Centro para estudio sobre Inteligencia Artificial y Relaciones Internacionales – CIARI
Artículos
Geopolítica del agua e Inteligencia Artificial
María Paula Perotti[1]
Giselle Ana Sanabria[2]
Introducción
El presente trabajo aborda la demanda del consumo de agua para servidores, observada mediante el impacto ambiental de la denominada huella hídrica de los centros de datos, campo de análisis que vincula la infraestructura digital con la sostenibilidad.
La expansión de la infraestructura digital asociada al desarrollo de la inteligencia artificial ha colocado a los centros de datos en el centro de un debate que excede lo tecnológico y se adentra en la geopolítica del agua. El consumo hídrico de estos servidores, invisibilizado durante años bajo la narrativa del progreso digital, hoy se revela como un factor crítico para comprender la sostenibilidad de los territorios, tal como advierte Li et al. (2025) al demostrar que el entrenamiento de modelos de IA puede evaporar cientos de miles de litros de agua en un solo proceso. La noción de huella hídrica permite desagregar conceptualmente las formas de agua azul, verde y gris, y distinguir entre agua gris, aguas residuales y agua regenerada, abriendo un campo de análisis que vincula la materialidad de la infraestructura digital con la seguridad hídrica global.
En este marco, el trabajo se propone indagar cómo la demanda de agua para refrigeración de servidores condiciona la seguridad hídrica de los territorios y, al mismo tiempo, cómo las distintas formas de regulación en China, Estados Unidos y la Unión Europea posicionan al agua como bien común y factor de poder. La elección de China como caso de estudio principal responde a su doble condición, tanto como potencia tecnológica en expansión, como un país atravesado por tensiones hídricas estructurales. La Unión Europea y Estados Unidos se incorporan como contrastes regulatorios: la primera como modelo normativo de estandarización ambiental, y el segundo como paradigma descentralizado de gobernanza corporativa.
La elección de China como caso de estudio principal responde a su doble condición: potencia tecnológica en expansión y país atravesado por tensiones hídricas estructurales. En 2022, los centros de datos chinos consumieron 15,7 mil millones de m³ de agua, equivalentes al 2,7% del total nacional, con más del 70% de la capacidad informática instalada en regiones con escasez severa (Jiang et al., 2025). Este escenario revela que la expansión de la infraestructura digital se despliega sobre territorios ya sometidos a presiones hídricas históricas, lo que convierte al agua en un bien común en disputa y en un factor de poder dentro de la geopolítica digital.
Por lo tanto, el análisis se inscribe en la geopolítica del agua y la inteligencia artificial, reconociendo que el desarrollo de esta última depende de una infraestructura material que consume grandes volúmenes de agua y genera una huella hídrica con implicancias directas en la sostenibilidad. En este sentido, el agua se presenta como recurso natural, pero también como bien común, cuya gestión y regulación revelan disputas de poder en el sistema internacional. La tensión entre su carácter vital y su apropiación corporativa abre interrogantes sobre la seguridad hídrica de los territorios y la capacidad de los Estados para resguardar lo común frente a la lógica extractiva de la infraestructura digital.
1. Infraestructura de IA y consumo hídrico
En este primer apartado se examina la magnitud de la infraestructura necesaria para el desarrollo de la inteligencia artificial (IA) y sus implicancias en el consumo de agua. Los centros de datos, en tanto espacios estratégicos y nodos fundamentales de las redes digitales, se han convertido en puntos de concentración de esta problemática. El crecimiento acelerado de la digitalización, sumado a la expansión de la IA, ha incrementado la relevancia del consumo hídrico asociado a estas infraestructuras tecnológicas y sus impactos en los territorios donde se localizan.
Si bien el consumo de electricidad de los centros de datos ha sido objeto de numerosos estudios, el uso de agua continúa siendo un área en la que persisten importantes vacíos de conocimiento. Este consumo depende de múltiples factores interrelacionados, entre ellos, la eficiencia de los servidores, el nivel de utilización de la infraestructura, el tipo de energía empleada y las tecnologías de enfriamiento implementadas. En este sentido, los centros de datos pueden ser conceptualizados como ecotonos tecnológicos: espacios de transición y de interacción en los que lo digital se articula con las condiciones materiales y territoriales que hacen posible su funcionamiento. Es precisamente en estos espacios donde emergen tensiones entre la expansión global de la IA y las condiciones locales de disponibilidad, acceso y gestión del agua.
