La AI incrementa el consumo energético de centros de datos. Uptime propone medir TFLOPS/MWh para proteger ROI, regulaciones y reputación.
La IA generativa impulsa nuevas inversiones en centros de datos, pero muchas organizaciones aún no miden cuánta productividad obtienen por cada MWh consumido. Así, se arriesgan a perder competitividad, justificar peor sus presupuestos y enfrentar más presión de reguladores y comunidades. Por eso, Uptime Institute propone avanzar hacia métricas de “trabajo por energía”, inspiradas en la supercomputación y adaptadas a los proyectos de IA a gran escala.
La IA dispara el consumo, pero falta medir productividad
Por un lado, el debate sobre IA en centros de datos se ha concentrado en megavatios, PUE, refrigeración y nuevas capacidades de potencia. Sin embargo, casi nadie en la alta dirección pregunta aún cuánta computación útil realizan sus servidores por unidad de energía. Esta brecha dificulta demostrar el retorno de la inversión en aceleradores de IA, más aún cuando el consumo energético sigue aumentando año tras año. IA y data centers: Del pUE a la relación entre trabajo y energía
Además, a medida que crecen los proyectos de IA generativa, reguladores y stakeholders exigirán indicadores más claros de eficiencia real, no solo de infraestructura física. En este contexto, Uptime Institute plantea un cambio de enfoque: medir productividad de cómputo, no solo eficiencia de sitio.
Del PUE al “trabajo por energía” en IA
Durante años, el PUE ha sido la métrica central para centros de datos, porque relaciona el consumo total del sitio con el consumo de TI. Sin embargo, el PUE no indica cuánto trabajo computacional se genera por cada MWh, lo cual es crítico para IA y cargas intensivas. Por este motivo, Uptime Institute recomienda complementar el PUE con una métrica de productividad: TFLOPS por MWh para los servidores y aceleradores de IA. La idea es sencilla, pero poderosa: estimar el trabajo máximo que puede hacer la infraestructura, y luego compararlo con la energía realmente consumida. Así, los equipos pueden saber si un refresh tecnológico, una consolidación o una mejora operativa se traducen en más trabajo útil por unidad de energía.
El detalle clave: no todos los FLOPS son iguales
En apariencia, hablar de FLOPS parece suficiente, porque indica cuántas operaciones de coma flotante puede realizar un sistema. Sin embargo, el artículo subraya que no todos los FLOPS son comparables entre sí, debido a la precisión usada en los cálculos. Un mismo sistema puede reportar valores muy distintos si calcula a 4, 8, 16, 32 o 64 bits de precisión, lo que complica los benchmarks. Por eso, Uptime Institute recomienda utilizar como referencia los 32‑bit TFLOPS al comparar capacidades y construir métricas internas de productividad. De esta forma, se reduce el ruido y se obtiene una base más consistente para evaluar el efecto de nuevas compras o configuraciones de IA. En consecuencia, la precisión de coma flotante debería convertirse en un criterio explícito en las especificaciones de compra de servidores y aceleradores.
Cómo calcular la productividad en TFLOPS/MWh
A partir de esa normalización, Uptime propone un enfoque práctico para medir productividad de TI en centros de datos con cargas de IA. Primero, se debe calcular la capacidad máxima en 32‑bit TFLOPS de los servidores y nodos aceleradores, agrupados por rack, clúster o sitio. Luego, se multiplica esa capacidad por el nivel real de utilización durante un periodo definido, por ejemplo mensual o trimestral. Después, se divide ese resultado por la energía consumida en MWh, obteniendo un indicador de productividad expresado en TFLOPS por MWh. Además, separar los cálculos por tipo de recurso, como CPU, aceleradores y almacenamiento, ayuda a localizar mejor las oportunidades de optimización. Esta métrica no pretende reemplazar todas las demás, pero sí ofrecer un puente claro entre infraestructura, energía y valor computacional entregado.
