Veinte watts contra megawatts: la paradoja que las empresas están pagando por no resolver
Los data centers que entrenan IA de última generación consumen electricidad como ciudades medianas. El cerebro humano lo hace con 20 watts. ¿Por qué las empresas están pagando activamente por esa asimetría energética?
Los data centers que entrenan la IA más avanzada consumen electricidad equivalente a ciudades medianas. El cerebro humano razona con lo que gasta una ampolleta LED. Y aun así, compañías como Oracle y Amazon están acelerando la sustitución de cerebros de 20 watts por sistemas de megawatts. La pregunta incómoda no es técnica: es por qué.
1. La paradoja energética: 20 watts contra megawatts
El contraste es preciso y verificable. El cerebro humano opera con una tasa metabólica total cercana a 20 watts —el consumo de una ampolleta LED— procesando información compleja de forma continua [1]. La cifra se deriva de mediciones de consumo de glucosa y oxígeno cerebral y es estándar en la literatura primaria de neurociencia. Ese órgano representa aproximadamente el 2% del peso corporal y absorbe cerca del 20% de la energía metabólica total del organismo [1]: caro para el cuerpo, barato bajo cualquier patrón energético industrial.
Del otro lado de la ecuación, los entrenamientos de modelos de lenguaje comparables a GPT-4o consumen aproximadamente 20 a 25 megawatts de potencia sostenida durante unos tres meses, según estimaciones publicadas por Epoch AI [2] —organismo especializado en seguimiento de cómputo de IA. Es una estimación de terceros, no un dato declarado por OpenAI, y se presenta aquí calificada como tal. Esa potencia es del orden de un millón de veces la del cerebro humano: la asimetría que estructura todo el resto del artículo. Los costos operativos asociados se miden en decenas a cientos de millones de dólares solo por la electricidad del ciclo de entrenamiento, sin contar la infraestructura de refrigeración hídrica necesaria para impedir que los procesadores se degraden térmicamente.
La Agencia Internacional de Energía (IEA), en su reporte Energy and AI de 2025, estima que los data centers consumieron cerca de 415 TWh en 2024 —aproximadamente 1,5% del consumo eléctrico global— y proyecta que esa cifra se duplicará a ~950 TWh al 2030, alcanzando cerca del 3% del consumo eléctrico mundial [3]. Los data centers dedicados específicamente a cargas de IA crecieron 50% solo durante 2025 [3]. Estados Unidos y China concentran cerca del 80% del crecimiento proyectado al 2030 [3].
La pregunta que esta aritmética plantea no es si la IA es útil. Es qué significa sostener una asimetría tan extrema entre lo que necesita un cerebro para funcionar y lo que requiere esta tecnología para aproximar un trabajo equivalente.
2. Arquitecturas incomparables: neuronas versus transistores
La diferencia no es solo cuantitativa. El cerebro humano dispone de unos 86 mil millones de neuronas interconectadas por un orden de 100 a 150 billones (10¹²) de sinapsis, operando en paralelo masivo a múltiples escalas temporales y con modulación química además de eléctrica. Los procesadores digitales, por precisos y rápidos que sean en ejecución secuencial, no igualan esa arquitectura: la aproximan con paralelismo masivo a través de GPUs, pero al costo energético que ya vimos.
La escala del problema se aprecia en lo que cuesta simplemente codificar un trozo de cerebro, sin siquiera simularlo. El dataset H01, producido por el equipo de Conectómica de Google Research en colaboración con el laboratorio de Jeff Lichtman en Harvard y publicado en Science, reconstruyó un fragmento de corteza humana equivalente aproximadamente a medio grano de arroz: 16.000 neuronas, 150 millones de sinapsis [4]. La codificación digital de ese fragmento ocupa 1,4 petabytes [4]. Para dimensionar: un cerebro humano completo tiene del orden de un millón de veces ese volumen de tejido. La extrapolación supera por amplio margen las capacidades de almacenamiento y procesamiento de cualquier sistema digital actualmente en operación.
Esta diferencia arquitectónica explica por qué un órgano que cabe en un cráneo supera en eficiencia energética a instalaciones que ocupan hangares enteros. El paralelismo biológico no es solo una ventaja técnica: es una filosofía de procesamiento distinta. Donde la computación digital persigue precisión absoluta y determinismo, el cerebro opera con aproximación, redundancia y tolerancia al ruido como características funcionales, no como defectos a corregir.
