Wattprint
¿Cuánto carbono, energía y agua consume tu IA? Wattprint lo calcula en un minuto para un entrenamiento, un ajuste fino o un servicio de inferencia, también por petición. Sin registro y sin enviar datos a ningún servidor: todo se calcula en tu navegador. En español e inglés.
Pruébala: https://wattprint-kappa.vercel.app/ · English version
Vista Comparar (modo oscuro): un ajuste fino con 4 A100 durante 12 horas en España. Los puntos verdes mejoran a la vez su CO₂ y su agua ponderada por escasez.
Qué hace
- Eliges el tipo de carga, la GPU, cuántas unidades y cuántas horas, la región y el tipo de centro de datos. Si ya has medido el consumo (CodeCarbon, nvidia-smi, DCGM), puedes meter los kWh medidos en vez de estimarlos.
- Por defecto estima de forma prudente (GPU al 100 % de su TDP más el resto del servidor) y puedes ajustar la utilización. Te da los kg de CO₂e, los kWh y los litros de agua, con un desglose visual de dónde sale cada cifra:
- carbono de la electricidad y de la fabricación del hardware;
- energía de los servidores y consumo extra del centro de datos (PUE);
- agua de refrigeración y agua usada para generar la electricidad.
- El tipo de tarea decide la unidad del resultado: entrenamiento y fine-tuning dan el total de la ejecución (con el texto para la Ley de IA); al servir un modelo con peticiones, las cifras, el mapa y el ranking pasan a ser por cada 1.000 peticiones (la unidad funcional R de SCI), con el total y el año debajo; las pruebas dan el total de la sesión y el acumulado del año. El tipo no cambia los kWh: lo que distingue entrenar de servir es el uso medio de la GPU, que está a la vista y se ajusta (no hay un porcentaje general publicado para servir que se pueda usar por defecto).
- Todo cabe en una pantalla: a la izquierda la tarea, en el centro las tres cifras y un mapa con la misma tarea en cada red eléctrica (CO₂e, agua o energía, con detalle al pasar el cursor y clic para elegir la región), un ranking y la vista Comparar: un gráfico de CO₂ frente a agua (en litros o ponderada por escasez) que marca qué lugares mejoran tus dos cifras a la vez y cuáles no mejora ningún otro, y a la derecha las formas de reducirla (región más limpia, gran nube, horas de red más limpia, optimización propia) con su efecto en las tres cifras, incluidos los efectos contrarios: pasar a una red con mucha hidráulica baja el carbono pero sube el agua. El mapa cubre unos 200 países: el carbono de todos sale de Ember y el agua de la central solo se colorea donde el WRI tiene dato propio. La metodología incluye la lista completa de referencias y, para cada región, la fuente de cada dato. Tiene modo claro y oscuro, y una guía de cinco pasos la primera vez. No todos los países tienen centros de las grandes nubes: los 38 países y territorios con regiones de AWS, Google Cloud o Azure (según sus listas oficiales; EE. UU. cuenta como uno) se ven a todo color, y el resto aparecen atenuados, como referencia de su red si tu centro de datos propio o local está allí; el ranking y la recomendación solo usan los primeros. Con una gran nube la energía es la misma en cualquier país; con un centro medio cambia según el PUE medio de cada región del mundo, y su pestaña tiene mapa y ranking. Un paso a paso explica de dónde sale cada cifra.
- Exporta un informe en PDF (con las hipótesis y las fuentes, pensado para pasárselo a dirección o al área de sostenibilidad), los datos en CSV, una tarjeta para redes y un enlace con el resultado.
