Por qué conviene leer este libro hoy
Empire of AI: Dreams and Nightmares in Sam Altman’s OpenAI (Penguin Press, mayo de 2025) no es una historia corporativa celebratoria ni un manual de management. Es una investigación periodística sobre cómo se construyó, financió y concentró el poder tecnológico más influyente de nuestra década.
Karen Hao no escribe desde la fascinación. Es ingeniera formada en el MIT, fue editora senior de inteligencia artificial en MIT Technology Review y corresponsal de tecnología y sociedad china para The Wall Street Journal. Esa doble competencia —técnica y periodística— explica el tono del libro: entiende los modelos y, al mismo tiempo, rastrea sus cadenas de suministro.
La obra se apoya en cientos de entrevistas realizadas a lo largo de años de cobertura del sector, además de documentación interna y correspondencia. OpenAI no participó del proyecto. Ese dato importa para leerla con el criterio adecuado.
▶ El libro no trata sobre Sam Altman ni sobre ChatGPT. Trata sobre una pregunta que todo directorio debería poder responder por escrito. ¿Quién decide qué tecnología se construye, con qué incentivos, usando qué recursos, bajo qué controles y para beneficio de quién?
Hao elige la metáfora del imperio con intención precisa. Su tesis es que la IA contemporánea no se expande solamente por calidad algorítmica, sino por capital, cómputo, datos, energía, talento, infraestructura, influencia regulatoria y trabajo humano que casi nunca aparece en los anuncios de producto.
Su argumento no pide rechazar la IA. Pide abandonar tres creencias cómodas: que la innovación es inevitable, que la tecnología es neutral y que la responsabilidad termina en quien escribe el código.
🎥 Para empezar por la fuente, en español: la entrevista completa de Gustavo Entrala a Karen Hao, donde ella reconstruye la fundación de OpenAI, la disputa interna sobre la AGI y los paralelismos con los imperios históricos → La agenda oculta de ChatGPT (1h31).
Tres lentes sobre el mismo fenómeno
Leer el libro aislado produce una imagen parcial. Lo valioso aparece al cruzarlo con otras dos miradas hoy disponibles para cualquier ejecutivo.
El lente de la investigación. Hao reconstruye el fenómeno desde las comunidades, los contratos, los documentos y los trabajadores. Mira la infraestructura.
El lente de los protagonistas. The AI Doc: Or How I Became an Apocaloptimist (Focus Features, 2026; en Netflix desde septiembre de 2026), codirigido por Daniel Roher —ganador del Oscar por Navalny— y Charlie Tyrell, pone frente a cámara a Sam Altman, Dario y Daniela Amodei, Demis Hassabis, Yoshua Bengio, Emily M. Bender y Tristan Harris. El film está construido como una investigación personal: Roher espera un hijo e intenta entender el mundo que va a heredar. Esa estructura emocional es, a la vez, su fortaleza narrativa y su límite analítico.
🎥 Tráiler oficial subtitulado al español · Ficha en Netflix · y una lectura crítica en español sobre la disputa narrativa que rodeó su estreno.
El lente del testimonio extendido. En su conversación de más de dos horas con Steven Bartlett en The Diary Of A CEO (marzo de 2026), Hao sostiene algo más filoso que en el libro: que la AGI funciona como herramienta de marketing y que la narrativa de la carrera tecnológica entre Estados Unidos y China opera como justificación para acelerar sin contrapesos.
🎥 Entrevista completa en The Diary Of A CEO (2h+, en inglés).
Decálogo para la agenda del directorio
La IA no es un recurso abstracto. Cada modelo depende de energía, chips, agua, centros de datos, datos, etiquetado, talento especializado y capital concentrado.
La AGI también es una narrativa estratégica. Más allá de su viabilidad técnica, la promesa de una inteligencia superior organiza inversión, talento, legitimidad pública y velocidad corporativa.
La misión se diluye cuando los incentivos cambian. Una organización puede nacer con propósito de seguridad pública y, al escalar, quedar dominada por presiones de mercado y control.
La velocidad sin gobierno genera deuda institucional. Lanzar primero da ventaja comercial y acumula riesgo reputacional, regulatorio, humano y operacional.
Concentrar cómputo es concentrar poder. Si pocos actores controlan infraestructura, modelos fundacionales y canales de distribución, la autonomía de empresas y países se reduce.
