IA generativa y publicidad digital: cómo medir el nuevo impacto carbono

La huella de carbono de la IA generativa en la publicidad digital se ha convertido en un tema ineludible en 2026. Mientras la IA optimiza las campañas y reduce el desperdicio mediático, al mismo tiempo agrava el balance de carbono de la cadena publicitaria — una paradoja que los marcos de medición vigentes todavía no logran captar del todo.

La IA generativa en 2026: uso masivo, desequilibrio energético

En apenas unos años, la IA generativa pasó del laboratorio a la cultura popular: chatbots, motores de búsqueda aumentados, generación de imágenes, videos, avatares, voces. En 2026, ya es un uso cotidiano, tan habitual como una búsqueda web o un scroll por un feed social.

Esta transición viene acompañada de un desequilibrio energético sin precedentes:

• Consultas IA vs búsqueda tradicional: una interacción con un modelo generativo consume un orden de magnitud más de electricidad que una búsqueda web convencional — del orden de 3 Wh frente a 0,3 Wh —, según análisis recogidos por la Agencia Internacional de la Energía (AIE) y diversos trabajos académicos.
• Explosión de la demanda de los data centers: la AIE proyecta que el consumo eléctrico de los data centers podría pasar de unos 460 TWh en 2022 a una horquilla de 620 a 1 050 TWh en 2026, dependiendo del escenario — el equivalente al consumo anual de un país como Japón en el escenario más intensivo.
• La IA, principal motor de este aumento: los servidores equipados con GPU y chips especializados registran un crecimiento de consumo cercano al 30 % anual, frente al 9 % de los servidores tradicionales. La IA podría representar cerca de la mitad del consumo de los data centers para finales de 2026.

Paralelamente, la producción de GPU se acelera — NVIDIA entregó varios millones de chips dedicados a la IA en 2025 — y las emisiones vinculadas a la fabricación de estos componentes siguen una trayectoria exponencial.

La IA generativa ya no se limita a optimizar campañas o a producir assets creativos. Está reconfigurando la geografía energética del entorno digital — y la publicidad digital, con sus miles de millones de subastas diarias y su compleja cadena de suministro tecnológica, se encuentra en primera línea.

Cómo la IA reconfigura la huella de carbono de la publicidad digital

La IA se integra ya en todas las capas de la cadena publicitaria. Cada integración aporta valor, pero también añade cómputo — y, por tanto, emisiones.

Bidding y optimización: cada subasta consume más energía

Las plataformas de compra (DSP) y de venta (SSP) siempre han dependido de algoritmos de optimización. Pero la generación actual está migrando hacia modelos IA considerablemente más pesados:

• Modelos de predicción de conversión, LTV, churn, brand safety y fraude, basados a menudo en arquitecturas de tipo deep learning.
• Optimización casi en tiempo real de subastas, presupuestos y frecuencias, a escala de miles de millones de impresiones.
• Contextualización avanzada del inventario mediante análisis semántico de páginas, videos y flujos sociales.

Una subasta programática en 2026 ya no tiene el mismo perfil energético que en 2018. Donde antes había cálculo estadístico convencional en CPU, ahora encontramos pipelines IA intensivos, en ocasiones ejecutados sobre GPU o ASIC especializados.

Consecuencia: la huella de carbono de una impresión ya no depende únicamente del almacenamiento de la pieza creativa y de su entrega al dispositivo. También interviene el cómputo invisible que decide si esa impresión se sirve, cuándo y a quién.

Para profundizar en la integración de señales de carbono en las subastas, consulta nuestro artículo sobre las subastas bajas en carbono impulsadas por IA.

Creación publicitaria con IA: del asset único a la iteración infinita

La creación publicitaria vive su propia revolución:

• Generación de imágenes y videos mediante IA (Midjourney, DALL·E, Sora y similares).
• Generación de textos, guiones y copies con LLM.
• Personalización dinámica al vuelo: cientos, incluso miles de variantes creativas generadas y probadas automáticamente en microsegmentos.

En términos de energía, los órdenes de magnitud difieren notablemente según el tipo de contenido generado:

• Generar una imagen con IA es varias decenas de veces más intensivo energéticamente que generar texto.
• Generar un video de unos pocos segundos puede consumir del orden de un centenar de Wh, el equivalente a varias decenas de minutos de uso de un portátil.

El problema no radica tanto en un prompt aislado, sino en el modelo de uso: la industria está pasando de unos pocos assets producidos con antelación a bucles de iteración permanente — generar, probar, regenerar, volver a probar — a escala masiva.

