En todo el mundo, la adopción de la IA se está acelerando a un ritmo sin precedentes. Los hiperescaladores, los operadores de coubicación, los centros de datos empresariales y las fábricas de IA emergentes están ampliando rápidamente su infraestructura de TI para dar cabida a modelos cada vez más complejos y conjuntos de datos masivos. Este auge está provocando un aumento de la demanda energética, lo que lleva los requisitos de refrigeración a nuevos extremos.

Tradicionalmente, el sector de los centros de datos utiliza la Eficiencia en el Uso de la Energía (PUE) y la Eficiencia en el Uso del Agua (WUE) como principales indicadores de referencia para la eficiencia de los recursos. Estas métricas han prestado un buen servicio al sector durante años: son indicadores sencillos e intuitivos de la eficacia con la que una instalación utiliza la energía y el agua.

Pero las cargas de trabajo de IA actuales, los chips avanzados y las arquitecturas de refrigeración líquida están cambiando la ecuación. Los chips de última generación diseñados para la IA y la computación acelerada funcionan con perfiles térmicos y características de rendimiento muy diferentes a los de las CPU tradicionales. Generan cargas térmicas mucho mayores, dependen en mayor medida de la refrigeración líquida y ofrecen un rendimiento computacional drásticamente diferente en función de la temperatura de funcionamiento.

A medida que la potencia de cálculo se convierte en el principal factor determinante del consumo energético de los centros de datos, han comenzado a surgir métricas de eficiencia adicionales que pretenden representar de forma integral la eficiencia, la sostenibilidad y el rendimiento operativo.

Por qué el PUE no basta para medir la eficiencia de los centros de datos de IA
El PUE no tiene en cuenta la potencia de cálculo
Una instalación puede presentar un PUE excelente y, sin embargo, ofrecer un rendimiento computacional relativamente bajo. Dado que se prevé que la demanda mundial de potencia de cálculo se triplique —pasando de 82 GW en 2025 a más de 220 GW en 2030, según McKinsey & Company—, las organizaciones necesitan métricas que tengan en cuenta el trabajo útil, y no solo la relación entre la energía consumida y la energía generada.

La variabilidad climática y de refrigeración distorsiona las mediciones
Los centros de datos de IA situados en climas más cálidos o en regiones con escasez de agua se enfrentan a realidades ambientales que afectan de forma inherente tanto al PUE como al WUE. Una instalación con un sistema de refrigeración altamente optimizado puede seguir pareciendo «ineficiente» debido a factores geográficos más que a cuestiones de ingeniería.

Las cargas de trabajo de IA cambian la relación entre refrigeración, temperatura y rendimiento
Un chip puede funcionar «adecuadamente» a temperaturas más altas —mejorando el PUE al reducir la refrigeración mecánica—, pero ofrecer un rendimiento computacional superior a temperaturas más bajas. En este caso, el PUE empeora, el rendimiento computacional aumenta y la productividad total del sistema se incrementa. Esta contradicción pone de relieve por qué los indicadores actuales se quedan cortos para los entornos impulsados por la IA.

Para evaluar la eficiencia en las instalaciones modernas —especialmente aquellas que dan soporte a aplicaciones de IA, hiperescala y coubicación de alta densidad—, se están barajando indicadores alternativos que combinan métricas de energía y agua con indicadores clave de rendimiento (KPI) centrados en la computación.

A continuación se muestra un ejemplo de algunas métricas avanzadas que pretenden ofrecer una visión más completa y escalable del rendimiento:

- El rendimiento por vatio (PPW) mide la potencia de cálculo por unidad de energía. Una forma holística de alinear el rendimiento de las TI con la eficiencia de las instalaciones.
- La productividad energética del centro de datos ( DCeP) evalúa cuánto «trabajo útil» (tareas completadas, datos procesados, etc.) se produce por cada unidad de energía consumida.
- La eficiencia de potencia computacional ( CPE) expresa la potencia computacional suministrada por unidad de energía. Ideal para operaciones con un uso intensivo de IA.
- La computación proporcional a la energía ( EPC) evalúa la eficiencia con la que un sistema ajusta el consumo de energía en función de la carga de trabajo. Cuanto más se ajuste el consumo de energía a la demanda computacional, mejor.
- La eficiencia ecológica ( GE) vincula el rendimiento computacional con el impacto de carbono, lo que permite tomar decisiones alineadas con la sostenibilidad.
- El rendimiento por litro ( PPL) relaciona el consumo de agua con el rendimiento computacional, algo fundamental para regiones que se enfrentan a la escasez de agua o a un estricto control normativo.

Por qué son importantes estas métricas
Estas medidas alternativas podrían permitir a las partes interesadas evaluar no solo la eficiencia en el uso de los recursos de la instalación, sino también el valor generado por cada kilovatio, litro y kilovatio de capacidad de refrigeración. Replantean la forma en que los operadores evalúan las decisiones de diseño, la arquitectura de refrigeración, las temperaturas de los chips y las estrategias de sostenibilidad.

Sin embargo, este conjunto de herramientas ampliado también conlleva una mayor complejidad. La convergencia de la refrigeración de alta densidad, la electrificación, la estrategia hídrica, los controles avanzados, la modelización y las diferencias normativas regionales exige un enfoque más integrado.

Un socio integral para un futuro impulsado por la IA
Para tener éxito, las organizaciones necesitan un socio de ingeniería y gestión térmica con amplia experiencia en diseño a nivel de sistema, reducción de emisiones de carbono, optimización del rendimiento y soluciones escalables. La colaboración desde el principio es fundamental, desde el concepto y el diseño hasta la integración y las operaciones continuas.

Trane aporta una experiencia inigualable en la comprensión de todo el ecosistema de los centros de datos, desde el tejado hasta el chip. Nuestro enfoque consultivo incluye modelización, pruebas, controles inteligentes, recuperación de energía, almacenamiento térmico, análisis en tiempo real y mantenimiento predictivo. Ayudamos a los operadores a maximizar el potencial de cálculo, al tiempo que nos alineamos con las necesidades de la comunidad local, las expectativas medioambientales y las prioridades de sostenibilidad. ¡Hable con uno de nuestros expertos en centros de datos!

Su socio innovador de confianza para la refrigeración y la gestión térmica de centros de datos en entornos de misión crítica
En Trane, hacemos posible que los centros de datos de última generación funcionen de forma más eficiente, sostenible e inteligente, satisfaciendo las exigencias de la IA, las cargas de trabajo de alta densidad y el crecimiento global. A través de equipos integrados, diseño de sistemas, análisis y servicios de rendimiento continuos, le ayudamos a garantizar que sus instalaciones ofrezcan el máximo rendimiento informático con el mínimo impacto medioambiental.

Descubra cómo Trane puede respaldar su estrategia integral de gestión térmica: https://trane.eu/data-center.html