Cada revolución encontró su límite
Tecnología, energía, lenguaje y el desafío de decidir para qué queremos utilizar la inteligencia
La historia de la informática se puede contar de una manera obvia.
Máquinas cada vez más potentes.
Pero hay otra manera de contarla. Más honesta, quizás.
Como una sucesión de límites que parecían infranqueables.
Los primeros ordenadores chocaron con su tamaño y su consumo eléctrico. Los mainframes, con su coste. Los ordenadores personales, con su memoria. Internet, con el ancho de banda. Los primeros centros de datos, con la energía y la refrigeración.
Ahora la inteligencia artificial nos coloca frente a otro muro.
¿Podemos dar capacidad de cálculo a miles de millones de personas sin que el consumo energético se convierta en un problema global?
La historia aconseja prudencia antes de decir que no.
Pero la IA trae algo nuevo. Algo que las revoluciones anteriores apenas rozaron.
Ya no se trata solo de cuánto podemos calcular.
Se trata de qué decisiones estamos dispuestos a entregar a lo que hemos construido.
1. 1940–1960. Cuando calcular necesitaba una habitación
Los primeros computadores electrónicos eran gigantes.
ENIAC, terminado en 1945, usaba miles de válvulas de vacío. Ocupaba una sala entera. Consumía unos 150 kW.
Hoy esa potencia alimentaría cientos de ordenadores personales.
Y sin embargo, ENIAC hacía unas 5.000 sumas por segundo.
Un teléfono actual hace miles de millones de operaciones por segundo.
Ahí está, resumida, buena parte de la historia de la computación.
Cada generación ha conseguido hacer mucho más trabajo por unidad de energía.
El lenguaje. Programar aquellas máquinas era casi tocarlas con las manos. Interruptores. Cables. Números puros. Después, lenguaje máquina y ensamblador.
La máquina no entendía una intención.
Ejecutaba, exactamente, lo que se le ordenaba.
El reto era físico. Tamaño, calor, consumo, fiabilidad. Las válvulas se calentaban. Fallaban.
Lo que rompió el límite fue el transistor. Después, el circuito integrado. Miles, y luego millones de componentes cabiendo en espacios cada vez más pequeños.
La primera gran barrera no cayó porque construyéramos salas más grandes.
Cayó porque cambiamos la tecnología desde la raíz.
2. 1960–1980. La era del mainframe
Durante décadas, informática significó centralización.
Una gran organización. Un gran ordenador. Muchos terminales alrededor.
IBM y otros convirtieron el mainframe en la columna vertebral de bancos, universidades, administraciones.
El lenguaje evolucionó también. FORTRAN, COBOL, BASIC, y después C.
Ya no era necesario trabajar continuamente al nivel de registros, códigos máquina y detalles físicos del hardware.
El lenguaje empezó a acercarse, poco a poco, a como pensamos los humanos.
Un programador podía decir qué quería.
Sin describir, paso a paso, cómo hacerlo físicamente.
El reto era económico. Caro. Especializado. Concentrado en pocas manos.
Parecía imposible imaginar un ordenador en cada casa.
Lo que rompió el límite fue el circuito integrado, la miniaturización, y finalmente el microprocesador.
Lo que antes llenaba una sala empezó a caber sobre una mesa.
3. 1980–1995. El ordenador se hace personal
Aquí el cambio fue conceptual, no solo técnico.
Pasamos de pocas máquinas para muchas personas, a una máquina para cada persona.
Un ordenador personal consumía entre 50 y 200 vatios, según la época.
Poco, comparado con un mainframe.
Pero empezaron a ser millones. Después, cientos de millones.
Y ahí aparece, por primera vez, una paradoja que volveremos a encontrar con la IA:
Una tecnología puede volverse mucho más eficiente y, al mismo tiempo, consumir mucho más en total — porque el número de usuarios crece todavía más rápido.
El lenguaje volvió a cambiar. BASIC, Pascal, C++, interfaces gráficas.
Cada capa nueva ocultó un poco más la complejidad interna de la máquina.
Primero escribíamos comandos.
Después usamos ventanas.
Luego iconos y un ratón.
Cada revolución quitó una capa entre la intención humana y la máquina.
El reto: memoria, almacenamiento, velocidad, coste, facilidad de uso.
Lo que rompió el límite: más densidad de transistores, discos más grandes, mejores sistemas operativos, economías de escala.