3. El costo oculto de la formación: plasticidad versus reentrenamiento
La neuroplasticidad es la pieza que rara vez se pone sobre la mesa cuando se compara eficiencia entre humano y máquina, y sin embargo es la que más diferencia hace en el largo plazo. El cerebro humano integra información nueva durante toda la vida sin requerir reemplazo de infraestructura ni ciclos de reentrenamiento diferenciados. Un trabajador que aprende una nueva herramienta, o que se adapta a un nuevo sistema o desarrolla una especialización, lo hace sobre la misma base neuronal, optimizándola incrementalmente.
Un modelo de IA, en cambio, requiere reentrenamiento parcial o completo para incorporar información nueva o adaptarse a cambios de dominio. Ese proceso implica costos del orden de millones de dólares y semanas de cómputo intensivo. La arquitectura es rígida por diseño: los parámetros aprendidos en el entrenamiento original no se actualizan continuamente sin costo; se reentrenan en ciclos discretos y caros.
Las implicaciones son asimétricas. La inversión en formación humana se amortiza durante décadas sin depreciación técnica: el profesional que aprendió a razonar rigurosamente a los 25 años razona igual de riguroso a los 50, solo que con más contexto acumulado. Los modelos de IA requieren reinversión permanente —su conocimiento se deprecia con cada ciclo de actualización del estado del arte. Esta distinción es relevante cuando las organizaciones toman decisiones de sustitución: el "costo del empleado" y el "costo del modelo" no se comparan bajo la misma curva de depreciación, aunque las planillas presupuestarias los pongan en la misma columna.
4. Eficiencia cognitiva: cuando menos es exponencialmente más
Los números del cerebro revelan una asimetría fascinante. Se estima que procesa información a un ritmo equivalente a entre 10¹⁴ y 10¹⁸ operaciones por segundo, según la métrica que se use para contarlo. La razón del rango es que el cerebro no opera en la arquitectura discreta de un procesador digital —donde cada operación es una unidad contable con un costo energético directo asociado. El cerebro hace ese trabajo con 20 watts. Un procesador digital que aproxime el mismo volumen de cómputo lo paga a la tasa de un millón a uno que vimos al inicio: cada operación equivalente le cuesta del orden de un millón de veces más energía.
Hay un mito extendido que conviene desmontar antes de seguir: la idea de que los genios "usan más" de su capacidad cerebral que un humano promedio. La evidencia neurocientífica apunta en dirección exactamente opuesta.
El mito del "10% del cerebro" está sistemáticamente refutado por décadas de imagenología funcional; el consenso entre neurocientíficos —incluyendo a Barry Gordon de Johns Hopkins— es claro: usamos virtualmente todo el cerebro, y la mayor parte está activa casi todo el tiempo [5]. Los estudios del cerebro de Einstein conducidos por Sandra Witelson y publicados en The Lancet en 1999 no encontraron "uso extendido" [6]: encontraron diferencias anatómicas estructurales —lóbulos parietales 15% más anchos que el promedio, ausencia de opérculo parietal en ambos hemisferios, un patrón inusual de la cisura de Silvio. Una arquitectura distinta, no un uso mayor.
Y en la dirección más reveladora, la hipótesis de eficiencia neuronal —formulada en la Teoría P-FIT (Parieto-Frontal Integration Theory) de Jung y Haier, publicada en Behavioral and Brain Sciences en 2007 y respaldada por evidencia convergente de neuroimagenología— sostiene que personas con mayor capacidad intelectual usan menos recursos neuronales para resolver tareas cognitivas, no más [7]. La inteligencia emerge de una red fronto-parietal que activa menos áreas con mayor precisión y coordinación. Más inteligencia, menos activación.
Este hallazgo, lejos de contradecir la tesis del artículo, la refuerza. El genio es el caso extremo del patrón general. El cerebro humano promedio ya opera con 20 watts y realiza procesamiento paralelo masivo. El cerebro excepcionalmente dotado hace más dentro de esos mismos 20 watts, con menor activación y mayor focalización. La máquina, aun sosteniendo potencias del orden de los megawatts, no ha alcanzado el primer nivel; mucho menos el segundo.
La máquina supera al cerebro en velocidad de cálculo aritmético puro, en búsqueda sobre datasets estructurados masivos y en la detección de patrones estadísticos en muestras grandes. El cerebro humano domina en reconocimiento contextual, toma de decisiones bajo información incompleta, transferencia de conocimiento entre dominios aparentemente desconectados, y en algo que los modelos actuales no incorporan arquitectónicamente: la capacidad de asumir responsabilidad por la decisión que se tomó.
5. La decisión de reemplazo: cuando la eficiencia no explica la sustitución
La paradoja adquiere su forma más incómoda cuando se observa que esta asimetría energética y cognitiva —20 watts versus megawatts, razonamiento contextual contra patrón estadístico— está ocurriendo al mismo tiempo que las grandes empresas tecnológicas ejecutan reemplazos masivos de personal humano por sistemas de IA.
