Transparencia · Actualizado a diario
La IA y nuestra huella ambiental
Kindora usa modelos de IA para ayudar a las organizaciones sin fines de lucro a encontrar y ganar financiamiento. Esos modelos funcionan en centros de datos que consumen electricidad y agua, y la expansión de esa infraestructura recae con más fuerza sobre algunas comunidades de primera línea. Esta página es nuestro intento de estimar nuestra parte en las fuentes donde contamos con datos utilizables, y de decir con claridad lo que todavía no podemos medir.
Primero, lo que realmente contamos
MedidoAnthropic y OpenAI informan cada uno cuántos tokens (unidades de texto) procesó nuestra cuenta, por modelo. Estos son conteos, no estimaciones: los 90 días desde el 17 de julio de 2026 hasta el 14 de octubre de 2026.
Nuestro hosting de Azure se gestiona por separado y no se cuenta aquí. La herramienta de carbono de Microsoft asigna una cifra de emisiones a nuestra suscripción de producción (13 meses de ella), pero esa asignación es una estimación propia de Microsoft y no una medición, por lo que corresponde a las cifras estimadas más abajo.
A cuánto equivale eso
EstimadoConvertir esos conteos en emisiones es donde surge la incertidumbre. Cubrimos las fuentes que pudimos incluir: nuestro uso de modelos de IA y nuestro hosting de Azure.
Nuestros proveedores no publican cuánta electricidad usan realmente nuestras solicitudes, así que aplicamos supuestos de energía que elegimos y un rango de intensidades de la red eléctrica de EE. UU. Según cuál de esos supuestos esté más cerca de la realidad, el mismo uso equivale a entre 0,6 y 12 toneladas.
En todo el rango, desde cerca de 0,2 hasta cerca de 2,7 hogares. El divisor es 10.380 kilovatios-hora, la electricidad que un cliente residencial promedio de EE. UU. compró de la red en un año, según la Administración de Información de Energía de EE. UU. Esta tarjeta cubre solo nuestra electricidad de IA: Microsoft informa nuestra parte de Azure como emisiones en lugar de kilovatios-hora, por lo que no hay cifra de Azure para incluir aquí.
En todo el rango, desde cerca de 0,13 hasta cerca de 2,5 autos. El divisor es 4,6 toneladas de CO₂ del tubo de escape al año para un vehículo de pasajeros a gasolina típico de EE. UU., según la Agencia de Protección Ambiental de EE. UU. A diferencia de la tarjeta de electricidad, esta usa nuestro total, por lo que incluye el hosting de Azure siempre que la asignación de Microsoft esté disponible.
Ambas comparaciones son solo para dar una idea de escala, y las dos no tienen el mismo alcance: una es nuestra electricidad de IA, la otra nuestras emisiones totales. Un hogar y un auto también emiten en lugares distintos, con redes eléctricas distintas, quemando combustibles distintos. Tómalas como una idea aproximada del tamaño, no como un intercambio equivalente.
- Estos son escenarios construidos sobre supuestos que elegimos, no un resultado medido ni un rango estadístico.
- Son tasas anualizadas, no emisiones de un único año de reporte. Las cifras de IA proyectan nuestro uso desde el 17 de julio de 2026 hasta el 14 de octubre de 2026. La cifra de Azure usa la asignación de Microsoft para 13 de los 13 meses de nuestro período de referencia, proyectada a un año.
- Esta no es una huella completa; consulta “Lo que no está incluido” más abajo.
Estas cifras varían según cuánto usamos la IA, qué modelos usamos, las correcciones de los proveedores a datos anteriores y los cambios en nuestro método. Una cifra menor no es evidencia de que hayamos reducido emisiones.
El período de uso termina el 14 de octubre de 2026.
Mes a mes
Electricidad estimada para cada mes completo del que tenemos datos, bajo los supuestos medios. Todos los meses se calculan con la versión de método 2026-09-11.1. Una barra varía según cuánto texto enviamos ese mes y cuánto escribieron de vuelta los modelos, la mezcla de modelos detrás de ella y cuánta de la entrada provino de la caché. En nuestros supuestos, la salida cuenta más por token que la entrada, así que dos meses con el mismo total pueden quedar en puntos distintos. Un mes más bajo no es evidencia de que algo en la forma en que operamos se haya vuelto más limpio.
