La inteligencia artificial tiene un problema que ya no se puede esconder detr\u00e1s de palabras t\u00e9cnicas. Cada vez hace m\u00e1s cosas, pero tambi\u00e9n necesita m\u00e1s electricidad. Y eso, en plena transici\u00f3n energ\u00e9tica, importa mucho.<\/p>\n\n\n\n
Ahora una startup de Miami llamada Subquadratic<\/a> asegura haber encontrado una salida parcial a ese atasco. Su modelo, llamado SubQ, promete leer enormes cantidades de texto con mucha menos computaci\u00f3n que los sistemas actuales. La idea suena potente, casi demasiado. Por eso la clave no est\u00e1 solo en el anuncio, sino en las pruebas.<\/p>\n\n\n\n La Agencia Internacional de la Energ\u00eda ya ha puesto cifras al problema. Los centros de datos<\/a> consumieron alrededor del 1,5 % de la electricidad mundial en 2024, unos 415 TWh, y podr\u00edan superar los 945 TWh en 2030. Eso es m\u00e1s o menos lo que consume hoy Jap\u00f3n en un a\u00f1o. No es poca cosa.<\/p>\n\n\n\n Adem\u00e1s, la propia AIE avis\u00f3 en abril de 2026 de que el consumo el\u00e9ctrico de los centros de datos subi\u00f3 un 17 % en 2025, mientras que el de los centros centrados en IA creci\u00f3 todav\u00eda m\u00e1s r\u00e1pido. La paradoja es clara, cada tarea de IA puede ser m\u00e1s eficiente, pero si cada vez usamos m\u00e1s IA, la demanda total sigue creciendo.<\/p>\n\n\n\n Subquadratic afirma que SubQ est\u00e1 construido para trabajar con contextos de millones de tokens. En lenguaje sencillo, esto significa que el modelo puede leer y relacionar much\u00edsima m\u00e1s informaci\u00f3n de una vez, como contratos largos, repositorios de c\u00f3digo completos o grandes colecciones de documentos.<\/p>\n\n\n\n La empresa present\u00f3 SubQ 1.1 Small el 16 de junio de 2026 y asegura que su tecnolog\u00eda usa 64,5 veces menos computaci\u00f3n que la atenci\u00f3n densa en una ventana de un mill\u00f3n de tokens. Tambi\u00e9n afirma que funciona 56 veces m\u00e1s r\u00e1pido que FlashAttention-2 en ese mismo tama\u00f1o de contexto.<\/p>\n\n\n\n Los modelos actuales se apoyan en una arquitectura llamada Transformer<\/a>, presentada en 2017 en el trabajo cient\u00edfico \u201cAttention Is All You Need\u201d. Ese avance abri\u00f3 la puerta a buena parte de la IA moderna, pero trajo una mochila pesada.<\/p>\n\n\n\n El problema est\u00e1 en la llamada atenci\u00f3n densa. El modelo compara cada fragmento de texto con todos los dem\u00e1s para entender relaciones. Si el texto se duplica, el trabajo no se duplica, se multiplica mucho m\u00e1s. En la pr\u00e1ctica, eso implica m\u00e1s chips<\/a> trabajando, m\u00e1s calor, m\u00e1s refrigeraci\u00f3n y m\u00e1s presi\u00f3n sobre la factura de la luz.<\/p>\n\n\n\n SubQ intenta cambiar esa l\u00f3gica. En vez de mirar todas las relaciones posibles, usa una atenci\u00f3n dispersa que selecciona las partes relevantes seg\u00fan el contenido. Es como leer un informe buscando lo importante, no repasando cada palabra contra todas las dem\u00e1s.<\/p>\n\n\n\n Appen, una empresa dedicada a evaluaci\u00f3n de modelos, ha publicado pruebas sobre SubQ 1.1 Small. Seg\u00fan su informe, el modelo logr\u00f3 un 100 % de recuperaci\u00f3n exacta en pruebas de \u201caguja en un pajar\u201d con ventanas de 1 y 2 millones de tokens, y mantuvo un 98 % en 6 y 12 millones de tokens.<\/p>\n\n\n\n En programaci\u00f3n, Appen evalu\u00f3 1055 problemas de LiveCodeBench con cuatro respuestas por problema. El modelo subq-2m-preview-small alcanz\u00f3 un 89,7 % en pass@4, una puntuaci\u00f3n que lo coloca cerca de los modelos punteros en ese tipo de prueba.