Genera el plan nutricional de 28 días de tu paciente — con guías clínicas, no con un chat

Supuestos visibles en el gráfico: catálogo completo en cada consulta, generación secuencial del menú (token a token) y MNP con ecuaciones clínicas sin redacción LLM. Estimación teórica aproximada 100×–1.000×; no es medición directa de APIs comerciales ni representa todas las implementaciones posibles de LLM.

Estimación teórica por plan nutricional funcionalmente equivalente (28 días, 5 comidas/día, caso omnívoro 2000 kcal): mismo entregable clínico (menú completo, macros, lista y guía), no solo un texto superficialmente similar. Cifras redondeadas a la baja; órdenes de magnitud, no medición con power meter.

Equivalencia funcional (escenario documentado)

Para producir el mismo entregable clínico con un chat generativo sin RAG, caché, herramientas ni catálogo preindexado, el modelo tendría que ingerir como texto las reglas del caso, el catálogo de recetas filtrado (442 recetas) y la tabla de alimentos de referencia (325 ítems), y luego redactar secuencialmente el plan completo y la salida para el paciente. Eso implica aproximadamente ~341k tokens de entrada y ~57k tokens de salida por plan — dos fases intensivas en GPU (prefill + decode).

MNP resuelve el mismo caso con ecuaciones clínicas y optimización numérica en CPU, sin modelo de lenguaje generativo ni redacción token a token.

Fórmulas de estimación

• MNP (determinista): energía ≈ potencia CPU estimada × tiempo de pipeline (~11 s). Cómputo regional en Chile; sin inferencia GPU.
• Chat generativo (referencia): energía ≈ (tiempo prefill + tiempo decode) × potencia GPU efectiva × PUE de datacenter. GPU de referencia: clase NVIDIA A100 80GB SXM (batch=1, FP16). El TDP de la GPU no equivale automáticamente al consumo atribuible a una solicitud.

Resultado comparativo (rango de escenario)

• Estimación teórica bajo los supuestos descritos (catálogo completo en contexto, generación secuencial, inferencia GPU de referencia): aproximadamente 100×–1.000× más consumo computacional que MNP por el mismo plan.
• No corresponde a una medición directa de APIs comerciales. No se publican nombres de modelos cerrados hasta contar con un benchmark reproducible (código, hoja de cálculo y análisis de sensibilidad).

Limitaciones

• Estimación teórica basada en throughput de inferencia publicado; no medición directa en producción.
• El consumo real de APIs de chat varía con batching, cuantización, KV-cache y paralelismo.
• Un producto generativo podría utilizar RAG, caché, herramientas, búsqueda estructurada o un catálogo preindexado, sin introducir todo el catálogo en cada prompt — este escenario no está modelado aquí.
• El tamaño exacto y la infraestructura efectiva de modelos comerciales cerrados no son públicos.
• No incluye red, cold start ni almacenamiento; compara solo el cómputo de generación del plan.
• La equivalencia asume catálogo completo en contexto — escenario conservador y acotado, no universal.

Referencias metodológicas

• Patterson et al. — Carbon Emissions and Large Neural Network Training (energía ∝ tiempo de cómputo × potencia)
• Luccioni et al. — Power Hungry Processing: Watts Driving the Cost of AI Deployment? (coste energético de inferencia LLM)
• NVIDIA A100 80GB (TDP de referencia para clase GPU de inferencia; no es hardware de MNP)