Green AI en la educación superior: medición de la huella energética y de carbono del uso de inteligencia artificial generativa en la docencia de programación y comparación entre modelos locales y servicios en la nube
DOI:
https://doi.org/10.65415/2cc4j106Palabras clave:
inteligencia artificial verde; huella de carbono; consumo energético; inteligencia artificial generativa; enseñanza de la programación.Resumen
La expansión de la inteligencia artificial (IA) generativa en la educación superior se ha analizado sobre todo desde sus efectos pedagógicos, mientras que su costo ambiental permanece prácticamente ausente de la investigación educativa. Este estudio tiene como objetivo medir la huella energética y de carbono del uso de IA generativa en la docencia de programación de la carrera de Computación en Línea de la Universidad Agraria del Ecuador, comparar la ejecución local de modelos abiertos con el uso de servicios en la nube y evaluar estrategias de uso que reduzcan esa huella sin afectar la calidad de las respuestas. Se adopta un diseño mixto con predominio cuantitativo en tres fases: caracterización del uso docente y estudiantil mediante cuestionario y registro de interacciones durante ocho semanas; medición directa, con la librería CodeCarbon, de la energía y las emisiones de un banco de tareas representativas ejecutadas con modelos abiertos de tres tamaños; y estimación de la huella de los servicios en la nube por escenarios, con análisis de sensibilidad. Las emisiones se calculan con el factor de emisión oficial del Sistema Nacional Interconectado del Ecuador, cuya matriz es predominantemente hidroeléctrica. La calidad de cada respuesta se valora con una rúbrica aplicada por dos jueces, lo que permite construir un índice de eficiencia entre calidad y huella. El estudio aporta un protocolo replicable de medición para instituciones de educación superior y una base empírica para formular lineamientos de uso sostenible de la IA generativa en la docencia.
Descargas
Referencias
Asamblea Nacional del Ecuador. (2021). Ley Orgánica de Protección de Datos Personales (Registro Oficial Suplemento 459, 26 de mayo de 2021).
Becker, B. A., Denny, P., Finnie-Ansley, J., Luxton-Reilly, A., Prather, J., & Santos, E. A. (2023). Programming is hard – or at least it used to be: Educational opportunities and challenges of AI code generation. En Proceedings of the 54th ACM Technical Symposium on Computer Science Education V. 1 (pp. 500–506). ACM. https://doi.org/10.1145/3545945.3569759
Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? En Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (pp. 610–623). ACM. https://doi.org/10.1145/3442188.3445922
Comisión Técnica de determinación de Factores de Emisión de Gases de Efecto Invernadero. (2025). Factor de emisión de CO₂ del Sistema Nacional Interconectado de Ecuador: Informe 2024. Agencia de Regulación y Control de Energía y Recursos Naturales No Renovables. https://arconel.gob.ec/wp-content/uploads/downloads/2025/09/Factor-de-emision-de-CO2-del-Sistema-Nacional-Interconectado-de-Ecuador-Informe-2024_compressed.pdf
Courty, B., Schmidt, V., Luccioni, S., Goyal-Kamal, MarionCoutarel, Feld, B., Lecourt, J., LiamConnell, Saboni, A., Inimaz, supatomic, Léval, M., Blanche, L., Cruveiller, A., ouminasara, Zhao, F., Joshi, A., Bogroff, A., de Lavoreille, H., … MinervaBooks. (2024). mlco2/codecarbon: v2.4.1 [Software]. Zenodo. https://doi.org/10.5281/zenodo.11171501
Creswell, J. W., & Plano Clark, V. L. (2018). Designing and conducting mixed methods research (3.ª ed.). SAGE.
de Vries, A. (2023). The growing energy footprint of artificial intelligence. Joule, 7(10), 2191–2194. https://doi.org/10.1016/j.joule.2023.09.004
Denny, P., Prather, J., Becker, B. A., Finnie-Ansley, J., Hellas, A., Leinonen, J., Luxton-Reilly, A., Reeves, B. N., Santos, E. A., & Sarsa, S. (2024). Computing education in the era of generative AI. Communications of the ACM, 67(2), 56–67. https://doi.org/10.1145/3624720
Elsworth, C., Huang, K., Patterson, D., Schneider, I., Sedivy, R., Goodman, S., Townsend, B., Ranganathan, P., Dean, J., Vahdat, A., Gomes, B., & Manyika, J. (2025). Measuring the environmental impact of delivering AI at Google scale (arXiv:2508.15734). arXiv. https://doi.org/10.48550/arXiv.2508.15734
Henderson, P., Hu, J., Romoff, J., Brunskill, E., Jurafsky, D., & Pineau, J. (2020). Towards the systematic reporting of the energy and carbon footprints of machine learning. Journal of Machine Learning Research, 21(248), 1–43. https://jmlr.org/papers/v21/20-312.html
Hernández-Sampieri, R., & Mendoza, C. P. (2018). Metodología de la investigación: Las rutas cuantitativa, cualitativa y mixta. McGraw-Hill Education.