Caso Oracle. El 31 de marzo de 2026 la empresa comunicó despidos que, según estimaciones del banco de inversión TD Cowen citadas por CNBC, alcanzarían entre 20.000 y 30.000 trabajadores —alrededor del 18% de su planta global de ~162.000 personas [9]. En su reporte 10-Q ante la SEC, Oracle declaró una provisión de reestructuración de US$2.100 millones, de los cuales US$982 millones ya estaban reconocidos en los primeros nueve meses del año fiscal [8]. En paralelo, la compañía levantó aproximadamente US$50.000 millones en deuda nueva durante 2026 y comprometió alrededor de US$156.000 millones en infraestructura, principalmente data centers para IA [9]. En el mismo trimestre reportó un alza del 95% en su utilidad neta [9]. No es un recorte por crisis operativa: es una reasignación estructural de capital.
Caso Amazon. En su memo interno de junio de 2025, el CEO Andy Jassy vinculó explícitamente la reducción futura de planta corporativa al despliegue de agentes de IA generativa [10]. En octubre de 2025 la empresa ejecutó el primer tramo de "Project Dawn" —14.000 puestos corporativos— seguido por 16.000 adicionales anunciados el 28 de enero de 2026, totalizando 30.000 despidos (~9% de la planta corporativa de ~350.000 personas) [11]. Al comunicar públicamente el primer tramo en octubre, Jassy modificó el encuadre: describió la medida como un asunto de "cultura" y de "reducción de capas jerárquicas", no de IA [11]. El registro público es suficiente para observar el cambio de mensaje; lo que lo motiva internamente no es verificable desde afuera y no es objeto de este análisis.
Lo relevante no es imputar motivos a ejecutivos específicos. Lo relevante es observar qué dice el sistema: empresas con lectura financiera sofisticada, posicionamiento de mercado dominante y acceso privilegiado a capital están pagando activamente —en capex, en opex eléctrico, en compromisos de deuda multianuales— por reemplazar procesadores de 20 watts con alta eficiencia cognitiva por sistemas que sostienen la relación de un millón a uno en consumo energético para aproximar ese mismo razonamiento. Si la decisión no se explica por eficiencia energética ni por eficiencia cognitiva, algún otro vector la explica.
Los candidatos plausibles no requieren especulación sobre intención: son observables en la estructura del sistema. Un modelo no se sindicaliza, no cotiza previsión, no toma licencia médica, no hereda expectativas salariales, no impugna un despido, no acumula memoria de episodios internos incómodos, no exige condiciones contractuales, no se jubila con obligaciones previsionales asociadas. Son variables reales del cálculo organizacional, independientes del componente de productividad. Una evaluación seria de la transición actual exige hacerlas visibles; sin embargo, es una verdad incómoda de poner sobre la mesa frente a la sociedad.
6. Hacia una tecnología cerebralmente inspirada
El horizonte tecnológico más interesante no busca superar al cerebro por fuerza bruta computacional, sino aprender de sus principios de eficiencia. Dos iniciativas marcan la dirección.
La primera es el esfuerzo de conectómica de Google Research, cuyo equipo cumplió una década en 2025. Su colaboración con el laboratorio Lichtman de Harvard produjo el dataset H01 mencionado arriba —medio grano de arroz de corteza humana en 1,4 petabytes— y ya está embarcado en un esfuerzo de mayor escala para mapear un cerebro de ratón completo [4]. El objetivo declarado en el largo plazo es el cerebro humano; el objetivo intermedio es comprender los principios arquitectónicos que permiten al órgano biológico hacer lo que hace con tan poca energía.
La segunda es Eon Systems, que tomó el conectoma completo de la mosca Drosophila —mapeado y publicado por el consorcio FlyWire en Nature (2024) [12]— y construyó sobre él una emulación funcional de cerebro completo [13]. Usando el framework NeuroMechFly v2 y simulación física en MuJoCo, Eon integró el cerebro emulado con un cuerpo digital: 130.000 neuronas, 50 millones de sinapsis, y respuestas neuronales que replican con ~91% de precisión las del cerebro biológico [13]. La mosca digital camina, gira, se acicala. Es el primer cierre del bucle percepción-acción en una emulación de cerebro completo. La hoja de ruta declarada por Eon sigue la misma trayectoria: mosca → ratón (70 millones de neuronas) → humano [13].
