Daños ambientales
Este concepto aborda las consecuencias materiales y ecológicas que se manifiestan a lo largo de todo el ciclo de vida de las tecnologías digitales. Estas externalidades abarcan desde el agotamiento y la contaminación de los recursos naturales —la 'cuna' del proceso, que es la extracción de materias primas— y el daño potencial a los entornos construidos o infraestructura, hasta el consumo de energía durante su 'uso' y el impacto final en la 'tumba', que es la problemática gestión de los residuos electrónicos.
ENTIDAD
2 - IA
INTENCIÓN
2 - Involuntario
TIEMPO
2 - Post-despliegue
ID del riesgo
mit157
Linea de dominio
6. Socioeconómico y Ambiental
6.6 > Daño ambiental
Estrategia de mitigacion
- Prioridad Alta: Optimización de la Eficiencia Computacional y Algorítmica. Implementar protocolos rigurosos de diseño de sistemas de Inteligencia Artificial que prioricen la eficiencia energética, incluyendo técnicas como la destilación, la poda de modelos, la cuantificación de parámetros y el *transfer learning*, junto con la modernización constante del *hardware* de los centros de datos para reducir el consumo por operación. - Prioridad Media: Transición Energética y Gestión Hídrica en la Infraestructura. Establecer mandatos para la transición acelerada de los centros de datos (propios y de nube) a fuentes de energía 100% renovable, eliminando las emisiones indirectas. Adicionalmente, implementar sistemas avanzados de gestión hídrica para minimizar el uso de agua en la refrigeración de los servidores. - Prioridad Baja: Promoción de la Economía Circular y Transparencia en el Ciclo de Vida. Desarrollar y aplicar políticas de electrónica circular para el *hardware* de IA, fomentando el diseño de productos duraderos y reparables, y estableciendo programas obligatorios de gestión y reciclaje de residuos electrónicos (*e-waste*) para evitar la contaminación por toxinas. Paralelamente, exigir la medición y el reporte transparente de las emisiones de carbono y los estándares de eficiencia de los sistemas de IA.
EVIDENCIA ADICIONAL
El coste energético del entrenamiento de modelos de aprendizaje automático y los perjuicios asociados al uso intensivo de agua y combustibles en las granjas de servidores, lo que deriva en una consecuente generación de residuos químicos y electrónicos (e-waste).