{"id":46866,"date":"2026-09-17T11:04:00","date_gmt":"2026-09-17T14:04:00","guid":{"rendered":"https:\/\/www.iri.edu.ar\/?p=46866"},"modified":"2026-09-03T11:07:50","modified_gmt":"2026-09-03T14:07:50","slug":"geopolitica-del-agua-e-inteligencia-artificial","status":"publish","type":"post","link":"https:\/\/www.iri.edu.ar\/index.php\/2026\/09\/17\/geopolitica-del-agua-e-inteligencia-artificial\/","title":{"rendered":"Geopol\u00edtica del agua e Inteligencia Artificial"},"content":{"rendered":"\n
\n
\"\"<\/a><\/figure>\n<\/div>\n\n\n

Centro para estudio sobre Inteligencia Artificial y Relaciones Internacionales \u2013 CIARI<\/p>\n\n\n\n

Art\u00edculos<\/h6>\n\n\n\n

Geopol\u00edtica del agua e Inteligencia Artificial<\/h1>\n\n\n\n

Mar\u00eda Paula Perotti[1]<\/sup><\/strong><\/sup><\/a>
Giselle Ana Sanabria[2]<\/sup><\/strong><\/sup><\/a><\/em><\/strong><\/p>\n\n\n\n

Introducci\u00f3n<\/h2>\n\n\n\n

El presente trabajo aborda la demanda del consumo de agua para servidores, observada mediante el impacto ambiental de la denominada huella h\u00eddrica de los centros de datos, campo de an\u00e1lisis que vincula la infraestructura digital con la sostenibilidad.<\/p>\n\n\n\n

La expansi\u00f3n 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 tecnol\u00f3gico y se adentra en la geopol\u00edtica del agua. El consumo h\u00eddrico de estos servidores, invisibilizado durante a\u00f1os bajo la narrativa del progreso digital, hoy se revela como un factor cr\u00edtico 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 noci\u00f3n de huella h\u00eddrica<\/em> 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 an\u00e1lisis que vincula la materialidad de la infraestructura digital con la seguridad h\u00eddrica global.<\/p>\n\n\n\n

En este marco, el trabajo se propone indagar c\u00f3mo la demanda de agua para refrigeraci\u00f3n de servidores condiciona la seguridad h\u00eddrica de los territorios y, al mismo tiempo, c\u00f3mo las distintas formas de regulaci\u00f3n en China, Estados Unidos y la Uni\u00f3n Europea posicionan al agua como bien com\u00fan y factor de poder. La elecci\u00f3n de China como caso de estudio principal responde a su doble condici\u00f3n, tanto como potencia tecnol\u00f3gica en expansi\u00f3n, como un pa\u00eds atravesado por tensiones h\u00eddricas estructurales. La Uni\u00f3n Europea y Estados Unidos se incorporan como contrastes regulatorios: la primera como modelo normativo de estandarizaci\u00f3n ambiental, y el segundo como paradigma descentralizado de gobernanza corporativa.<\/p>\n\n\n\n

La elecci\u00f3n de China como caso de estudio principal responde a su doble condici\u00f3n: potencia tecnol\u00f3gica en expansi\u00f3n y pa\u00eds atravesado por tensiones h\u00eddricas estructurales. En 2022, los centros de datos chinos consumieron 15,7 mil millones de m\u00b3 de agua, equivalentes al 2,7% del total nacional, con m\u00e1s del 70% de la capacidad inform\u00e1tica instalada en regiones con escasez severa (Jiang et al., 2025). Este escenario revela que la expansi\u00f3n de la infraestructura digital se despliega sobre territorios ya sometidos a presiones h\u00eddricas hist\u00f3ricas, lo que convierte al agua en un bien com\u00fan en disputa y en un factor de poder dentro de la geopol\u00edtica digital.<\/p>\n\n\n\n

Por lo tanto, el an\u00e1lisis se inscribe en la geopol\u00edtica del agua y la inteligencia artificial, reconociendo que el desarrollo de esta \u00faltima depende de una infraestructura material que consume grandes vol\u00famenes de agua y genera una huella h\u00eddrica con implicancias directas en la sostenibilidad. En este sentido, el agua se presenta como recurso natural, pero tambi\u00e9n como bien com\u00fan, cuya gesti\u00f3n y regulaci\u00f3n revelan disputas de poder en el sistema internacional. La tensi\u00f3n entre su car\u00e1cter vital y su apropiaci\u00f3n corporativa abre interrogantes sobre la seguridad h\u00eddrica de los territorios y la capacidad de los Estados para resguardar lo com\u00fan frente a la l\u00f3gica extractiva de la infraestructura digital.<\/p>\n\n\n\n

1. Infraestructura de IA y consumo h\u00eddrico<\/h2>\n\n\n\n

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 estrat\u00e9gicos y nodos fundamentales de las redes digitales, se han convertido en puntos de concentraci\u00f3n de esta problem\u00e1tica. El crecimiento acelerado de la digitalizaci\u00f3n, sumado a la expansi\u00f3n de la IA, ha incrementado la relevancia del consumo h\u00eddrico asociado a estas infraestructuras tecnol\u00f3gicas y sus impactos en los territorios donde se localizan.<\/p>\n\n\n\n

Si bien el consumo de electricidad de los centros de datos ha sido objeto de numerosos estudios, el uso de agua contin\u00faa siendo un \u00e1rea en la que persisten importantes vac\u00edos de conocimiento. Este consumo depende de m\u00faltiples factores interrelacionados, entre ellos, la eficiencia de los servidores, el nivel de utilizaci\u00f3n de la infraestructura, el tipo de energ\u00eda empleada y las tecnolog\u00edas de enfriamiento implementadas. En este sentido, los centros de datos pueden ser conceptualizados como ecotonos tecnol\u00f3gicos: espacios de transici\u00f3n y de interacci\u00f3n 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 expansi\u00f3n global de la IA y las condiciones locales de disponibilidad, acceso y gesti\u00f3n del agua.<\/p>\n\n\n\n