Y entonces llegó algo que convertiría millones de ordenadores sueltos en un solo sistema.
Internet.
4. 1990–2005. Internet y la primera gran crisis de escala
Al principio, Internet era casi artesanal.
Módems de 9,6, 14,4, 28,8, 56 kbit/s. Servidores pequeños. Almacenamiento caro.
Una fotografía podía tardar minutos en aparecer.
Vídeo por Internet parecía una fantasía.
Y la pregunta era razonable: ¿qué pasa si millones de personas se conectan a la vez?
Si hubiéramos proyectado la infraestructura de 1992 hacia miles de millones de usuarios, habríamos concluido que Internet no era escalable.
Y habríamos tenido razón.
Aquella Internet no lo era.
El error habría sido pensar que seguiríamos usando esa misma tecnología para siempre.
5. Lo que salvó a Internet
No fue una sola solución. Fueron muchas, a la vez.
Fibra óptica. Cables submarinos. Routers especializados. Compresión. Cachés. CDN. Servidores distribuidos. Virtualización. Protocolos más eficientes. Cloud computing.
Toda la arquitectura cambió.
Y ocurrió algo notable.
Entre 2010 y 2018, el tráfico de los centros de datos del mundo se multiplicó por once. El almacenamiento, por veintiséis. Las cargas de cómputo, por seis.
Y el consumo eléctrico de esos centros — según una estimación publicada en Science — pasó de unos 194 TWh a 205 TWh.
Un 6% más de electricidad. Mientras el trabajo se multiplicaba.
Fue posible por mejoras de eficiencia enormes.
Es, probablemente, una de las lecciones más importantes para entender el debate energético de hoy sobre la IA.
6. 2000–2020. El centro de datos, la nueva fábrica
Internet dejó de ser solo una red.
Detrás de Google, Facebook, Amazon, Microsoft, Netflix, YouTube, aparecieron instalaciones industriales enormes.
El centro de datos se convirtió en la fábrica invisible de la economía digital.
Miles de servidores. Sistemas redundantes. Subestaciones. Generadores. Baterías. Refrigeración.
La electricidad dejó de medirse en kilovatios. Empezó a medirse en megavatios.
Pero seguía siendo, en el fondo, informática convencional.
Cuando pedíamos una página web, el servidor recuperaba algo que ya existía.
Rapidísimo. Pero, conceptualmente, seguía obedeciendo.
7. Sistemas estáticos y sistemas dinámicos
Aquí está la diferencia que hace falta entender antes de seguir.
Un programa tradicional dice, más o menos:
Si el saldo es menor que la cantidad solicitada, rechaza la operación.
La regla la escribió un humano.
Los datos cambian. La respuesta cambia.
Pero la lógica sigue siendo nuestra.
La inteligencia artificial moderna trabaja distinto.
No programamos cada respuesta.
Entrenamos un sistema para que aprenda relaciones.
8. 2020–2026. La máquina empieza a generar
Los grandes modelos de lenguaje no son una biblioteca gigante de respuestas guardadas.
Durante el entrenamiento, procesan cantidades inmensas de información. Ajustan miles de millones de parámetros.
Aprenden relaciones entre palabras, conceptos, estructuras, imágenes.
Cuando reciben una pregunta, infieren.
Una frase se divide en tokens.
El sistema calcula qué sigue, según el contexto.
Un token. Después otro. Y otro.
Detrás de cada uno, pueden esconderse enormes cantidades de operaciones matemáticas.
Por eso hay una diferencia de fondo entre recuperar una página guardada y generar una respuesta con una red neuronal.
9. Entrenar e inferir
Hay dos consumos distintos.
Entrenamiento. Construir el modelo. Miles de aceleradores trabajando semanas, meses, sobre datos inmensos. Una operación brutal.
Inferencia. Usar el modelo, después. Una sola consulta consume poco comparada con entrenar un gran modelo.
El problema aparece cuando esa consulta se multiplica por cientos de millones de usuarios, miles de millones de veces.
Multipliquemos: usuarios, por consultas, por tokens, por modelos, por 24 horas, por 365 días.
Cuando cientos de millones de personas usan IA cada día, esa inferencia se convierte en una carga enorme, acumulada.
10. Del megavatio al gigavatio
Aquí está la magnitud de la que hablábamos antes.
Un gran campus de IA hoy puede rondar cientos de MW. Los más ambiciosos, escalas de GW.
