Ciudades Inteligentes, Planeta Agotado

La inteligencia artificial (IA) se ha integrado profundamente en la vida cotidiana prometiendo eficiencia y progreso. Sin embargo, esta revolución tecnológica se sustenta en una vasta infraestructura física, principalmente centros de cómputo, cuyo impacto ambiental y territorial es considerable y a menudo subestimado. Este artículo analiza la paradoja inherente al auge de la IA: su potencial para crear “ciudades inteligentes” se contrapone al agotamiento de recursos planetarios derivado de su alto consumo energético, su masiva huella hídrica y la cadena de suministro extractiva necesaria para su hardware. Se examinan estudios que cuantifican estos impactos, desde las emisiones de carbono del entrenamiento de modelos hasta el consumo de agua para refrigeración y la dependencia de minerales críticos. El texto argumenta que la “inmaterialidad” de la IA es una ficción y que la planificación urbana debe asumir un rol central en la gestión de estas infraestructuras, integrándolas en políticas urbanísticas y ambientales, y fomentando un desarrollo tecnológico más consciente y sostenible. Finalmente, se reflexiona sobre el contexto de Argentina, su rol en la cadena extractiva y los desafíos para la planificación ante la posible instalación de centros de datos a gran escala.

La Explosión de la IA Urbana: ¿la punta del iceberg?

La inteligencia artificial (IA) ha dejado de ser una promesa futurista para convertirse en una realidad cotidiana omnipresente. Desde los asistentes virtuales en nuestros teléfonos hasta los algoritmos que determinan nuestras noticias, la música que escuchamos o nuestros patrones de consumo, esta revolución tecnológica atraviesa casi todos los ámbitos de nuestra vida. Detrás de esta omnipresencia existe una infraestructura física que lo hace posible: los centros de cómputo. Estos grandes establecimientos, verdaderos corazones digitales, procesan ingentes cantidades de datos y realizan cálculos extremadamente complejos necesarios para entrenar y operar modelos sofisticados de inteligencia artificial, tales como ChatGPT, Gemini, Copilot, Grok, Sora, Midjourney, etc. 

No obstante, el rápido crecimiento y la proliferación de estos centros presentan interrogantes fundamentales respecto a su impacto ambiental y territorial. Tal como señala Kate Crawford (2023) en su libro “Atlas de IA”, este impacto material ha sido cuantificado en estudios pioneros; por ejemplo, Strubell et al. (2019) estimaron que solo el entrenamiento de ciertos modelos de lenguaje grandes podía generar 660.000 toneladas de emisiones de dióxido de carbono, el equivalente a toda la vida útil de cinco automóviles a gasolina (incluida su fabricación).
Más allá del entrenamiento puntual, el proceso completo de desarrollo y ajuste de un modelo puede requerir el equivalente a décadas de cómputo en un solo procesador del tipo hogareño (Strubell et al., 2018, citado en Strubell et al., 2019). En este punto, podemos inferir que cuanto mayores son las prestaciones de los modelos de IA, mayor es el consumo eléctrico.

Además del mencionado impacto energético y de carbono, recientemente se ha puesto el foco en la igualmente alarmante huella hídrica de la IA, un recurso cada vez más escaso a nivel global. Li et al. (2023) estimaron que solo el entrenamiento del modelo GPT-3 pudo consumir directamente 700,000 litros de agua dulce para refrigeración in situ, y proyectan que la demanda global de agua de la IA para 2027 podría equivaler al consumo anual total de agua de entre 4 a 6 veces el consumo de Dinamarca o la mitad de la del Reino Unido. Para ponerlo en contexto, la International Energy Agency (IEA) advierte en su informe de abril del 2025 que el Consumo Global de Agua para Centros de Datos es actualmente de alrededor de 560 mil millones de litros por año (IEA, 2025, p. 242). Según las proyecciones del “Caso Base”, este consumo podría aumentar a alrededor de 1.200 mil millones de litros por año para 2030 (IEA, 2025, p.242). Para dimensionar el impacto de este consumo, podemos hacer una comparación: si consideramos que cada persona necesita 100 litros de agua por día, siguiendo las recomendaciones de la Organización Mundial de la Salud (OMS), el volumen de agua que consumirían los centros de datos en 2030 sería suficiente para abastecer a 32.876.712 personas durante todo un año.

