La sostenibilidad de la Inteligencia Artificial no depende únicamente de la energía que consumen los centros de datos. También comienza con las decisiones de diseño del software. En Sygris investigamos cómo combinar modelos avanzados de IA con soluciones computacionalmente más ligeras, sin renunciar a la calidad de los resultados.
¿Es posible conseguir que una Inteligencia Artificial consuma menos energía sin renunciar a sus capacidades?
La respuesta empieza a encontrarse en el propio diseño de los algoritmos. En 2025, investigadores de Google publicaron un estudio que documentaba cómo las mejoras de eficiencia del software y la infraestructura habían permitido reducir 33 veces el consumo energético y 44 veces la huella de carbono por consulta mediana de texto de Gemini en apenas un año.
El resultado demuestra que el impacto ambiental de la IA no depende exclusivamente del tamaño de los centros de datos o del origen de la electricidad. Las decisiones de ingeniería también pueden marcar diferencias significativas.
Esta es precisamente una de las líneas de investigación que abordamos en Sygris a través de IA4SustainabilityReport, desarrollado junto a la Universidad Autónoma de Madrid: combinar tecnologías avanzadas de inteligencia artificial con arquitecturas más ligeras y eficientes para optimizar el procesamiento de información de sostenibilidad empresarial.

Del Pacto Verde Europeo al diseño de algoritmos más eficientes
El Pacto Verde Europeo establece una estrategia para transformar la economía comunitaria hacia un modelo climáticamente neutro y eficiente en el uso de los recursos. La Legislación Europea sobre el Clima fija una reducción de las emisiones netas de al menos el 55 % para 2030, respecto a 1990, y la neutralidad climática para 2050.
En el sector digital, avanzar hacia estos objetivos exige considerar el impacto ambiental de las tecnologías durante todo su ciclo de vida.
La selección de modelos de Inteligencia Artificial, el volumen de información utilizado, el número de operaciones de entrenamiento o la frecuencia de ejecución influyen en los recursos necesarios para desarrollar y utilizar una aplicación.
Por ello, la investigación en Green Tech busca identificar alternativas que permitan mantener las prestaciones tecnológicas reduciendo el esfuerzo computacional.
Una de las estrategias consiste en reservar los modelos de Inteligencia Artificial más complejos para aquellas tareas en las que realmente aportan valor, utilizando soluciones más ligeras para operaciones que no necesitan la misma capacidad de procesamiento.
IA4SustainabilityReport: combinar Inteligencia Artificial avanzada con modelos más ligeros
En Sygris estamos investigando este enfoque a través de IA4SustainabilityReport, un proyecto de I+D desarrollado junto al grupo MISO de la Universidad Autónoma de Madrid, orientado a facilitar el análisis y la elaboración de información de sostenibilidad empresarial.
Uno de nuestros trabajos se centra en crear sistemas capaces de recomendar qué aspectos de sostenibilidad pueden resultar relevantes para una empresa, teniendo en cuenta sus características y los estándares europeos de información ESG.
Para avanzar en este objetivo, hemos desarrollado una arquitectura que combina distintas técnicas de Inteligencia Artificial.
Los modelos de lenguaje de gran tamaño (LLM) se utilizan para extraer información de informes de sostenibilidad. Posteriormente, esa información se organiza, depura y valida mediante reglas específicas, antes de utilizarse para entrenar sistemas de recomendación más ligeros.
La decisión tecnológica es relevante: utilizar modelos avanzados para aprender de grandes volúmenes de información y recurrir después a clasificadores menos exigentes para generar recomendaciones.
Esta arquitectura, presentada en la conferencia internacional ACM/IEEE MODELS 2026, permite reducir las necesidades computacionales de las consultas frente a una alternativa que recurriera continuamente a un gran modelo de lenguaje.
La investigación ha trabajado con 734 informes de sostenibilidad de empresas europeas, que suman más de 222.000 páginas. Además, se han desarrollado reglas de validación para detectar incoherencias en la información extraída mediante IA.
En las pruebas realizadas, los sistemas entrenados con datos corregidos mediante estas reglas no presentaron incumplimientos de las 30 condiciones de coherencia evaluadas sobre el conjunto de prueba. Este resultado demuestra una mejora en la consistencia de las recomendaciones, aunque no equivale todavía a una validación completa de su precisión.

Diseñar mejor para utilizar menos recursos
El interés de esta investigación va más allá de automatizar informes de sostenibilidad. También muestra cómo las decisiones de arquitectura pueden contribuir al desarrollo de soluciones tecnológicas más eficientes.
Separar las tareas de extracción y recomendación, reutilizar el conocimiento obtenido durante el entrenamiento y utilizar modelos proporcionados a cada función son decisiones que permiten estudiar alternativas de menor coste computacional.
En IA4SustainabilityReport, esta línea de trabajo se complementa con el análisis de buenas prácticas de Green Tech durante el diseño, desarrollo, entrenamiento y ejecución del software, con el objetivo de reducir un 50 % las emisiones respecto a un desarrollo tecnológico tradicional comparable.
La consecución de esa meta requiere medir y contrastar el consumo y las emisiones de las distintas alternativas. Por ello, la eficiencia computacional constituye un punto de partida, pero no sustituye a la evaluación ambiental.
En Sygris entendemos la sostenibilidad tecnológica como una parte de la innovación: desarrollar herramientas inteligentes para ayudar a las empresas a gestionar mejor su información ESG, mientras investigamos cómo hacer que esas herramientas necesiten menos recursos.
Porque una Inteligencia Artificial mejor diseñada no es necesariamente la que más capacidad computacional utiliza, sino la que consigue resolver cada problema con los recursos adecuados.
Referencias
1. Agencia Internacional de la Energía (2025). Energy and AI. Consumo eléctrico de centros de datos y previsiones para 2030.
2. Unión Europea. Reglamento (UE) 2021/1119. Legislación Europea sobre el Clima.
3. De Lara, J.; Guerra, E.; Corral, J.; Mora, C. (2026). Towards an Intelligent Model-based Approach to Automated Sustainability Reporting. ACM/IEEE 29th International Conference on Model Driven Engineering Languages and Systems (MODELS Companion 2026).
4. Lannelongue, L.; Grealey, J.; Inouye, M. (2021). Green Algorithms: Quantifying the Carbon Footprint of Computation. Advanced Science.