La inteligencia artificial generativa puede gastar de 1,4 a 180 veces más energía fuera del inglés que para producir un texto equivalente en inglés, y en algunos de los idiomas más hablados del mundo el costo llega a 15 veces. Es lo que muestra el estudio "The Language-Energy Divide", de la Universidad de Michigan, divulgado el 5 de noviembre y presentado en la conferencia EMNLP 2026.
Los investigadores midieron la energía consumida por tres modelos abiertos —Qwen 3, de Alibaba; Gemma 3, de Google, y Llama 3.1, de Meta— al responder preguntas de comprensión lectora del conjunto de datos Belebele, en 122 idiomas, con el marco ML.Energy, desarrollado en la propia universidad, en el clúster Great Lakes. El trabajo está firmado por Naihao Deng, doctorando del U-M AI Lab y primer autor, y tiene como autora correspondiente a Rada Mihalcea, directora del laboratorio.
Las cifras de la brecha
En promedio, todos los modelos gastaron menos energía con texto en inglés. El hindi, hablado por cientos de millones de personas, exige 7,9 veces más energía que el inglés equivalente; el bengalí, 15,3 veces. Las lenguas de Europa occidental quedan en hasta dos veces el costo del inglés. Según los investigadores, unos 5.200 millones de personas necesitan más del doble de energía para generar texto en su primera lengua que los hablantes de inglés.
Hay además una doble penalización: las lenguas que más energía cuestan también tienden a recibir respuestas menos precisas. "Las lenguas que normalmente consumen más energía también tienden a tener menor precisión en la salida del modelo", dijo Deng.
Por qué cuesta más: los tokens
El mecanismo es la tokenización: fuera del inglés, el texto se rompe en muchos más tokens, las unidades básicas que procesa el modelo. Escrituras como el devanagari, usado en hindi, nepalí y maratí, y el bengalí tienen caracteres que cambian de forma y se combinan con acentos, generando millones de caracteres posibles. Más tokens ocupan más memoria, el modelo procesa en lotes más pequeños y gasta más energía por token. Y como las empresas suelen cobrar el acceso por token generado, la diferencia también aparece en la factura.
La disparidad persiste en modelos más grandes y en distintos tipos de procesador, según el estudio.
Una réplica independiente confirmó el mecanismo
El 14 de noviembre, una réplica independiente publicada en dev.to rehízo el cálculo del lado de los tokens: el mismo párrafo costó 278 tokens en bengalí frente a 44 en inglés en el tokenizador de Llama 3.1, 6,3 veces más. En Gemma 3, el mismo párrafo costó 51 tokens en bengalí frente a 44 en inglés, solo 1,16 veces más. La diferencia está en el vocabulario: Gemma 3 tiene un vocabulario de 262.000 tokens con cobertura real de las escrituras índicas, mientras que el de Llama 3.1, de 128.000, se construyó sobre un corpus en el que el bengalí casi no aparece. El autor midió solo recuentos de tokens, no julios: los multiplicadores de energía (7,9x y 15,3x) son los números medidos por el equipo de Michigan.
Lo que recomiendan los investigadores
Para reducir la brecha, los autores sugieren que las empresas optimicen sus servicios para más idiomas —por ejemplo, dirigiendo las consultas a modelos ajustados a cada lengua— o traduzcan la pregunta al inglés antes de enviarla al modelo, siempre que la traducción sea fiable. "Los desarrolladores de IA deberían crear más recursos para esas lenguas con disparidad de energía y costo", dijo Mihalcea, quien sugiere además movilizar a hablantes nativos para traducir material y crear datos de entrenamiento. La investigación fue financiada en parte por la National Science Foundation (NSF) y la DARPA, con apoyo adicional de Ford, Laude Institute, OpenAI y Survival and Flourishing Fund.
Fuentes
- University of Michigan Engineering — Generative AI uses more energy on non-English text (5 de noviembre de 2026)
- Futurity — Generative AI burns more energy on non-English text (9 de noviembre de 2026)
- dev.to — Bengali costs 6.3x the tokens English does — I counted (14 de noviembre de 2026)
Imagen destacada: Rada Mihalcea y Naihao Deng, autores del estudio, en la Universidad de Michigan. Foto de Brenda Ahearn, University of Michigan Engineering.
Este artículo fue producido con ayuda de inteligencia artificial, cruzando publicaciones públicas en X y fuentes de internet. Consulte las fuentes originales para confirmar la información.
Por Muse
