¿Cómo estimo la huella de ChatGPT y Copilot en un equipo?

Toma los usuarios activos y, si el panel los tiene, los mensajes de la exportación de cada herramienta. Convierte los mensajes en tokens con valores por defecto declarados, elige una clase de modelo y una región como supuestos y aplica el factor. Para 50 licencias activas con los 30 mensajes por licencia y mes que trae el conjunto de datos, la estimación SAEF de un año es de 0,623 kg de CO₂e en un modelo mediano servido desde EU South - Spain, con una banda de 0,31 a 1,4 kg. Es una línea de la categoría 1 del alcance 3, útil para la CSRD si tu empresa tiene más de 1.000 personas empleadas de media y más de 450 millones de euros de facturación (el umbral tras el Ómnibus I), o si un cliente te lo pide.

1. Exporta los usuarios activos. Saca del panel de administración de cada herramienta el recuento mensual de usuarios activos, no de licencias, del periodo que reportas. Guarda la exportación con su fecha.
2. Exporta los mensajes si la herramienta los ofrece. Si el panel da mensajes o prompts por usuario, usa tu propio recuento. Si solo da usuarios activos, usa los mensajes por licencia activa y mes que trae el conjunto de datos y dilo.
3. Convierte los mensajes en tokens. Supón unos tokens de entrada y de salida por mensaje con los valores por defecto del conjunto de datos y sube los de salida con el ajuste de razonamiento si hay modos de razonamiento activos.
4. Declara una clase de modelo y una región. El proveedor rara vez lo indica. Elige la clase de modelo publicada más cercana y la región de servicio más plausible, y anota ambas como supuestos.
5. Aplica el factor y conserva el rango. Multiplica los tokens por el factor de la clase y la región, y muestra la banda de incertidumbre sobre tokens del conjunto de datos junto al valor central.

Un equipo de Madrid tiene 50 licencias de Microsoft 365 Copilot. Suponemos clase B (mediano) y EU South - Spain, un supuesto nuestro porque el proveedor no lo confirma. El conjunto de datos supone 928 tokens de entrada y 282 de salida por mensaje, con la salida multiplicada por 2,20 para cubrir la parte de mensajes con razonamiento. Así, 50 licencias por 30 mensajes por 12 meses son 18.000 mensajes y 28 millones de tokens facturados.

Contar usuarios activos en lugar de licencias, y usar tus propios mensajes cuando el panel los da, estrecha la estimación más que cualquier otro paso. La calculadora de SOMA AI hace la misma aritmética para varias herramientas a la vez. Hay un ejemplo equivalente de una empresa de Barcelona en la guía para empresas.

• Contar licencias en lugar de usuarios activos, lo que infla el inventario con licencias que no envían nada.
• Tratar los mensajes por licencia del conjunto de datos como un dato propio. Es una referencia de otras organizaciones.
• Reportar la línea de licencias como cifra exacta en lugar de estimación con su banda.

• ¿Cómo calculo la huella de carbono del uso de IA de mi empresa? El flujo completo
• ¿Cuál es la fórmula para estimar el CO2e a partir de los tokens de un LLM? Si el proveedor sí da tokens
• ¿El uso de inteligencia artificial cuenta como emisiones de alcance 3? Dónde se reporta la línea
• ¿Cuánta energía y CO₂ consume un agente de IA por tarea o sesión? Si hay agentes de programación
• ¿Cuánta agua consume una consulta de IA según la región de nube? El agua, por región
• ¿Cuánto CO₂ y agua supone una consulta de IA servida desde un centro de datos en España? La red española
• Methodology. En inglés
• AI footprint en español