Cómo pasamos de tokens a toneladas
- 1Tomamos los conteos de tokens que informan nuestros proveedores, por modelo, para los 90 días desde el 17 de julio de 2026 hasta el 14 de octubre de 2026, y los proyectamos a un año. El período termina dos días antes de cada actualización porque los datos más recientes del proveedor aún pueden cambiar. Nuestro propio desarrollo y pruebas también están incluidos ahí: alrededor del 19% de la electricidad de IA modelada en el escenario medio.
- 2Multiplicamos esos tokens por un supuesto de energía por token. La investigación publicada lo orienta, pero ningún estudio da estas cifras exactas, y las empresas de IA que usamos no las publican. Los supuestos están pensados para incluir la sobrecarga del centro de datos, así que no agregamos un factor de sobrecarga por separado.
- 3Convertimos la electricidad en emisiones usando intensidades de carbono ilustrativas de los datos eGRID2023 de la EPA, y luego sumamos la propia cifra de Microsoft para nuestro hosting de Azure. No sabemos qué centros de datos atendieron realmente nuestras solicitudes, así que las cifras de la red son ilustrativas y no localizadas.
Nuestro modelo trata la energía como proporcional a la cantidad de tokens, pero las entradas muy largas pueden usar una energía desproporcionadamente mayor. Cuando desarrollamos este método en septiembre de 2026, nuestro asistente de IA promediaba unos 57.000 tokens de entrada por solicitud, y no hemos analizado cómo se distribuyen las longitudes de las solicitudes. Nuestro modelo no captura este efecto por completo, así que el uso de energía real podría ser mayor que los tres escenarios.
Para el hosting de Azure usamos la estimación que la herramienta de carbono de Microsoft asigna a nuestra suscripción de producción, según el método propio de Microsoft. En nuestra revisión de septiembre de 2026, otras dos suscripciones de Azure no devolvieron un informe utilizable; quedan excluidas de esta estimación.
Versión de método 2026-09-11.1.
| Nuestra categoría de modelo | Escenario bajo | Escenario medio | Escenario alto |
|---|---|---|---|
| Modelos que clasificamos como más pequeños | 0,01 / 0,1 | 0,05 / 0,3 | 0,15 / 1 |
| Modelos que clasificamos como más grandes | 0,05 / 0,3 | 0,2 / 1 | 0,4 / 3 |
Las categorías son nuestras. Los proveedores no publican los tamaños de todos los modelos que usamos.
La entrada reutilizada (en caché) se cuenta como 10%, 25% y 100% de un token de entrada normal en los escenarios bajo, medio y alto.
| Escenario bajo | 0,27 | EPA eGRID2023 SRVC (Virginia/Carolinas), 596.3 lb/MWh |
| Escenario medio | 0,35 | EPA eGRID2023 US average, 770.9 lb/MWh |
| Escenario alto | 0,41 | EPA eGRID2023 SRTV (Tennessee Valley), 903.3 lb/MWh |
Investigaciones que orientaron nuestros supuestos
- Epoch AI (2025-02): GPT-4o ~0.3 Wh per 500 output tokens; ~2.5 Wh at 10k input; ~40 Wh at 100k input
- Google (2025-08): 0.24 Wh per median Gemini text prompt
- Jegham et al. v6 (2025-11): Claude 3.7 Sonnet 0.95-5.67 Wh per prompt, PUE-inclusive
Cómo usamos la IA actualmente (no es una reducción declarada)
La mayor parte de nuestro trabajo va a modelos pequeños y ligeros, en lugar de los grandes. Los elegimos porque son más económicos y rápidos. No podemos decirte qué efecto tiene eso en nuestras emisiones, por la razón que explicamos abajo.
Usamos modelos más pequeños para tareas rutinarias como clasificar y puntuar oportunidades de subvención, y reservamos los más grandes para tareas que los requieren. La salida es la mitad más intensiva en energía en todas las estimaciones que conocemos.