Este crecimiento también afecta otras infraestructuras, cuyos costos energéticos, de carbono e hídricos son elevados y siguen en aumento. Sin embargo, estos impactos suelen pasar desapercibidos debido al carácter inmaterial de los servicios digitales y a la narrativa dominante que asocia su expansión con el progreso tecnológico. Este fenómeno requiere ser abordado desde distintas perspectivas, no solo por su huella energética y de carbono, sino también por su considerable huella hídrica. La planificación urbana es una de esas perspectivas y ocupa un lugar central en este análisis.

Los centros de datos requieren ubicaciones específicas, generalmente en áreas periurbanas, aumentando así la presión sobre redes eléctricas, sistemas de agua potable, disponibilidad de suelo y vías de acceso. Además, la concentración territorial de estos centros está estrechamente vinculada con incentivos fiscales y regulatorios, lo que con frecuencia crea desequilibrios regionales y aumenta la segregación socioeconómica dentro de las ciudades.

La planificación urbana, tradicionalmente encargada de ordenar el crecimiento físico de las ciudades, se enfrenta ahora a un desafío inédito: gestionar el impacto ambiental y social derivado del desarrollo acelerado de estas infraestructuras tecnológicas. Estos centros no solo requieren enormes cantidades de suministro eléctrico garantizado, sino también sistemas específicos para la refrigeración de sus servidores, un alto consumo de agua para dicha refrigeración, condiciones especiales de ubicación, seguridad y accesibilidad. Esto los convierte en infraestructuras singulares que deben ser cuidadosamente analizadas y valoradas dentro de las políticas urbanísticas y ambientales. Hasta el momento, su localización ha sido medida expresamente por condiciones económicas y políticas favorables.

El desarrollo de un indicador o sistema de indicadores que permita medir y visibilizar claramente la huella ecológica (energética, hídrica, de carbono, etc.) de la IA podría resultar fundamental tanto para la toma de decisiones locales como para la investigación académica.

En este contexto surge una pregunta clave: ¿Cómo puede anticiparse la planificación urbana al impacto ambiental y social derivado de estos centros? ¿Pueden estas infraestructuras integrarse en estrategias urbanísticas que fortalezcan y revitalicen áreas obsoletas o degradadas en el tejido servido por servicios e infraestructura?

Centros de datos: el lado oscuro de la nube

Los centros de datos son instalaciones que albergan una gran cantidad de servidores informáticos y equipos asociados, utilizados para el almacenamiento, procesamiento y distribución de datos. Estos centros son la infraestructura física detrás de la “nube” y soportan una amplia gama de aplicaciones, desde computación en la nube y alojamiento web hasta transacciones financieras y la creciente demanda de inteligencia artificial (IA) como ChatGPT, Gemini, Grok, etc

El auge de la inteligencia artificial ha revolucionado industrias, transformado economías y redefinido la manera en que interactuamos con la tecnología. Estamos asistiendo al inicio de la “redefinición” de nuestra interacción con la tecnología. El hecho de que muchas de estas tecnologías se presenten bajo el título de “conversacionales” revela el intenso trabajo de procesamiento de información y contexto que subyace a su funcionamiento. Para devolvernos un texto, una imagen, un video o un sonido que cumpla con nuestras expectativas de interacción, la IA debe analizar vastas cantidades de datos, con el consiguiente gasto de recursos. Sin embargo, detrás de cada modelo de lenguaje avanzado, cada recomendación personalizada y cada sistema de reconocimiento de imágenes, se esconde una infraestructura colosal con un impacto ambiental y social significativo: los centros de datos. ¿Cuánta energía requiere el funcionamiento de estos sistemas? ¿Cuánta agua consumen? ¿Cómo afecta la carrera de los gigantes tecnológicos a los recursos hídricos y a la estabilidad de las redes eléctricas? ¿Por qué ciertas regiones concentran la mayoría de estos centros de datos y cuáles son las consecuencias de esta distribución?

El Apetito Insaciable por Energía y Agua

La IEA estima que los centros de datos, la IA y las criptomonedas representaron casi el 2% del consumo mundial de electricidad en 2022. Específicamente, se estima que solo la IA podría consumir entre 85 y 134 TWh anuales para 2027 (de Vries, 2023). Para ponerlo en perspectiva, el consumo eléctrico anual de la Ciudad Autónoma de Buenos Aires (CABA) para el año 2024 fue de 10.974.850 MWh (Dirección General de Estadística y Censos, 2024). Esto significa que el consumo energético anual estimado de la IA podría ser entre 7,7 y 12,2 veces mayor que el consumo eléctrico total de toda la Ciudad Autónoma de Buenos Aires en un año. Visto de otra manera, la IA en un solo año consumiría una cantidad de energía equivalente a la que toda la CABA necesita para funcionar durante un periodo de entre 7,7 y 12,2 años.

