En la última década, la Inteligencia Artificial (IA) ha dejado de ser una promesa para convertirse en el motor principal de la transformación digital mundial. Desde modelos generativos como ChatGPT hasta sistemas de visión artificial aplicados en medicina y defensa, la IA avanza a pasos agigantados. Sin embargo, este progreso tecnológico conlleva un costo energético creciente que plantea un dilema urgente: ¿cómo alimentar esta revolución digital de forma sostenible?
Demanda energética de la IA
El consumo energético de los centros de datos, especialmente aquellos dedicados a entrenamiento y operación de modelos de IA, se ha disparado en los últimos años. En Estados Unidos, el consumo energético de estos centros alcanzó los 176 TWh en 2023, y se estima que podría aumentar entre 325 y 580 TWh para 2028 (ver Figura 1). Ademas, globalmente, se proyecta un incremento del 165 % para el 2030, impulsado principalmente por el auge de la IA [GoldmanAI2025].
El entrenamiento de modelos como GPT-4 o Gemini requiere infraestructuras computacionales de decenas de miles de GPUs operando por semanas o meses. Esto implica una demanda eléctrica de gran escala, ininterrumpida y altamente confiable. Esta necesidad no se limita a la IA. Tecnologías como la computación en la nube y la minería de criptomonedas también demandan grandes volúmenes de energía. Por ejemplo, la red de bitcoin consume alrededor de 180 TWh por año [BitcoinEnergy2025], lo que equivale al consumo eléctrico de aproximadamente 70 millones de hogares en argentina [EnergyArgentina]. Entonces, no podemos seguir avanzando en las nuevas tecnologías, dejando atrás la sostenibilidad.
Dilema ambiental: IA impulsada por combustibles fósiles
Paradójicamente, muchas de las tecnologías de IA funcionan hoy alimentadas por electricidad generada a partir de combustibles fósiles, lo cual contradice los objetivos globales de descarbonización. La contradicción es evidente: no podemos sostener el progreso digital a costa de la sostenibilidad ambiental.
Aunque las energías renovables (solar y eólica) son esenciales para la transición energética, no pueden garantizar un suministro continuo debido a su naturaleza intermitente. Esta situación ha llevado a una peligrosa dependencia de combustibles fósiles para cubrir los picos de demanda. Frente a este escenario, emerge un aliado poderoso: la energía nuclear.
Energía nuclear como solución estructural
La energía nuclear se posiciona como una fuente limpia, confiable y estable para satisfacer la creciente demanda energética de la era digital. Especialmente los reactores modulares pequeños (SMRs- ver artículo 1), ofrecen soluciones más flexibles, seguras y económicamente viables para su implementación cerca de centros de datos.
Algunos ejemplos concretos actuales son:
- Amazon y Talen Energy firmaron un acuerdo para suministrar 1920 Mw electricos mediante energía nuclear para alimentar centros de datos [Reuters2025].
- Microsoft y Constellation Energy planean reabrir Three Mile Island en Estados Unidos para abastecer sus operaciones de IA con unos de 850MW [Lantoine2024, BBC2024].
- Google y Kairos Power acordaron la construcción de siete SMR para suministrar energía limpia a sus centros de datos [TechCrunch2024].
Estos ejemplos concretos muestran cómo las grandes empresas del sector tecnológico mundial están apostando por la energía nuclear para garantizar un suministro continuo y reducir su huella de carbono.
IA al servicio de la energía nuclear
La relación entre IA y energía nuclear no es unidireccional. La IA también puede transformar el ciclo de vida de los reactores nucleares, desde el diseño y construcción hasta su operación, mantenimiento y desmantelamiento. Algunas aplicaciones destacadas incluyen:
- Diseño de núcleo y gestión de combustible: uso de redes neuronales y algoritmos genéticos en reactores como VVER-1000 [Pazirandeh, A. and Tayefi, S., 2012].
- Análisis termohidráulico: integración de técnicas de aprendizaje profundo en códigos tipo CFD para acelerar simulaciones y mejorar la precisión de modelos de turbulencia tipo RANS [ Ayodeji, A. et. al.,2022].
- Operación y mantenimiento predictivo: algoritmos de IA pueden detectar anomalías en diversos componentes del reactor, como válvulas, bombas, calandria o tubos de presión. Esto puede reducir los costos de operación y mantenimiento, que pueden representar hasta el 70% del gasto operativo de una planta nuclear [Huang, Q., et. al, 2023].
- Gemelos digitales: simulaciones virtuales realistas, impulsadas por IA, que permiten monitorear el comportamiento del reactor en tiempo real, facilitando decisiones más precisas y confiables [Kochunas, B. and Huan, X., 2021].
- Control de la fusión nuclear: algoritmos de deep reinforcement learning ya están siendo utilizados para controlar el plasma en reactores tipo tokamak, un paso clave hacia la viabilidad de la fusión como fuente de energía [Degrave, J., et. al., 2022].
Desafíos sociales y técnicos
A pesar del enorme potencial, tanto la IA como la energía nuclear enfrentan retos importantes:
- Aceptación pública: la energía nuclear sigue generando desconfianza por desinformación y temores históricos.
- Regulación rigurosa: los plazos para aprobar y construir nuevas instalaciones son largos, incluso para SMR. Por ejemplo, las centrales nucleares convencionales pueden requerir un tiempo de construcción de hasta 10 años [IAEA2021]. Los SMR, por el contrario, prometen reducir estos plazos con estimaciones que sitúan el tiempo de construcción por debajo de los 5 años [Neimagazine2025]. Sin embargo, es importante señalar que los primeros prototipos, como el KLT-40S, han enfrentado demoras importantes, con un tiempo de desarrollo cercano a los 20 años.
- Desafíos técnicos de la IA: muchos modelos de IA emplean datos simulados, no reales. Esto puede afectar la robustez y generalización de los modelos. Además, los modelos de aprendizaje profundo suelen actuar como “cajas negras”, lo cual dificulta su fiabilidad en sistemas críticos como los reactores nucleares.
Para abordar estos desafíos se requiere:
- Campañas de comunicación basadas en evidencia sobre los beneficios reales de la energía nuclear.
- Reformas regulatorias que aceleren los plazos de licenciamiento sin comprometer la seguridad.
- Desarrollo de enfoques como la IA explicable (XAI) o el Machine learning Científico (SciML), los cuales integran conocimientos físicos con datos para mejorar la confiabilidad y robustez de los algoritmos
Conclusión
La convergencia entre IA y energía nuclear ofrece una alianza estratégica para enfrentar los grandes desafíos del siglo XXI: la crisis climática, la digitalización global y la seguridad energética. Mientras la IA impulsa avances en salud, educación, ciencia e industria, necesita una base energética a gran escala, limpia y confiable. La energía nuclear puede desempeñar ese rol.
Simultáneamente, la IA puede optimizar la eficiencia, seguridad y competitividad del sector nuclear. Esta sinergia tecnológica no solo es deseable, sino imprescindible para un futuro sostenible, inteligente y seguro.