El trabajo humano no desaparece: se invisibiliza. Detrás de sistemas aparentemente autónomos hay moderadores, evaluadores, anotadores, expertos de dominio y usuarios que corrigen errores.
El impacto laboral se gestiona por tareas, no por titulares. La OIT estima que alrededor del 25% del empleo mundial está en ocupaciones con algún grado de exposición a la IA generativa, pero solo el 3,3% cae en la categoría de exposición máxima. Exposición no es sustitución.
La desigualdad del impacto es medible. En el mismo informe, el 4,7% del empleo femenino está en el nivel de exposición más alto frente al 2,4% del masculino; y la exposición total trepa al 34% del empleo en países de ingreso alto contra el 11% en los de ingreso bajo.
La energía es una variable de diseño, no un detalle de sustentabilidad. La Agencia Internacional de Energía proyecta que el consumo eléctrico global de los centros de datos pasará de unos 415 TWh en 2024 a cerca de 945 TWh en 2030 en su escenario base —aproximadamente el consumo eléctrico total de Japón hoy—, con un rango de entre 700 y 1.700 TWh hacia 2035 según el escenario.
La verificación es parte del gobierno, no del área técnica. Ningún dato de alto impacto entra en una decisión sin fuente, unidad y método auditables. Esto vale tanto para la cifra que trae el proveedor como para la que trae el crítico; más adelante veremos por qué el propio libro lo demuestra.
El cambio de paradigma: de herramienta a sistema de poder
En la mayoría de las conversaciones de directorio, la IA aparece reducida a una agenda de productividad: menos tiempo, menos costo, más contenido, mejor atención al cliente. Todo eso es real y valioso.
La adopción además se aceleró con fuerza. El AI Index Report 2025 de Stanford HAI registró que el 78% de las organizaciones relevadas usaba IA en 2024, frente al 55% del año previo, y que quienes la aplicaban en al menos una función de negocio pasaron del 33% al 71%.
Pero Hao obliga a ampliar el lente. Cada decisión de adopción implica elegir proveedores, delegar conocimiento, exponer datos, modificar puestos, consumir infraestructura y aceptar —o cuestionar— un modelo de concentración.
Dicho de otro modo: una decisión que parece operativa suele tener consecuencias estratégicas.
Por eso la conversación madura sobre IA no puede limitarse a qué herramienta compramos. Debe incluir cinco preguntas:
¿Qué problema de negocio resolvemos y cómo medimos el valor?
¿Qué datos, procesos y decisiones quedan expuestos o condicionados?
¿Qué nuevas dependencias tecnológicas estamos creando?
¿Qué capacidades humanas debemos aumentar en lugar de reemplazar?
¿Qué mecanismo de gobierno nos permite corregir el rumbo a tiempo?
💬 “Una misión inspiradora no protege a una organización si sus incentivos empujan en dirección contraria.”
La transformación empieza en el liderazgo. Un ejecutivo que adopta IA sin comprender sus incentivos delega demasiado. Uno que la rechaza por temor pierde posición competitiva. El liderazgo aumentado exige una tercera postura: aprender, experimentar, medir y gobernar.
No se trata de convertir a cada director en especialista en modelos fundacionales. Se trata de entender que la IA amplifica las capacidades y las debilidades de la organización. Si los procesos son confusos, automatiza confusión. Si los datos son pobres, escala errores. Si la cultura no confía, la adopción es cosmética. Si falta propósito, vuelve más eficiente una dirección equivocada.
▶ La tecnología no sustituye la responsabilidad directiva: la vuelve más visible.
Los cuatro movimientos del argumento
El libro se organiza en cuatro partes y dieciocho capítulos. Más que recorrerlos, propongo leerlos como cuatro movimientos de un mismo argumento, cada uno con su traducción ejecutiva.
1. El origen: cuando la estructura de financiamiento define la estrategia
La primera parte reconstruye la fundación de OpenAI y la tensión entre una misión declarada de beneficio para la humanidad y la ambición de construir una tecnología de alcance extraordinario. La organización se presenta inicialmente como alternativa a las grandes corporaciones: una institución orientada a la seguridad, pensada para evitar que una IA avanzada quede capturada por intereses exclusivamente comerciales.
El problema aparece con la escala. Entrenar modelos de frontera exige más cómputo, más datos, más energía y más capital. El ideal de independencia entra en colisión con la realidad del financiamiento.
