Más eficiente no significa más sostenible
La inteligencia artificial se incorpora a las cadenas de suministro prometiendo menos residuos. El nuevo informe del MIT muestra que el balance climático depende de quién mide, de quién responde y de qué se mide realmente. Ya nadie se atreve a decir en voz alta que la sostenibilidad no importa. En el informe 2026 del MIT Sustainable Supply Chain Lab, séptima edición de una encuesta anual, el 83% de los profesionales consultados la considera importante o muy importante para el éxito a largo plazo, frente al 80% del año pasado.
Tras los recientes giros en la política climática estadounidense, el 59% declara un compromiso mayor y solo alrededor del 13% uno menor. Hasta aquí, una buena noticia. Luego el panorama se resquebraja: el 68% señala que la incertidumbre sobre los aranceles ha obligado a retrasar, reducir o comprometer sus estrategias, cerca de un tercio ha visto cómo las alteraciones comerciales incrementaban sus emisiones operativas (se cambian proveedores, se alargan las rutas) y el 84% considera que los conflictos armados reducen la eficacia de la acción climática. Sreedevi Rajagopalan, directora del laboratorio y autora principal, resume esta etapa en tres claves: compromiso sólido, medición en expansión e IA en aceleración. Y advierte que ahora llega lo difícil: transformar todo esto en responsabilidades precisas.
Antes de fiarnos de los números conviene saber de dónde proceden. Son 1.810 respuestas de 91 países, recogidas entre febrero y abril de 2026 mediante un muestreo dirigido y en bola de nieve, a través de asociaciones profesionales, redes del MIT, listas de socios y redes sociales. El 29% de los encuestados trabaja en funciones de sostenibilidad, precisamente donde el interés por el tema es máximo. No es una auditoría independiente de las empresas: captura percepciones y prácticas declaradas. Los financiadores son la fundación de C.H. Robinson, empresa de logística; Breakthrough, compañía del grupo US Venture; y CO2 AI con Dassault Systèmes, dos empresas tecnológicas, y cada una firma una cita en el texto. El propio informe declara haber sido elaborado con ayuda de la IA para procesar datos, calcular estadísticas, generar figuras y redactar borrador de textos, posteriormente validados por los autores. En una investigación sobre lo que la IA hace realmente, ese detalle debe quedar bien a la vista.
Quién responde de las emisiones
La segunda brecha, explica el informe, es interna. Entre las empresas con objetivos públicos, solo el 51% cuenta con un equipo formal interdisciplinar, el 37% tiene un equipo dedicado con escasa capacidad de influencia en el resto y el 12% confía todo a un solo departamento. En cuanto a la supervisión, el 33% la sitúa en el consejo de administración, el 52% en la dirección ejecutiva y el 15% carece de ella. Allí donde existe el grupo trasversal, el 57% afirma que la sostenibilidad entra a menudo o siempre en las decisiones cotidianas; donde la responsabilidad recae en un único departamento, el 13%. Cuarenta y cuatro puntos de diferencia que los autores interpretan como el retorno de la gobernanza. Permanece, no obstante, una asociación: las empresas más convencidas podrían ser precisamente las que crean el equipo, y el informe habla de vínculo, no de causalidad.
El mapa de decisiones resulta igualmente revelador. La sostenibilidad pesa sobre todo donde el trabajo es inmediato: transporte y logística (39%), compras (35%), almacenes (34%), diseño de productos y embalajes (33%). Se diluye donde se decide a años vista: inversiones, diseño de la red, planificación de riesgos. Las empresas aprenden a gestionar mejor las cadenas, pero no aún a diseñarlas mejor, y la diferencia es enorme: elegir un transportista cambia un trimestre, mientras que elegir dónde construir una planta condiciona las emisiones durante mucho tiempo. Los beneficios declarados confirman el tono: cumplimiento normativo (62%), eficiencia operativa (61,6%) y visibilidad de la cadena (60,7%) se imponen a la reducción de costes (51%). El argumento económico, en suma, se sostiene más por el control que por el ahorro.
¿Quién gana en este escenario? Quienes han construido estructuras capaces de sobrevivir a los cambios de estación política. Quienes pierden son los que prometieron sin equiparse, porque un compromiso gestionado solo a nivel operativo, señala el informe, es más fácil de abandonar en silencio cuando las condiciones se endurecen. Queda una pregunta incómoda: ¿la gobernanza genera seriedad, o la seriedad genera gobernanza?
