El climate scientist Zeke Hausfather rastreó su uso de Claude Code durante ocho semanas. Resultado: 1.138 prompts generaron más de 14.000 llamadas al modelo y 3,2 mil millones de tokens, para un consumo estimado de 170 kWh de electricidad del data center. Cada prompt cuesta aproximadamente 150 Wh, 600 veces más que un chat simple.

La diferencia está en cómo trabaja el agente. En cada paso, Claude Code relee todo el contexto acumulado: el 96% de los tokens procesados son lecturas de caché. El texto que ves en pantalla es el 0,4% del total. Es el mismo patrón del que nos ocupamos cuando el costo de la memoria de agente se convirtió en criterio de diseño: el agente es un ciclo que repasa los mismos datos miles de veces.

Para quien está desplegando agentes, el consumo energético es una métrica operativa que entra en el balance. Una jornada intensa de Claude Code consume lo mismo que dos refrigeradores; el peor día de Hausfather alcanzó 11 kWh, un tercio del consumo eléctrico diario de una casa estadounidense promedio. Proyectado a un año, el uso intensivo de agentes produce aproximadamente 370 kg de CO₂ equivalentes, poco más que una secadora eléctrica anual.

Las cifras que publican Google y OpenAI sobre costos energéticos «por query» describen el chat, no los agentes. Cuando el trabajo se desplaza de la pregunta única al ciclo autónomo que corre durante horas, el consumo cambia de orden de magnitud. Las empresas que han desplegado agentes a gran escala lo están descubriendo en sus propias cuentas: los no-ingenieros, en particular, queman tokens convirtiendo PDFs a markdown sin darse cuenta.

En detalle

Los números públicos sobre consumos energéticos de la IA hasta ahora pintaban un panorama tranquilizador. Google declaró que un prompt textual mediano en Gemini consume 0,24 Wh, menos de nueve segundos de televisión. Sam Altman estimó una query promedio de ChatGPT en 0,34 Wh, comparable a una búsqueda Google de 2009. Ambos datos son de 2025 y describen una interacción simple: una pregunta, una respuesta, sin razonamiento extendido, sin búsqueda web, sin ciclo autónomo.

Hausfather midió algo diferente. Claude Code es un agente de programación que trabaja en ciclos: recibe un objetivo, planifica una serie de pasos, llama al modelo en cada paso, lee los resultados, decide qué hacer después. En ocho semanas, 1.138 prompts dispararon 14.000 llamadas al modelo, un promedio de doce por prompt. Cada prompt procesó en promedio 2,9 millones de tokens, contra los ~1.000 de un chat sin razonamiento.

El detalle más significativo es la composición de los tokens. El 96% son lecturas de caché: en cada uno de los 14.000 pasos, el agente relee todo el contexto acumulado hasta ese punto. El texto que el usuario ve como respuesta, el output del modelo, es el 0,4% del total. Casi toda la energía se gasta releyendo datos ya vistos, no generando datos nuevos.

La conversión de tokens a kilowatios-hora no es trivial, y Hausfather es explícito sobre las limitaciones. Nadie fuera de los laboratorios conoce el consumo real por token de un modelo frontier. Las estimaciones se basan en tres métodos independientes con supuestos diferentes, y el rango de incertidumbre es amplio: de 70 a 330 kWh para las ocho semanas, contra una estimación puntual de 170 kWh. El dato en el que hay más confianza es el número de tokens, porque Claude Code registra logs locales con los conteos exactos de la API.

Proyectado a un año de uso intensivo, el consumo llega a aproximadamente 1,1 MWh (rango: 0,4-2,2 MWh), una décima del consumo eléctrico anual de una casa estadounidense promedio. En términos de emisiones, sobre la base de la red eléctrica USA, hablamos de 370 kg de CO₂ equivalentes al año. Para comparar: una secadora eléctrica anual produce aproximadamente 262 kg, un vuelo redondo San Francisco-Nueva York en economía aproximadamente 700 kg (solo emisiones directas).

Un hilo paralelo emerge del lado económico. Las empresas que han desplegado agentes a gran escala se encuentran gestionando consumos de tokens que no habían previsto. En Accenture, los datos internos muestran que los no-ingenieros impulsan el consumo de tokens, y una de las prácticas más costosas es la conversión de PDFs a markdown: los documentos se transforman en imágenes y luego en texto, inflando el contexto en cada paso.

Las implicaciones para quien construye con agentes son concretas. Primero, el «prompt» deja de ser una unidad de medida útil: lo que importa es cuánto contexto procesa el agente, cuántas llamadas hace, cuántas veces relee. Segundo, la optimización afecta la arquitectura del flujo, no solo el modelo o el prompt individual: comprimir el contexto, gestionar la caché, evitar pasar PDFs crudos cuando basta un resumen estructurado. Tercero, los números de hoy son conservadores: los laboratorios ya están construyendo agentes que corren durante días o semanas, y el consumo podría crecer de manera exponencial.

Hausfather señala en el desplazamiento de los data centers hacia fuentes limpias la palanca más importante para las emisiones. Para quien usa agentes en su trabajo, la palanca inmediata es diferente: entender dónde se van los tokens, y diseñar los flujos para que no se quemen releyendo cosas que ya se sabían.