Search IA y asistentes conversacionales: la publicidad sigue al cómputo

Con la llegada de los « AI Overviews », las experiencias tipo SGE y los asistentes conversacionales que integran publicidad, el search se transforma en profundidad:

• Una proporción creciente de las consultas recibe una respuesta generada, a veces enriquecida con imágenes, tablas y comparativas.
• La publicidad se integra en estas respuestas a través de bloques patrocinados, enlaces comerciales contextuales o recomendaciones conversacionales.

Pasamos de un modelo de «10 enlaces azules + algunos anuncios de texto» a uno en el que cada consulta implica potencialmente el paso por un LLM — y, por tanto, un cálculo intensivo. Aunque el volumen bruto de consultas llegara a estabilizarse, el coste de carbono por consulta monetizada tiene muchas probabilidades de aumentar.

La paradoja de la IA: menos desperdicio mediático, pero una nueva fuente de emisiones

Ante este panorama, sería un error caer en la caricatura: IA = inevitablemente peor para el clima. La realidad es más matizada.

Donde la IA sí reduce emisiones

Utilizada de forma inteligente, la IA es una palanca poderosa para reducir las emisiones publicitarias:

• Menos desperdicio mediático: mejor cualificación de contextos, audiencias y momentos, lo que permite emitir menos impresiones inútiles.
• Optimización multiobjetivo: en lugar de optimizar solo el rendimiento comercial, es posible integrar señales de carbono (dispositivos, geografías, formatos, rutas de subasta) en la función objetivo.
• Racionalización de la presión publicitaria: limitación de la sobrefrecuencia y de las campañas «always-on» sin control.

Esta es precisamente la ambición de Carbon Intelligence: utilizar los datos y la IA para reducir el volumen de emisiones por euro invertido en medios, priorizando los inventarios y configuraciones más sobrios.

Donde la IA genera un punto ciego de carbono

Paralelamente, la IA introduce una nueva fuente de emisiones en gran medida invisible en los cuadros de mando actuales:

• Emisiones ligadas al cómputo de optimización (bidding, segmentación, orquestación) en el lado AdTech.
• Emisiones ligadas a la generación IA de creatividades (texto, imagen, video, personalización dinámica).
• Emisiones ligadas a la capa IA de las plataformas (search generativo, asistentes publicitarios, recomendaciones generadas).

Hoy en día, esta parte rara vez se mide y menos aún se atribuye a las campañas. Un anunciante puede creer que ha «descarbonizado» su publicidad al reducir impresiones u optimizar formatos, mientras subestima la parte IA de su huella.

GMSF v1.3: la urgencia de integrar la huella de carbono de la IA

El Green Media Sustainability Framework (GMSF) ha permitido armonizar la medición de carbono de las campañas digitales. Pero fue concebido antes de la explosión de la IA generativa tal como la vivimos en 2026.

Lo que cubre (y lo que no) el GMSF v1.2

La versión 1.2 del GMSF ofrece una metodología sólida para:

• Asignar las emisiones vinculadas a data centers, redes, dispositivos y formatos, en función de las impresiones, el peso de los archivos y las cadenas de distribución.
• Repartir esas emisiones entre los diferentes actores del ecosistema (anunciantes, agencias, soportes, plataformas).

Sin embargo, la v1.2 guarda un silencio notable sobre la huella específica de la inferencia IA:

• Los modelos de optimización y recomendación utilizados por los DSP y SSP no se modelan como una partida de emisiones diferenciada.
• La producción de creatividades mediante IA generativa no se integra de forma explícita.
• Las experiencias de search generativo con ads y los asistentes conversacionales publicitarios carecen de un marco metodológico.

En un contexto donde la IA generativa ya pesa de forma significativa en el consumo de los data centers, esta ausencia se convierte en un punto ciego crítico.

Para entender la diferencia entre el GMSF y los enfoques basados en gasto, consulta nuestro análisis comparativo GMSF vs método spend-based.

Cannes Lions 2026: una ventana única para el GMSF v1.3

La presentación del GMSF v1.3 en Cannes Lions este año llega en un momento decisivo:

• La mayoría de los grandes grupos de medios y plataformas ya han integrado IA en sus stacks publicitarios.
• Los anunciantes demandan balances de carbono más granulares, que incluyan la capa tecnológica upstream de sus campañas.
• El debate público sobre la sostenibilidad energética de la IA se intensifica.

La v1.3 tiene la oportunidad — y la responsabilidad — de abrir un nuevo capítulo: el de la medición de las emisiones asociadas a la inferencia IA en la supply chain publicitaria.