1.1. Agua, localización, centros de datos y poder
En primer lugar, es preciso abordar el análisis del consumo de agua vinculado a los centros de datos, y para ello resulta pertinente citar las observaciones de Arjen Hoekstra (2002) desarrolladas junto con Mekonnen (2011) en el marco de la Water Footprint Network. Para estos autores, la huella hídrica comprende tres componentes: el agua azul, correspondiente al agua dulce proveniente de fuentes superficiales y subterráneas; el agua verde, vinculada al agua de lluvia almacenada en el suelo y utilizada por la vegetación; y el agua gris, definida como el volumen de agua dulce necesario para asimilar una carga contaminante y mantener la calidad del recurso dentro de parámetros establecidos.
En segundo lugar, siguiendo esta línea, la norma ISO 14046 (2014) establece un marco metodológico para la evaluación de la huella hídrica, incorporando criterios asociados al ciclo de vida, la evaluación de impactos ambientales, la contextualización geográfica y la comparabilidad de resultados. Estos criterios resultan relevantes para el estudio de los centros de datos, dado que permiten considerar el uso del agua a lo largo de las distintas etapas vinculadas con su funcionamiento -desde la fabricación de los equipos hasta los procesos de enfriamiento-; relacionar los volúmenes de agua utilizados con impactos ambientales específicos, como la escasez hídrica o la degradación de los ecosistemas; analizar el consumo en función de las condiciones particulares de cada territorio, reconociendo que un mismo volumen de agua puede generar impactos diferentes según la disponibilidad del recurso; y establecer parámetros comunes para la comparación entre distintas instalaciones.
En el caso de los centros de datos, el uso directo de agua se vincula principalmente con los sistemas de enfriamiento, mientras que el consumo indirecto se relaciona con la generación de la electricidad necesaria para su funcionamiento. La magnitud de esta demanda y sus efectos dependen del volumen utilizado y de las condiciones ambientales e hidrológicas de los territorios donde estas infraestructuras se emplazan. En este escenario, el tratamiento y la reutilización de aguas residuales aparecen como estrategias para aliviar la presión sobre las fuentes de agua dulce y mitigar los impactos asociados a su operación.
El consumo hídrico de los centros de datos se concentra en el uso de agua azul, tanto en los sistemas de enfriamiento como, de manera indirecta, en la generación termoeléctrica de la electricidad que requieren. Investigaciones recientes (Lei et al., 2025; Li et al., 2023) muestran que la magnitud de esta demanda varía según la localización geográfica y las tecnologías de enfriamiento implementadas. Esta evidencia revela una tensión entre la expansión global de la inteligencia artificial y las condiciones locales de disponibilidad y gestión del agua, especialmente en regiones con alta vulnerabilidad o escasez del recurso.
1.2. Un bien común estratégico: Dinámicas de consumo de agua en los sistemas de Inteligencia Artificial
Partiendo del interrogante ¿el desarrollo de la inteligencia artificial compromete el recurso agua?, resulta necesario reflexionar sobre las tensiones que devienen entre la expansión de las capacidades de procesamiento de datos y la sostenibilidad hídrica. Si entendemos al agua, como un bien común estratégico, nos encontramos en el centro de un debate que trasciende la dimensión técnica y alcanza aspectos sociales, ambientales y políticos.
Estos debates se observar reflexionando en primer lugar, sobre el consumo de agua asociado al funcionamiento de los centros de datos dado que responde principalmente a las necesidades de enfriamiento de los servidores y, de manera indirecta, a la generación de la electricidad requerida para sostener sus operaciones. Este consumo, desde ya, vinculado fundamentalmente al uso de agua azul, varía según la localización geográfica de las instalaciones, las tecnologías de enfriamiento implementadas y las fuentes de energía utilizadas.
Un segundo punto de inflexión, da lugar a la expansión de los sistemas de inteligencia artificial, introduciendo nuevas presiones sobre esta infraestructura y, por lo tanto, sobre los recursos hídricos. Esto se observa mediante los procesos de entrenamiento de modelos de gran escala, vislumbrando que su utilización continua requiere una elevada capacidad de cómputo, lo que se traduce en un incremento de la demanda energética, lo cual puede traducirse en un mayor consumo de agua.
