La IA está ganando terreno rápidamente en las empresas y sitúa al departamento de sistemas de información en el centro de nuevas decisiones. ¿Qué modelos elegir? ¿Cómo evitar la proliferación de herramientas? ¿Cómo controlar los costes, las infraestructuras y los recursos movilizados? Entre la gobernanza de la IA, el diseño ecológico y la informática sostenible, descubre las herramientas de que dispone el departamento de sistemas de información para seguir innovando al tiempo que se reduce la huella del sistema de información.
Dos de cada tres empresas ya utilizan la IA generativa
La implantación de la inteligencia artificial ha dado un nuevo paso adelante.
Según un estudio del Banco de Francia publicado el 3 de septiembre de 2026, El 67,1 % de las empresas francesas con al menos 20 empleados afirman utilizar la IA generativa. La encuesta, realizada entre unas 7.000 empresas, muestra que el fenómeno va mucho más allá de los grandes grupos
La tasa de uso ya ha alcanzado 64 % en empresas de entre 20 y 49 empleados y sube hasta 83 % en las empresas de 1 000 empleados o más. Para el departamento de sistemas de información, esta difusión cambia la naturaleza del tema. La IA se está incorporando a las herramientas cotidianas y, poco a poco, al propio sistema de información
La IA se extiende primero allí donde su implantación resulta sencilla
Sin embargo, esta rápida difusión no significa que todos los usos estén ya consolidados. Los usos siguen centrándose en determinadas tareas.
Entre las empresas usuarias encuestadas por el Banco de Francia, 85 % utilizan herramientas de generación de texto. En 74 %: en la mayoría de los casos, la IA se utiliza principalmente en funciones de apoyo : marketing, administración, finanzas y contabilidad o recursos humanos.
Las actividades de producción siguen siendo minoritarias: solo el 14,1 % de las empresas afirman que sus principales usos se centran en ellas.
Esta imagen resulta interesante para el departamento de sistemas de información. Muestra que la IA se extiende primero en aquellos ámbitos en los que su implantación es sencilla, antes de introducirse en procesos más delicados o críticos.
Estas aplicaciones son fáciles de implementar. Su industrialización, en cambio, no lo es tanto.
Ahí es precisamente donde entra en juego el departamento de sistemas de información.
Un departamento de marketing busca un asistente de redacción. Los desarrolladores necesitan un copiloto. El servicio de atención al cliente quiere consultar su base de datos mediante lenguaje natural. El departamento financiero está probando el análisis automático de documentos. Cada uno de estos proyectos puede ser relevante. Pero cada uno de ellos también supone la incorporación de modelos, licencias, API, datos y procesos.
La capacidad de innovación de un departamento de sistemas de información se mide tanto por lo que implementa como por lo que decide no sobredimensionar.
A estas preocupaciones tradicionales se suma ahora el consumo de recursos.
Detrás del mensaje, unas infraestructuras muy reales
La interfaz, a menudo muy sencilla, de una IA generativa oculta fácilmente lo que ocurre detrás de la pantalla. Cada consulta requiere recursos de cálculo, memoria, almacenamiento, redes y centros de datos. A gran escala, el efecto se vuelve significativo.
Su consumo se suma al de un sistema de información cuya huella medioambiental muchas empresas ya están tratando de reducir.
En su dictamen publicado el 22 de julio de 2026, la ADEME recuerda que el sector digital ya representaba 4,4 % de la huella de carbono francesa en 2022. También estima que los centros de datos han consumido 485 TWh de electricidad en todo el mundo en 2025 y que este consumo podría duplicarse de aquí a 2030, sobre todo con el auge de la IA.
La ubicación de las instalaciones de tratamiento también es importante. Según la ADEME, aproximadamente Dos tercios del uso de las tecnologías digitales en Francia se basan en centros de datos situados en el extranjero., a veces en países donde la producción de electricidad genera muchas más emisiones de carbono que en Francia.
Por lo tanto, para un departamento de sistemas de información, los criterios a la hora de elegir un proveedor de servicios en la nube o una infraestructura son cada vez más amplios. El precio, la disponibilidad, la seguridad y la soberanía siguen siendo fundamentales, pero el consumo de recursos y la ubicación de los procesos están cobrando cada vez más importancia.
