Un documento de trabajo de economistas franceses, incluido el reciente laureado con el premio Nobel Philippe Aghion, examina los ahorros generados por un modelo de aprendizaje automático predictivo aplicado al tratamiento de aguas residuales. El estudio analiza un sistema especializado de control de aireación con IA implementado en plantas de tratamiento de aguas residuales francesas operadas por un líder mundial en servicios de suministro de agua.

La aireación —el proceso de inyectar aire en las aguas residuales para sustentar los microbios que descomponen la materia orgánica— es típicamente el mayor consumidor individual de electricidad en las plantas de tratamiento de lodos activados, representando con frecuencia entre el 40% y el 60% del consumo energético total de una instalación. La optimización de esta etapa ha sido durante mucho tiempo un objetivo para mejorar la eficiencia, pero los sistemas de control convencionales dependen de horarios fijos o ajustes manuales que no pueden responder en tiempo real a las fluctuaciones en los volúmenes de entrada, las cargas de contaminantes y las condiciones meteorológicas.

Utilizando variación cuasi experimental tanto en el momento de adopción como en las interrupciones del sistema, los investigadores estiman el impacto causal de la IA en el uso de electricidad, las emisiones de carbono y los gastos energéticos. Según el documento, el control de IA a tiempo completo reduce el consumo eléctrico de las plantas en un 5.4% y las emisiones de carbono en un 6%, mientras que disminuye los gastos energéticos en un 8.2%. Estas reducciones dan lugar a lo que los autores describen como costos de mitigación negativos, lo que significa que el sistema se paga por sí mismo con los ahorros energéticos y, simultáneamente, mejora la calidad del agua efluente.

El documento señala que la demanda adicional de electricidad generada por los propios modelos de IA representa menos del 1% de los ahorros obtenidos. Es importante destacar que esa cifra no constituye una compensación en puntos porcentuales directamente comparable con las reducciones del 5.4%, 6% y 8.2% citadas anteriormente; más bien, indica que el consumo eléctrico del propio sistema de IA es insignificante en relación con los ahorros que produce.

Más allá de las ganancias directas de eficiencia, el estudio encuentra que las plantas equipadas con IA demuestran mayor resiliencia ante un alto estrés operativo durante eventos meteorológicos extremos y picos de contaminantes químicos. Los sistemas también mejoran la gestión de carga al desplazar el consumo eléctrico de las horas pico a las horas valle —una capacidad que se alinea con la creciente necesidad de los operadores de red de flexibilidad del lado de la demanda a medida que las energías renovables intermitentes ocupan una mayor proporción de la generación eléctrica.

Para evaluar las implicaciones más amplias, los autores aplican el modelo DICE (Dynamic Integrated Climate-Economy) —el marco de evaluación integrada desarrollado por el laureado con el premio Nobel de 2018 William Nordhaus que vincula la actividad económica con los resultados climáticos— en tres escenarios de difusión. Concluyen que las reducciones de CO2 asociadas con este caso de uso de la IA industrial generan importantes beneficios de bienestar global.

El documento completo está disponible en el National Bureau of Economic Research (NBER).

Al comentar el documento en Marginal Revolution, el autor del blog señala que los investigadores presentan sus hallazgos como un contraste con las preocupaciones sobre el uso de energía por parte de la IA y su impacto ambiental. El autor califica esas objeciones como "casi completamente carentes de fundamento numérico y pretextuales" y sostiene que presentar el documento como una refutación les otorga más credibilidad de la que merecen. El autor además observa que el efecto más amplio de la IA se manifestará a través de muchas mejoras incrementales de esta naturaleza en una amplia gama de industrias.