En este panorama es preciso mencionar a Lei et al. (2025) dado que analizan cómo los entrenamientos de modelos de gran escala generan picos de consumo hídrico vinculados al uso intensivo de energía y a los sistemas de enfriamiento empleados, destacando que la elección de tecnologías de refrigeración puede modificar sustancialmente el impacto. Siguiendo a los mismos autores, en otro estudio anterior, Li et al. (2023) subrayan que la variabilidad territorial -como la disponibilidad de agua, el clima local y el tipo de infraestructura- introduce diferencias significativas en la huella hídrica que deja a su paso la IA. Por lo que, mientras en regiones áridas como Arizona y Texas en Estados Unidos, el emplazamiento de grandes campus de datos agrava la presión sobre acuíferos ya sobreexplotados (Miller, 2024), en contextos con abundancia relativa de agua y clima frío, como los Países Nórdicos, el impacto se profundiza gracias al uso de estrategias conocidas como free cooling, una técnica situada que les permite aprovechar directamente las bajas temperaturas ambientales para reducir el consumo energético y de agua (Badiei et al., 2023; Fiorillo & Milone, 2026). Del mismo modo, casos como Dublín en Irlanda muestran que la concentración de centros de datos ha generado tensiones regulatorias y moratorias por su elevado consumo de recursos (Sadowski, 2020), mientras que, en Querétaro, México, comunidades locales han denunciado que el suministro destinado a estas infraestructuras compite directamente con el acceso domiciliario y agrícola en épocas de sequía (Rodríguez, 2022). Estos ejemplos permiten observar que la sostenibilidad hídrica asociada a la inteligencia artificial depende del volumen de agua consumido y de la interacción entre decisiones tecnológicas, condiciones territoriales y disputas sociales por el acceso a un bien común estratégico. Es por ello que además de analizar al recurso agua como tal, en este trabajo se lo considera al agua, como un bien común por sus escalas de implicancias a nivel social.
Por lo expuesto, se observa que la diferencia entre ambos tipos de consumo resulta interesante de analizar. Es por ello que, mientras los centros de datos constituyen la base material que sostiene el funcionamiento de los servicios digitales, la expansión de la inteligencia artificial puede intensificar la demanda de capacidad de procesamiento y, con ello, aumentar las presiones sobre los recursos necesarios para su funcionamiento. En este sentido, la noción de glocalización, desarrollada y difundida en el campo de las ciencias sociales por Roland Robertson (1992, 1995), permite comprender la articulación entre procesos de alcance global y condiciones locales. Desde esta perspectiva, los fenómenos globales adquieren formas diferenciadas al insertarse en territorios con características particulares. Incluir esta perspectiva resulta pertinente para poder analizar la expansión de la inteligencia artificial, cuya dimensión global depende de infraestructuras territorialmente localizadas y de recursos materiales disponibles en contextos específicos.
A su vez, la noción de fricción desarrollada por Anna Tsing (2005) permite comprender que las conexiones globales se configuran a partir de encuentros, tensiones y diferencias entre contextos y actores situados. A partir de este enfoque, y por lo que se viene desarrollando hasta aquí, esta propuesta reflexiva propone la noción de fricción glocal como categoría analítica para referir a las tensiones que emergen cuando la expansión global de una actividad tecnológica se encuentra con restricciones, desigualdades o conflictos asociados a la disponibilidad y gestión local de recursos estratégicos, como el agua.
En el caso específico de la inteligencia artificial, esta categoría permite analizar la relación entre la expansión global de las capacidades de cómputo y la localización concreta de las infraestructuras que hacen posible su funcionamiento. Los centros de datos se encuentran territorialmente situados y dependen de recursos materiales y energéticos que no están distribuidos de manera homogénea en todos los territorios. Entre ellos, el agua adquiere particular relevancia, dado que su disponibilidad y gestión responden a condiciones ambientales, institucionales y sociales específicas. La categoría de fricción glocal permite, por lo tanto, observar cómo una actividad de alcance global puede intensificar las demandas sobre recursos locales y generar tensiones entre las necesidades de expansión tecnológica y las condiciones territoriales de disponibilidad y gestión del agua.