<\/p>\n\n\n\n Tambi\u00e9n hay una cifra llamativa de velocidad. En la evaluaci\u00f3n de Appen, la tecnolog\u00eda SSA complet\u00f3 una pasada de atenci\u00f3n con un mill\u00f3n de tokens en 381 milisegundos, frente a 21,4 segundos para FlashAttention-2 en el mismo escenario. Aun as\u00ed, conviene leerlo bien, porque una prueba de laboratorio no siempre equivale a un uso real diario.<\/p>\n\n\n\n Aqu\u00ed viene el matiz importante. SubQ no est\u00e1 todav\u00eda disponible de forma amplia para que cualquiera pueda probarlo sin restricciones. La propia compa\u00f1\u00eda habla de acceso temprano y de despliegue con socios seleccionados, as\u00ed que todav\u00eda falta el examen m\u00e1s duro, el de miles de usuarios externos prob\u00e1ndolo en tareas reales.<\/p>\n\n\n\n Adem\u00e1s, Subquadratic reconoce que no entren\u00f3 el modelo desde cero. Parti\u00f3 de un modelo de pesos abiertos y sustituy\u00f3 la atenci\u00f3n densa por su sistema SSA. Esto no invalida el resultado, pero s\u00ed obliga a separar dos cosas, la mejora arquitect\u00f3nica real y las capacidades que el modelo base ya ten\u00eda.<\/p>\n\n\n\n Tambi\u00e9n hay un detalle t\u00e9cnico relevante. En su informe, la empresa explica que el mecanismo concreto con el que SSA cumple sus requisitos queda fuera del alcance del documento. Dicho de otra forma, hay datos prometedores, pero no toda la receta est\u00e1 sobre la mesa.<\/p>\n\n\n\n Si las cifras se confirman, el impacto ambiental podr\u00eda ser importante. Menos computaci\u00f3n por tarea suele significar menos electricidad<\/a> necesaria para hacer lo mismo. Y en IA, donde millones de consultas se repiten cada d\u00eda, una mejora de eficiencia puede notarse mucho.<\/p>\n\n\n\n Pero no hay que venderlo como una soluci\u00f3n m\u00e1gica al CO2. Si la IA se abarata mucho, tambi\u00e9n puede usarse mucho m\u00e1s. Ese efecto rebote ya lo conocen bien los expertos en energ\u00eda, cuando algo cuesta menos, se consume m\u00e1s. Y ah\u00ed es donde la tecnolog\u00eda se cruza con las pol\u00edticas p\u00fablicas, las renovables y la planificaci\u00f3n de redes.<\/p>\n\n\n\n La AIE lo resume con una idea sencilla. La IA puede ayudar a optimizar sistemas energ\u00e9ticos, redes y procesos industriales, pero no elimina por s\u00ed sola la necesidad de decisiones clim\u00e1ticas serias. Es una herramienta, no una excusa para consumir sin l\u00edmite.<\/p>\n\n\n\n Lo importante en los pr\u00f3ximos meses ser\u00e1 comprobar si SubQ mantiene esos resultados fuera de las pruebas controladas. Har\u00e1n falta evaluaciones abiertas, comparaciones reproducibles y datos claros sobre coste, energ\u00eda real consumida y rendimiento en empresas.<\/p>\n\n\n\n Tambi\u00e9n habr\u00e1 que ver de d\u00f3nde sale la electricidad que alimenta estos avances. Una IA m\u00e1s eficiente ayuda, pero si los centros de datos crecen conectados a gas o a redes<\/a> saturadas, el balance ambiental puede perder brillo muy r\u00e1pido. Y eso se nota.<\/p>\n\n\n\n En cualquier caso, SubQ apunta a una direcci\u00f3n interesante. No se trata solo de hacer modelos m\u00e1s grandes, sino de hacerlos menos derrochadores. <\/p>\n\n\n\n El informe t\u00e9cnico de SubQ 1.1 Small ha sido publicado por Subquadratic<\/a><\/em>.<\/p>\n","protected":false},"excerpt":{"rendered":" La inteligencia artificial tiene un problema que ya no se puede esconder detr\u00e1s de palabras t\u00e9cnicas. Cada vez hace m\u00e1s … <\/p>\nEl coste oculto de la IA<\/h2>\n\n\n\n
Qu\u00e9 promete SubQ<\/h2>\n\n\n\n
Por qu\u00e9 esto importa<\/h2>\n\n\n\n
Las pruebas publicadas<\/h2>\n\n\n\n
La parte que exige cautela<\/h2>\n\n\n\n
Menos energ\u00eda no siempre significa menos CO2<\/h2>\n\n\n\n
Qu\u00e9 mirar ahora<\/h2>\n\n\n\n