La lección directiva es dura: la estructura de financiamiento condiciona la estrategia, aun cuando la misión siga escrita en la pared. Un propósito que no se traduce en derechos de decisión, controles, incentivos y rendición de cuentas es decoración.
Caso aplicado. Una fintech latinoamericana adopta un modelo fundacional externo para automatizar evaluación documental y atención de reclamos. Si el único criterio es bajar costos, traslada información sensible, sesgos y riesgo regulatorio a una arquitectura que no controla. La eficiencia será real; la dependencia también. La pregunta madura no es si funciona, sino qué capacidad estratégica estamos cediendo al usarlo.
🎥 Escuchar el otro lado, sin intermediarios: la conversación de Sam Altman con Chris Anderson en TED2025 es el mejor registro del argumento de la industria sobre crecimiento, agentes, seguridad y autoridad moral → TED2025 (47 min). Leer el libro sin ver esta entrevista es construir una posición sobre una sola voz.
💡 En transformación digital hablamos de visión, cultura y tecnología. Falta una cuarta dimensión: arquitectura de poder. ¿Quién puede frenar un lanzamiento? ¿Quién evalúa efectos no previstos? ¿Quién decide sobre datos, seguridad y propiedad intelectual? Sin esas respuestas, el gobierno de IA es un documento, no una capacidad.
2. La comercialización: del laboratorio a la plataforma
La segunda parte describe el pasaje de una organización de investigación a una empresa sometida a la carrera competitiva. El foco deja de ser únicamente producir conocimiento y pasa a ser convertirlo en plataforma de uso masivo.
Hao plantea una crítica directa: cuando el desarrollo depende de recursos concentrados, parte de la investigación queda condicionada por la estrategia corporativa, el secreto comercial y la competencia geopolítica. El conocimiento circula menos y se vuelve activo estratégico.
Para un ejecutivo esto tiene una consecuencia concreta. La IA generativa no se evalúa como una aplicación aislada, sino como una capa que atraviesa procesos, datos, propiedad intelectual y experiencia del cliente. Cuanto más integrada, mayor su valor —y más alto el costo de cambiar de proveedor, auditar resultados o recuperar autonomía.
La comercialización también altera el ritmo de decisión. El proveedor tiene incentivos para publicar antes y convertir la adopción en barrera de entrada. La organización usuaria debería tener el incentivo contrario: adoptar a la velocidad que permita sostener valor, confianza y control.
Caso aplicado. Una aseguradora implementa IA generativa para resumir siniestros y asistir a analistas. Fase uno: reducción del tiempo administrativo sin automatizar decisiones de cobertura. Fase dos: validaciones, trazabilidad y revisión de sesgos. Fase tres: ampliación de autonomía, solo con evidencia y gobierno. El error clásico es confundir una demo convincente con un proceso listo para operar a escala.
💬 “La velocidad de lanzamiento puede ser una ventaja de mercado; rara vez es una ventaja institucional.”
3. La promesa y sus costos fuera de pantalla
Esta es la parte más provocadora. Hao explora cómo el imaginario de la AGI organiza decisiones de líderes, inversores y científicos. La promesa es enorme: acelerar descubrimientos, ampliar capacidades humanas, producir prosperidad. Su objeción es que esa promesa puede justificar una carrera de recursos sin contrapesos proporcionales.
La contradicción que expone es elegante: una narrativa sobre inteligencia aparentemente inmaterial descansa sobre una infraestructura profundamente material. Chips, centros de datos, redes eléctricas, minerales, agua, cadenas de suministro, comunidades anfitrionas y presupuestos de capital sin precedentes.
Los números explican por qué el punto importa. Según Stanford HAI, la inversión privada global en IA generativa alcanzó USD 33.900 millones en 2024, un 18,7% más que el año anterior, dentro de una inversión corporativa total en IA de USD 252.300 millones.
🎥 El ángulo financiero, por un crítico técnico: Gary Marcus —científico cognitivo, profesor emérito de NYU y autor de Taming Silicon Valley— discute los límites de los grandes modelos de lenguaje, la burbuja de inversión y el poder de Silicon Valley en esta entrevista con Gustavo Entrala (1h03, noviembre de 2026). Su objeción es distinta a la de Hao: no apunta al modelo de poder, apunta a la viabilidad técnica y económica de la promesa. Para un directorio que evalúa inversiones plurianuales, esa diferencia importa.