Estudios previos ya señalaban la magnitud: entrenar modelos como GPT-3 requirió aproximadamente 1,287 MWh, equivalente al consumo anual de más de 120 hogares estadounidenses (Patterson et al., 2021), y experimentos con modelos de procesamiento de lenguaje natural mostraron emisiones de CO2e comparables a las de vuelos comerciales (Strubell et al., 2019). Un solo centro de datos del tipo hiperescala puede consumir entre 20 y 50 MW. (IEA, 2024). 

Pero el consumo energético es solo una parte de la historia. El agua es otro recurso crítico consumido masivamente, principalmente para la refrigeración de los servidores y, de forma indirecta pero significativa, para la generación de la electricidad que estos consumen. Se estima que los centros de datos de Google y Microsoft consumieron colectivamente más de 6,4 mil millones de litros de agua solo en 2022 (gran parte en regiones con estrés hídrico). 

Incluso el uso cotidiano de estos modelos tiene un costo hídrico: se estima que mantener una conversación con modelos como ChatGPT (dependiendo de la ubicación y el momento) puede requerir el consumo de medio litro de agua por cada 10 a 50 preguntas y respuestas (Li et al., 2023). Aunque se desarrollan técnicas más eficientes como la refrigeración líquida directa o por inmersión u otros compuestos refrigerantes, la dependencia del agua sigue siendo un problema grave, especialmente en regiones áridas o semiáridas donde se ubican muchos centros, como Arizona o Nevada en EE. UU. En definitiva, se convierte agua y electricidad en poder computacional (Crawford, 2023).

La Asociación de Agencias Metropolitanas de Agua (AMWA), la cual representa a los principales sistemas de agua potable de propiedad pública en los Estados Unidos, solicitó la consideración del consumo de agua por parte de la IA en la planificación nacional de la IA en comentarios enviados a la Oficina de Política de Ciencia y Tecnología de la Casa Blanca (OSTP) y a la Fundación Nacional de Ciencia (NSF) NITRD NCO (Asociación de Agencias Metropolitanas de Agua [AMWA], 2025).

Concentración Geográfica e Impactos Locales:

La infraestructura de la IA está distribuida de manera desigual; la ubicación responde a factores como precios bajos de la energía (a menudo subsidiada), disponibilidad de suelo, incentivos fiscales favorables, conectividad de fibra óptica y proximidad a mercados.

La elección de la ubicación no es trivial en términos de impacto ambiental. La huella de carbono de la red eléctrica varía enormemente según la región y la hora del día… (Dodge et al., 2022). De manera análoga, la eficiencia en el uso del agua (Water Usage Effectiveness – WUE) para la refrigeración de los centros de datos también varía significativamente según la ubicación (por el clima local y el diseño del sistema de refrigeración) y la hora del día. Por lo tanto, la elección de la ubicación y la programación horaria de las cargas de trabajo son críticas no solo para gestionar la huella de carbono, sino también la huella hídrica (Li et al., 2023). Esta variabilidad geográfica y temporal es un factor clave que la planificación urbana y regional debe considerar al evaluar o incentivar la instalación de centros de datos.

Minería de datos, minería de la tierra: el costo oculto del hardware de la IA

La inteligencia artificial, a menudo percibida como un flujo inmaterial de datos y algoritmos en la “nube”, tiene raíces profundamente ancladas en el mundo físico y extractivo. La “minería de datos” que entrena a los modelos de IA depende directamente de una vasta y compleja operación de “minería de la tierra” para obtener los recursos necesarios para construir el hardware que la sustenta: servidores, unidades de procesamiento gráfico (GPU), unidades de procesamiento tensorial (TPU), cables de fibra óptica, dispositivos de almacenamiento y la infraestructura energética asociada. Este vínculo material es el costo oculto fundamental del auge de la IA. Para el 2020 el servicio geológico de los EEUU (USGS) estableció un listado breve de 23 minerales que representan un “alto riesgo de suministros” y la falta de alguno de ellos haría un “stop” repentino en la industria, especialmente la tecnológica. La lista de minerales críticos del USGS se amplia y actualiza regularmente.
El listado de minerales críticos se actualizó a 44 en 2025, lo que evidencia una mayor dependencia tecnológica y cambios en los riesgos geopolíticos y de mercado. La dependencia de las importaciones persiste, siendo China el principal productor y refinador de la mayoría de estos minerales (Sayari, 2025).