1.1. Agua, localizaci\u00f3n, centros de datos y poder<\/h3>\n\n\n\n

En primer lugar, es preciso abordar el an\u00e1lisis 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<\/em>. Para estos autores, la huella h\u00eddrica comprende tres componentes: el agua azul, correspondiente al agua dulce proveniente de fuentes superficiales y subterr\u00e1neas; el agua verde, vinculada al agua de lluvia almacenada en el suelo y utilizada por la vegetaci\u00f3n; 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 par\u00e1metros establecidos.<\/p>\n\n\n\n

En segundo lugar, siguiendo esta l\u00ednea, la norma ISO 14046 (2014) establece un marco metodol\u00f3gico para la evaluaci\u00f3n de la huella h\u00eddrica, incorporando criterios asociados al ciclo de vida, la evaluaci\u00f3n de impactos ambientales, la contextualizaci\u00f3n geogr\u00e1fica 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 fabricaci\u00f3n de los equipos hasta los procesos de enfriamiento-; relacionar los vol\u00famenes de agua utilizados con impactos ambientales espec\u00edficos, como la escasez h\u00eddrica o la degradaci\u00f3n de los ecosistemas; analizar el consumo en funci\u00f3n de las condiciones particulares de cada territorio, reconociendo que un mismo volumen de agua puede generar impactos diferentes seg\u00fan la disponibilidad del recurso; y establecer par\u00e1metros comunes para la comparaci\u00f3n entre distintas instalaciones.<\/p>\n\n\n\n

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 generaci\u00f3n 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 hidrol\u00f3gicas de los territorios donde estas infraestructuras se emplazan. En este escenario, el tratamiento y la reutilizaci\u00f3n de aguas residuales aparecen como estrategias para aliviar la presi\u00f3n sobre las fuentes de agua dulce y mitigar los impactos asociados a su operaci\u00f3n.<\/p>\n\n\n\n

El consumo h\u00eddrico 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 generaci\u00f3n termoel\u00e9ctrica de la electricidad que requieren. Investigaciones recientes (Lei et al., 2025; Li et al., 2023) muestran que la magnitud de esta demanda var\u00eda seg\u00fan la localizaci\u00f3n geogr\u00e1fica y las tecnolog\u00edas de enfriamiento implementadas. Esta evidencia revela una tensi\u00f3n entre la expansi\u00f3n global de la inteligencia artificial y las condiciones locales de disponibilidad y gesti\u00f3n del agua, especialmente en regiones con alta vulnerabilidad o escasez del recurso.<\/p>\n\n\n\n

1.2. Un bien com\u00fan estrat\u00e9gico: Din\u00e1micas de consumo de agua en los sistemas de Inteligencia Artificial<\/h3>\n\n\n\n

Partiendo del interrogante \u00bfel desarrollo de la inteligencia artificial compromete el recurso agua?, resulta necesario reflexionar sobre las tensiones que devienen entre la expansi\u00f3n de las capacidades de procesamiento de datos y la sostenibilidad h\u00eddrica. Si entendemos al agua, como un bien com\u00fan estrat\u00e9gico, nos encontramos en el centro de un debate que trasciende la dimensi\u00f3n t\u00e9cnica y alcanza aspectos sociales, ambientales y pol\u00edticos.<\/p>\n\n\n\n

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 generaci\u00f3n de la electricidad requerida para sostener sus operaciones. Este consumo, desde ya, vinculado fundamentalmente al uso de agua azul, var\u00eda seg\u00fan la localizaci\u00f3n geogr\u00e1fica de las instalaciones, las tecnolog\u00edas de enfriamiento implementadas y las fuentes de energ\u00eda utilizadas.<\/p>\n\n\n\n

Un segundo punto de inflexi\u00f3n, da lugar a la expansi\u00f3n de los sistemas de inteligencia artificial, introduciendo nuevas presiones sobre esta infraestructura y, por lo tanto, sobre los recursos h\u00eddricos. Esto se observa mediante los procesos de entrenamiento de modelos de gran escala, vislumbrando que su utilizaci\u00f3n continua requiere una elevada capacidad de c\u00f3mputo, lo que se traduce en un incremento de la demanda energ\u00e9tica, lo cual puede traducirse en un mayor consumo de agua.<\/p>\n\n\n\n

