Cuando pagas por un servidor —tuyo, alquilado o en la nube—, pagas por dos cosas que casi nadie separa: la energía que consume el propio servidor y la energía que se gasta alrededor de él para que funcione. Refrigerarlo, alimentarlo con corriente estable, sostener el edificio que lo alberga. Esa segunda parte es invisible en la factura, pero es real, es grande, y tiene nombre: se mide con el PUE. Y entenderlo cambia bastantes decisiones de infraestructura, porque explica por qué dos servidores idénticos pueden costar muy distinto según dónde vivan.
Este artículo explica qué es el PUE, por qué la era de la IA lo ha vuelto a empeorar tras años de mejora lenta, y qué implica a la hora de decidir entre un cloud privado, el housing en un centro de datos y el alquiler en un hiperescalar. Es la cara económica de algo que ya hemos tocado por el lado ambiental en los centros de datos de IA y la isla de calor.
El PUE (Power Usage Effectiveness, eficiencia en el uso de la energía) es una proporción sencilla:
PUE = energía total del centro de datos ÷ energía que llega a los equipos de TI
Si un centro de datos consume 1.500 kW en total y de esos 1.000 kW llegan efectivamente a los servidores, su PUE es 1,5. Los 500 kW restantes se van en lo que no es cómputo pero lo hace posible: sobre todo refrigeración, más las pérdidas de los sistemas eléctricos, la iluminación y el resto de infraestructura.
La lectura es directa:
Y aquí está el punto que casi nadie interioriza: ese sobrecoste lo pagas tú, siempre, aunque nunca lo veas desglosado. Cuando alquilas cómputo, el precio incluye el PUE del centro donde vive ese cómputo. Un mismo servidor en un centro con PUE 1,2 sale estructuralmente más barato de operar que en uno con PUE 1,8. No lo ves en la factura; lo pagas en ella.
Durante los años 2010, el PUE del sector mejoró de forma constante: de medias cercanas a 2,0 se bajó hacia 1,5-1,6 gracias a mejor refrigeración, free cooling (aprovechar el aire frío exterior), gestión térmica más fina y diseño de edificios pensados para disipar calor. Los grandes hiperescalares llevaron sus mejores instalaciones a 1,1-1,2, cerca del límite práctico.
Pero desde hace unos años, dos cosas frenaron la mejora:
La media se estancó. Las mejoras fáciles ya estaban hechas. Bajar de 1,5 a 1,4 es mucho más difícil que bajar de 2,0 a 1,5: rendimientos decrecientes. El promedio global del sector lleva tiempo plano en torno a 1,5-1,6, según los seguimientos de la industria.
La IA lo empeoró. Y esto es lo nuevo. Las GPU para IA concentran una densidad de potencia y de calor muy superior a la de un servidor tradicional. Un rack de servidores clásicos disipa unos pocos kilovatios; un rack lleno de aceleradores de IA puede multiplicar esa cifra varias veces. Refrigerar esa concentración de calor exige sistemas más intensivos —y en muchos casos, refrigeración líquida—. El resultado: en instalaciones que se llenan de GPU, el PUE se resiente, y la tendencia de mejora de una década se ha frenado o revertido justo cuando la demanda energética se dispara. Es el mismo fenómeno que, por el lado térmico, alimenta el efecto isla de calor de los centros de datos de IA.
La paradoja es cruel: la tecnología que más energía demanda es también la que más difícil pone gastarla con eficiencia.
Aquí es donde el PUE deja de ser un dato de ingeniería y pasa a ser un factor de decisión. Porque afecta a la comparación entre las tres formas habituales de tener cómputo.
| Opción | Quién controla el PUE | Qué implica |
|---|---|---|
| Servidor en oficina / sala propia | Tú, casi siempre mal | PUE alto (2,0+): salas no diseñadas para disipar calor. El cómputo más caro de operar |
| Housing en centro de datos | El centro de datos | PUE profesional (1,3-1,5): pagas por infraestructura eficiente sin construirla |
| Cloud privado en datacenter | El proveedor del datacenter | Igual que housing, con la gestión incluida: eficiencia + operación |
| Hiperescalar | El hiperescalar (muy bueno) | PUE excelente (1,1-1,2), pero con márgenes y coste variable encima |
La conclusión no es «el hiperescalar gana porque tiene mejor PUE». Es más matizada: un buen PUE es necesario pero no suficiente. El hiperescalar tiene el mejor PUE del mercado, sí, pero encima de ese coste energético eficiente añade su margen, la elasticidad que pagas uses o no, y el coste de las IPv4, el tráfico de salida y demás partidas. Un cloud privado en un buen centro de datos tiene un PUE profesional (peor que el mejor hiperescalar, mucho mejor que una sala propia) y evita esos márgenes y esa variabilidad.