Un centro consumiendo 1 GW sin parar usaría 24 GWh al día. Casi 8,76 TWh al año.
Ya no comparamos un ordenador con una vivienda.
Comparamos infraestructura informática con ciudades.
Un campus de 1 GW representa una parte muy significativa del consumo eléctrico de Madrid. Supera el de muchas ciudades españolas.
Varios campus de esa escala pueden acercarse al consumo de grandes áreas urbanas.
En ochenta años, la informática pasó de ser una máquina que consumía como un pequeño edificio, a una instalación que puede consumir como una ciudad entera.
11. El nuevo muro: la energía
La Agencia Internacional de la Energía calcula que los centros de datos consumieron unos 415 TWh en 2024.
Su escenario central proyecta unos 945 TWh en 2030.
Más del doble. Cerca del 3% de toda la electricidad del planeta.
La IA es el principal motor de ese aumento. El consumo de servidores acelerados crecería un 30% al año, en ese escenario.
El problema no es solo producir electricidad.
Hay que llevarla hasta allí.
Líneas de alta tensión. Subestaciones. Transformadores. Refrigeración. Agua, en algunos diseños. Generación de respaldo. Estabilidad de red.
Por eso el límite de la IA empieza a parecer, paradójicamente, menos digital. Y más físico.
12. Pero, otra vez, estamos mirando la tecnología de hoy
Aquí vuelve Internet a la conversación.
Decir «si la IA crece cien veces, necesitará cien veces más electricidad» asume que dentro de veinte años seguiremos usando exactamente la misma tecnología que hoy.
La historia dice que probablemente no será así.
Stanford ha documentado, en los periodos analizados, mejoras de eficiencia energética del hardware de IA del orden del 40% anual.
Y el coste de inferencia cayó de forma brutal: un sistema al nivel de GPT-3.5 pasó de unos 20 dólares por millón de tokens, en noviembre de 2022, a unos 0,07 dólares, en octubre de 2024.
Esto no significa que el consumo total vaya a bajar.
Significa que cada unidad de inteligencia computacional puede hacerse muchísimo más barata, energéticamente hablando.
Las dos cosas — más consumo total, y mucha más eficiencia por tarea — pueden ser ciertas al mismo tiempo. No se contradicen. Es exactamente lo que pasó con Internet entre 2010 y 2018.
13. Las tecnologías que pueden romper el muro
Tampoco aquí habrá, probablemente, una sola solución.
Chips especializados. El criterio dejará de ser cuántas operaciones hace un procesador. Importará cuánta inteligencia útil sacamos de cada julio consumido.
Menor precisión. No todos los cálculos necesitan 32 bits. FP16, FP8, FP4 reducen memoria y energía.
Mixture of experts. No hace falta activar todo el modelo para cada problema. Solo los especialistas relevantes.
Modelos pequeños y especializados. No tiene sentido usar la inteligencia más potente disponible para decidir cuándo encender una bombilla.
IA en el dispositivo. Teléfonos, coches, robots, electrodomésticos, con su propia capacidad. Parte de la inteligencia saldrá del centro de datos.
Compute-in-memory. Hoy gastamos mucha energía moviendo datos entre procesador y memoria. Calcular donde vive la información podría cambiar eso.
Fotónica. Fotones, en lugar de electrones, para comunicación y ciertas operaciones. Paralelismo enorme.
Computación neuromórfica. Hardware inspirado, en parte, en cómo funciona el cerebro. Nature Computational Science la señala como una de las grandes oportunidades para ganar eficiencia. Combinada con fotónica, ya es un campo de investigación activo.
14. También cambiará cómo se produce la energía
Los centros de datos, probablemente, se integrarán cada vez más con la red energética.
Renovables. Almacenamiento. Nuclear. Reactores modulares. Geotermia avanzada. Redes inteligentes.
La IEA calcula que cerca de la mitad del crecimiento eléctrico destinado a centros de datos hasta 2035 podría cubrirse con renovables. Gas y nuclear tendrían también un papel importante.
El centro de datos del futuro podría dejar de ser solo un consumidor conectado a una red.
Podría volverse parte de un ecosistema, energético y computacional a la vez.
15. Pero la eficiencia esconde otra trampa
Imaginemos que reducimos cien veces la energía que necesita una tarea de IA.
Parecería que el problema está resuelto.
