La inteligencia artificial está acelerando la factura energética de las startups, pero cuantificar su huella de carbono seguía siendo una caja negra. Watershed, la startup especializada en la medición de carbono, ha publicado un marco para calcular las emisiones de IA por token que demuestra que medir no es solo posible: es una ventaja competitiva que todo emprendedor debería conocer.
El framework que que Watershed ha puesto sobre la mesa desglosa el impacto en kilogramos de CO2 por cada millón de tokens procesados. Tiene en cuenta la infraestructura del centro de datos, el modelo de IA utilizado, la región desde la que se ejecuta la consulta y, algo crucial, la propia estructura del prompt. «Las empresas ya rastrean el uso de tokens para controlar costes», explica John Bistline, jefe de ciencia de la compañía. «El cálculo de emisiones se enchufa a esos mismos datos. No pedimos construir algo nuevo: coste y sostenibilidad van de la mano».
Un marco basado en tokens: del coste al carbono
La lógica es sencilla de replicar. Si tu startup ya mide cuántos tokens consume cada llamada a la API de un LLM —práctica habitual para vigilar el gasto—, con el esquema de Watershed puedes traducir ese volumen a una métrica ambiental. Basta con aplicar un factor de emisión que depende del modelo (un modelo de razonamiento puede gastar hasta 30 veces más energía que uno ligero para la misma tarea), de la intensidad de carbono de la red eléctrica de la región y del diseño de los prompts.
El dato no es menor: el mismo producto que integra un chatbot de atención al cliente puede multiplicar su huella de carbono solo por elegir un modelo excesivamente pesado o por redactar prompts ineficientes. La buena noticia es que esos factores están bajo el control directo del equipo de producto.
Los tres ejes que toda startup puede controlar
Bistline detalla tres palancas concretas que cualquier fundador puede ajustar mañana mismo:
- El modelo de IA. No todos los LLM consumen igual. Un modelo de razonamiento puede disparar el gasto energético hasta 30 veces por encima de uno más pequeño. Preguntarse si la tarea realmente necesita GPT-5 o si GPT-4 Mini basta es el primer ahorro.
- La región. La misma consulta procesada en un data center de Virginia, que depende en buena medida de combustibles fósiles, tiene una mochila de carbono muy distinta a la de uno ubicado en Suecia, alimentado por renovables. La geolocalización del servidor importa más de lo que la mayoría de los CTO piensan.
- La estructura del prompt. Un prompt rebuscado, con instrucciones redundantes o una cadena de razonamiento innecesaria, multiplica los tokens y, por tanto, la emisión. Ajustar el diseño de las interacciones con el modelo es una medida de eficiencia operativa pura.
La métrica de emisiones por token no es un capricho eco: es un espejo de la eficiencia operativa de tu stack de IA.
“Cerrado” no significa imposible
Uno de los grandes obstáculos para medir con precisión es que la mayoría de los modelos de IA más usados son cerrados; sus proveedores no publican el consumo energético real. «Solo existe un dato empírico publicado para un modelo cerrado de última generación: los que Google compartió sobre Gemini a mediados de 2025, y aun así es una única foto de un solo modelo en un momento puntual», apunta Bistline. Watershed asume que los proveedores no revelarán el total de emisiones del entrenamiento ni los tokens servidos a lo largo de la vida del modelo —datos comercialmente sensibles—, pero confía en que sí compartan el ratio de emisiones por token. Mientras tanto, la estimación basada en variables proxies sigue siendo la respuesta más defendible.
Esa realidad no exime a las startups. Al contrario, Bistline anima a «construir la infraestructura de medición ahora, porque quienes lo hagan estarán mejor preparados que los que esperen». Y la presión no procede solo de la conciencia ecológica.
Por qué tu próximo inversor te preguntará por las emisiones de IA
Inversores, auditores y reguladores han empezado a pedir cuentas sobre las emisiones de Alcance 3, esas que no genera directamente la empresa pero sí su cadena de valor: viajes de negocio, servidores en la nube y, cada vez más, las consultas a la IA. En California, la divulgación del Alcance 3 ya es obligatoria por ley. El Protocolo de Gases de Efecto Invernadero, referencia mundial para el reporte climático corporativo, estudia requisitos específicos para los servicios en la nube y la inteligencia artificial. «La mayoría de las empresas no tienen una forma defendible de responder cuando les preguntan por las emisiones de IA», resume Bistline.
El hueco de transparencia se convierte así en un riesgo reputacional y, en breve, en un riesgo regulatorio. Pero también en una oportunidad: la misma herramienta que revela la huella de carbono señala dónde se esconde la ineficiencia. Usar un modelo más ligero, mover la carga de trabajo a una región con una red eléctrica más limpia o simplificar los prompts no solo reduce emisiones; reduce costes operativos reales.
El mensaje para el ecosistema emprendedor es cristalino: la sostenibilidad no es un extra para startups con presupuesto holgado. Es una métrica de negocio que afecta al burn rate, a la percepción del inversor y, muy pronto, al cumplimiento normativo. Watershed ha demostrado que medir las emisiones de la IA es factible incluso cuando los grandes proveedores no abren sus libros. La clave está en empezar por lo que ya se tiene —el consumo de tokens— y construir desde ahí.
🚀 Hoja de Ruta para Emprender
- Monitoriza los tokens como un KPI financiero: Si tu startup usa modelos de terceros, activa ya el registro de consumo de tokens por petición. Sin ese dato, no hay medición posible.
- Elige el modelo justo para cada tarea: Evalúa si el problema que resuelves necesita un modelo de razonamiento o si uno más ligero cumple. La diferencia de emisiones puede ser de un factor 30.
- Geolocaliza con cabeza: Informa a tu equipo sobre la región del data center que sirve cada consulta. Si tu proveedor lo permite, prioriza las que operen con fuentes renovables.
- Prepara el reporte de Alcance 3: Documenta ahora la metodología de cálculo que usas; cuando llegue la regulación, tendrás una respuesta defendible y podrás presentar la eficiencia de tu stack como un activo.