International Energy Agency. (2025). Energy and AI. IEA. https://www.iea.org/reports/energy-and-ai
Jegham, N., Abdelatti, M., Koh, C. Y., Elmoubarki, L., & Hendawi, A. (2025). How hungry is AI? Benchmarking energy, water, and carbon footprint of LLM inference (arXiv:2505.09598). arXiv. https://doi.org/10.48550/arXiv.2505.09598
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., … Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, Artículo 102274. https://doi.org/10.1016/j.lindif.2023.102274
Lannelongue, L., Grealey, J., & Inouye, M. (2021). Green algorithms: Quantifying the carbon footprint of computation. Advanced Science, 8(12), Artículo 2100707. https://doi.org/10.1002/advs.202100707
Li, P., Yang, J., Islam, M. A., & Ren, S. (2023). Making AI less "thirsty": Uncovering and addressing the secret water footprint of AI models (arXiv:2304.03271). arXiv. https://doi.org/10.48550/arXiv.2304.03271
Luccioni, A. S., Jernite, Y., & Strubell, E. (2024). Power hungry processing: Watts driving the cost of AI deployment? En Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency (pp. 85–99). ACM. https://doi.org/10.1145/3630106.3658542
Luccioni, A. S., Strubell, E., & Crawford, K. (2025). From efficiency gains to rebound effects: The problem of Jevons' paradox in AI's polarized environmental debate. En Proceedings of the 2025 ACM Conference on Fairness, Accountability, and Transparency (pp. 76–88). ACM. https://doi.org/10.1145/3715275.3732007
Luccioni, A. S., Viguier, S., & Ligozat, A.-L. (2023). Estimating the carbon footprint of BLOOM, a 176B parameter language model. Journal of Machine Learning Research, 24(253), 1–15. https://jmlr.org/papers/v24/23-0069.html
Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
Naciones Unidas. (2015). Transformar nuestro mundo: La Agenda 2030 para el Desarrollo Sostenible (A/RES/70/1). https://sdgs.un.org/2030agenda
Patterson, D., Gonzalez, J., Le, Q., Liang, C., Munguia, L.-M., Rothchild, D., So, D., Texier, M., & Dean, J. (2021). Carbon emissions and large neural network training (arXiv:2104.10350). arXiv. https://doi.org/10.48550/arXiv.2104.10350
Samsi, S., Zhao, D., McDonald, J., Li, B., Michaleas, A., Jones, M., Bergeron, W., Kepner, J., Tiwari, D., & Gadepally, V. (2023). From words to watts: Benchmarking the energy costs of large language model inference. En 2023 IEEE High Performance Extreme Computing Conference (HPEC) (pp. 1–9). IEEE. https://doi.org/10.1109/HPEC58863.2023.10363447
Schwartz, R., Dodge, J., Smith, N. A., & Etzioni, O. (2020). Green AI. Communications of the ACM, 63(12), 54–63. https://doi.org/10.1145/3381831
Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and policy considerations for deep learning in NLP. En Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics (pp. 3645–3650). Association for Computational Linguistics. https://doi.org/10.18653/v1/P19-1355
UNESCO. (2022). Recomendación sobre la ética de la inteligencia artificial. https://unesdoc.unesco.org/ark:/48223/pf0000381137_spa
UNESCO. (2025). Smarter, smaller, stronger: Resource-efficient generative AI & the future of digital transformation. https://www.unesco.org/en/articles/ai-large-language-models-new-report-shows-small-changes-can-reduce-energy-use-90
Verdecchia, R., Sallou, J., & Cruz, L. (2023). A systematic review of Green AI. WIREs Data Mining and Knowledge Discovery, 13(4), Artículo e1507. https://doi.org/10.1002/widm.1507
Wu, C.-J., Raghavendra, R., Gupta, U., Acun, B., Ardalani, N., Maeng, K., Chang, G., Behram, F. A., Huang, J., Bai, C., Gschwind, M., Gupta, A., Ott, M., Melnikov, A., Candido, S., Brooks, D., Chauhan, G., Lee, B., Lee, H.-H. S., … Hazelwood, K. (2022). Sustainable AI: Environmental implications, challenges and opportunities. Proceedings of Machine Learning and Systems, 4, 795–813. https://proceedings.mlsys.org/paper_files/paper/2022/hash/462211f67c7d858f663355eff93b745e-Abstract.html
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Rodrigo José Pazmiño Pérez, Vanessa Vergara Lozano, Jennifer Gabriela Salinas Sedamanos, Liliam Stephania Garzón Reyes, Jhonny Roberto Pilco Llongo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
