Impacto de la automatización

Convoca se actualiza leyendo bases nuevas con un modelo de lenguaje. Medimos los tokens que consume y los traducimos a una estimación orientativa y experimental de su huella ambiental.

Cómo lo calculamos

Cada actualización lee las bases de las convocatorias nuevas con un modelo de lenguaje (IA) y registra los tokens consumidos. Los traducimos a energía y CO₂ con factores públicos. Es una estimación orientativa y experimental, siempre orden de magnitud (≈):

• 0,0005 Wh por token — punto medio del rango 0,0001–0,002 Wh/token de benchmarks de inferencia de LLM. Aplicamos el total de tokens; como el prompt es más barato por token, tiende a sobreestimar (vamos del lado seguro).
• PUE 1,2 (overhead del centro de datos) · 400 g CO₂/kWh (intensidad media de red; el valor real depende del centro de datos, que no conocemos).

No incluye el entrenamiento del modelo (un coste enorme, único y compartido por todos sus usos en el mundo): solo la inferencia de nuestras actualizaciones.

Además, el consumo por token baja cada año (mejor hardware y software), así que esta estimación —basada en cifras de ~2025— probablemente sobreestima cada vez más con el tiempo. La iremos ajustando.

Fuentes

• How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference (arXiv, 2025)
• Sam Altman, «The Gentle Singularity»: ~0,34 Wh por consulta media de ChatGPT (2025)

Lo publicamos por transparencia: una herramienta que usa IA debería decir cuánto cuesta, sin alarmismo ni greenwashing.