Por lo tanto, la eficiencia energética no se decide hasta mucho después de recibir la factura de la luz del centro de datos. Empieza en el momento de elegir qué tecnología utilizar para cada tarea.
Para un departamento de sistemas de información, la información tiene una consecuencia muy práctica: dos soluciones que ofrecen un servicio similar pueden requerir recursos muy diferentes.
El modelo más potente no tiene por qué ser la mejor opción
La sobriedad también depende de la elección de los modelos.
Los trabajos realizados por el PEReN para la Arcep, publicados en mayo de 2026, aportan una enseñanza especialmente útil para los directores de sistemas de información: Un modelo que consume más no tiene por qué ser más eficaz..
En los modelos analizados, algunas soluciones relativamente económicas alcanzan niveles de rendimiento comparables a los de modelos que consumen más energía. La arquitectura también influye mucho. Los modelos de tipo Mezcla de expertos han consumido una media de 45 % menos que los modelos densos de tamaño equivalente durante las pruebas. Por su parte, la cuantificación de 8 o 4 bits permitió una reducción media de 39 % del consumo en inferencia.
Por lo tanto, el motivo sobresale considerablemente del tamaño que muestra el modelo.
Para un departamento de sistemas de información, comparar dos soluciones de inteligencia artificial debería equivaler a comparar al menos cuatro elementos: la calidad obtenida en el caso de uso real, el coste, el tiempo de respuesta y los recursos movilizados.
¿Qué nivel de IA se adapta a cada necesidad?
La sobriedad consiste, ante todo, en no utilizar más tecnología de la necesaria.
| Necesidad empresarial | Tecnología que hay que probar en primer lugar | Recursos | Un ejemplo concreto | Arbitraje DSI |
|---|---|---|---|---|
| Aplicar una norma concreta | Script, SQL, motor de reglas | ●○○○○ | Comprobar si un expediente contiene todos los documentos obligatorios | Una IA generativa aporta poco valor si la regla es determinista |
| Prever o detectar una anomalía | Aprendizaje automático predictivo | ●●○○○ | Anticiparse a una avería, detectar un fraude, prever las ventas | Comprobar la calidad de los datos antes de aumentar la complejidad del modelo |
| Extraer o resumir documentos | Modelo pequeño o modelo especializado | ●●○○○ | Buscar un procedimiento técnico o resumir contratos | Probar un modelo compacto antes de pasar a un gran modelo de lenguaje grande (LLM) generalista |
| Crear un asistente profesional polivalente | Máster en Derecho generalista | ●●●○○ | Asistente de RR. HH. o personal de apoyo interno que gestiona la documentación de la empresa | Supervisar el volumen, los datos enviados y el coste por consulta |
| Resolver un problema complejo en varias etapas | LLM con razonamiento | ●●●●● | Diagnóstico técnico complejo, generación de código avanzada | No se debe recurrir al razonamiento hasta que se haya demostrado su utilidad |
| Combinar texto, imágenes, sonido o vídeo | Modelo multimodal | ●●●●○ | Analizar una fotografía de un defecto industrial acompañada de un comentario | No envíes una imagen o un vídeo si basta con un texto. |
Estas cifras son meramente orientativas: el consumo real depende del modelo, de la infraestructura, del volumen procesado y del número de tokens. Pero la lógica es sencilla: comprobar primero que el nivel tecnológico sea el adecuado para alcanzar la calidad esperada.