Cómo calcula
Marco: basada en la especificación Software Carbon Intensity (SCI) de la Green Software Foundation, publicada como ISO/IEC 21031:2024: SCI = ((E × I) + M) por R. SCI define I como intensidad marginal; aquí se usa la media anual de la red. El agua se calcula aparte.
| Magnitud | Fórmula | Fuente de los datos |
|---|
| Energía (E) | kWh = TDP × unidades × horas × (utilización + 0,41) ÷ 1000 × PUE, o kWh medidos × PUE | Método de Green Algorithms (Lannelongue et al., 2021): utilización por defecto 100 % del TDP, ajustable (Patel et al., ASPLOS 2024: en inferencia la media es menor). Resto del servidor: 0,41 × TDP como consumo fijo (el nodo completo consumió 1,41 veces el TDP de sus GPU), medido en un nodo de 8 H100 SXM (Latif et al., IEEE Access 2025). TDP de NVIDIA. PUE: grandes nubes 1,13 (Google 1,09 y Microsoft 1,17, 2025) en cualquier país; centro medio o propio, la media de su región del mundo según Uptime Institute, Global Data Center Survey 2025: regional view (UII Data Report 183): China 1,40; Norteamérica 1,49; Europa 1,50; Asia-Pacífico sin China 1,52; Latinoamérica 1,65; Oriente Medio y África 1,68; media mundial 1,54 para los países sin región clara |
| Carbono (I) | kg CO₂e = kWh × intensidad de la red ÷ 1000 | Intensidad de ciclo de vida por país de Ember (CC BY 4.0), vía Our World in Data; estados de EE. UU. de Ember US Electricity Data. Método location-based |
| Fabricación (M) | ≈460 kg CO₂e por acelerador ÷ vida útil (4–6 años) | 150 kg de la GPU + parte de un servidor de 2.500 kg con 8 GPU (Luccioni et al., JMLR 2023); la parte de la GPU es coherente con el PCF de NVIDIA HGX H100 (164 kg por GPU) y el total queda en la zona baja de (TPU de Google) |
Opciones para reducirla: carbon-aware scheduling con la referencia de Dodge et al., FAccT 2022 (medias de 16 regiones de Azure con intensidad marginal de 2020: −26,4 % hasta 1 h y −14,5 % hasta 6 h retrasando el inicio; −11 % en cargas más largas pausando y reanudando), que el usuario puede sustituir por su propio dato. Para otras optimizaciones (auto-scaling, cuantización) no hay un porcentaje general fiable, así que el usuario introduce su ahorro. Todos los supuestos de cada cálculo se muestran en los resultados y en el informe.
Equivalencias: coche de gasolina en la UE en uso real, 166 g CO₂/km (JRC, 2025); carga de móvil, 0,019 kWh (EPA); agua que usa en casa una persona en España, 128 L al día (INE, 2022). Para entrenamientos, genera un texto de partida para la documentación técnica que la Ley de IA exige a los proveedores de modelos de propósito general (anexo XI, consumo energético conocido o estimado).
Límites y referencias. No existe ninguna norma que limite la huella de una carga de IA. Por eso la herramienta no da notas: compara la misma tarea entre regiones. Como referencia legal real se muestra el PUE frente a la ley de eficiencia energética de Alemania (EnEfG § 11, centros de 300 kW o más: ≤ 1,5 desde 2027 y ≤ 1,3 desde 2030 para los existentes, ≤ 1,2 para los nuevos; una reforma en tramitación subiría los dos primeros a 1,6 y 1,4). La Comisión Europea adoptó el 21 de septiembre de 2026 una calificación A–G para centros de más de 500 kW, basada en PUE y WUE, con las primeras etiquetas previstas para 2027.
Son estimaciones de orden de magnitud, no una medición certificada. La metodología completa y la tabla de factores por región están dentro de la herramienta, en «Metodología».
Datos siempre al día
La intensidad de carbono se actualiza sola. Los datos de Ember son anuales; una GitHub Action (update-data.yml) ejecuta scripts/update-data.mjs el día 2 de cada mes: descarga los últimos datos de Ember, comprueba que los valores son plausibles, actualiza index.html y guarda el cambio con la fecha. Si una fuente falla, se conservan los valores anteriores. También se puede lanzar a mano desde la pestaña Actions.
Los factores de agua de la electricidad (WRI, 2020) y los valores de PUE y WUE no tienen una publicación periódica en formato abierto; se revisan a mano cuando sale una edición nueva.
Cómo usarla en local
Es un único archivo HTML sin dependencias ni proceso de compilación:
git clone https://github.com/KairlosGG/wattprint.git
cd wattprint
python3 -m http.server 8000 # o abre index.html directamente
Los datos (regiones, PUE, WUE, factores de agua, equivalencias) están en el objeto DATA de index.html, en un solo sitio, para que sea fácil revisarlos o actualizarlos. Los textos en los dos idiomas están en I18N.
