Eficiencia en el uso de la energía (PUE)
La PUE (power usage effectiveness, eficiencia en el uso de la energía) es la energía total que consume un centro de datos dividida por la que usan sus equipos informáticos. Una PUE de 1,0 significaría que cada vatio va al cómputo; los valores más altos indican más gasto en refrigeración y pérdidas eléctricas.
También llamado: PUE
Por Divya Sharma · Comprobado el 20 nov 2026 · Cómo hacemos las reseñas
Cada modelo de IA al que llamas se ejecuta en una GPU dentro de un edificio que también hay que refrigerar y alimentar. La PUE mide ese gasto adicional. Divide la electricidad que consume todo el sitio entre la que llega a los servidores, el almacenamiento y los equipos de red. Una PUE de 1,5 significa medio vatio de gasto adicional por cada vatio de cómputo.
Valores típicos
Google informa en su informe ambiental de una PUE media de 1,09 en toda su flota en 2025, y cita una media de 1,54 en la encuesta del Uptime Institute del mismo año. Para 100 MW de carga informática funcionando todo el año, esa diferencia equivale a unos 394.000 MWh de electricidad extra. Los valores reales dependen del clima, del diseño de la refrigeración y de lo lleno que esté el sitio.
Lo que no mide
La PUE no dice nada sobre la utilidad del cómputo. Un sitio lleno de servidores ociosos puede tener una PUE excelente. Tampoco tiene en cuenta el agua: la refrigeración evaporativa suele bajar la PUE a cambio de consumir más agua, por eso los investigadores siguen aparte la eficiencia en el uso del agua (WUE), en litros por kWh. Cuando comparas proveedores, por ejemplo una nube de GPU frente al autoalojamiento, la PUE te habla del edificio, no del precio por token.
Términos relacionados
- GPU
- Una GPU (unidad de procesamiento gráfico) es un procesador con muchos núcleos pequeños diseñado para ejecutar muchos cálculos en paralelo. Su velocidad con las operaciones de matrices la convierte en el hardware estándar para entrenar y ejecutar modelos de IA.
- Nube de GPU
- Una nube de GPU (GPU cloud) es un servicio que alquila máquinas con GPU por horas o por segundos para entrenamiento, fine-tuning e inferencia de IA. Los proveedores especializados, a veces llamados neoclouds, se centran en las GPU y a menudo cobran menos que las grandes nubes generalistas.
- Self-hosting (modelos de IA)
- Hacer self-hosting (autoalojar) un modelo de IA significa ejecutarlo en hardware que controlas, como tus propios servidores, GPU alquiladas o un portátil, en lugar de llamar a la API de un proveedor. Tú eliges el modelo y conservas los datos, pero gestionas la infraestructura.
- Inferencia
- La inferencia (inference) es ejecutar un modelo ya entrenado para producir una salida a partir de una entrada nueva, como un LLM que genera una respuesta a un prompt. Es la fase que los usuarios pagan cada vez que llaman a un modelo, a diferencia del entrenamiento.
- GPU serverless
- La GPU serverless es un modelo de nube en el que despliegas código o un modelo y la plataforma solo arranca workers con GPU cuando llegan peticiones, factura el tiempo que funcionan y escala a cero cuando no hay actividad.