Sustancias químicas utilizadas en torres de enfriamiento y efectos en la salud humana

 

Resumen Ejecutivo — Sustancias químicas utilizadas en torres de enfriamiento y efectos en la salud humana

Autor: Yolanda Victoria Rojas Espinoza

Las torres de enfriamiento empleadas en centros de datos y otras infraestructuras industriales utilizan tratamientos químicos destinados a controlar la proliferación microbiológica, prevenir la corrosión metálica y evitar incrustaciones minerales. Estas sustancias están reguladas en la mayoría de jurisdicciones y su riesgo sanitario depende de la concentración, la vía de exposición y el cumplimiento de protocolos de manejo industrial (U.S. Environmental Protection Agency [EPA], 2023; World Health Organization [WHO], 2007).

1. Biocidas

Los biocidas se emplean para prevenir el crecimiento de bacterias, algas y hongos en el agua recirculada.

El hipoclorito de sodio (cloro) es un oxidante ampliamente utilizado. Puede causar irritación ocular, dérmica y respiratoria; la exposición a vapores concentrados puede generar broncoespasmo en contextos ocupacionales (EPA, 2023).

El bromo y compuestos bromados actúan como desinfectantes alternativos. Pueden producir irritación respiratoria y dérmica; algunos subproductos bromados formados en presencia de materia orgánica han sido estudiados por su potencial toxicidad en concentraciones elevadas (EPA, 2023).

El glutaraldehído, biocida no oxidante, está clasificado como irritante y sensibilizante respiratorio. Se ha documentado asma ocupacional y dermatitis de contacto en trabajadores expuestos a concentraciones elevadas (National Institute for Occupational Safety and Health [NIOSH], 2022).

El DBNPA (2,2-dibromo-3-nitrilopropionamida) es un biocida de acción rápida. Presenta toxicidad aguda moderada y puede provocar irritación cutánea y ocular; su principal preocupación ambiental es la toxicidad para organismos acuáticos (EPA, 2017).

Las isotiazolinonas, también utilizadas como biocidas, están asociadas a sensibilización cutánea y dermatitis alérgica en exposiciones repetidas (European Chemicals Agency [ECHA], 2022).

2. Inhibidores de corrosión

Los inhibidores de corrosión protegen superficies metálicas del sistema.

El benzotriazol (BTA) y el toliltriazol se emplean para proteger cobre y aleaciones. La toxicidad aguda en humanos es baja; pueden causar irritación leve en contacto directo. Se han detectado en cuerpos de agua debido a descargas industriales y presentan persistencia moderada (ECHA, 2021).

Los fosfatos se utilizan como inhibidores y agentes de control de incrustación. En humanos presentan baja toxicidad directa en concentraciones ambientales habituales; sin embargo, su liberación excesiva puede contribuir a eutrofización en ecosistemas acuáticos (WHO, 2017).

Los molibdatos tienen baja toxicidad en concentraciones operativas; exposiciones elevadas en contextos industriales extremos pueden afectar función renal (Agency for Toxic Substances and Disease Registry [ATSDR], 2020).

3. Inhibidores de incrustación y ajustadores de pH

Los fosfonatos y polímeros acrílicos se emplean para controlar depósitos minerales. Generalmente presentan baja toxicidad aguda en humanos, con riesgo limitado a irritación leve (ECHA, 2022).

El ácido sulfúrico y el ácido fosfórico, utilizados para ajuste de pH, son sustancias corrosivas. La exposición directa puede causar quemaduras químicas en piel y ojos, así como daño respiratorio en caso de inhalación de vapores concentrados (ATSDR, 2020).

4. Metales liberados por corrosión

Durante la operación pueden liberarse metales como cobre y zinc; en sistemas antiguos, trazas de plomo. La exposición crónica significativa a plomo puede generar efectos neurológicos, particularmente en población infantil; cobre y zinc en concentraciones elevadas pueden causar trastornos gastrointestinales (WHO, 2017).

5. Vías de exposición relevantes

Las principales vías de exposición son ocupacionales (mantenimiento de torres), inhalación de aerosoles en caso de fallas de eliminadores de “drift” y contacto con efluentes mal gestionados. En condiciones de cumplimiento normativo, el riesgo para población general es bajo (EPA, 2023; WHO, 2007).

Cabe precisar que el riesgo sanitario más documentado asociado a torres de enfriamiento no es químico sino biológico, relacionado con Legionella pneumophila cuando falla el control microbiológico (WHO, 2007).