Para que resulte más claro, aquí tienes algunos ejemplos de modelos conocidos:
Costes e impacto medioambiental de diferentes modelos de IA
| Modelo | ¿Para qué sirve? | Coste orientativo* | Recursos movilizados** | Reflejo DSI |
|---|---|---|---|---|
| GPT-5.6 Luna | Clasificación, análisis documental, automatización a gran escala | ≈ 0,0014 $ × 0,31 | 🟢 Bajos | Una buena opción cuando el volumen es más importante que la complejidad |
| Gemini 3.1 Flash-Lite | Traducción, procesamiento de datos sencillos, automatizaciones de gran volumen | ≈ 0,0018 $ × 0,40 | 🟢 Bajos | Una opción a tener en cuenta para automatizar tareas frecuentes y estandarizadas |
| Gemini 3.8 Flash | Asistente de procesos, agentes, código, flujos de trabajo complejos | ≈ 0,0045 $ × 1,00 — referencia | 🟡 Moderadas | Adaptar el nivel de razonamiento a la tarea |
| Claude Haiku 4.5 | Asistentes ágiles, análisis rápido, generación y automatización | ≈ 0,0060 $ × 1,33 | 🟡 Moderadas | La mejor opción cuando hay que mantener un equilibrio entre rapidez y calidad |
| Claude Sonnet 5 | Análisis, redacción compleja, código, agentes y trabajo documental | ≈ 0,0120 $ × 2,67 | 🟠 Elevadas | Reservado para tareas en las que la calidad adicional resulte útil |
| GPT-5.6 Terra | Trabajo especializado avanzado, programación, razonamiento y automatizaciones complejas | ≈ 0,0140 $ × 3,11 | 🟠 Elevadas | Buen nivel intermedio antes de dar el salto a un modelo Frontier |
| Gemini 3.1 Pro | Razonamiento avanzado, análisis multimodal y tareas agentivas complejas | ≈ 0,0140 $ × 3,11 | 🟠 Elevadas | Se debe recurrir a ello cuando la profundidad del análisis justifique el sobrecoste |
| GPT-5.6 Suelo | Razonamiento avanzado, problemas complejos, agentes sofisticados | ≈ 0,0240 $ × 5,33 | 🔴 Muy elevadas | Evita utilizarlo por defecto para tareas sencillas |
| Claude Opus 5 | Programación avanzada, agentes autónomos y tareas profesionales muy exigentes | ≈ 0,0300 $ × 6,67 | 🔴 Muy elevadas | Reservarlo para tareas de gran valor en las que se aproveche al máximo su potencial |
| Claude Fable 5 | Procesos de larga duración y flujos de trabajo que requieren una gran autonomía | ≈ 0,0600 $ × 13,33 | 🔴 Muy elevadas | Se debe centrar en procesos complejos en los que la autonomía justifica la inversión de recursos |
* Ejemplo de coste de la API para 1 000 tokens de entrada + 1 000 tokens de salida. El multiplicador compara cada modelo con el coste orientativo de Gemini 3.8 Flash, fijado en × 1,00.
** El código de colores no indica la concentración de CO₂ por modelo. Representa un nivel relativo de recursos que hay que prever, que se determina en función de la posición del modelo, su complejidad y su uso.
El modo «razonamiento» ilustra bien el riesgo de sobredimensionamiento
Los modelos capaces de razonar en varias etapas, así como los agentes de IA, resultan útiles para tareas complejas. Sin embargo, su consumo puede ser considerablemente superior al de un modelo sin capacidad de razonamiento.
En las pruebas del PEReN, la activación del razonamiento da lugar a hasta 92 % de consumo adicional de media en los modelos afectados. En una tarea de generación de código, la diferencia medida alcanza incluso +849 %. Y la mejora del rendimiento varía considerablemente según las tareas.
La diferencia es fácil de aplicar en la empresa.
Un ingeniero que pide a una IA que analice las posibles causas de un incidente complejo puede necesitar esta capacidad. Un empleado que quiera reformular un correo electrónico probablemente no la necesite.
Si se aplica a gran escala, esta sencilla decisión de configuración se convierte en un factor que favorece la eficiencia energética.
Texto, imagen, vídeo: el formato cambia el resultado
No todas las consultas dirigidas a una IA son iguales. Para el departamento de sistemas de información, es importante elegir el modelo; ; Elegir la modalidad es igual de importante.
Las diferencias son considerables. En su informe de mayo de 2026, la Arcep señala que los estudios disponibles estiman que la generación de una imagen requiere aproximadamente 60 veces más energía que la generación de texto, de media. En cuanto al vídeo, la magnitud es aún mayor: la Arcep cita una estimación de la Agencia Internacional de la Energía de aproximadamente 115 Wh para generar un vídeo de seis segundos.
En una empresa, esta diferencia puede alterar rápidamente la rentabilidad de un caso de uso. Un departamento de marketing que genera ocasionalmente algunas ilustraciones no plantea el mismo problema que una plataforma de comercio electrónico que crea automáticamente varias variantes visuales para decenas de miles de productos.