Desde esta perspectiva, la fricción glocal se refiere a la existencia de un conflicto por el uso del agua, pero además al proceso mediante el cual una dinámica tecnológica global se encuentra con límites y condiciones territoriales que pueden modificar, restringir o tensionar su expansión. Esta categoría permite así desplazar el análisis desde una mirada centrada exclusivamente en la eficiencia tecnológica hacia una perspectiva que considere las relaciones de poder, las desigualdades territoriales y las formas de gobernanza de los recursos estratégicos. Por lo que, su utilización permite analizar la expansión de la inteligencia artificial como un proceso simultáneamente global con impacto local, en el que las decisiones y demandas asociadas a una tecnología de alcance mundial pueden producir efectos diferenciados sobre recursos y comunidades situados en lugares específicos.
En este marco, resulta pertinente recuperar los aportes de Bueno (2016, 2017), quien analiza la arquitectura climática internacional y las tensiones Norte-Sur en torno a los recursos estratégicos, mostrando que la sostenibilidad hídrica debe leerse como parte de la gobernanza ambiental global. Asimismo, Fernández Alonso (2018, 2024) advierte que los mecanismos financieros -como los bonos verdes o los instrumentos de deuda climática- condicionan la gestión de los recursos naturales y pueden convertirse en herramientas para canalizar inversiones hacia la protección del agua, aunque también reproducen desigualdades si se subordinan a lógicas de mercado. Integrar estas perspectivas permite comprender que el agua, como bien común estratégico, se encuentra en el cruce entre poder digital, gobernanza ambiental y economía política internacional.
En definitiva, la reflexión desarrollada permite responder afirmativamente al interrogante inicial: el avance de la inteligencia artificial compromete el recurso y bien común agua. Se trata entonces de un problema técnico vinculado al enfriamiento de servidores o al consumo energético, y genera una tensión glocal que expone la fragilidad de los territorios y la necesidad de repensar la gobernanza ambiental. Que podamos considerar al agua como bien común estratégico implica que reconozcamos que su sostenibilidad está atravesada por decisiones tecnológicas, disputas sociales y marcos políticos, y que cualquier expansión digital, podría ser evaluada en función de estas implicancias. Así, el acelerado desarrollo de la inteligencia artificial plantea interrogantes sobre su eficiencia tecnológica y sobre quién utiliza el agua, en qué territorios y bajo qué criterios se decide su distribución.
2. La geopolítica del agua y el desarrollo de la IA: El caso de China ante las asimetrías regulatorias de EE.UU. y la UE.
Tras presentar el marco conceptual que conecta la infraestructura de la inteligencia artificial con el consumo de agua, y proponer la noción de fricción glocal como clave de lectura, nos detenemos ahora en un caso concreto: la República Popular China. La elección de este caso paradigmático resulta pertinente, por su doble condición, tanto de potencia tecnológica en expansión y como contar con un territorio atravesado por tensiones hídricas estructurales. Por lo tanto, buscaremos observar de qué manera el Estado chino ha respondido a esta tensión mediante políticas de ordenamiento territorial e infraestructura, para luego, en un segundo momento, podamos contrastar brevemente esta respuesta con los enfoques regulatorios de la Unión Europea y los Estados Unidos, dos actores que, a diferencia de China, han optado por vías normativas y políticas sustancialmente distintas.
2.1. Expansión de infraestructura tecnológica y presión sobre recursos naturales. Estudio de caso: la República Popular China
En 2022 los centros de datos chinos consumieron 15,7 mil millones de m³ de agua, equivalentes al 2,7% del total nacional, con más del 70% de la capacidad informática instalada en regiones de escasez hídrica severa (Jiang et al., 2025). Esta distribución territorial no es casual: responde a una concentración histórica de la infraestructura digital en las provincias costeras del este, las más pobladas y dinámicas, pero también las de menor disponibilidad relativa de agua y energía (Feng, 2025).