Estas aproximaciones biomiméticas sugieren un horizonte donde la complementariedad reemplaza a la sustitución directa: sistemas que aprovechan el procesamiento masivo de la IA para lo que la IA hace bien, y que reconocen los límites arquitectónicos que todavía hacen irreemplazable al cerebro biológico en lo que el cerebro hace bien. Ese horizonte, sin embargo, está en el plano de la investigación básica. En el plano de las decisiones empresariales del presente, la sustitución directa es la que se está ejecutando.
7. Cierre
La paradoja de este artículo no es que el cerebro humano consuma poco y la máquina mucho. La paradoja es que empresas con lectura financiera sofisticada están pagando activamente por reemplazar personas que razonan con contexto por sistemas que requieren del orden de un millón de veces más energía para aproximar ese razonamiento. Si la decisión no es por eficiencia, ¿por qué es?
Hay una respuesta que circula bien en ferias tecnológicas y reportes anuales: la promesa de transformación. Productividad multiplicada, costos optimizados, decisiones más rápidas y mejor fundadas. Esa narrativa se convierte en justificación pública de las decisiones de sustitución, pero la realidad operativa que describimos en este artículo —la asimetría energética, los costos de reentrenamiento, los compromisos de capex que se acumulan más rápido que los retornos demostrables— sugiere que la promesa supera por amplio margen al cumplimiento.
No podemos olvidar que la tecnología es un medio, y lo humano siempre el fin. El desarrollo tecnológico de una sociedad solo se sostiene cuando avanza de la mano con el desarrollo de su gente: cuando el avance de las máquinas amplifica las condiciones que las personas necesitan para crear, pensar, innovar y construir, en lugar de sustituirla. Cada vez que el reemplazo masivo se ejecuta sin esa cuenta puesta sobre la mesa, lo que se altera no es solo el mercado laboral: es el orden pacífico sobre el que descansa la posibilidad misma de una sociedad.
Referencias
[1] Siesjö, B.K. y referencias asociadas en Basic Neurochemistry (NIH Bookshelf). Regulation of Cerebral Metabolic Rate. NCBI Bookshelf NBK28194. https://www.ncbi.nlm.nih.gov/books/NBK28194/
[2] Epoch AI. How much energy does ChatGPT use? Gradient Updates, 2025. https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use
[3] International Energy Agency (IEA). Energy and AI — Energy demand from AI. Reporte 2025. https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai
[4] Google Research. Ten years of neuroscience at Google yields maps of human brain. Research Blog, 2025. https://research.google/blog/ten-years-of-neuroscience-at-google-yields-maps-of-human-brain/
[5] Boyd, R. Do People Only Use 10 Percent of Their Brains? Scientific American. https://www.scientificamerican.com/article/do-people-only-use-10-percent-of-their-brains/
[6] Witelson, S.F., Kigar, D.L. & Harvey, T. The exceptional brain of Albert Einstein. The Lancet, vol. 353, junio 1999. https://www.thelancet.com/journals/lancet/article/PIIS0140-6736(05)70590-0/fulltext
[7] Jung, R.E. & Haier, R.J. The Parieto-Frontal Integration Theory (P-FIT) of intelligence. Behavioral and Brain Sciences, vol. 30(2), 135–187, abril 2007. DOI: 10.1017/S0140525X07001185.
[8] Oracle Corporation. Form 10-Q, fiscal year 2026. SEC filing, marzo 2026.
[9] Novet, J. Oracle cutting thousands in latest layoff round as company continues to ramp AI spending. CNBC, 31 de marzo de 2026. https://www.cnbc.com/2026/03/31/oracle-layoffs-ai-spending.html
[10] Field, H. Amazon CEO Andy Jassy: AI will mean fewer jobs. Fortune, 1 de julio de 2025. https://fortune.com/2025/07/01/amazon-ceo-andy-jassy-ai-fewer-jobs/
[11] Roof, K. 'It's culture': Amazon CEO says massive corporate layoffs were about agility. GeekWire, octubre de 2025. https://www.geekwire.com/2025/its-culture-amazon-ceo...
[12] FlyWire Consortium. Whole-brain connectome of an adult Drosophila melanogaster. Nature, vol. 634, octubre 2024. https://www.nature.com/articles/s41586-024-07558-y
[13] Eon Systems. How the Eon Team Produced a Virtual Embodied Fly. Consultada en abril de 2026. https://eon.systems/updates/embodied-brain-emulation
Convención editorial: las citas con número en corchetes remiten a la lista de referencias al final del artículo. Las cifras presentadas como estimaciones de terceros se identifican explícitamente en el cuerpo del texto.
Vetus Nova · vetusnova.cl · Sala de Redacción · Versión final · 24-04-2026