Hao insiste además en el trabajo humano que permite que la IA parezca automática: moderación de contenidos, clasificación de datos, evaluación de respuestas, corrección de comportamientos nocivos. El mensaje no es que la automatización sea falsa, sino que suele apoyarse en una red laboral distribuida globalmente y con condiciones desiguales.
🎥 Evidencia independiente sobre ese punto: el documental de DW sobre los trabajadores de datos en Kenia muestra la cadena laboral que sostiene a los sistemas que usamos todos los días → DW Documentary (22 min). Y la entrevista de Democracy Now! con Hao conecta ese eje con los casos de Chile y Uruguay → Democracy Now! (17 min; versión en español).
Para una empresa, esto redefine la pregunta sobre productividad. Si una automatización reduce tiempo interno pero genera una carga de supervisión inviable, deteriora la calidad del trabajo o externaliza riesgo hacia terceros invisibles, no está creando valor sostenible: está desplazando costos.
💡 Coincido con la necesidad de medir externalidades y agrego un punto pragmático. Casi ninguna empresa puede modificar la infraestructura global de IA; todas pueden modificar sus decisiones de compra y uso. Exigir transparencia al proveedor, clasificar riesgos, prohibir el uso de datos sensibles sin acuerdo, registrar impactos sobre roles y elegir modelos más eficientes cuando la tarea no requiere máxima escala. La sostenibilidad tecnológica se decide en el diseño de cada caso de uso.
4. La crisis de gobierno y la rendición de cuentas
La última parte se centra en los conflictos de liderazgo y la crisis de gobierno corporativo de OpenAI. Hao usa esos episodios para iluminar un problema mayor: cuando una organización concentra capacidades de enorme impacto, los desacuerdos sobre seguridad, velocidad y propósito dejan de ser asuntos internos y pasan a ser de interés público.
El gobierno de una organización no se evalúa en tiempos de estabilidad. Se revela bajo presión, con conflicto de intereses y decisiones irreversibles sobre la mesa. Si la continuidad de la dirección depende de acuerdos informales, relaciones personales o alianzas de poder, el propósito institucional queda expuesto.
💬 “La gobernanza no sirve para explicar una crisis después de que ocurrió; sirve para que la organización no se quede sin opciones antes de decidir.”
Esto es directamente aplicable a directorios y comités ejecutivos. Muchas empresas ya tienen políticas de ciberseguridad, privacidad y continuidad del negocio. Pocas tienen una gobernanza de IA capaz de responder siete preguntas:
¿Qué usos de IA están prohibidos?
¿Quién es dueño de cada caso de uso?
¿Qué datos se pueden compartir con proveedores?
¿Qué controles se exigen antes del despliegue?
¿Cómo se registran y corrigen incidentes?
¿Qué decisiones requieren revisión humana obligatoria?
¿Qué métricas se informan al directorio y con qué frecuencia?
El Reglamento Europeo de IA marca la dirección del mercado: la responsabilidad no se limita a quien desarrolla el modelo, también alcanza a quienes implementan sistemas y toman decisiones de alto impacto.
💡 Este es el aporte más útil del libro para un ejecutivo. La lección no es desconfiar de toda empresa tecnológica. Es más exigente: no delegar la responsabilidad estratégica en el proveedor más sofisticado. La IA se compra; el juicio, la rendición de cuentas y la legitimidad no.
El caso que mejor enseña: la corrección de la propia autora
Hay un episodio que no estaba en el libro y que hoy es parte de su valor formativo.
En diciembre de 2025, Hao publicó dos correcciones sobre la huella hídrica de los centros de datos. La principal afectaba al capítulo 12: un dato sobre un centro de datos proyectado por Google en Cerrillos, Chile, estaba sobredimensionado en un factor de mil, por una confusión de unidades entre litros y metros cúbicos en la documentación de origen. WIRED cubrió el episodio y la discusión técnica que lo rodeó.
▶ El estándar que le exigimos a una investigación crítica es exactamente el que deberíamos exigirle al business case de nuestro próximo proyecto de IA.
Vale leer el desenlace completo, porque el matiz es el aprendizaje. Incluso con la cifra corregida, el consumo proyectado del sitio equivalía aproximadamente al uso residencial de agua de la comuna, y el permiso ambiental del proyecto fue revocado parcialmente en instancia judicial. El problema era real; la magnitud publicada, no.