Eficiencia local, emisiones globales
La inteligencia artificial entra en este escenario con cifras llamativas. El uso de IA industrial —aquella que predice, optimiza y ayuda a decidir— en iniciativas de sostenibilidad es declarado por el 78% de los encuestados en Norteamérica, el 77% en Europa y el 76% en Asia, excluida China. En el subgrupo chino lo declara el 100%, resultado que el informe atribuye a la composición de la muestra o al impulso gubernamental, no a una estimación poblacional. Entre los usuarios, el 87% habla de un efecto positivo, el 86% de menos residuos de materiales, el 81% de menor consumo de energía o combustible, mientras que el 63% la utiliza para estimar las emisiones faltantes de los proveedores. En cuanto a la propia huella de la IA, el 37% la adopta sin reservas, el 47% la usa ponderando sus costes ambientales y el 9% la evita o limita.
El informe, sin embargo, precisa la naturaleza de estos beneficios. Quienes perciben un efecto positivo lo atribuyen a la eficiencia operativa (57%), seguida de la reducción de emisiones (40%), la medición (40%) y, en último lugar, las decisiones estratégicas (27%). Solo el 25% la emplea para simular escenarios futuros. La IA, por tanto, mejora el trabajo que ya se hacía, pero no cambia aún qué trabajo se realiza.
Entonces llega la Figura 31, que da un vuelco al tono. Entre los usuarios maduros —aquellos con uso extendido o decisiones integradas y autónomas—, el 53% percibe una reducción de las emisiones totales de gases de efecto invernadero (17% intensa, 36% leve), el 15% ningún cambio y el 29% un aumento (21% leve, 8% intenso). Los autores aclaran que esto no significa que la IA cause los aumentos: significa que optimizar un proceso y mejorar el resultado neto son cosas distintas. Conviene repetirlo: son percepciones, y para este subgrupo el informe no indica el tamaño de la muestra.
La idea de que optimizar una parte no equivale a mejorar el conjunto tiene una ilustre genealogía narrativa. Ted Chiang, en un ensayo de 2017 sobre los temores ante las superinteligencias, imaginaba una IA encargada de recoger la mayor cantidad posible de fresas que, para lograrlo, convierte la Tierra en campos de fresas; su tesis es que ese monstruo se parece a las empresas que persiguen un único indicador sin mirar nada más. El informe del MIT no invoca monstruos, pero la advertencia es afín: un sistema que exprime una métrica puede empeorar otra si nadie le ha pedido que mire más allá. El mismo riesgo aparece en el análisis de la Agencia Internacional de la Energía, que para el transporte cita el efecto rebote: los vehículos autónomos, más eficientes, podrían restar viajeros al transporte público.
Almacenes, o Factorio en la vida real
El terreno de prueba más claro es el almacén, y para explicarlo sirve el ejemplo de Factorio, el videojuego en el que se construye una fábrica cada vez más vasta en un planeta ajeno. Cada máquina que trabaja emite contaminación, la nube atrae a los habitantes hostiles y, según la documentación oficial, la contaminación producida por las máquinas acelera la evolución de los enemigos. Automatizar más significa producir más, y hasta que no se vigila el medidor de contaminación, el éxito y el problema crecen de la mano.
Los datos —unas 368 respuestas de empresas con almacenes o red de distribución, en su mayoría grandes redes con múltiples sedes— parecen escritos por el diseñador del juego. El 40% de los almacenes opera a un nivel avanzado o totalmente automatizado, y entre los que usan la IA, el 71% le permite actuar, parcial o ampliamente, de forma autónoma. Se emplea principalmente para optimizar existencias (64% para la IA industrial, 56% para la IA de agentes capaz de ejecutar decisiones) y para gestionar la energía (52% y 45%), mientras que el seguimiento de emisiones en tiempo real cierra la lista (36% y 26%). Tras adoptar la IA, entre los almacenes con automatización moderada el 59% señala un mayor consumo de energía y el 54% más residuos; entre los avanzados o totalmente automatizados estas cifras suben al 78% y al 76%. Dentro de este segundo grupo, quienes gestionan hasta diez almacenes notifican aumentos en el 92% de los casos para ambas categorías, mientras que quienes gestionan más reportan un 65% y un 59%, con cerca de una cuarta parte que observa un descenso. El informe sintetiza: la escala parece atenuar el impacto.
El texto es honesto sobre las limitaciones. Los datos no permiten separar dos explicaciones: si la IA autónoma exige más a las máquinas durante más tiempo, o si los almacenes que le conceden más autonomía son ya los más grandes y de crecimiento más rápido, cuyos consumos y residuos habrían aumentado de todos modos. El efecto rebote, por tanto, es aquí una hipótesis, no un hecho probado.