La resolución también influye. Las tarifas de los modelos de generación de imágenes suelen aumentar en función del tamaño y la calidad solicitados; los estudios experimentales también demuestran que el consumo puede variar considerablemente según la resolución y la arquitectura del modelo. Así, un estudio publicado en 2025 sobre 17 modelos de generación de imágenes observa que hasta un factor de 46 entre los modelos analizados.
Los agentes multimodales acumulan los salarios
Los agentes de IA multimodales introducen otra forma de consumo, menos visible: a menudo no realizan una sola inferencia, sino que una sucesión de operaciones.
Tomemos como ejemplo a un técnico de soporte informático. Recibe un ticket, analiza una captura de pantalla, consulta la base de conocimientos, consulta la herramienta ITSM, puede ejecutar un comando de diagnóstico, interpretar los resultados y, a continuación, redactar una respuesta.
Por lo tanto, lo que el usuario percibe como una única solicitud puede dar lugar a varias llamadas al modelo, procesamientos de imágenes, búsquedas y llamadas a herramientas externas.
Los mecanismos de tarificación ya reflejan esta realidad. Google precisa, por ejemplo, que, en el caso de sus sistemas basados en agentes, se facturan los tokens de entrada y salida, pero también los tokens intermedios generados durante los bucles de razonamiento. Por parte de OpenAI, las herramientas y los trabajadores delegados también pueden añadir sus propios costes a los tokens del modelo principal.
En la actualidad no existe una cifra ambiental universal para «una solicitud de agente multimodal»: dos agentes pueden realizar dos o veinte pasos para llevar a cabo la misma tarea. El número de bucles se convierte, por tanto, en un parámetro de sobriedad.
Del texto al vídeo: órdenes de magnitud muy diferentes
| Uso de la IA | Ejemplo en la empresa | Coste indicativo de la API* | Recursos | Reflejo DSI |
|---|---|---|---|---|
| 💬 Texto | Resumir un documento, redactar un correo electrónico | ≈ 0,0014 $ ×1 — referencia | 🟢 Bajos |
Dar prioridad a los modelos ligeros para el uso diario |
| 🖼️ Imagen | Imágenes de marketing, ilustraciones de productos | ≈ 0,034 $ / imagen ≈ ×24 | 🟠 Elevadas |
Limitar las variantes y la resolución a las necesidades reales |
| 🎬 Vídeo | Demostración, comunicación, tutorial | ≈ 1 $ / 10 s ≈ ×714 | 🔴 Muy elevadas |
Generar solo si el vídeo aporta un valor real |
| 🤖 Agente multimodal | Leer un ticket, analizar una captura de pantalla, investigar y actuar | Variable × varía según las llamadas | 🟠→🔴 Variables de muy alto nivel |
Establecer un límite máximo para los bucles, las herramientas y los modelos utilizados |
Esta jerarquía aporta un nuevo enfoque a los proyectos de IA.
Quizá un catálogo de productos no necesite generar cinco imágenes nuevas cada vez que se consulta. El servicio técnico puede empezar por analizar el texto de una incidencia antes de solicitar una captura de pantalla. Una formación interna puede utilizar una ilustración fija cuando un vídeo no aporte ningún beneficio pedagógico adicional.
Para los agentes, la sobriedad puede traducirse en normas igualmente concretas: limitar el número máximo de iteraciones, reservar los modelos de razonamiento para las etapas complejas, evitar el análisis de un archivo adjunto cuando basten sus metadatos y almacenar en caché los resultados reutilizables.
La cuestión del formato se relaciona, por tanto, con la elección del modelo. Cuantas más modalidades maneje una IA y más pasos encadene, más interés tiene el departamento de sistemas de información en comprobar que esa sofisticación se traduce en un beneficio real para el negocio.
La IA frugal no significa «IA pequeña»
La IA frugal a veces se reduce al uso de modelos pequeños. Su principio es más amplio: buscar la mejor relación entre el valor generado y los recursos necesarios.
Un modelo grande puede ser la opción adecuada si ofrece un rendimiento realmente superior.
Por el contrario, un modelo compacto puede resultar innecesario cuando un motor de búsqueda, una regla de negocio o un procesamiento convencional ya satisfacen esa necesidad.