💡 La corrección fortalece el libro más de lo que lo debilita, y por una razón que aplica a cualquier directorio. En IA, las afirmaciones de alto impacto —de los críticos y de los vendedores— requieren evidencia verificable, unidades auditadas y transparencia metodológica. Un comité que no sabe revisar la fuente de un número no está gobernando: está opinando con convicción.
Playbook: ocho movimientos para una adopción inteligente
Propongo convertir las preguntas del libro en ocho decisiones ejecutables.
1. Empezar por el problema, no por la herramienta. Armar una cartera de problemas de negocio —tiempos de respuesta, reprocesos, fraude, calidad de servicio, análisis documental, conocimiento disperso, decisiones lentas— y definir para cada uno una métrica de valor. Sin métrica hay experimentación, no transformación.
2. Clasificar los casos de uso por nivel de riesgo. Separar los usos de bajo riesgo —redacción, búsqueda interna, síntesis de documentos no sensibles— de los de alto impacto: selección de personas, crédito, salud, educación, precios, fraude, cumplimiento, decisiones legales. Los primeros sirven para aprender rápido. Los segundos exigen trazabilidad, validación, revisión humana y aprobación de gobierno.
3. Construir un inventario de IA. Muchas organizaciones ya usan IA sin saberlo, embebida en herramientas SaaS, asistentes de productividad, CRM y plataformas de marketing. Registrar proveedor, finalidad, datos involucrados, usuarios, integraciones, riesgos y responsable de negocio. No se gobierna lo que no se ve.
4. Definir política de datos y propiedad intelectual. Establecer qué información nunca se carga en herramientas públicas o no aprobadas —datos personales sensibles, secretos comerciales, contratos, código, información financiera no publicada, expedientes de clientes— y fijar reglas de retención, entrenamiento, residencia de datos y uso de contenidos generados.
5. Mantener al humano en las decisiones irreversibles. Usar IA para preparar, comparar, detectar anomalías y proponer alternativas. Un analista de riesgos trabaja mejor con IA; un algoritmo no debería ser la única autoridad que niega un crédito o clasifica personas sin mecanismo de apelación.
6. Medir valor y daño potencial en el mismo tablero. De un lado: productividad, calidad, tiempos, satisfacción, precisión. Del otro: errores, sesgos, incidentes de privacidad, alucinaciones, dependencia del proveedor, quejas y efectos sobre el trabajo. La eficiencia sin confianza es una ganancia transitoria.
7. Rediseñar roles, no solo instalar software. La OIT propone analizar la exposición por tareas en lugar de asumir la eliminación de ocupaciones. Capacitar no es enseñar prompts aislados: es enseñar criterio, verificación, diseño de procesos y colaboración humano-IA.
8. Llevar la conversación al directorio. Instalar un comité de IA con negocio, tecnología, legal, seguridad, datos, personas y riesgo. Su función no es burocratizar, sino tomar decisiones explícitas sobre prioridades, inversiones, límites y aprendizaje institucional.
▶ Transformar lo imposible en posible no consiste en automatizar todo. Consiste en usar la IA para ampliar la capacidad humana sin perder autonomía, propósito ni responsabilidad.
Optimismo con evidencia
Empire of AI es un libro incómodo, y ahí reside su utilidad. Karen Hao recuerda que la inteligencia artificial no llega a las empresas como una fuerza natural: es diseñada, financiada, entrenada, distribuida y gobernada por personas e instituciones que pueden ser interpeladas.
Mi conclusión es optimista y no ingenua. La IA puede mejorar productividad, acelerar innovación y ampliar el acceso al conocimiento. Pero su potencial solo será transformador si los líderes asumen una responsabilidad proporcional a su poder.
El futuro no dependerá de quién tenga el modelo más grande, sino de quién logre combinar tecnología, ética, eficiencia, gobernanza y humanidad para construir organizaciones confiables.
Y como enseña la propia corrección de Hao: eso empieza por auditar los números con los que justificamos nuestras decisiones.
Referencias y fuentes
Libro
Hao, Karen. Empire of AI: Dreams and Nightmares in Sam Altman’s OpenAI. Nueva York: Penguin Press, 20 de mayo de 2025. Edición en español: El imperio de la IA: Sam Altman y su carrera por dominar el mundo.
