huella de una empresa. Eso depende de cuántas personas los usan y cuánto, y esta página no lo estima.
• Cifras basadas en el mercado. Todo el CO₂e de esta página se basa en la ubicación.

El método SAEF está aceptado para su publicación en Sustainable Production and Consumption. Las ecuaciones están en la página de metodología.

• ¿Cómo reducir la huella de carbono del uso de IA de una empresa sin perder calidad? Seis palancas calculadas con SAEF
• ¿El uso de inteligencia artificial cuenta como emisiones de alcance 3? Cómo se incluye el uso de IA en el alcance 3
• What is the carbon footprint of AI coding assistants like Claude Code, GitHub Copilot and Cursor? Por autocompletado y por petición de agente, en inglés
• How much more energy do reasoning models use than standard chat? Los tokens de razonamiento ocultos, en inglés