Conclusión

Las sustancias químicas utilizadas en torres de enfriamiento presentan perfiles toxicológicos conocidos y regulados. En condiciones de operación adecuada, monitoreo y cumplimiento ambiental, el riesgo para la población general es bajo. Los mayores riesgos se concentran en exposición ocupacional y en escenarios de gestión deficiente. Desde una perspectiva de gobernanza ambiental, la transparencia en concentraciones, descargas y monitoreo continuo es el elemento crítico para minimizar impactos sanitarios.

Referencias

Agency for Toxic Substances and Disease Registry (ATSDR). (2020). Toxicological profile for sulfuric acid and related compounds.

European Chemicals Agency (ECHA). (2021). Substance information on benzotriazole.

European Chemicals Agency (ECHA). (2022). Isothiazolinones – Substance evaluation report.

National Institute for Occupational Safety and Health (NIOSH). (2022). Glutaraldehyde: Workplace safety and health topic.

U.S. Environmental Protection Agency (EPA). (2017). Reregistration eligibility decision for DBNPA.

U.S. Environmental Protection Agency (EPA). (2023). Cooling water intake structures and industrial water treatment guidance.

World Health Organization (WHO). (2007). Legionella and the prevention of legionellosis.

World Health Organization (WHO). (2017). Guidelines for drinking-water quality (4th ed.).

Emisiones de CO₂ actuales y proyectadas de la infraestructura digital con IA

 

Resumen Ejecutivo —Emisiones de CO₂ actuales y proyectadas de la infraestructura digital con IA

Autor: Yolanda Victoria Rojas Espinoza

La huella de dióxido de carbono (CO₂) atribuible a centros de datos e infraestructura digital que soporta la Inteligencia Artificial (IA) es un componente tangible del impacto climático de la era digital. Aunque la proporción relativa de emisiones globales es modesta en la actualidad, las tendencias de crecimiento apuntan a aumentos significativos en los próximos años.

Emisiones actuales (datos observados)

Los centros de datos, que albergan hardware crítico para servicios digitales e IA, ya contribuyen de manera cuantificable a las emisiones globales de CO₂. Según estimaciones de la Agencia Internacional de la Energía (IEA), los centros de datos generan alrededor de 180 millones de toneladas métricas de CO₂ indirectas actualmente, derivadas principalmente del consumo de electricidad de la red, lo que representa aproximadamente 0,5 % de las emisiones globales por combustión de combustibles fósiles (IEA, 2025).

Este porcentaje puede parecer bajo en términos absolutos, pero refleja la cantidad de energía que estos centros demandan incluso con la infraestructura y la eficiencia actuales. El carbón, gas natural y otras fuentes fósiles aún dominan partes significativas de las matrices eléctricas en muchas regiones, influyendo directamente en la huella de carbono operacional de los centros de datos.

Algunas investigaciones más específicas han estimado rangos de emisiones atribuibles exclusivamente a cargas de trabajo de IA en 2025 en alrededor de 32,6 a 79,7 millones de toneladas métricas de CO₂, lo cual es comparable a las emisiones anuales de una gran ciudad (De Vries-Gao, 2025).

Proyección de emisiones futuras

Las emisiones de CO₂ de los centros de datos, impulsadas por la expansión de IA y el crecimiento del tráfico digital global, están proyectadas a elevarse significativamente en la próxima década. Diversos estudios y análisis sitúan posibles cifras de emisiones anuales mucho mayores.

Según análisis de investigación, en Estados Unidos la expansión de la infraestructura para IA podría añadir entre 24 y 44 millones de toneladas métricas de CO₂ adicionales anualmente para 2030, debido al aumento de la demanda energética asociada a servidores y refrigeración intensiva (Cornell University, 2025).

A nivel global, estimaciones de modelos energéticos y emisiones sugieren que, si el crecimiento continúa sin una transición completa a fuentes energéticas limpias, el uso energético total de centros de datos podría más que duplicarse entre 2024 y 2030, implicando un aumento correspondiente en emisiones de CO₂ (IEA, 2025).

Proyecciones de organismos independientes incluso han señalado que el crecimiento continuo de esta industria podría acumular miles de millones de toneladas de CO₂ equivalente hacia el final de la década, especialmente si se considera la totalidad de emisiones indirectas asociadas a electricidad y materiales (Reuters/Morgan Stanley, 2024).

Comparación estructural

La diferencia entre el estado actual y lo proyectado en 2030 se puede visualizar así:

• Estado actual: cerca de 180 Mt CO₂ por año atribuibles a centros de datos operativos.
  
  

• Proyecciones 2030: aumentos sustanciales con rangos de decenas de millones de toneladas adicionales anuales directamente atribuibles a la expansión de IA y la demanda energética sin descarbonizar.
  
