Cómo la IA puede reducir el impacto ambiental de los centros de datos

El desafío: centros de datos que devoran energía

La expansión global de centros de datos —impulsada por la nube, el streaming y servicios en tiempo real— está poniendo presión sobre las redes eléctricas y aumentando la demanda de energía, con una mayor dependencia de fuentes fósiles en muchos lugares. Un aspecto menos visible de este problema es la subutilización: investigaciones han mostrado que muchos grandes sistemas informáticos funcionan muy por debajo de su capacidad, lo que implica consumo energético innecesario y una huella ambiental mayor.

Christina Delimitrou, recientemente titular como profesora asociada en el MIT y miembro del CSAIL, trabaja justo en ese punto: cómo hacer que los servidores y el equipo de red dentro de los centros de datos funcionen mejor para extraer más potencia computacional de la infraestructura existente sin aumentar el gasto energético.

Por qué importa optimizar antes que construir más

La lógica es simple y poderosa: si los centros de datos no usan al máximo sus capacidades, consumirán mucha más energía de la necesaria para atender la demanda de usuarios. Delimitrou y su equipo han identificado “bloating” —ineficiencias, especialmente en el software— que inflan el consumo. Al eliminar esas ineficiencias sin sacrificar rendimiento, se reduce la necesidad de construir nuevos centros, con el consiguiente beneficio ambiental y económico.

Este argumento tiene especial relevancia para América Latina, donde la expansión de infraestructura digital coexiste con limitaciones en capacidad de red y metas de descarbonización. Optimizar lo existente puede ser una vía más rápida y más sostenible que multiplicar instalaciones físicas.

IA aplicada: desde gestión de recursos hasta prevención de fallas

Delimitrou aplica machine learning para automatizar y mejorar operaciones de gestión de recursos en la nube. La escala de los sistemas es tan grande que las soluciones manuales o las reglas empíricas tradicionales quedan cortas; el aprendizaje automático identifica patrones y decisiones de asignación que los desarrolladores podrían pasar por alto.

Un ejemplo concreto de su trabajo es Seer, una herramienta basada en deep learning diseñada para anticipar y prevenir problemas en aplicaciones web antes de que impacten a los usuarios. Evitar estas interrupciones no solo mejora la experiencia del usuario, sino que además reduce el desperdicio de cómputo que se genera cuando las aplicaciones entran en ciclos de degradación y recuperación.

Además, su grupo rediseña sistemas de cómputo en la nube para la nueva ola de aplicaciones que se fragmentan en piezas pequeñas y se desplegan en múltiples servidores (microservicios). Muchos servidores fueron concebidos para arquitecturas más monolíticas; optimizarlos para la nueva realidad de despliegues distribuidos implica repensar tanto el software como la arquitectura de hardware compartido.

Trayectoria que conecta teoría y práctica

Delimitrou creció en el norte de Grecia, donde un temprano interés por las matemáticas la llevó a estudiar ingeniería informática en la Universidad Politécnica Nacional de Atenas. Su tesis de grado abordó la gestión de recursos cuando múltiples aplicaciones compiten por un mismo sistema—un problema que escala de forma mucho más compleja cuando se trata de decenas de miles de servidores.

En Stanford, junto a su mentor Christos Kozyrakis, investigó por qué grandes sistemas operaban típicamente lejos de su máxima capacidad —en muchos casos alrededor de un 15%— y cómo esa ineficiencia era insostenible. Tras su doctorado trabajó como profesora asistente en Cornell y más tarde se unió al MIT en 2022, atraída por la posibilidad de colaborar estrechamente con expertos en hardware y software.

En el MIT es KDD Career Development Associate Professor en Communications and Technology dentro del Departamento de EECS y sigue vinculada a CSAIL. También valora la docencia: enseña cursos como 6.191 (Computation Structure) donde busca que los estudiantes desarrollen pensamiento crítico y creatividad, habilidades esenciales para abordar problemas complejos como los de eficiencia en centros de datos.

Relevancia para empresas y gobiernos en América Latina

Para operadores de centros de datos, empresas cloud y autoridades reguladoras en la región, el trabajo de Delimitrou ofrece varias lecciones prácticas:

• Optimizar software y gestión de recursos puede ser una alternativa más rápida y menos costosa que construir nueva infraestructura.
• Aplicar ML a la operación de sistemas a gran escala permite previsión y respuesta automática a incidentes, reduciendo tiempos de inactividad y consumo innecesario.
• La colaboración entre equipos de hardware, software y datos es esencial: las soluciones más efectivas suelen surgir en la intersección de disciplinas.

En países latinoamericanos con metas de eficiencia energética y presiones sobre la red, estas estrategias pueden acelerar la reducción de emisiones sin frenar la adopción de servicios digitales.

Obstáculos y consideraciones prácticas

Usar IA para operar centros de datos a escala no está exento de desafíos. Las técnicas empíricas requieren experiencia y validación cuidadosa: introducir modelos ML en la operación crítica debe hacerse con pruebas sólidas para no comprometer la seguridad ni la confiabilidad. También hay que gestionar la complejidad y la interoperabilidad de sistemas heterogéneos, así como la capacitación del personal operativo para trabajar con soluciones basadas en aprendizaje automático.

Finalmente, cualquier estrategia de optimización debe considerar la equidad del acceso y los marcos regulatorios locales, para que la eficiencia se traduzca en beneficios concretos tanto económicos como ambientales.

Conclusión

La propuesta de Christina Delimitrou es clara: antes de seguir construyendo más centros de datos, es más sostenible y eficiente exprimir al máximo lo que ya existe. Aplicar machine learning a la gestión de recursos, al diseño de servidores y a la prevención de fallas puede reducir consumo, mejorar rendimiento y evitar la expansión innecesaria de infraestructura. Para América Latina, donde la demanda digital crece y las redes energéticas enfrentan retos, estas soluciones representan una oportunidad para conciliar crecimiento digital y sostenibilidad.

Adoptar estas prácticas requerirá inversión en talento, colaboración intersectorial y pruebas rigurosas, pero los beneficios en eficiencia y reducción del impacto ambiental pueden ser significativos si se implementan con cuidado.