En este panorama es preciso mencionar a Lei et al. (2025) dado que analizan c\u00f3mo los entrenamientos de modelos de gran escala generan picos de consumo h\u00eddrico vinculados al uso intensivo de energ\u00eda y a los sistemas de enfriamiento empleados, destacando que la elecci\u00f3n de tecnolog\u00edas de refrigeraci\u00f3n 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 h\u00eddrica que deja a su paso la IA. Por lo que, mientras en regiones \u00e1ridas como Arizona y Texas en Estados Unidos, el emplazamiento de grandes campus de datos agrava la presi\u00f3n sobre acu\u00edferos ya sobreexplotados (Miller, 2024), en contextos con abundancia relativa de agua y clima fr\u00edo, como los Pa\u00edses N\u00f3rdicos, el impacto se profundiza gracias al uso de estrategias conocidas como free cooling,<\/em> una t\u00e9cnica situada que les permite aprovechar directamente las bajas temperaturas ambientales para reducir el consumo energ\u00e9tico y de agua (Badiei et al., 2023; Fiorillo & Milone, 2026). Del mismo modo, casos como Dubl\u00edn en Irlanda muestran que la concentraci\u00f3n de centros de datos ha generado tensiones regulatorias y moratorias por su elevado consumo de recursos (Sadowski, 2020), mientras que, en Quer\u00e9taro, M\u00e9xico, comunidades locales han denunciado que el suministro destinado a estas infraestructuras compite directamente con el acceso domiciliario y agr\u00edcola en \u00e9pocas de sequ\u00eda (Rodr\u00edguez, 2022). Estos ejemplos permiten observar que la sostenibilidad h\u00eddrica asociada a la inteligencia artificial depende del volumen de agua consumido y de la interacci\u00f3n entre decisiones tecnol\u00f3gicas, condiciones territoriales y disputas sociales por el acceso a un bien com\u00fan estrat\u00e9gico. Es por ello que adem\u00e1s de analizar al recurso agua como tal, en este trabajo se lo considera al agua, como un bien com\u00fan por sus escalas de implicancias a nivel social.<\/p>\n\n\n\n

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 expansi\u00f3n 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 noci\u00f3n de glocalizaci\u00f3n<\/strong><\/em>, desarrollada y difundida en el campo de las ciencias sociales por Roland Robertson (1992, 1995), permite comprender la articulaci\u00f3n entre procesos de alcance global y condiciones locales. Desde esta perspectiva, los fen\u00f3menos globales adquieren formas diferenciadas al insertarse en territorios con caracter\u00edsticas particulares. Incluir esta perspectiva resulta pertinente para poder analizar la expansi\u00f3n de la inteligencia artificial, cuya dimensi\u00f3n global depende de infraestructuras territorialmente localizadas y de recursos materiales disponibles en contextos espec\u00edficos.<\/p>\n\n\n\n

A su vez, la noci\u00f3n de fricci\u00f3n 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 aqu\u00ed, esta propuesta reflexiva propone la noci\u00f3n de fricci\u00f3n glocal<\/em> como categor\u00eda anal\u00edtica para referir a las tensiones que emergen cuando la expansi\u00f3n global de una actividad tecnol\u00f3gica se encuentra con restricciones, desigualdades o conflictos asociados a la disponibilidad y gesti\u00f3n local de recursos estrat\u00e9gicos, como el agua.<\/p>\n\n\n\n

En el caso espec\u00edfico de la inteligencia artificial, esta categor\u00eda permite analizar la relaci\u00f3n entre la expansi\u00f3n global de las capacidades de c\u00f3mputo y la localizaci\u00f3n concreta de las infraestructuras que hacen posible su funcionamiento. Los centros de datos se encuentran territorialmente situados y dependen de recursos materiales y energ\u00e9ticos que no est\u00e1n distribuidos de manera homog\u00e9nea en todos los territorios. Entre ellos, el agua adquiere particular relevancia, dado que su disponibilidad y gesti\u00f3n responden a condiciones ambientales, institucionales y sociales espec\u00edficas. La categor\u00eda de fricci\u00f3n glocal permite, por lo tanto, observar c\u00f3mo una actividad de alcance global puede intensificar las demandas sobre recursos locales y generar tensiones entre las necesidades de expansi\u00f3n tecnol\u00f3gica y las condiciones territoriales de disponibilidad y gesti\u00f3n del agua.<\/p>\n\n\n\n

Desde esta perspectiva, la fricci\u00f3n glocal se refiere a la existencia de un conflicto por el uso del agua, pero adem\u00e1s al proceso mediante el cual una din\u00e1mica tecnol\u00f3gica global se encuentra con l\u00edmites y condiciones territoriales que pueden modificar, restringir o tensionar su expansi\u00f3n. Esta categor\u00eda permite as\u00ed desplazar el an\u00e1lisis desde una mirada centrada exclusivamente en la eficiencia tecnol\u00f3gica hacia una perspectiva que considere las relaciones de poder, las desigualdades territoriales y las formas de gobernanza de los recursos estrat\u00e9gicos. Por lo que, su utilizaci\u00f3n permite analizar la expansi\u00f3n de la inteligencia artificial como un proceso simult\u00e1neamente global con impacto local, en el que las decisiones y demandas asociadas a una tecnolog\u00eda de alcance mundial pueden producir efectos diferenciados sobre recursos y comunidades situados en lugares espec\u00edficos.<\/p>\n\n\n\n

En este marco, resulta pertinente recuperar los aportes de Bueno (2016, 2017), quien analiza la arquitectura clim\u00e1tica internacional y las tensiones Norte-Sur en torno a los recursos estrat\u00e9gicos, mostrando que la sostenibilidad h\u00eddrica debe leerse como parte de la gobernanza ambiental global. Asimismo, Fern\u00e1ndez Alonso (2018, 2024) advierte que los mecanismos financieros -como los bonos verdes o los instrumentos de deuda clim\u00e1tica- condicionan la gesti\u00f3n de los recursos naturales y pueden convertirse en herramientas para canalizar inversiones hacia la protecci\u00f3n del agua, aunque tambi\u00e9n reproducen desigualdades si se subordinan a l\u00f3gicas de mercado. Integrar estas perspectivas permite comprender que el agua, como bien com\u00fan estrat\u00e9gico, se encuentra en el cruce entre poder digital, gobernanza ambiental y econom\u00eda pol\u00edtica internacional.<\/p>\n\n\n\n