Hacia un «AI carbon surcharge»: hacer visible la IA en los balances de carbono

Para evitar que la IA se convierta en un punto ciego permanente de la huella mediática, proponemos un concepto operativo: el AI carbon surcharge.

El principio: un coeficiente adicional IA

El objetivo no es penalizar la IA, sino hacerla visible en los cálculos de carbono:

1. Identificar los usos IA en la cadena mediática:

   • Bidding y optimización IA (DSP, SSP, plataformas).
   • Creación IA (texto, imagen, video, assets dinámicos).
   • Search y asistentes IA con publicidad.

2. Asociar a cada uso un factor de emisión adicional (por impresión, por consulta o por asset generado), basado en:

   • El consumo energético estimado del modelo.
   • El volumen de llamadas al modelo realmente utilizadas en la campaña.

En la práctica, esto se traduce en un coeficiente IA aplicado a los cálculos existentes del GMSF: un recargo de carbono proporcional a la intensidad IA de la campaña.

Tres casos de uso concretos

1. Bidding y optimización IA

Para un DSP que utiliza un modelo IA en tiempo real, se añade un factor de emisión por millar de impresiones procesadas o por millar de bid requests evaluadas por el modelo.

2. Creación IA

Cuando un anunciante genera cientos de variantes creativas mediante IA para una campaña, se integra un módulo de emisiones que cubre la fase de generación y las iteraciones durante la campaña.

3. Search y asistentes IA con ads

Para las experiencias de search generativo que integran anuncios, se añade un factor por consulta patrocinada procesada por el modelo IA, diferenciando entre respuestas simples y respuestas enriquecidas (imágenes, tablas, video).

Este mecanismo permite comparar de forma objetiva dos configuraciones:

El anunciante puede entonces decidir con pleno conocimiento de causa, en lugar de asumir un sobrecoste de carbono invisible.

Cómo se prepara Carbon Intelligence para esta nueva realidad

En Carbon Intelligence estamos convencidos de que la próxima etapa de una AdTech responsable se juega en los algoritmos que pilotan las campañas — no solo en las impresiones servidas.

En la práctica, esto significa:

• Detectar y cuantificar la parte IA en una campaña: tipos de modelos utilizados, frecuencia e intensidad de uso.
• Proponer un módulo «AI carbon surcharge» integrable en los reportings y scores GMSF, en cuanto la v1.3 abra la puerta a esta dimensión.
• Trabajar con las plataformas, AdTech y agencias para:
  • Obtener los datos necesarios sin comprometer secretos industriales.
  • Construir factores de emisión realistas para los principales casos de uso IA.
  • Probar escenarios de optimización multicriterio: rendimiento comercial, costes, huella de carbono IA + no IA.

Esta ambición tecnológica se inscribe en un contexto regulatorio que, pese a las turbulencias políticas, sigue acelerándose en Estados Unidos y en Europa. Los anunciantes sujetos a obligaciones de reporting de carbono (SB 253 en California, CSRD en Europa) necesitarán medir el conjunto de sus emisiones — incluidas las generadas por los algoritmos IA de sus campañas.

Nuestro objetivo: construir una AdTech sostenible donde la IA contribuya realmente a reducir las emisiones de la publicidad digital, en vez de desplazar el problema a una capa tecnológica opaca.

Lo esencial

Fuentes y referencias

• Agencia Internacional de la Energía (AIE), Electricity 2024 — Analysis and forecast to 2026, informes sobre el consumo eléctrico de los data centers, IA y criptomonedas — iea.org
• Ligozat, A.-L. & de Vries, A., « IA générative : la consommation énergétique explose », Polytechnique Insights — polytechnique-insights.com
• Bon Pote, « Intelligence artificielle : le vrai coût environnemental de la course à l’IA » — bonpote.com
• IRIS France, « Les nouvelles technologies (IA, data centers) sont-elles compatibles avec les objectifs de durabilité environnementale ? » — iris-france.org
• de Vries, A., « The growing energy footprint of artificial intelligence », Joule (2023) — cálculos basados en datos de consumo de chips NVIDIA y AMD
• Alterna Énergie, « Quelle est la consommation énergétique des data centers ? » — alterna-energie.fr
• EX2, « L’IA consommera 50 % de l’énergie des datacenters d’ici 2026 » — ex2.com

Este artículo refleja el estado de los datos disponibles a 27 de febrero de 2026. Las proyecciones citadas se basan en escenarios publicados por la AIE y trabajos académicos, con las incertidumbres inherentes a este tipo de ejercicio.