La energía como restricción del cómputo

Qué es

El cómputo parece inmaterial, pero no lo es: cada operación convierte electricidad en un resultado y en calor. Existe incluso un piso físico —el límite de Landauer (1961), que fija en $kT\ln 2$ la energía mínima para borrar un bit—, aunque los procesadores actuales operan órdenes de magnitud por encima de él. La restricción relevante, entonces, no es la termodinámica fundamental sino algo mucho más terrenal: cuántos megavatios firmes puede entregar una red, en qué punto geográfico y con cuántos años de trámite de por medio.

La forma económica del problema es la de un factor limitante. Si dos insumos son complementarios estrictos en el margen relevante —chips y energía, en este caso—, la producción no la determina el insumo abundante sino el escaso: es una tecnología de proporciones fijas al estilo Leontief, no una Cobb-Douglas donde un factor barato sustituye cómodamente al caro. Se pueden comprar todos los aceleradores del mundo; si no hay subestación, transformador y línea de transmisión, no encienden. Por eso la métrica que empieza a importar en la industria no es el número de chips sino los gigavatios contratados.

Durante tres décadas esta restricción estuvo dormida por una razón concreta: la eficiencia energética del cómputo mejoraba tan rápido que absorbía el crecimiento de la demanda. Koomey y coautores (2011) documentaron que las operaciones por kilowatt-hora se duplicaban aproximadamente cada 1,6 años, y Masanet et al. (2020) mostraron el resultado agregado: entre 2010 y 2018 la carga de trabajo de los centros de datos del mundo se multiplicó varias veces mientras su consumo eléctrico se mantuvo prácticamente plano. El fin de ese régimen —eficiencia con rendimientos decrecientes frente a una demanda que crece exponencialmente— es lo que devuelve la energía al centro de la discusión.

Conviene no confundir eficiencia con ahorro. La observación de Jevons (1865) sobre el carbón inglés sigue vigente: abaratar el servicio energético aumenta su consumo agregado en vez de reducirlo. Un modelo más eficiente por token no baja la factura eléctrica del sector; hace económicamente viables usos que antes no lo eran.

La parte institucional del problema es la que decide quién gana. Aquí sirve la vieja idea de Hirschman (1958) sobre el capital fijo social: energía, transmisión y agua son inversiones lentas, indivisibles y públicamente reguladas que anteceden a la inversión directamente productiva y le fijan el techo. David (1990), en su comparación entre el dínamo y el computador, mostró que la electricidad tardó décadas en aparecer en las cifras de productividad porque exigía rehacer la red y reorganizar las fábricas: la tecnología de propósito general llega antes que sus complementos. Un país puede liderar en diseño de chips y perder la carrera por falta de permisos de conexión.

De ahí se sigue una geografía particular. Transportar electricidad es caro y tiene pérdidas; transportar datos por fibra es barato. Esa asimetría implica que el cómputo se muda hacia la energía y no al revés —al menos el entrenamiento, que tolera latencia; la inferencia sensible al tiempo de respuesta sigue atada al usuario—. Es la misma lógica que explica por qué el norte de Chile, con la mejor radiación solar del mundo y lejos de sus centros de consumo, aparece en toda conversación sobre centros de datos, y por qué la transmisión, no la generación, suele ser el cuello real.

Finalmente, cuando un factor es fijo en el corto plazo, el excedente lo captura ese factor. La suba de los contratos de suministro de largo plazo y del valor de los terrenos con conexión asegurada es una renta ricardiana de manual: el retorno de la inteligencia artificial se filtra hacia quien controla el enchufe.

Cómo lo explicó el programa

En Buenas Tardes Mercado del 9 de septiembre de 2026, al analizar la competencia tecnológica entre Estados Unidos y China, Manuel Bengolea desplazó el foco desde los semiconductores —el tema habitual— hacia el insumo que los alimenta:

"hay un factor crítico en esto que se llama la batalla energética y la infraestructura de datos"

El argumento del programa fue que la variable crítica y menos discutida no son los chips sino la energía y la infraestructura de datos: Estados Unidos lidera en capacidad instalada de cómputo pero arrastra una red eléctrica vieja, fragmentada y todavía dependiente de gas y carbón, mientras China es el mayor instalador de solar y eólica del mundo y localiza sus clústeres de datos en provincias occidentales menos pobladas y ricas en recursos. Es exactamente la distinción entre el insumo abundante y el limitante: liderar en lo primero no garantiza nada si lo segundo no acompaña, y la ventaja china que describe Bengolea es de capital fijo social y de localización, no de diseño.

Relación con otros conceptos

Se apoya directamente en la noción de datos como insumo productivo: energía y datos son los dos complementos físicos del cómputo, y ambos tienen geografía. Comparte estructura con la paradoja de Jevons, que explica por qué la eficiencia no resuelve la restricción, y con las tecnologías de propósito general, cuyo rendimiento depende de inversiones complementarias que maduran con rezago. La captura del excedente por el factor escaso es un caso de renta ricardiana, y la concentración territorial de los clústeres responde a economías de aglomeración y a costos de transporte asimétricos entre electrones y bits. Del lado del insumo humano, la restricción energética es hermana del capital humano matemático como insumo de IA: distintos cuellos de botella del mismo proceso productivo.

Fuentes y lecturas

• Jevons, W. S. (1865), The Coal Question, Macmillan. Ver también «Paradoja de Jevons» en Wikipedia: https://es.wikipedia.org/wiki/Paradoja_de_Jevons
• Hirschman, A. O. (1958), The Strategy of Economic Development, Yale University Press.
• David, P. A. (1990), "The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox", American Economic Review, 80(2).
• Koomey, J., Berard, S., Sanchez, M. y Wong, H. (2011), "Implications of Historical Trends in the Electrical Efficiency of Computing", IEEE Annals of the History of Computing, 33(3).
• Masanet, E., Shehabi, A., Lei, N., Smith, S. y Koomey, J. (2020), "Recalibrating Global Data Center Energy-Use Estimates", Science, 367(6481).