  

Estas cifras no solo dependen del crecimiento de IA como carga de trabajo, sino también de la matriz energética regional, la eficiencia operativa de los centros y las políticas de descarbonización implementadas por proveedores de infraestructura digital.

Conclusión

Los centros de datos e infraestructura que sustentan la IA representan una porción creciente de las emisiones operativas de CO₂ a nivel global. Si bien su participación en las emisiones globales es actualmente inferior al 1 %, aumentará si no se acelera la descarbonización de la electricidad y la eficiencia energética de los sistemas. La magnitud de este crecimiento queda en gran medida condicionada por las decisiones de inversión en tecnologías limpias, eficiencia de refrigeración, diseño arquitectónico y transición energética de las redes eléctricas.

Referencias

International Energy Agency (IEA). (2025). AI-Five charts that put data centre energy use and emissions into context.

International Energy Agency (IEA). (2025). AI and climate change – energy and AI analysis.

De Vries-Gao, A. (2025). The carbon and water footprints of data centers.

Cornell University. (2025). Roadmap shows environmental impact of AI data center boom.

International Energy Agency (IEA). (2025). Energy supply for AI and data centers.

Reuters/Morgan Stanley. (2024). Global data center industry to emit 2.5 billion tons of CO2 through 2030.

Consumo actual y proyectado de agua asociado a la infraestructura de Inteligencia Artificial

 

Consumo actual y proyectado de agua asociado a la infraestructura de Inteligencia Artificial

El consumo de agua vinculado a la Inteligencia Artificial (IA) se materializa principalmente a través de la operación de centros de datos que requieren refrigeración continua. La mayor parte del consumo directo se produce en sistemas de enfriamiento evaporativo, donde una fracción significativa del agua se pierde por evaporación durante la disipación térmica (Li et al., 2023).

Consumo actual (datos observados, no proyectados)

Investigaciones sectoriales y reportes corporativos permiten estimar el consumo real actual de agua de los centros de datos a escala global. Análisis independientes sitúan el consumo anual mundial en torno a 560 mil millones de litros de agua por año para la operación de centros de datos (EthicalGeo, s. f.).

Convertido a escala temporal:

560.000.000.000 litros/año ÷ 8.760 horas/año ≈ 63.926.940 litros por hora.

Equivalencia ilustrativa:

63.926.940 ÷ 2.500.000 litros (piscina olímpica estándar) ≈ 25–26 piscinas olímpicas por hora.

Esta cifra representa un promedio global actual y no distingue entre consumo directo (enfriamiento in situ) e indirecto (agua utilizada en generación eléctrica).

En términos corporativos específicos, Google reportó un consumo aproximado de 23 mil millones de litros de agua en 2023 en sus centros de datos globales, mientras que Meta reportó cerca de 2,9 mil millones de litros en el mismo período, lo que confirma que el consumo es medible y significativo en actores individuales del sector (Google, 2023; Meta, 2023).

Consumo proyectado bajo expansión acelerada de IA

Bajo escenarios de crecimiento acelerado de IA generativa, Li et al. (2023) estiman que el consumo global anual podría situarse entre 4.200 y 6.600 millones de m³ por año hacia 2027.

Conversión:

4.200 millones m³ = 4,2 billones de litros/año
6.600 millones m³ = 6,6 billones de litros/año

Escenario bajo:

4.200.000.000.000 ÷ 8.760 ≈ 479 millones de litros por hora
≈ 192 piscinas olímpicas por hora

Escenario alto:

6.600.000.000.000 ÷ 8.760 ≈ 753 millones de litros por hora
≈ 301 piscinas olímpicas por hora

Por lo tanto, el rango proyectado equivale aproximadamente a 190–300 piscinas olímpicas por hora, dependiendo del escenario de crecimiento y de las mejoras en eficiencia hídrica y energética.

Comparación estructural

Consumo actual estimado:
≈ 25–26 piscinas por hora

Escenario proyectado alto:
≈ 301 piscinas por hora

La diferencia implica un aumento potencial superior a diez veces respecto al consumo promedio actual si la expansión tecnológica no incorpora mejoras sustanciales en eficiencia o transición hacia sistemas con menor intensidad hídrica.

Consideración técnica

El consumo hídrico varía según:

• Tipo de sistema de enfriamiento (evaporativo vs. aire vs. circuito cerrado).

• Localización geográfica y estrés hídrico regional.

• Matriz energética utilizada.

• Grado de reutilización de agua tratada.
  
  

No todo el volumen retirado se pierde permanentemente; sin embargo, en sistemas evaporativos una fracción relevante se consume netamente por evaporación (Li et al., 2023).