Lecciones desde la supercomputación y eventos de la industria. IA y data centers: Del pUE a la relación entre trabajo y energía
El enfoque descrito por Uptime se apoya en años de experiencia de la comunidad de supercomputación, que ha priorizado los FLOPS por watt como indicador clave. Además, en eventos recientes como Yotta 2025, especialistas en energía y HPC han insistido en tratar los grandes entrenamientos de IA como proyectos de supercomputación. Según estos expertos, aunque posiblemente no exista un indicador perfecto y universal, cada operador puede definir métricas de productividad consistentes para su entorno. De esta manera, los centros de datos pueden comparar iteraciones internas, proyectos y arquitecturas, incluso cuando los benchmarks externos son difíciles de equiparar. Uptime subraya que la prioridad es medir de forma sistemática y tomar decisiones, en lugar de perseguir una métrica ideal imposible.
Implicaciones para directivos de TI, finanzas y sostenibilidad
Para la alta dirección, el valor de estas métricas está en la toma de decisiones, no solo en el detalle técnico. Con un indicador como TFLOPS/MWh, los CIO y CFO pueden mostrar si un aumento del consumo energético viene acompañado de un aumento proporcional, o superior, en productividad de cómputo. Igualmente, pueden identificar inversiones en IA que consumen mucha energía, pero generan poco trabajo útil en comparación con alternativas optimizadas. Desde el ángulo regulatorio, esta información ayuda a responder preguntas de autoridades y comunidades sobre el uso eficiente de la capacidad instalada. Además, vincular la productividad de TI con compromisos de emisiones y objetivos de sostenibilidad fortalece el relato corporativo frente a inversionistas y stakeholders.
Cinco acciones concretas para centros de datos con IA
A partir del artículo de Uptime Institute, los operadores de centros de datos pueden activar varias acciones inmediatas y muy concretas.
Primero, incluir los 32‑bit TFLOPS y el consumo energético como requisitos explícitos en RFP y procesos de compra de servidores y aceleradores de IA.
Segundo, construir una línea base interna de productividad, usando TFLOPS/MWh por clúster o data center, con datos ya disponibles en herramientas de monitoreo.
Tercero, revisar el portafolio de cargas de IA y HPC para identificar consolidaciones y ajustes de utilización que aumenten el trabajo útil sin degradar el servicio.
Cuarto, desarrollar dashboards ejecutivos que muestren la evolución de la productividad de cómputo por energía, junto con indicadores tradicionales como PUE y costos.
Quinto, conectar esta métrica con la agenda de sostenibilidad, reporting ESG y diálogo con reguladores, especialmente en mercados con presión creciente sobre centros de datos.
Siguiente paso para la alta dirección
El mensaje final de Uptime Institute es claro: la expansión de la IA exige pasar de medir solo infraestructura a medir trabajo efectivo por energía. Por eso, el siguiente paso para los equipos de TI, finanzas y sostenibilidad es definir, probar e institucionalizar una métrica de productividad como TFLOPS/MWh. Con ese indicador, las organizaciones podrán priorizar inversiones, defender proyectos de IA ante el consejo y responder mejor a los nuevos requisitos regulatorios. Además, podrán compararse consigo mismas en el tiempo, aprendiendo qué arquitecturas, configuraciones y prácticas operativas entregan más valor por cada MWh.
medidas necesarias para mejorar la gestión
A partir del enfoque de Uptime Institute, hay al menos cinco movimientos concretos que los equipos de TI y data centers pueden activar de inmediato.
- Incorporar TFLOPS (a 32 bits) y consumo energético como criterios obligatorios en el proceso de compra de servidores y aceleradores para IA.
- Construir una línea base interna de productividad (TFLOPS/MWh) por clúster o data center, usando datos de utilización y energía ya disponibles en herramientas de monitoreo.
- Revisar el portafolio de cargas de trabajo de IA y HPC para identificar casos donde se pueda consolidar infraestructura. También, ajustar políticas de utilización sin afectar la calidad del servicio.
- Preparar un dashboard ejecutivo que muestre si las inversiones en IA están aumentando la productividad por energía o solo el consumo.
- Evaluar cómo esta métrica puede apoyar el cumplimiento de normativas ambientales y compromisos de sostenibilidad corporativa. Especialmente en mercados donde la presión social sobre los data centers va en aumento.
Un siguiente paso lógico es sumar a áreas de finanzas y sostenibilidad. Estas áreas integrarán las métricas de “trabajo por energía” en la cartera de indicadores estratégicos. De cualquier forma hay que seguir obsrvando el PUE, los costos de energía y los objetivos de emisiones.
IA y data centers: Del pUE a la relación entre trabajo y energía