Frente a esta asimetría, el gobierno chino impulsó en febrero de 2022 el proyecto “Datos del Este, Cómputo en el Oeste” (East-to-West Computing Resource Standard), una megainiciativa nacional que reorganiza espacialmente la infraestructura de cómputo del país (Feng, 2025). De esta manera, el proyecto traslada hacia las provincias occidentales -con mayor disponibilidad de suelo, energía renovable y temperaturas medias más bajas- el procesamiento de datos no sensibles al tiempo real, como el almacenamiento y el análisis diferido, reservando para los centros orientales aquellos servicios que requieren baja latencia (Feng, 2025).
Podemos interpretar que esta iniciativa constituye una respuesta estatal directa a lo que en este trabajo denominamos fricción glocal: en lugar de permitir que la expansión de la demanda de cómputo continúe presionando sobre acuíferos ya comprometidos en el este, Beijing reconfigura la geografía de su infraestructura digital procurando hacerla coincidir con la disponibilidad territorial de los recursos hídricos y energéticos.
A ello se suma un segundo instrumento de política, de naturaleza normativa antes que espacial: el “Plan de acción especial para el desarrollo verde y bajo en carbono de los centros de datos”, publicado en julio de 2024 por la Comisión Nacional de Desarrollo y Reforma junto con el Ministerio de Industria y Tecnología de la Información, la Administración Nacional de Energía y la Administración Nacional de Datos (NDRC, 2024). Este plan fija metas concretas: para 2025, una eficiencia energética promedio (PUE) inferior a 1,5 y un incremento anual del 10% en el uso de energías renovables, proyectando además nuevas metas hacia 2030 (NDRC, 2024).
Si bien el plan se articula principalmente en torno a la eficiencia energética y de carbono, sus métricas -como el PUE, el aprovechamiento de calor residual o las fuentes de generación- inciden de manera indirecta sobre el consumo hídrico, dado que la refrigeración y la generación termoeléctrica constituyen, como desarrollamos en el primer apartado de este trabajo, los principales vectores de uso de agua.
Por consiguiente, tomados en conjunto, ambos instrumentos -la relocalización territorial de 2022 y la estandarización ambiental de 2024- configuran una estrategia estatal de doble nivel: uno espacial, que redistribuye la infraestructura hacia donde el agua y la energía resultan relativamente más abundantes, y otro normativo, que impone estándares de eficiencia allí donde la infraestructura ya existe. De todos modos, ambos niveles pueden leerse como formas estatales de administrar la fricción glocal, aunque no logran eliminarla del todo: el propio desplazamiento hacia el oeste traslada parte de la presión hídrica hacia regiones que, si bien cuentan con más agua en términos relativos, tampoco están exentas de vulnerabilidad ambiental ni de tensiones con las comunidades y los usos locales del recurso.
2.2. Breve análisis de diferencias en enfoques regulatorios y políticos respecto a UE y EE.UU.
El caso chino contrasta, sin embargo, con los enfoques regulatorios de la Unión Europea y los Estados Unidos que, como se anticipó en la introducción, representan dos lógicas de gobernanza sustancialmente distintas frente a un mismo problema. Por un lado, la Unión Europea ha optado por una vía de estandarización normativa supranacional: la Directiva de Eficiencia Energética (UE) 2023/1791, complementada por el Reglamento Delegado (UE) 2024/1364, obliga desde mayo de 2024 a los centros de datos con una potencia instalada igual o superior a 500 kW a reportar anualmente indicadores de sostenibilidad, entre ellos la eficiencia en el uso del agua, en una base de datos común a todos los Estados miembro (Comisión Europea, 2024). Se trata, por lo tanto, de un esquema armonizado y de cumplimiento obligatorio, coherente con la caracterización de la Unión Europea como modelo de estandarización ambiental que se planteó en la introducción de este trabajo.
Estados Unidos, en cambio, no cuenta con una regulación federal equivalente, dado que la respuesta regulatoria se ha desplazado hacia los estados y los gobiernos locales, con resultados heterogéneos. Sólo en el año 2025 se presentaron más de doscientos proyectos de ley vinculados a centros de datos en las legislaturas estatales, de los cuales poco más de cuarenta lograron sancionarse; algunos estados, como Minnesota o Georgia, avanzaron hacia la exigencia de reportes de consumo hídrico, mientras que iniciativas similares en California y Nueva Jersey fueron vetadas por sus propios gobernadores (WilmerHale, 2026). Asimismo, estados como Virginia optaron por incentivos antes que por mandatos, condicionando beneficios a la utilización de agua residual tratada en los sistemas de enfriamiento, mientras que otros, como Arizona y Texas, enfrentan una presión creciente sobre acuíferos ya sobreexplotados sin que exista, hasta el momento, un piso regulatorio a nivel nacional (MultiState, 2026). De esta manera, este panorama fragmentado, atravesado por lógicas de mercado, por la competencia interestatal para atraer inversiones y por la resistencia corporativa a divulgar los datos de consumo, confirma el carácter descentralizado y corporativo que se anticipó para el caso estadounidense.