El dato más revelador afecta a la visibilidad. El 88% de los almacenes afirma medir la sostenibilidad, pero solo el 24% utiliza un sistema con sensores o IA en tiempo real, el 49% se apoya en software parcialmente automatizado y otro 24% depende de hojas de cálculo e informes anuales. Atención: ese 24% se refiere a la totalidad de almacenes de la muestra, no solo a los más automatizados, a pesar de lo que los resúmenes de prensa puedan dar a entender. En consecuencia, los picos de consumo podrían aflorar con retrasos considerables. Quienes obtienen beneficios son los operadores que aumentan el rendimiento, ya que los encuestados citan la superficie y la robótica entre sus mayores retornos económicos; los operadores más pequeños parecen ser los más expuestos. Cuánto se debe a la IA y cuánto al crecimiento general es algo que aún se desconoce.
Camiones, proveedores y estimaciones
En el transporte la IA no es la protagonista, y el informe no aclara qué parte de la optimización utiliza realmente herramientas de IA. Entre unas 348 respuestas del sector, el 76% tiene la optimización de rutas plenamente implantada, mientras que la consolidación de cargas, los programas para conductores y los requisitos a los transportistas superan el 67%. Sin embargo, el 43% opera flotas entera o predominantemente diésel, solo el 19% ha superado la mitad de energía de bajas emisiones y apenas el 8% ha completado la transición. El informe lo resume así: la primera fase aprovechó mejor los recursos existentes; la segunda deberá reemplazar los propios recursos. La diferencia entre Europa y Norteamérica radica en el capital: los vehículos eléctricos de batería están plenamente implantados en el 60% de las empresas europeas frente al 36% en Norteamérica; los combustibles alternativos se sitúan en el 63% frente al 50%; y el 84% de las firmas europeas considera positivo el impacto de las políticas recientes, frente al 44% en Norteamérica. Al otro lado del Atlántico solo el 16% valora las políticas de forma negativa, mientras que el 40% no sabe o no percibe efectos: confusión más que resistencia. El hidrógeno está implantado en el 6% de los casos y descartado por el 8%. La IA puede reducir los kilómetros en vacío, pero no sustituye al combustible.
En el Alcance 3 —emisiones indirectas a lo largo de la cadena de valor, la parte más amplia y compleja de cualquier huella— el avance es más claro. La participación en programas conjuntos con proveedores aumentó del 31% al 58% en un solo año; los acuerdos sobre proveedores compartidos pasaron del 23% al 55%; las alianzas intersectoriales subieron del 28% al 47%; y quienes trabajan de forma totalmente aislada cayeron del 18% al 6%. En cuanto a herramientas, sin embargo, el informe advierte de que las preguntas de 2025 y 2026 emplearon métricas distintas y no deben interpretarse como crecimiento: hoy cerca del 75% utiliza habitualmente hojas de cálculo y una proporción similar software dedicado; las hojas de cálculo siguen estando muy presentes.
Aquí la IA desempeña su función más delicada. El 63% la utiliza para estimar emisiones ausentes de los proveedores. Quienes usan la IA para rastrear emisiones expresan una elevada confianza en la precisión de sus cálculos de Alcance 3 en el 50,5% de los casos, frente al 15,3% de quienes no la emplean; el informe no establece causalidad. Confianza, no obstante, no equivale a precisión, y una estimación basada en promedios sectoriales puede servir para fijar prioridades sin demostrar reducciones reales. Este es un comentario nuestro, no una conclusión del informe. Las cifras sobre ahorro derivado de la IA aplicada en el texto proceden de la consejera delegada de CO2 AI citando estimaciones de BCG y McKinsey: son aportaciones de patrocinadores y consultoras, no datos de la encuesta. Los ganadores son quienes obtienen un panorama más completo para dirigir sus intervenciones. Permanecen las preguntas: ¿quién verifica estas estimaciones y quién responde si son erróneas?
La factura energética
Ninguna evaluación de la IA en las cadenas de suministro puede ignorar la propia huella de la IA, que el informe del MIT mide únicamente como actitud, no como contabilidad de carbono. Para obtener cifras hay que acudir al informe de la Agencia Internacional de la Energía de abril de 2025: en 2024 los centros de datos consumieron unos 415 teravatios-hora (el 1,5% de la electricidad mundial), con una previsión de alcanzar los 945 TWh en 2030 en los escenarios base. Las emisiones asociadas a su consumo eléctrico pasarían de 180 a 300 millones de toneladas para 2035 (hasta 500 Mt en los escenarios más intensos), manteniéndose por debajo del 1,5% del total del sector energético pero figurando entre las categorías de más rápido crecimiento. En sentido contrario, la aplicación a gran escala de las soluciones de IA existentes podría evitar emisiones equivalentes al 5% del total del sector energético en 2035: más que el consumo de los centros de datos, pero muy por debajo de las necesidades globales. La doble conclusión de la AIE: las alarmas climáticas catastróficas sobre la IA parecen exageradas, pero también lo son las expectativas de que la IA resuelva por sí sola la crisis climática.