Hao, Karen. “Empire water changes” — correcciones sobre la huella hídrica de los centros de datos, 17 de diciembre de 2025. https://karendhao.com/20251217/empire-water-changes
WIRED. “You’re Thinking About AI and Water All Wrong” — cobertura del episodio y del debate técnico. https://www.wired.com/story/karen-hao-empire-of-ai-water-use-statistics
Documental
The AI Doc: Or How I Became an Apocaloptimist. Dirigido por Daniel Roher y Charlie Tyrell. Estados Unidos: Focus Features, 2026. Estreno en salas el 27 de marzo de 2026; en Netflix desde septiembre de 2026. 104 minutos. Con Sam Altman, Dario Amodei, Daniela Amodei, Demis Hassabis, Yoshua Bengio, Emily M. Bender y Tristan Harris. https://www.netflix.com/title/82792555
Tráiler oficial subtitulado al español latino “The AI Doc”. Canal Shut in Flix Movie Trailer, 2026.
Entrala, Gustavo. “Por qué Sam Altman quiere impedir que veamos esta película”. Canal Gustavo Entrala, 2026. Lectura crítica en español del documental y de la disputa narrativa que rodeó su estreno. 16 min.
Entrevistas en video con Karen Hao
Entrala, Gustavo. “La agenda oculta de ChatGPT”. Canal Gustavo Entrala, diciembre de 2025. Entrevista en español: fundación de OpenAI, disputa interna sobre la AGI, el despido y la recontratación de Sam Altman, y los paralelismos con los imperios históricos. 1h31.
The Diary Of A CEO con Steven Bartlett. “AI Whistleblower: We Are Being Gaslit By AI Companies, They’re Hiding The Truth! – Karen Hao”, 26 de marzo de 2026. La AGI como herramienta de marketing, el encuadre de la carrera entre Estados Unidos y China, el trabajo humano oculto y la regulación. 2h+.
Democracy Now! “Empire of AI’: Karen Hao on How AI Is Threatening Democracy & Creating a New Colonial World”, 2025. Eje colonial del argumento, con casos de Kenia, Chile y Uruguay. 17 min.
· Versión en español: https://www.democracynow.org/es/2025/7/4/empire_of_ai_karen_hao_on
Contrapuntos y evidencia complementaria en video
TED. “OpenAI’s Sam Altman Talks ChatGPT, AI Agents and Superintelligence — Live at TED2025”. Conversación con Chris Anderson, grabada en TED2025, Vancouver, 11 de abril de 2025. 47 min. El argumento de la industria, en primera persona.
Entrala, Gustavo. “¿Qué sabe este pionero de la IA para vaticinar el fracaso inminente de la industria?”. Canal Gustavo Entrala, 7 de noviembre de 2026. Entrevista a Gary Marcus —científico cognitivo, profesor emérito de la Universidad de Nueva York y autor de Taming Silicon Valley— sobre los límites de los grandes modelos de lenguaje, la burbuja de inversión, la desinformación y la regulación. 1h03.
DW Documentary. “How big AI companies exploit data workers in Kenya”. Deutsche Welle, 2024. Investigación sobre la fuerza laboral invisible que entrena los sistemas de IA. 22 min.
Informes e investigación citados
Stanford Institute for Human-Centered AI (HAI). AI Index Report 2025, abril de 2025. Capítulo “Economy”: 78% de organizaciones usando IA en 2024 (55% en 2023); USD 33.900 millones de inversión privada global en IA generativa; USD 252.300 millones de inversión corporativa total. https://hai.stanford.edu/ai-index/2025-ai-index-report/economy
Organización Internacional del Trabajo (OIT). Gmyrek, P. et al. Generative AI and Jobs: A Refined Global Index of Occupational Exposure. ILO Working Paper 140, Ginebra, 2025. DOI: 10.54394/HETP0387. https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure
Agencia Internacional de Energía (IEA). Energy and AI, 2025. Escenario base: el consumo eléctrico de los centros de datos pasa de ~415 TWh (2024) a ~945 TWh en 2030 y ~1.200 TWh en 2035, con un rango de 700 a 1.700 TWh según escenario. https://www.iea.org/reports/energy-and-ai
Unión Europea. Reglamento de Inteligencia Artificial (AI Act), Reglamento (UE) 2024/1689. Texto y herramientas de consulta:
https://artificialintelligenceact.eu