Por lo expuesto, la comparación entre los tres casos permite advertir tres lógicas distintas para administrar una misma fricción glocal: China responde con planificación territorial estatal y metas normativas centralizadas; la Unión Europea, con estandarización supranacional de cumplimiento obligatorio; y Estados Unidos, con un mosaico de respuestas estatales desiguales, mediadas por la resistencia corporativa y las asimetrías políticas entre jurisdicciones. Ninguna de las tres logra resolver del todo la tensión entre la expansión global del cómputo y la disponibilidad local del agua, aunque cada una la administra según su propia arquitectura institucional.
3. Implicancias para la gobernanza y la justicia ambiental
Tras la descripción y el análisis de los principales actores, junto con las reglas, procesos y normas que implementan, se destacan especialmente los gobiernos en su rol de toma de decisiones sobre el agua. Estas decisiones repercuten directamente en el uso del bien común y recurso en los sistemas de infraestructura vinculados con la inteligencia artificial, generando desafíos y tensiones que atraviesan la justicia ambiental.
Asimismo, la comparación entre China, la Unión Europea y Estados Unidos permite observar que la fricción glocal adquiere una forma institucional distinta según la arquitectura de poder y gobernanza propia de cada territorio. Cuando el Estado planifica de manera centralizada, como en el caso chino, la fricción se administra mediante la relocalización de la infraestructura, lo cual puede aliviar la presión en un territorio a costa de trasladarla hacia otro. Cuando, en cambio, la gobernanza se articula mediante estándares supranacionales, como sucede en la Unión Europea, la fricción se vuelve visible y mensurable a través de la obligación de reportar, aunque esto no garantiza por sí mismo una redistribución más justa del recurso. Y cuando la respuesta queda librada a la fragmentación estatal y a la voluntad corporativa, como en Estados Unidos, la fricción tiende a quedar invisibilizada allí donde las comunidades locales cuentan con menor capacidad de incidencia política, profundizando de esta manera las asimetrías entre quienes deciden sobre el agua y quienes padecen las consecuencias de su escasez. Por lo tanto, en los tres casos, la justicia ambiental se juega en la capacidad, o incapacidad, de los marcos de gobernanza para hacer visibles estas tensiones y para redistribuir sus costos de manera equitativa entre territorios y comunidades.
El incremento de la demanda de energía, agua y otros recursos estratégicos involucra la discusión asociada a la IA en el terreno de la gobernanza ambiental. El informe elaborado por Aczel et al. (2026) para el Instituto para el Agua, el Medio Ambiente y la Salud de la Universidad de las Naciones Unidas (UNU-INWEH) pone la lupa en los efectos que la expansión de la IA produce en aquellos territorios a los que se encuentra emplazada la infraestructura, más allá del análisis del desempeño tecnológico.
La forma en que se produce la distribución de los beneficios y cargas ambientales en el desarrollo tecnológico resulta especialmente relevante. Por un lado, tienden a concentrase en un reducido conjunto de actores las ventajas económicas derivadas de la IA, y por el otro, recaen sobre territorios que poseen los centros de datos las exigencias que pesan sobre el agua, la energía y el suelo. En este escenario, resulta necesario fortalecer los mecanismos de transparencia y de contar con criterios comunes para medir las huellas de carbono, agua y suelo, con la finalidad de orientar las decisiones públicas en materia ambiental (Aczel et al., 2026).
Pero los desafíos asociados al desarrollo de la IA ya no pueden ser abordados únicamente desde las políticas nacionales. Como lo plantea el Informe Final Gobernanza de la Inteligencia Artificial en beneficio de la Humanidad, elaborado por el Órgano Asesor de Alto Nivel sobre Inteligencia Artificial de las Naciones Unidas, las problemáticas que expone la concentración de capacidades tecnológicas, infraestructura y recursos estratégicos trascienden las fronteras estatales, por lo que es necesario que mayores niveles de coordinación entre los estados, apareciendo como un elemento necesario para reducir asimetrías y promover reglas comunes, la gobernanza global.