Auditoría automática
tests/audit.py comprueba la herramienta de punta a punta:
- Datos: el carbono de cada una de las 216 regiones frente a OWID/Ember; el agua frente a los apéndices 1 y 2 y la tabla 4 del WRI; las regiones de AWS, Google Cloud y Azure frente a sus listas oficiales; la región de Uptime de cada país frente a una regla geográfica independiente; el factor AWARE 2.0 de cada lugar frente al Excel original; y la energía libre de carbono de Google frente a su CSV.
- Fórmulas: 20.736 escenarios y 373.248 comparaciones, incluida el agua ponderada por escasez (todas las regiones con los dos tipos de centro, GPU, centros de datos, modos, resto del servidor, duraciones, vidas útiles y combinaciones de opciones) frente a una implementación independiente en Python escrita a partir de la metodología.
- Comparar: los puntos, los lugares que mejoran tus dos cifras y la frontera (los que ningún otro mejora en las dos), recalculados en Python.
- Interfaz: cifras, equivalencias, desglose, efecto de cada opción, mapa (incluidos los países atenuados), ranking de energía por región, recomendación, desplegable, por petición y por año.
- Enlace compartible: ida y vuelta del estado.
- CSV.
- Entradas inválidas.
Uso: sirve la carpeta con un servidor estático en el puerto 8799 y ejecuta OWID_CSV=… WRI_XLSX=… python3 tests/audit.py (requiere pip install pycountry-convert; AWARE_XLSX apunta a AWARE20_Countries_and_Regions.xlsx de Zenodo y GCFE_CSV al CSV de 2025 de GoogleCloudPlatform/region-carbon-info). Los apéndices del WRI se descargan desde su página de datos.
Licencias y créditos
- Código: MIT © 2026 Carlos Gallego Galán.
- Datos de intensidad de carbono: Ember, CC BY 4.0.
- Factores de agua de la electricidad: World Resources Institute (2020).
- Factores de escasez de agua: AWARE 2.0 (Seitfudem et al., 2025), CC BY 4.0.
- Energía libre de carbono de Google Cloud: GoogleCloudPlatform/region-carbon-info, Apache 2.0.
- Tipografías Archivo y Space Grotesk: SIL Open Font License 1.1.
- Proyecto independiente, sin relación con la Green Software Foundation, Ember, WRI ni los proveedores citados.
Hecha por Carlos Gallego Galán.
English
How much carbon, energy and water does your AI use? Wattprint estimates it in about a minute for a training run, a fine-tune or an inference service, per request too. No sign-up, nothing is sent to a server: everything runs in your browser.
- Try it: https://wattprint-kappa.vercel.app/?lang=en
- Method: based on Software Carbon Intensity (SCI, ISO/IEC 21031), using annual average rather than marginal grid intensity. Energy from GPU TDP and utilisation plus a fixed share for the rest of the server, or your measured kWh, times PUE (hyperscale 1.13, or the Uptime Institute 2025 regional average). Carbon from Ember grid intensity (location-based) plus amortised embodied emissions. Water = cooling (WUE, LBNL 2024 / Microsoft 2025) + electricity generation (WRI country factors, as in Li et al.), optionally weighted by water scarcity with AWARE 2.0 (the WULCA method used by the EU Environmental Footprint). Google's carbon-free energy share per region is shown for information only.
- Outputs: single-screen dashboard in light and dark mode with a choropleth map of the same task on every grid, a ranking, and a Compare view (CO₂ against litres or scarcity-weighted water, marking the places that improve both and the Pareto front), visual breakdowns, per-request (SCI functional unit) and annual views, reduction options with their effect on CO₂e, energy and water, PDF report, CSV data, share card and link.
- Audit:
tests/audit.py checks every data point against its source and every formula against an independent Python implementation (see below).
- Limits: order-of-magnitude estimates, not certified measurement.
- Run locally: a single HTML file; serve the folder with any static server.
- License: MIT for the code; Ember and AWARE 2.0 data under CC BY 4.0; Google region data under Apache 2.0; fonts under SIL OFL 1.1.