La entrada en caché es texto que nuestros proveedores ya habían procesado para nosotros, así que reutilizaron ese trabajo anterior en lugar de procesarlo desde cero. Aun así, enviamos el texto. Nuestro escenario medio cuenta un token en caché a un cuarto de uno nuevo; nuestro escenario alto no le da ningún descuento.
Calculado enteramente con los factores de nuestro modelo más grande, los mismos tokens darían esta cifra. Esto es aritmética dentro de los supuestos de la tabla anterior, no una medición, y no afirmamos que nuestras emisiones hayan bajado por esto. Suponemos que un modelo más pequeño consume aproximadamente entre un cuarto y un tercio de la energía de uno más grande por token, porque esa es la dirección que señala la investigación publicada. Nuestros proveedores no publican energía por modelo, así que nadie fuera de esas empresas puede verificar el supuesto, nosotros incluidos. Si está equivocado, esta diferencia se estrecha o desaparece. Solo uso de IA.
No hemos medido si la forma en que distribuimos el trabajo entre modelos cambia nuestras emisiones, y no hemos fijado una meta cuantificada de reducción. Los datos que resolverían esto no están publicados.
Nosotros mismos no entrenamos modelos. Sí dependemos de modelos que otros entrenaron, y no podemos asignarnos una parte de eso: los proveedores no revelan suficiente información para asignar una, así que el entrenamiento queda excluido de estas cifras en lugar de contarse como cero.
Es muy probable que las cifras de esta página aumenten a medida que Kindora crezca.
Lo que no está incluido
- Las emisiones del entrenamiento de los modelos de IA y de la construcción de los centros de datos y chips. Los proveedores no revelan suficiente información para asignarnos una parte. Nosotros mismos no entrenamos modelos, pero dependemos de modelos que otros entrenaron.
- Servicios más pequeños de IA y búsqueda web que usamos, incluidos embeddings, Perplexity, la reclasificación de Cohere, Firecrawl, Tavily y Apify.
- Nuestro otro hosting: AWS, Vercel, Supabase y Redis Cloud. En nuestra revisión de septiembre de 2026, otras dos suscripciones de Azure tampoco devolvieron un informe utilizable. No hemos obtenido cifras de emisiones a nivel de cuenta utilizables para estos, y no contamos con un sustituto defendible.
- Suscripciones a asistentes de codificación con IA que usamos para construir Kindora.
- Nuestras laptops, oficinas en casa y viajes.
- El agua. No podemos estimar nuestro uso de agua de forma confiable, porque no sabemos qué instalaciones atienden nuestras solicitudes ni cuánta agua usan.
Lo que no podemos ver
No elegimos, y actualmente no podemos confirmar, qué centros de datos atienden nuestras solicitudes.
En mayo de 2026, TechCrunch informó que Anthropic, uno de nuestros proveedores de IA, había contratado toda la producción del centro de datos Colossus 1 de xAI cerca de Memphis. El informe no indica si esa capacidad atiende a clientes de API como nosotros. Las turbinas de gas que xAI usó para alimentar Colossus 1 se ubicaron en Boxtown, donde residentes y grupos de justicia ambiental se han opuesto a ellas. No sabemos si alguna de nuestras solicitudes se atiende allí.
Lo que no afirmamos
No describimos a Kindora como carbono neutral, cero neto ni positiva para el clima, y no compramos compensaciones para respaldar tal afirmación.
Estimaciones y limitaciones
- Estas cifras son estimaciones del propio modelo de Kindora. No son un inventario medido de gases de efecto invernadero, y ningún tercero las ha revisado ni verificado.
- Se basan en supuestos que elegimos y describimos arriba. Las emisiones reales podrían ser mayores o menores, incluso fuera de los escenarios mostrados.
- Las cifras se actualizan automáticamente a partir de los datos de uso que informan Anthropic y OpenAI y, cuando está disponible, la asignación de carbono de Azure de Microsoft. Pueden cambiar cuando los proveedores corrigen esos datos o cuando revisamos nuestro método; cada actualización registra la versión del método.
- Las cifras cubren únicamente las fuentes indicadas arriba. No dicen nada sobre los atributos ambientales de ningún producto o plan de Kindora.
Preguntas o correcciones: support@kindora.co