En definitiva, la reflexi\u00f3n desarrollada permite responder afirmativamente al interrogante inicial: el avance de la inteligencia artificial compromete el recurso y bien com\u00fan agua. Se trata entonces de un problema t\u00e9cnico vinculado al enfriamiento de servidores o al consumo energ\u00e9tico, y genera una tensi\u00f3n glocal que expone la fragilidad de los territorios y la necesidad de repensar la gobernanza ambiental. Que podamos considerar al agua como bien com\u00fan estrat\u00e9gico implica que reconozcamos que su sostenibilidad est\u00e1 atravesada por decisiones tecnol\u00f3gicas, disputas sociales y marcos pol\u00edticos, y que cualquier expansi\u00f3n digital, podr\u00eda ser evaluada en funci\u00f3n de estas implicancias. As\u00ed, el acelerado desarrollo de la inteligencia artificial plantea interrogantes sobre su eficiencia tecnol\u00f3gica y sobre qui\u00e9n utiliza el agua, en qu\u00e9 territorios y bajo qu\u00e9 criterios se decide su distribuci\u00f3n.<\/p>\n\n\n\n

2. La geopol\u00edtica del agua y el desarrollo de la IA: El caso de China ante las asimetr\u00edas regulatorias de EE.UU. y la UE.<\/h2>\n\n\n\n

Tras presentar el marco conceptual que conecta la infraestructura de la inteligencia artificial con el consumo de agua, y proponer la noci\u00f3n de fricci\u00f3n glocal como clave de lectura, nos detenemos ahora en un caso concreto: la Rep\u00fablica Popular China.  La elecci\u00f3n de este caso paradigm\u00e1tico resulta pertinente, por su doble condici\u00f3n, tanto de potencia tecnol\u00f3gica en expansi\u00f3n y como contar con un territorio atravesado por tensiones h\u00eddricas estructurales. Por lo tanto, buscaremos observar de qu\u00e9 manera el Estado chino ha respondido a esta tensi\u00f3n mediante pol\u00edticas de ordenamiento territorial e infraestructura, para luego, en un segundo momento, podamos contrastar brevemente esta respuesta con los enfoques regulatorios de la Uni\u00f3n Europea y los Estados Unidos, dos actores que, a diferencia de China, han optado por v\u00edas normativas y pol\u00edticas sustancialmente distintas.<\/p>\n\n\n\n

2.1. Expansi\u00f3n de infraestructura tecnol\u00f3gica y presi\u00f3n sobre recursos naturales. Estudio de caso: la Rep\u00fablica Popular China<\/h3>\n\n\n\n

En 2022 los centros de datos chinos consumieron 15,7 mil millones de m\u00b3 de agua, equivalentes al 2,7% del total nacional, con m\u00e1s del 70% de la capacidad inform\u00e1tica instalada en regiones de escasez h\u00eddrica severa (Jiang et al., 2025). Esta distribuci\u00f3n territorial no es casual: responde a una concentraci\u00f3n hist\u00f3rica de la infraestructura digital en las provincias costeras del este, las m\u00e1s pobladas y din\u00e1micas, pero tambi\u00e9n las de menor disponibilidad relativa de agua y energ\u00eda (Feng, 2025).<\/p>\n\n\n\n

Frente a esta asimetr\u00eda, el gobierno chino impuls\u00f3 en febrero de 2022 el proyecto \u201cDatos del Este, C\u00f3mputo en el Oeste\u201d (East-to-West Computing Resource Standard), una megainiciativa nacional que reorganiza espacialmente la infraestructura de c\u00f3mputo del pa\u00eds (Feng, 2025). De esta manera, el proyecto traslada hacia las provincias occidentales -con mayor disponibilidad de suelo, energ\u00eda renovable y temperaturas medias m\u00e1s bajas- el procesamiento de datos no sensibles al tiempo real, como el almacenamiento y el an\u00e1lisis diferido, reservando para los centros orientales aquellos servicios que requieren baja latencia (Feng, 2025).<\/p>\n\n\n\n

Podemos interpretar que esta iniciativa constituye una respuesta estatal directa a lo que en este trabajo denominamos fricci\u00f3n glocal: en lugar de permitir que la expansi\u00f3n de la demanda de c\u00f3mputo contin\u00fae presionando sobre acu\u00edferos ya comprometidos en el este, Beijing reconfigura la geograf\u00eda de su infraestructura digital procurando hacerla coincidir con la disponibilidad territorial de los recursos h\u00eddricos y energ\u00e9ticos.<\/p>\n\n\n\n

A ello se suma un segundo instrumento de pol\u00edtica, de naturaleza normativa antes que espacial: el \u201cPlan de acci\u00f3n especial para el desarrollo verde y bajo en carbono de los centros de datos\u201d, publicado en julio de 2024 por la Comisi\u00f3n Nacional de Desarrollo y Reforma junto con el Ministerio de Industria y Tecnolog\u00eda de la Informaci\u00f3n, la Administraci\u00f3n Nacional de Energ\u00eda y la Administraci\u00f3n Nacional de Datos (NDRC, 2024). Este plan fija metas concretas: para 2025, una eficiencia energ\u00e9tica promedio (PUE) inferior a 1,5 y un incremento anual del 10% en el uso de energ\u00edas renovables, proyectando adem\u00e1s nuevas metas hacia 2030 (NDRC, 2024).<\/p>\n\n\n\n

Si bien el plan se articula principalmente en torno a la eficiencia energ\u00e9tica y de carbono, sus m\u00e9tricas -como el PUE, el aprovechamiento de calor residual o las fuentes de generaci\u00f3n- inciden de manera indirecta sobre el consumo h\u00eddrico, dado que la refrigeraci\u00f3n y la generaci\u00f3n termoel\u00e9ctrica constituyen, como desarrollamos en el primer apartado de este trabajo, los principales vectores de uso de agua.<\/p>\n\n\n\n