La frugalidad también puede traducirse en decisiones menos evidentes: reducir el número de tokens enviados, limitar el tamaño del contexto, almacenar ciertos resultados en la caché, evitar procesamientos idénticos repetidos o seleccionar los datos antes de transmitirlos al modelo.
Para el Departamento de Sistemas de Información, se trata, en definitiva, de un principio que ya le resulta familiar: diseñar la arquitectura en función del nivel de servicio esperado.
La «shadow AI» también complica la ecuación
La simplicidad depende también del número de soluciones que coexisten en la empresa.
Un departamento utiliza un asistente generalista. Otro equipo se ha suscrito a una herramienta especializada. Los desarrolladores cuentan con varios «copilotos». El departamento de marketing prueba generadores de imágenes. Algunos empleados siguen utilizando cuentas personales.
Para el Departamento de Sistemas de Información, esto IA en la sombra plantea un problema bien conocido en materia de seguridad y gobernanza. Además, provoca una dispersión de los recursos: licencias infrautilizadas, API redundantes, datos duplicados y procesamientos realizados en varias plataformas.
Por lo tanto, la elaboración de un mapa de herramientas de IA puede aportar un triple beneficio: reducir los riesgos, racionalizar los gastos y limitar los usos innecesarios.
La sobriedad digital está directamente relacionada con la buena gestión del sistema de información.
Innovar sin multiplicar los proyectos sin futuro
Los resultados publicados por el Banco de Francia también nos recuerdan un aspecto fundamental: la adopción de la tecnología no garantiza automáticamente la creación de valor.
A principios de 2026, dos de cada tres empresas francesas con 20 o más empleados ya utilizan la IA generativa, aunque en muchos casos su uso sigue siendo experimental o limitado. El Banco de Francia estima que el reto económico se está desplazando ahora de la mera adopción hacia la capacidad de la IA para transformar realmente la organización y el rendimiento.
Esta evolución aporta una nueva dimensión a la sobriedad.
Un POC que nunca llega a industrializarse también ha requerido tiempo, datos, recursos informáticos y presupuesto. Por lo tanto, un departamento de sistemas de información responsable puede incorporar, ya desde la fase de experimentación, criterios de salida: calidad mínima esperada, número de usuarios potenciales, coste por transacción, beneficio empresarial cuantificable y recursos necesarios.
Los proyectos que no alcancen estos umbrales pueden suspenderse antes de tiempo.
Cuatro indicadores que hay que seguir desde la fase piloto
Para que este enfoque sea más concreto, un proyecto de IA puede evaluarse desde sus primeras semanas en cuatro aspectos:
1. El valor. Tiempo realmente ahorrado, mejora de la calidad, grado de automatización o satisfacción de los usuarios.
2. El coste. Coste por consulta, por expediente tramitado o por usuario activo, en lugar de limitarse únicamente al importe de la suscripción.
3. La eficacia técnica. Número de tokens, tiempo de cálculo, cantidad de datos transferidos o índice de uso de los modelos más potentes.
4. El uso real. Número de usuarios activos, frecuencia de las consultas y porcentaje de funciones que se utilizan realmente.
Estos indicadores permiten comparar varias arquitecturas más allá de una demostración puntual.
Hacer de la potencia adecuada un criterio de rendimiento
La IA aporta una nueva dimensión a las decisiones de arquitectura. El departamento de sistemas de información debe garantizar siempre la seguridad, la disponibilidad, los costes y la calidad del servicio. A partir de ahora, debe prestar más atención a los recursos que se destinan a prestar dicho servicio.
Conciliar innovación y moderación no consiste, por tanto, en limitar arbitrariamente los usos de la IA. Requiere seleccionar los casos de uso que generan un valor demostrable, comparar los modelos en situaciones reales y reservar las arquitecturas que consumen más recursos para los problemas que las requieren.
De este modo, un departamento de sistemas de información puede seguir innovando con rapidez, al tiempo que evita que cada nueva necesidad se traduzca automáticamente en un aumento de la potencia, los datos y las infraestructuras.En un sistema de información en el que la inteligencia artificial se está generalizando, obtener el resultado adecuado con una potencia correctamente dimensionada se convierte en sí mismo en un indicador de rendimiento.