Donde el PUE sí manda con claridad es en el extremo malo: tener servidores en una sala no diseñada para ello es la peor opción energética. Un armario en una oficina, refrigerado con aire acondicionado convencional, puede irse a PUE de 2,0 o más. Ese cómputo «propio y barato» es, en energía, el más caro que existe. Es una de las razones por las que el housing en un centro de datos profesional suele ganar al «me lo monto en casa» en cuanto la carga es seria.
El PUE tiene un punto ciego que conviene conocer: solo mide eficiencia energética, no de dónde viene esa energía ni cuánta agua se gasta. Un centro con PUE excelente alimentado con carbón y refrigerado con agua potable es «eficiente» según el PUE y un desastre según casi cualquier otra vara. Por eso el sector añade otras métricas:
Para quien decide infraestructura con criterios de nube soberana y responsabilidad ambiental, el PUE es el primer dato, pero no el único que pedir. «¿Cuál es su PUE?» es una buena pregunta. «¿Y su WUE, y su mix energético?» es una pregunta mejor.
¿Qué es un buen PUE? Por debajo de 1,3 es bueno; los mejores hiperescalares rondan 1,1-1,2. La media del sector está en torno a 1,5-1,6. Por encima de 1,8-2,0 hablamos de instalaciones antiguas, mal diseñadas o salas improvisadas. Cuanto más cerca de 1,0, menos energía se desperdicia en lo que no es cómputo.
¿Por qué me afecta el PUE si yo no gestiono el centro de datos? Porque lo pagas en el precio, aunque no aparezca desglosado. El coste de refrigerar y alimentar tu servidor está incluido en lo que te cobran por alojarlo o por alquilar cómputo. Un centro con peor PUE tiene un coste operativo estructural mayor que, de una forma u otra, acabas pagando tú.
¿Por qué la IA ha empeorado el PUE? Las GPU de IA concentran mucha más potencia y calor por rack que los servidores tradicionales. Refrigerar esa densidad exige sistemas más intensivos, a menudo refrigeración líquida. Eso ha frenado —o revertido en algunos sitios— una década de mejora del PUE, justo cuando la demanda energética se dispara.
¿Es mejor el hiperescalar por tener el mejor PUE? Tiene el mejor PUE, pero eso no cierra la comparación. Encima de ese coste eficiente añade su margen, la elasticidad que pagas uses o no y otras partidas. Un cloud privado en un buen centro de datos tiene PUE profesional y evita esos costes variables. El PUE es un factor, no el único.
¿El PUE mide la huella ambiental? Solo en parte. Mide eficiencia energética, no de dónde viene la energía ni cuánta agua se usa. Un centro con buen PUE puede tener mal impacto si su energía es sucia o gasta mucha agua. Para la huella completa hay que mirar también el WUE (agua) y el mix energético que lo alimenta.
¿Estás comparando dónde alojar tu infraestructura y quieres saber cuánto de tu factura se va en energía que no computa? Te ayudamos a poner cifras reales —PUE incluido— a la decisión entre cloud privado, housing e hiperescalar. Empieza por nuestra comparativa de cloud o hablemos de tu proyecto.
37signals ahorrará más de 10 millones de dólares saliendo de AWS, pero eso no significa que toda empresa deba montar su propia sala de servidores. Mientras el gasto en cloud crece un 35 % anual y la DRAM se dispara, la mayoría de las cargas repatriadas acaban en cloud privado, bare metal o colocación. Cómo decidir dónde va cada carga.
Durante años, «NAT es gratis» cerró cualquier debate sobre migrar a IPv6. La premisa ha cambiado: la escasez de IPv4 ha convertido en coste todo lo que antes era invisible. Direcciones con precio, equipos CGNAT, logging masivo y cumplimiento legal. La factura existe, solo que llega partida en demasiadas líneas.
Alquilar GPU en la nube es ideal para empezar; ruinoso para cargas sostenidas. Cuándo el bare-metal con GPU dedicada sale mucho más barato y rinde más, y dónde gana el hiperescalar.