Por consiguiente, tomados en conjunto, ambos instrumentos -la relocalizaci\u00f3n territorial de 2022 y la estandarizaci\u00f3n ambiental de 2024- configuran una estrategia estatal de doble nivel: uno espacial, que redistribuye la infraestructura hacia donde el agua y la energ\u00eda resultan relativamente m\u00e1s abundantes, y otro normativo, que impone est\u00e1ndares de eficiencia all\u00ed donde la infraestructura ya existe. De todos modos, ambos niveles pueden leerse como formas estatales de administrar la fricci\u00f3n glocal, aunque no logran eliminarla del todo: el propio desplazamiento hacia el oeste traslada parte de la presi\u00f3n h\u00eddrica hacia regiones que, si bien cuentan con m\u00e1s agua en t\u00e9rminos relativos, tampoco est\u00e1n exentas de vulnerabilidad ambiental ni de tensiones con las comunidades y los usos locales del recurso.<\/p>\n\n\n\n

2.2. Breve an\u00e1lisis de diferencias en enfoques regulatorios y pol\u00edticos respecto a UE y EE.UU.<\/h3>\n\n\n\n

El caso chino contrasta, sin embargo, con los enfoques regulatorios de la Uni\u00f3n Europea y los Estados Unidos que, como se anticip\u00f3 en la introducci\u00f3n, representan dos l\u00f3gicas de gobernanza sustancialmente distintas frente a un mismo problema. Por un lado, la Uni\u00f3n Europea ha optado por una v\u00eda de estandarizaci\u00f3n normativa supranacional: la Directiva de Eficiencia Energ\u00e9tica (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 com\u00fan a todos los Estados miembro (Comisi\u00f3n Europea, 2024). Se trata, por lo tanto, de un esquema armonizado y de cumplimiento obligatorio, coherente con la caracterizaci\u00f3n de la Uni\u00f3n Europea como modelo de estandarizaci\u00f3n ambiental que se plante\u00f3 en la introducci\u00f3n de este trabajo.<\/p>\n\n\n\n

Estados Unidos, en cambio, no cuenta con una regulaci\u00f3n federal equivalente, dado que la respuesta regulatoria se ha desplazado hacia los estados y los gobiernos locales, con resultados heterog\u00e9neos. S\u00f3lo en el a\u00f1o 2025 se presentaron m\u00e1s de doscientos proyectos de ley vinculados a centros de datos en las legislaturas estatales, de los cuales poco m\u00e1s de cuarenta lograron sancionarse; algunos estados, como Minnesota o Georgia, avanzaron hacia la exigencia de reportes de consumo h\u00eddrico, 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 utilizaci\u00f3n de agua residual tratada en los sistemas de enfriamiento, mientras que otros, como Arizona y Texas, enfrentan una presi\u00f3n creciente sobre acu\u00edferos ya sobreexplotados sin que exista, hasta el momento, un piso regulatorio a nivel nacional (MultiState, 2026). De esta manera, este panorama fragmentado, atravesado por l\u00f3gicas de mercado, por la competencia interestatal para atraer inversiones y por la resistencia corporativa a divulgar los datos de consumo, confirma el car\u00e1cter descentralizado y corporativo que se anticip\u00f3 para el caso estadounidense.<\/p>\n\n\n\n

Por lo expuesto, la comparaci\u00f3n entre los tres casos permite advertir tres l\u00f3gicas distintas para administrar una misma fricci\u00f3n glocal: China responde con planificaci\u00f3n territorial estatal y metas normativas centralizadas; la Uni\u00f3n Europea, con estandarizaci\u00f3n supranacional de cumplimiento obligatorio; y Estados Unidos, con un mosaico de respuestas estatales desiguales, mediadas por la resistencia corporativa y las asimetr\u00edas pol\u00edticas entre jurisdicciones. Ninguna de las tres logra resolver del todo la tensi\u00f3n entre la expansi\u00f3n global del c\u00f3mputo y la disponibilidad local del agua, aunque cada una la administra seg\u00fan su propia arquitectura institucional.<\/p>\n\n\n\n

3. Implicancias para la gobernanza y la justicia ambiental<\/h2>\n\n\n\n

Tras la descripci\u00f3n y el an\u00e1lisis 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 com\u00fan y recurso en los sistemas de infraestructura vinculados con la inteligencia artificial, generando desaf\u00edos y tensiones que atraviesan la justicia ambiental.<\/p>\n\n\n\n

Asimismo, la comparaci\u00f3n entre China, la Uni\u00f3n Europea y Estados Unidos permite observar que la fricci\u00f3n glocal adquiere una forma institucional distinta seg\u00fan la arquitectura de poder y gobernanza propia de cada territorio. Cuando el Estado planifica de manera centralizada, como en el caso chino, la fricci\u00f3n se administra mediante la relocalizaci\u00f3n de la infraestructura, lo cual puede aliviar la presi\u00f3n en un territorio a costa de trasladarla hacia otro. Cuando, en cambio, la gobernanza se articula mediante est\u00e1ndares supranacionales, como sucede en la Uni\u00f3n Europea, la fricci\u00f3n se vuelve visible y mensurable a trav\u00e9s de la obligaci\u00f3n de reportar, aunque esto no garantiza por s\u00ed mismo una redistribuci\u00f3n m\u00e1s justa del recurso. Y cuando la respuesta queda librada a la fragmentaci\u00f3n estatal y a la voluntad corporativa, como en Estados Unidos, la fricci\u00f3n tiende a quedar invisibilizada all\u00ed donde las comunidades locales cuentan con menor capacidad de incidencia pol\u00edtica, profundizando de esta manera las asimetr\u00edas 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.<\/p>\n\n\n\n