Una réplica crítica surge en otro ámbito. El analista Ketan Joshi, en un informe encargado por una coalición de organizaciones ecologistas, examinó 154 declaraciones públicas de empresas sobre los beneficios climáticos de la IA y halló que el 74% no estaba demostrado; solo el 26% remitía a investigaciones académicas y el 36% no aportaba evidencia alguna. Su objeción más sólida es que la mayoría de los logros proclamados corresponden a la IA tradicional, mucho menos intensiva en energía, mientras que los impactos de la IA generativa se difuminan bajo etiquetas genéricas que lo engloban todo. Entre las fuentes analizadas figura la propia AIE, siendo relevante señalar el carácter activista de la coalición promotora. El informe completo es público.
El informe del MIT no distingue la IA generativa: habla de IA industrial y de agentes, centrada en la toma de decisiones en producción, compras y almacenes. La comparación es por tanto asimétrica: Joshi se enfoca en la IA orientada al consumidor, mientras que los datos de los almacenes describen operaciones industriales. Esto ni desmiente ni confirma su tesis, pero demuestra que "IA" es una etiqueta demasiado amplia para un balance riguroso. La AIE añade una limitación real crucial: las redes eléctricas están saturadas y cerca del 20% de los proyectos de centros de datos afronta posibles retrasos, por lo que los impactos energéticos son locales antes de ser globales.
Medir antes de automatizar
¿Qué debería hacer una empresa? El informe no prescribe una receta detallada, pero sus hallazgos sugieren un camino. Comenzar por la estructura: un equipo interdisciplinar con capacidad ejecutiva y no solo consultiva, junto a una supervisión en el consejo de administración vinculada a objetivos, presupuestos y gestión de riesgos. Ampliar el foco más allá del transporte y las compras hacia las inversiones de capital y el diseño de la red, donde la huella queda fijada durante años. Establecer reglas para la IA: definir métricas con carácter previo (energía, emisiones directas e indirectas, residuos, proveedores), combinar la automatización con un seguimiento continuo —especialmente en almacenes— y tratar las estimaciones como hipótesis a verificar con datos primarios. Por último, controlar las emisiones netas junto a los indicadores de eficiencia, ya que es ahí donde los datos de la encuesta divergen. Todo esto requiere inversión, y las grandes redes parecen mejor preparadas: cabe preguntarse si la sostenibilidad de la IA se convertirá en un privilegio de escala.
Persisten las objeciones. La IA es joven —cierto, pero su adopción es ya amplia. Los datos son autodeclarados —correcto, motivo por el cual los tratamos como señales de tendencia y no como pruebas. ¿Es la falta de datos el problema real antes que la IA? En parte sí, pero una IA sin gobernanza corre el riesgo de generar estimaciones no verificadas. ¿Es la energía de los centros de datos un tema independiente? No si se evalúa la sostenibilidad de forma holística. ¿Es la creciente colaboración con proveedores una buena señal? Sí, pero no debe confundirse con una descarbonización verificada.
La tesis central se resume en pocas líneas. La IA actúa como un amplificador: amplifica la eficiencia allí donde los procesos están bien diseñados, y amplifica la opacidad, el consumo de energía y las emisiones donde faltan gobernanza, datos y responsabilidad. El informe del MIT no sostiene que la IA sea incompatible con la sostenibilidad. Señala algo mucho más interesante: que una cadena de suministro puede volverse más eficiente sin volverse más sostenible. La diferencia no la marca el modelo, sino quién decide qué medir, quién responde de los resultados y qué peajes acepta pagar.
Nota técnica: Salvo indicación contraria, las cifras proceden del informe del MIT (septiembre de 2026, versión 1) y de la nota de prensa del MIT fechada el 15 de octubre de 2026. Reflejan percepciones autodeclaradas de una muestra no probabilística, y el tamaño de la muestra para subgrupos (usuarios maduros de IA, almacenes, flotas) no siempre se detalla. Las interpretaciones causales y los comentarios sobre la confianza en las estimaciones corresponden a nuestro análisis.