Conclusión

Los datos actuales indican que la infraestructura digital ya consume volúmenes relevantes de agua dulce a escala global. Las proyecciones muestran que, bajo expansión acelerada de IA, el consumo podría multiplicarse significativamente en los próximos años. El desafío técnico y regulatorio consiste en desacoplar crecimiento digital de presión hídrica mediante eficiencia tecnológica, transparencia de métricas y gestión sostenible del recurso.

Referencias

EthicalGeo. (s. f.). The cloud is drying our rivers: Water usage of AI data centers.

Google. (2023). Environmental Report 2023.

Li, P., et al. (2023). Making AI less “thirsty”: Uncovering and addressing the secret water footprint of AI models. arXiv:2304.03271.

Meta. (2023). Sustainability Report 2023.

Consumo de Agua Asociado a la Inteligencia Artificial

 

Resumen Ejecutivo —Consumo de Agua Asociado a la Inteligencia Artificial

Autor: Yolanda Victoria Rojas Espinoza

El funcionamiento de la infraestructura que soporta la Inteligencia Artificial (IA) depende de centros de datos que requieren refrigeración continua. En una proporción significativa de instalaciones, este enfriamiento se realiza mediante sistemas evaporativos que consumen agua dulce de manera directa y permanente (Li et al., 2023; Patterson et al., 2021).

Desde una perspectiva cuantitativa, el entrenamiento de modelos de gran escala ha evidenciado consumos hídricos relevantes. Se estima que el entrenamiento de un modelo del tamaño de GPT-3 pudo haber requerido aproximadamente 700.000 litros de agua en consumo directo (scope 1) y hasta 5,4 millones de litros al incorporar el consumo indirecto asociado a la generación eléctrica (scope 2), dependiendo de la localización y matriz energética utilizada (Li et al., 2023). Estas cifras no incluyen el consumo continuo derivado de la operación cotidiana del modelo una vez desplegado.

A escala de infraestructura, un centro de datos de gran tamaño puede consumir hasta 19 millones de litros de agua potable por día, volumen comparable al consumo diario de una ciudad pequeña (Environmental and Energy Study Institute [EESI], s. f.). En Estados Unidos, los centros de datos consumieron aproximadamente 449 millones de galones diarios en 2021, con proyecciones de incremento ante la expansión de la IA generativa (Brookings Institution, s. f.).

En escenarios de crecimiento acelerado, se proyecta que el consumo global anual de agua asociado a la IA podría situarse entre 4.200 y 6.600 millones de m³ hacia 2027, dependiendo de mejoras en eficiencia tecnológica y transición energética (Li et al., 2023). Este rango se inserta en un contexto de estrés hídrico global, donde el agua dulce ya enfrenta presión por cambio climático, agricultura intensiva, expansión urbana e industrias extractivas.

El consumo hídrico no se limita a la evaporación. Los sistemas de enfriamiento requieren tratamiento químico para prevenir corrosión, incrustaciones y proliferación biológica. Posteriormente, el agua concentrada es descargada como purga (blowdown), conteniendo sales, residuos de biocidas e inhibidores de corrosión, cuya gestión depende del marco regulatorio y la capacidad de fiscalización local (U.S. Environmental Protection Agency [EPA], s. f.; Directiva 2000/60/CE).

El impacto final varía según el sistema de enfriamiento implementado. Tecnologías como la refrigeración líquida cerrada o el uso de agua reciclada pueden reducir la presión sobre fuentes potables, aunque su adopción aún es limitada en proporción global. En ausencia de estandarización internacional en la divulgación pública de métricas hídricas en tiempo real, la magnitud agregada permanece parcialmente opaca.

En síntesis, el consumo de agua asociado a la Inteligencia Artificial constituye un componente material verificable de su huella ambiental. No implica la inviabilidad intrínseca de la tecnología, pero sí exige medición precisa, transparencia pública e internalización de costos ambientales para evitar que la expansión digital comprometa la seguridad hídrica de poblaciones y ecosistemas.

QNM- Consumo de Agua Asociado a la Inteligencia Artificial | QNM Que nos mantengan 

Referencia

Brookings Institution. (s. f.). Analysis on U.S. data center resource consumption.

Directiva 2000/60/CE del Parlamento Europeo y del Consejo, de 23 de octubre de 2000, por la que se establece un marco comunitario de actuación en el ámbito de la política de aguas.

Environmental and Energy Study Institute. (s. f.). Data center water usage reports.

Li, P., et al. (2023). Making AI less “thirsty”: Uncovering and addressing the secret water footprint of AI models. arXiv:2304.03271.

Patterson, D., et al. (2021). Carbon emissions and large neural network training. arXiv:2104.10350.

U.S. Environmental Protection Agency. (s. f.). Cooling Water Intake Structures Technical Documents; NPDES guidance.