El incremento de la demanda de energ\u00eda, agua y otros recursos estrat\u00e9gicos involucra la discusi\u00f3n 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 expansi\u00f3n de la IA produce en aquellos territorios a los que se encuentra emplazada la infraestructura, m\u00e1s all\u00e1 del an\u00e1lisis del desempe\u00f1o tecnol\u00f3gico.<\/p>\n\n\n\n

La forma en que se produce la distribuci\u00f3n de los beneficios y cargas ambientales en el desarrollo tecnol\u00f3gico resulta especialmente relevante. Por un lado, tienden a concentrase en un reducido conjunto de actores las ventajas econ\u00f3micas 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 energ\u00eda 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 p\u00fablicas en materia ambiental (Aczel et al., 2026).<\/p>\n\n\n\n

Pero los desaf\u00edos asociados al desarrollo de la IA ya no pueden ser abordados \u00fanicamente desde las pol\u00edticas nacionales. Como lo plantea el Informe Final Gobernanza de la Inteligencia Artificial en beneficio de la Humanidad<\/em>, elaborado por el \u00d3rgano Asesor de Alto Nivel sobre Inteligencia Artificial de las Naciones Unidas, las problem\u00e1ticas que expone la concentraci\u00f3n de capacidades tecnol\u00f3gicas, infraestructura y recursos estrat\u00e9gicos trascienden las fronteras estatales, por lo que es necesario que mayores niveles de coordinaci\u00f3n entre los estados, apareciendo como un elemento necesario para reducir asimetr\u00edas y promover reglas comunes, la gobernanza global.<\/p>\n\n\n\n

Estas consideraciones adquieren un significado especial al ser le\u00eddas a la luz de la noci\u00f3n de fricci\u00f3n glocal que fue desarrollada, y que se vinculan con la necesidad de construir est\u00e1ndares compartidos y de generar espacios de cooperaci\u00f3n permanentes, atento a las tensiones que provoca la infraestructura digital. La gesti\u00f3n sostenible del agua exige articular respuestas locales, nacionales e internacionales que permitan compatibilizar el desarrollo de la IA con la protecci\u00f3n de los bienes comunes y con criterios de mayor equidad territorial.<\/p>\n\n\n\n

Conclusi\u00f3n<\/h2>\n\n\n\n

La relaci\u00f3n entre agua e inteligencia artificial deja observar un entramado complejo donde la infraestructura digital se convierte en un actor ambiental y geopol\u00edtico. Los estudios recientes sobre la huella energ\u00e9tica e h\u00eddrica de la IA (De Vries, 2023; IEA, 2024, 2025) muestran que el consumo de recursos es central en la sostenibilidad del desarrollo tecnol\u00f3gico. Al mismo tiempo, el caso de China (Greeven, 2024; Lee, 2020) evidencia c\u00f3mo la expansi\u00f3n de centros de datos y la inversi\u00f3n en IA se inscriben en una l\u00f3gica de poder global, con gran impacto en los recursos naturales. Le\u00eddo en clave de fricci\u00f3n glocal, puede decirse que este despliegue estatal ilustra c\u00f3mo una tecnolog\u00eda de alcance planetario debe negociar permanentemente con las condiciones materiales de territorios espec\u00edficos, sin que ello suponga resolver la tensi\u00f3n sino, muchas veces, trasladarla hacia otro punto del mapa h\u00eddrico nacional.<\/p>\n\n\n\n

Al desarrollar un an\u00e1lisis comparativo con la Uni\u00f3n Europea y Estados Unidos es posible reflexionar sobre las diferencias regulatorias, dado que mientras la UE avanza en est\u00e1ndares ambientales, en EE.UU. emergen iniciativas estatales y corporativas que buscan limitar impactos. Este contraste deja entrever que el agua, como recurso estrat\u00e9gico, se convierte en un eje de disputa pol\u00edtica y normativa, expresi\u00f3n, en definitiva, de una fricci\u00f3n glocal que ninguno de los tres modelos analizados logra disolver del todo.<\/p>\n\n\n\n

As\u00ed, el desaf\u00edo se presenta en tanto establecer una clara diferencia entre el consumo de agua de los centros de datos en general del consumo espec\u00edficamente atribuible a sistemas de IA, por un lado, garantizar que la IA no comprometa la seguridad h\u00eddrica y, al mismo tiempo, que su desarrollo se inscriba en un marco de justicia ambiental y cooperaci\u00f3n internacional.<\/p>\n\n\n\n

En conclusi\u00f3n, la gobernanza del agua y la expansi\u00f3n de la infraestructura de IA deben avanzar hacia un modelo regulatorio que priorice la sostenibilidad y la justicia ambiental, garantizando que la innovaci\u00f3n tecnol\u00f3gica pueda convertirse en un aliado, y no en un riesgo, para el acceso equitativo al recurso h\u00eddrico. Pensar esta relaci\u00f3n en clave de fricci\u00f3n glocal permite sostener, en definitiva, que ninguna tecnolog\u00eda 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 expansi\u00f3n genera sobre los recursos locales.<\/p>\n\n\n\n

Bibliograf\u00eda<\/h2>\n\n\n\n

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<\/em>. United Nations University Institute for Water, Environment and Health (UNU-INWEH). https:\/\/doi.org\/10.53328\/INR26RMA002<\/a><\/p>\n\n\n\n

Badiei, A., Zhang, Y., & Wang, J. (2023). The energy-saving potential of air-side economisers in modular data centres. Sustainability, 15<\/em>(12), 9864. https:\/\/doi.org\/10.3390\/su15129864<\/a><\/p>\n\n\n\n