Estas consideraciones adquieren un significado especial al ser leídas a la luz de la noción de fricción glocal que fue desarrollada, y que se vinculan con la necesidad de construir estándares compartidos y de generar espacios de cooperación permanentes, atento a las tensiones que provoca la infraestructura digital. La gestión sostenible del agua exige articular respuestas locales, nacionales e internacionales que permitan compatibilizar el desarrollo de la IA con la protección de los bienes comunes y con criterios de mayor equidad territorial.
Conclusión
La relación entre agua e inteligencia artificial deja observar un entramado complejo donde la infraestructura digital se convierte en un actor ambiental y geopolítico. Los estudios recientes sobre la huella energética e hídrica de la IA (De Vries, 2023; IEA, 2024, 2025) muestran que el consumo de recursos es central en la sostenibilidad del desarrollo tecnológico. Al mismo tiempo, el caso de China (Greeven, 2024; Lee, 2020) evidencia cómo la expansión de centros de datos y la inversión en IA se inscriben en una lógica de poder global, con gran impacto en los recursos naturales. Leído en clave de fricción glocal, puede decirse que este despliegue estatal ilustra cómo una tecnología de alcance planetario debe negociar permanentemente con las condiciones materiales de territorios específicos, sin que ello suponga resolver la tensión sino, muchas veces, trasladarla hacia otro punto del mapa hídrico nacional.
Al desarrollar un análisis comparativo con la Unión Europea y Estados Unidos es posible reflexionar sobre las diferencias regulatorias, dado que mientras la UE avanza en estándares ambientales, en EE.UU. emergen iniciativas estatales y corporativas que buscan limitar impactos. Este contraste deja entrever que el agua, como recurso estratégico, se convierte en un eje de disputa política y normativa, expresión, en definitiva, de una fricción glocal que ninguno de los tres modelos analizados logra disolver del todo.
Así, el desafío se presenta en tanto establecer una clara diferencia entre el consumo de agua de los centros de datos en general del consumo específicamente atribuible a sistemas de IA, por un lado, garantizar que la IA no comprometa la seguridad hídrica y, al mismo tiempo, que su desarrollo se inscriba en un marco de justicia ambiental y cooperación internacional.
En conclusión, la gobernanza del agua y la expansión de la infraestructura de IA deben avanzar hacia un modelo regulatorio que priorice la sostenibilidad y la justicia ambiental, garantizando que la innovación tecnológica pueda convertirse en un aliado, y no en un riesgo, para el acceso equitativo al recurso hídrico. Pensar esta relación en clave de fricción glocal permite sostener, en definitiva, que ninguna tecnología de alcance global se despliega sobre un territorio neutro, sino que su sostenibilidad depende de la capacidad de los Estados y de los marcos de gobernanza para reconocer, negociar y redistribuir de manera justa las tensiones que esa expansión genera sobre los recursos locales.
Bibliografía
Aczel, M., Chamanara, S., Matin, M., Farsi, A., Marwala, T., & Madani, K. (2026). Environmental Cost of AI’s Energy Use: Carbon, Water and Land Footprints. United Nations University Institute for Water, Environment and Health (UNU-INWEH). https://doi.org/10.53328/INR26RMA002
Badiei, A., Zhang, Y., & Wang, J. (2023). The energy-saving potential of air-side economisers in modular data centres. Sustainability, 15(12), 9864. https://doi.org/10.3390/su15129864
Bueno, M. del P. (2016). El Acuerdo de París: ¿una nueva idea sobre la arquitectura climática internacional? Anuario en Relaciones Internacionales. Instituto de Relaciones Internacionales, UNLP.
Bueno, M. del P. (2017). ¿Poder material o poder social? Reflexiones sobre las negociaciones multilaterales y el poder climático de la Argentina. Anuario en Relaciones Internacionales. Instituto de Relaciones Internacionales, UNLP.