Pero si ese abaratamiento hace que usemos la IA diez mil veces más…
el consumo total vuelve a subir.
Es el efecto Jevons.
Ya lo vivimos antes.
Los transistores gastan muchísimo menos por operación que las válvulas. Pero hoy tenemos billones de ellos.
Transmitir un megabyte cuesta, energéticamente, una fracción de lo que costaba hace décadas. Y aun así, transmitimos vídeo en 4K sin parar.
La eficiencia no garantiza que consumamos menos.
Muchas veces, garantiza justo lo contrario: que podamos permitirnos consumir mucho más.
16. La siguiente frontera no será solo técnica
Hasta aquí, hay una continuidad clara.
Cada generación tuvo un problema. Cada problema empujó una innovación.
Pero con la inteligencia artificial aparece una ruptura distinta.
El ordenador tradicional amplió nuestra capacidad de calcular.
Internet amplió nuestra capacidad de comunicar y de acceder a información.
La IA empieza a ampliar algo más profundo: nuestra capacidad de interpretar, crear, predecir, recomendar, decidir.
Y cuando una tecnología participa en decisiones, la eficiencia deja de ser el único criterio que importa.
¿Quién define los objetivos?
¿Quién controla los modelos?
¿Qué información usan para aprender?
¿Qué sesgos arrastran?
¿Quién responde cuando se equivocan?
¿Qué decisiones deberían quedarse siempre en manos humanas?
¿Qué pasa cuando la opción matemáticamente más eficiente no es la humanamente correcta?
17. De la complejidad técnica a la complejidad moral
La evolución de los lenguajes informáticos se puede leer también como una historia de abstracción, capa sobre capa.
Lenguaje máquina. Ensamblador. FORTRAN, COBOL. C. Lenguajes de alto nivel. Interfaces gráficas. Internet. Buscadores. Lenguaje natural. IA conversacional.
Durante décadas, aprendimos nosotros el idioma de la máquina.
Ahora, la máquina aprende el nuestro.
Parece un cambio pequeño.
No lo es.
La barrera de entrada a la computación está desapareciendo. Ya no hace falta saber programar para pedirle a una máquina que escriba código, analice datos, cree una imagen, razone sobre un problema.
Eso democratiza la tecnología de una forma extraordinaria.
Pero también democratiza su capacidad de hacer daño.
Por eso la próxima revolución necesita algo que ninguna mejora de semiconductores puede darnos.
Criterio.
18. ¿Qué pasará en los próximos cincuenta años?
No lo sabemos.
Cualquier afirmación firme sobre 2075 es, simplemente, especulación.
Pero podemos mirar la dirección.
Es probable que la IA deje de identificarse con un solo modelo gigante y remoto.
Podríamos tener una inteligencia distribuida: IA personal, dispositivos, robots, vehículos, edificios, empresas, modelos especializados, y grandes centros de inteligencia, todos trabajando juntos.
Cada tarea, dirigida automáticamente hacia la capacidad que realmente necesita.
Algo trivial, resuelto en el propio dispositivo.
Algo especializado, resuelto por un experto concreto.
Algo extraordinariamente complejo, resuelto por un gran modelo remoto.
Una arquitectura jerárquica, distribuida, viva.
Exactamente como Internet dejó de depender de un solo tipo de servidor.
19. Ochenta años encontrando límites
1940 — Ordenadores electrónicos. Problema: tamaño y calor. Respuesta: el transistor.
1960 — Mainframes. Problema: coste y centralización. Respuesta: circuitos integrados y microprocesador.
1980 — El PC. Problema: capacidad y facilidad de uso. Respuesta: miniaturización, software, interfaces gráficas.
1990 — Internet. Problema: ancho de banda y escala. Respuesta: fibra, compresión, CDN, arquitectura distribuida.
2000 — Centros de datos. Problema: millones de servidores. Respuesta: virtualización, cloud, hyperscale.
2020 — Inteligencia artificial. Problema: cálculo, memoria, energía, escala. Respuesta probable: mejores algoritmos, chips especializados, cuantización, modelos expertos, IA local, fotónica, neuromórfica, nueva infraestructura energética.
Queda una última línea. Y esta vez no tiene una respuesta técnica esperando.
2030–2075 — Inteligencia artificial integrada en la sociedad. Problema: ¿para qué queremos toda esa capacidad?