Bueno, M. del P. (2016). El Acuerdo de Par\u00eds: \u00bfuna nueva idea sobre la arquitectura clim\u00e1tica internacional? Anuario en Relaciones Internacionales<\/em>. Instituto de Relaciones Internacionales, UNLP.<\/p>\n\n\n\n

Bueno, M. del P. (2017). \u00bfPoder material o poder social? Reflexiones sobre las negociaciones multilaterales y el poder clim\u00e1tico de la Argentina. Anuario en Relaciones Internacionales<\/em>. Instituto de Relaciones Internacionales, UNLP.<\/p>\n\n\n\n

Comisi\u00f3n Europea. (2024). Reglamento Delegado (UE) 2024\/1364 por el que se establece un sistema com\u00fan de clasificaci\u00f3n de la Uni\u00f3n para los centros de datos, en aplicaci\u00f3n de la Directiva (UE) 2023\/1791<\/em>. Diario Oficial de la Uni\u00f3n Europea.<\/p>\n\n\n\n

Feng, X. (2025). Explainer: How China is managing the rising energy demand from data centres. Carbon Brief<\/em>.<\/p>\n\n\n\n

 Fern\u00e1ndez Alonso, J. M. (2018). Bancos centrales y cambio clim\u00e1tico: basamentos y desaf\u00edos de una relaci\u00f3n incipiente. Anuario en Relaciones Internacionales<\/em>. Instituto de Relaciones Internacionales, UNLP.<\/p>\n\n\n\n

Fern\u00e1ndez Alonso, J. M. (2024). Bonos verdes en Argentina: notas en torno al encuadre normativo y din\u00e1mica de su mercado. Anuario en Relaciones Internacionales<\/em>. Instituto de Relaciones Internacionales, UNLP.<\/p>\n\n\n\n

Fiorillo, F., & Milone, D. (2026). Cooling strategies for energy-efficient data centers: Narrative review and future perspective. International Research Journal of Multidisciplinary Studies, 2<\/em>(1), 45\u201362.<\/p>\n\n\n\n

Hoekstra, A. Y. (2002). Virtual water trade: Proceedings of the international expert meeting on virtual water trade<\/em>. UNESCO-IHE.<\/p>\n\n\n\n

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<\/em>, 126522. https:\/\/doi.org\/10.1016\/j.apenergy.2025.126522<\/a><\/p>\n\n\n\n

Lei, L., Zhang, Y., & Wang, J. (2025). Water footprint assessment of artificial intelligence workloads in data centers. Journal of Cleaner Production, 456<\/em>, 141236. https:\/\/doi.org\/10.1016\/j.jclepro.2025.141236<\/a><\/p>\n\n\n\n

Li, P., Yang, J., Islam, M. A., & Ren, S. (2025). Making AI less \u201cthirsty\u201d: Uncovering and addressing the secret water footprint of AI models. arXiv<\/em>. https:\/\/arxiv.org\/pdf\/2304.03271<\/a><\/p>\n\n\n\n

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<\/em>(7), 074012. https:\/\/doi.org\/10.1088\/1748-9326\/acd9f2<\/a><\/p>\n\n\n\n

Li, Z., Caballero-Juli\u00e1, D., Waquet, A., & Campillo, P. (2026). The emergence and trajectories of the glocalization concept (1990\u20132025). Societies, 16<\/em>(2), 43.<\/p>\n\n\n\n

Mekonnen, M. M., & Hoekstra, A. Y. (2011). The water footprint of humanity. Proceedings of the National Academy of Sciences, 109<\/em>(9), 3232\u20133237.<\/p>\n\n\n\n

Miller, R. (2024). Data centers and drought: The water footprint of hyperscale computing in the U.S. Southwest. Journal of Environmental Policy Studies, 29<\/em>(3), 215\u2013232.<\/p>\n\n\n\n

MultiState. (2026). State data center water usage legislation gains momentum. MultiState Insider<\/em>.<\/p>\n\n\n\n

National Development and Reform Commission, Ministry of Industry and Information Technology, National Energy Administration, & National Data Administration [NDRC]. (2024). Plan de acci\u00f3n 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]<\/em>. Gobierno de la Rep\u00fablica Popular China.<\/p>\n\n\n\n

\u00d3rgano Asesor de Alto Nivel sobre Inteligencia Artificial. (2024). Gobernanza de la inteligencia artificial en beneficio de la humanidad: Informe final<\/em>. Naciones Unidas.<\/p>\n\n\n\n

Robertson, R. (1995). Glocalization: Time-space and homogeneity-heterogeneity. En M. Featherstone, S. Lash, & R. Robertson (Eds.), Global modernities<\/em> (pp. 25\u201344). Sage Publications. https:\/\/doi.org\/10.4135\/9781446250563.n2<\/a><\/p>\n\n\n\n

Rodr\u00edguez, P. (2022). Agua y tecnolog\u00eda: Conflictos socioambientales por centros de datos en M\u00e9xico. Revista Latinoamericana de Estudios Ambientales, 12<\/em>(2), 45\u201362.<\/p>\n\n\n\n

Sadowski, J. (2020). The Internet\u2019s hidden water footprint: Data centers and resource governance in Ireland. Environment and Planning E: Nature and Space, 3<\/em>(4), 971\u2013993. https:\/\/doi.org\/10.1177\/2514848619892963<\/a><\/p>\n\n\n\n

Tsing, A. L. (2005). Friction: An ethnography of global connection<\/em>. Princeton University Press.<\/p>\n\n\n\n

WilmerHale. (2026). State regulation of data centers: Emerging trends and potential legal complexities. WilmerHale Client Alert<\/em>.<\/p>\n\n\n\n