Comisión Europea. (2024). Reglamento Delegado (UE) 2024/1364 por el que se establece un sistema común de clasificación de la Unión para los centros de datos, en aplicación de la Directiva (UE) 2023/1791. Diario Oficial de la Unión Europea.
Feng, X. (2025). Explainer: How China is managing the rising energy demand from data centres. Carbon Brief.
Fernández Alonso, J. M. (2018). Bancos centrales y cambio climático: basamentos y desafíos de una relación incipiente. Anuario en Relaciones Internacionales. Instituto de Relaciones Internacionales, UNLP.
Fernández Alonso, J. M. (2024). Bonos verdes en Argentina: notas en torno al encuadre normativo y dinámica de su mercado. Anuario en Relaciones Internacionales. Instituto de Relaciones Internacionales, UNLP.
Fiorillo, F., & Milone, D. (2026). Cooling strategies for energy-efficient data centers: Narrative review and future perspective. International Research Journal of Multidisciplinary Studies, 2(1), 45–62.
Hoekstra, A. Y. (2002). Virtual water trade: Proceedings of the international expert meeting on virtual water trade. UNESCO-IHE.
Jiang, F., Duan, C., & Chen, B. (2025). Facility-level energy-driven water footprint and scarcity implications of Chinese data centers: A bottom-up analysis and scenario-based projection. Applied Energy, 399, 126522. https://doi.org/10.1016/j.apenergy.2025.126522
Lei, L., Zhang, Y., & Wang, J. (2025). Water footprint assessment of artificial intelligence workloads in data centers. Journal of Cleaner Production, 456, 141236. https://doi.org/10.1016/j.jclepro.2025.141236
Li, P., Yang, J., Islam, M. A., & Ren, S. (2025). Making AI less “thirsty”: Uncovering and addressing the secret water footprint of AI models. arXiv. https://arxiv.org/pdf/2304.03271
Li, X., Chen, H., & Zhao, Y. (2023). Quantifying the water consumption of AI model training: A case study of large-scale data centers. Environmental Research Letters, 18(7), 074012. https://doi.org/10.1088/1748-9326/acd9f2
Li, Z., Caballero-Juliá, D., Waquet, A., & Campillo, P. (2026). The emergence and trajectories of the glocalization concept (1990–2025). Societies, 16(2), 43.
Mekonnen, M. M., & Hoekstra, A. Y. (2011). The water footprint of humanity. Proceedings of the National Academy of Sciences, 109(9), 3232–3237.
Miller, R. (2024). Data centers and drought: The water footprint of hyperscale computing in the U.S. Southwest. Journal of Environmental Policy Studies, 29(3), 215–232.
MultiState. (2026). State data center water usage legislation gains momentum. MultiState Insider.
National Development and Reform Commission, Ministry of Industry and Information Technology, National Energy Administration, & National Data Administration [NDRC]. (2024). Plan de acción especial para el desarrollo verde y bajo en carbono de los centros de datos [Special Action Plan for Green and Low-Carbon Development of Data Centers]. Gobierno de la República Popular China.
Órgano Asesor de Alto Nivel sobre Inteligencia Artificial. (2024). Gobernanza de la inteligencia artificial en beneficio de la humanidad: Informe final. Naciones Unidas.
Robertson, R. (1995). Glocalization: Time-space and homogeneity-heterogeneity. En M. Featherstone, S. Lash, & R. Robertson (Eds.), Global modernities (pp. 25–44). Sage Publications. https://doi.org/10.4135/9781446250563.n2
Rodríguez, P. (2022). Agua y tecnología: Conflictos socioambientales por centros de datos en México. Revista Latinoamericana de Estudios Ambientales, 12(2), 45–62.
Sadowski, J. (2020). The Internet’s hidden water footprint: Data centers and resource governance in Ireland. Environment and Planning E: Nature and Space, 3(4), 971–993. https://doi.org/10.1177/2514848619892963
Tsing, A. L. (2005). Friction: An ethnography of global connection. Princeton University Press.
WilmerHale. (2026). State regulation of data centers: Emerging trends and potential legal complexities. WilmerHale Client Alert.
[1] Centro de Inteligencia Artificial para las Relaciones Internacionales (CIARI –UNLP)
[2] Centro de Inteligencia Artificial para las Relaciones Internacionales (CIARI –UNLP)