20. Una fórmula para pensar el futuro
Aquí quiero introducir algo. No como predicción científica. No como una verdad demostrada.
Como hipótesis. Como lente.
Una extensión del marco TMC que llamo La Fórmula del Futuro:
Índice = ((HI + IA) × XQ) / f
HI — Inteligencia Humana. Experiencia, creatividad, intuición, capacidad de leer el contexto.
IA — Inteligencia Artificial. La capacidad de aprender patrones, procesar información, generar alternativas, predecir.
XQ — inteligencia moral y criterio. Valores, responsabilidad, conciencia de las consecuencias, dirección humana.
f — fricción. Todo lo que impide convertir esa capacidad en progreso real: burocracia, conflicto, mala comunicación, resistencia, intereses cruzados, desinformación, estructuras que no funcionan.
No digo que la inteligencia, humana o artificial, se pueda reducir a una ecuación.
Digo que sirve para hacer una pregunta incómoda.
Si HI e IA crecen enormemente, y XQ baja, tener más inteligencia no garantiza nada bueno.
Podríamos volvernos extraordinariamente capaces de hacer algo que nunca debimos decidir hacer.
Pero si esa misma inteligencia artificial se combina con inteligencia humana, criterio, y poca fricción, podría multiplicar nuestra capacidad de resolver lo que hasta hoy parecía irresoluble.
Conclusión: la tecnología quita límites; el ser humano decide el rumbo
Ochenta años repitiendo, en el fondo, la misma historia.
Cuando parecía imposible construir ordenadores más grandes, llegó el transistor.
Cuando parecía imposible llevar la informática a cada casa, llegó el microprocesador.
Cuando parecía imposible conectar cientos de millones de máquinas, evolucionó Internet.
Cuando parecía imposible almacenar y procesar tanta información, llegaron los centros de datos y la nube.
Ahora miramos instalaciones de IA que necesitan cientos de megavatios, a veces gigavatios enteros.
Y volvemos a preguntarnos: ¿puede esto seguir creciendo así?
La respuesta de la historia es que, probablemente, no de la misma manera.
Pero eso no quiere decir que no pueda seguir.
Quiere decir que tendrá que cambiar.
Los propios datos muestran las dos caras a la vez: la IEA espera un fuerte aumento del consumo eléctrico. Stanford registra mejoras muy rápidas en la eficiencia del hardware de IA.
La historia de la tecnología es, en el fondo, la historia de aprender a hacer más con menos.
Y de descubrir, casi de inmediato, que queremos hacer todavía más.
Quizás por eso el verdadero límite de la próxima generación no sea la electricidad.
Podremos producir más energía. Diseñar mejores chips. Usar menos bits. Distribuir modelos. Construir sistemas fotónicos o neuromórficos.
Y seguramente aparecerán tecnologías que hoy ni imaginamos.
Pero ninguna de ellas responderá, por sí sola, a la pregunta de fondo.
¿Qué debemos hacer con toda esa capacidad?
Ahí, la evolución deja de ser solo informática.
En la especulación de La Fórmula del Futuro, el progreso sostenible no dependería solo de sumar HI + IA.
Dependería del factor que orienta esas inteligencias — XQ — y de nuestra capacidad para reducir la fricción que impide convertir conocimiento en progreso real.
Índice = ((HI + IA) × XQ) / f
Puede que dentro de cincuenta años nuestros descendientes miren los centros de datos de hoy como nosotros miramos ENIAC.
Máquinas enormes. Calientes. Extraordinariamente ineficientes, para lo poco que daban.
Si eso ocurre, habremos resuelto el problema tecnológico.
La pregunta realmente importante será otra: si nuestra capacidad para decidir qué hacer con la tecnología habrá evolucionado al mismo ritmo que nuestra capacidad para construirla.
Nota sobre este artículo
El hilo conductor, la estructura y la mirada de este texto son míos. Los datos históricos y técnicos —desde el consumo de ENIAC hasta las proyecciones de la IEA sobre energía y centros de datos— fueron recopilados con ayuda de inteligencia artificial y contrastados con las fuentes originales antes de publicarse aquí.
La Fórmula del Futuro, y el marco TMC del que nace, son desarrollo propio. La fórmula se presenta en este artículo como una hipótesis conceptual, no como una predicción científica.
El marco completo puede encontrarse en TMC Framework 2025, disponible en Amazon: Autor: Tom Dean Story