\n\n\n\n

[1]<\/sup><\/a> Centro de Inteligencia Artificial para las Relaciones Internacionales (CIARI \u2013UNLP)<\/p>\n\n\n\n

[2]<\/sup><\/a> Centro de Inteligencia Artificial para las Relaciones Internacionales (CIARI \u2013UNLP)<\/p>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

por Mar\u00eda Paula Perotti y Giselle Ana Sanabria<\/p>\n","protected":false},"author":5,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_uag_custom_page_level_css":"","_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"ocean_post_layout":"","ocean_both_sidebars_style":"","ocean_both_sidebars_content_width":0,"ocean_both_sidebars_sidebars_width":0,"ocean_sidebar":"","ocean_second_sidebar":"","ocean_disable_margins":"enable","ocean_add_body_class":"anuario","ocean_shortcode_before_top_bar":"","ocean_shortcode_after_top_bar":"","ocean_shortcode_before_header":"","ocean_shortcode_after_header":"","ocean_has_shortcode":"","ocean_shortcode_after_title":"","ocean_shortcode_before_footer_widgets":"","ocean_shortcode_after_footer_widgets":"","ocean_shortcode_before_footer_bottom":"","ocean_shortcode_after_footer_bottom":"","ocean_display_top_bar":"default","ocean_display_header":"default","ocean_header_style":"","ocean_center_header_left_menu":"","ocean_custom_header_template":"","ocean_custom_logo":0,"ocean_custom_retina_logo":0,"ocean_custom_logo_max_width":0,"ocean_custom_logo_tablet_max_width":0,"ocean_custom_logo_mobile_max_width":0,"ocean_custom_logo_max_height":0,"ocean_custom_logo_tablet_max_height":0,"ocean_custom_logo_mobile_max_height":0,"ocean_header_custom_menu":"","ocean_menu_typo_font_family":"","ocean_menu_typo_font_subset":"","ocean_menu_typo_font_size":0,"ocean_menu_typo_font_size_tablet":0,"ocean_menu_typo_font_size_mobile":0,"ocean_menu_typo_font_size_unit":"px","ocean_menu_typo_font_weight":"","ocean_menu_typo_font_weight_tablet":"","ocean_menu_typo_font_weight_mobile":"","ocean_menu_typo_transform":"","ocean_menu_typo_transform_tablet":"","ocean_menu_typo_transform_mobile":"","ocean_menu_typo_line_height":0,"ocean_menu_typo_line_height_tablet":0,"ocean_menu_typo_line_height_mobile":0,"ocean_menu_typo_line_height_unit":"","ocean_menu_typo_spacing":0,"ocean_menu_typo_spacing_tablet":0,"ocean_menu_typo_spacing_mobile":0,"ocean_menu_typo_spacing_unit":"","ocean_menu_link_color":"","ocean_menu_link_color_hover":"","ocean_menu_link_color_active":"","ocean_menu_link_background":"","ocean_menu_link_hover_background":"","ocean_menu_link_active_background":"","ocean_menu_social_links_bg":"","ocean_menu_social_hover_links_bg":"","ocean_menu_social_links_color":"","ocean_menu_social_hover_links_color":"","ocean_disable_title":"default","ocean_disable_heading":"default","ocean_post_title":"","ocean_post_subheading":"","ocean_post_title_style":"","ocean_post_title_background_color":"","ocean_post_title_background":0,"ocean_post_title_bg_image_position":"","ocean_post_title_bg_image_attachment":"","ocean_post_title_bg_image_repeat":"","ocean_post_title_bg_image_size":"","ocean_post_title_height":0,"ocean_post_title_bg_overlay":0.5,"ocean_post_title_bg_overlay_color":"","ocean_disable_breadcrumbs":"default","ocean_breadcrumbs_color":"","ocean_breadcrumbs_separator_color":"","ocean_breadcrumbs_links_color":"","ocean_breadcrumbs_links_hover_color":"","ocean_display_footer_widgets":"default","ocean_display_footer_bottom":"default","ocean_custom_footer_template":"","ocean_post_oembed":"","ocean_post_self_hosted_media":"","ocean_post_video_embed":"","ocean_link_format":"","ocean_link_format_target":"self","ocean_quote_format":"","ocean_quote_format_link":"post","ocean_gallery_link_images":"on","ocean_gallery_id":[],"footnotes":""},"categories":[2050],"tags":[2127],"class_list":["post-46866","post","type-post","status-publish","format-standard","hentry","category-anuario2026","tag-a2026artciari","entry"],"uagb_featured_image_src":{"full":false,"thumbnail":false,"medium":false,"medium_large":false,"large":false,"1536x1536":false,"2048x2048":false,"ocean-thumb-m":false,"ocean-thumb-ml":false,"ocean-thumb-l":false,"sow-carousel-default":false,"sow-blog-portfolio":false,"sow-blog-grid":false,"sow-blog-alternate":false},"uagb_author_info":{"display_name":"Juana Alvarez Eiras","author_link":"https:\/\/www.iri.edu.ar\/index.php\/author\/juana-alvarez-eiras\/"},"uagb_comment_info":0,"uagb_excerpt":"por Mar\u00eda Paula Perotti y Giselle Ana Sanabria","_links":{"self":[{"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/posts\/46866","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/users\/5"}],"replies":[{"embeddable":true,"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/comments?post=46866"}],"version-history":[{"count":2,"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/posts\/46866\/revisions"}],"predecessor-version":[{"id":46868,"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/posts\/46866\/revisions\/46868"}],"wp:attachment":[{"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/media?parent=46866"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/categories?post=46866"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/tags?post=46866"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}