Impactos ambientales y sociales de la extracción

Impacto Ambiental: La extracción y procesamiento son procesos intensivos en energía (frecuentemente de origen fósil) y agua, contribuyendo a las emisiones de carbono y al estrés hídrico. La minería de litio en salares de Chile, Argentina y Bolivia consume vastas cantidades de agua en ecosistemas extremadamente áridos. Este estrés hídrico se ve agravado directamente por la operación de los propios centros de datos que sustentan la IA (Li et al., 2023). La extracción de tierras raras en China ha causado contaminación radiactiva y devastación ambiental localizada (Crawford, 2023).

Impacto Social: La minería a menudo ocurre en territorios de comunidades locales, generando conflictos por la tierra y el agua, desplazamientos forzados y pérdida de medios de vida tradicionales. Las condiciones laborales en muchas minas, especialmente las artesanales y de pequeña escala son extremadamente peligrosas e implican explotación, trabajo infantil y violaciones de derechos humanos (Amnesty International, 2016). La riqueza generada por los minerales rara vez beneficia equitativamente a las comunidades locales o a los países productores, exacerbando desigualdades globales.

La Materialidad Ineludible

El concepto de que la IA es inmaterial es una ficción peligrosa. Como argumenta Crawford (2023), la IA es una “industria extractiva” en múltiples niveles: extrae datos de los usuarios, valor económico de los mercados, y recursos materiales de la Tierra. Cada consulta a ChatGPT, cada recomendación de Netflix tiene una huella material que se remonta a una mina, una fábrica, una planta de energía y una huella energética e hídrica. Reconocer esta profunda conexión entre la minería de datos y la minería de la tierra es esencial para evaluar de manera honesta los verdaderos costos del progreso tecnológico y para empezar a imaginar futuros digitales más justos y sostenibles. La planificación urbana, al considerar la ubicación y el impacto de los centros de datos, debe también tener en cuenta esta dimensión extractiva global que sustenta la infraestructura local. Donde se decida localizar estas infraestructuras, seguramente se extraerá agua, se consumirá energía y generará residuo electrónico.

¿La IA podrá ser “verde” alguna vez?

Frente a las crecientes preocupaciones sobre las consecuencias ambientales y sociales de la IA, ha surgido el campo de la “IA Verde””, que cuestiona si la IA puede ser a la vez una fuente de impacto ecológico y una herramienta para la sostenibilidad urbana. La respuesta probablemente requiere una comprensión matizada del potencial y las limitaciones de la IA. En particular, los Gemelos Digitales –réplicas virtuales detalladas de ciudades– ofrecen una vía prometedora. Estos modelos impulsados por la IA simulan el impacto de las políticas urbanas (por ejemplo, transporte, emisiones, infraestructura) antes de su implementación, lo que permite a ciudades como Singapur, Helsinki y Newcastle optimizar el uso de recursos, mejorar la resiliencia climática y perfeccionar la planificación. Pero hay algunas limitaciones y riesgos, sin embargo; el potencial de la “IA Verde” debe ser evaluado con cautela:

• Efecto Rebote (Paradoja de Jevons): Las mejoras en eficiencia logradas por la IA pueden ser anuladas si conducen a un aumento general del consumo. Por ejemplo, optimizar el tráfico podría hacer más atractivo el uso del coche particular, aumentando la congestión y las emisiones a largo plazo si no se acompaña de políticas que fomenten el transporte público y la movilidad activa.
• Coste Energético de la “IA Verde”: Ejecutar los propios algoritmos de IA para lograr la sostenibilidad en temas de consumo de energía y recursos. 
• Brecha Digital y Equidad: Las soluciones de IA pueden requerir una infraestructura tecnológica costosa y conocimientos especializados, lo que podría exacerbar las desigualdades entre ciudades y dentro de ellas si no se implementan de manera inclusiva. 
• Dependencia Tecnológica y Privacidad: Una mayor dependencia de sistemas de IA controlados por unas pocas grandes empresas tecnológicas plantea cuestiones de gobernanza, seguridad y privacidad de los datos urbanos.

Regeneración urbana e IA

Mirando hacia adelante, la trayectoria de la inteligencia artificial en las ciudades no está predeterminada. Tenemos la oportunidad –y la responsabilidad– de guiar su desarrollo hacia un futuro donde la tecnología sirva para construir entornos urbanos más sostenibles, resilientes y equitativos, en lugar de exacerbar las crisis ecológicas y sociales existentes.
En este caso la necesidad de instalaciones fabriles para los centros de datos abre la posibilidad de reutilizar construcciones abandonadas o subutilizadas para darle nuevos usos. Pensemos en las fábricas abandonadas dentro del ejido urbano que la instalación de una infraestructura así podría reactivar. Para esto debemos pensar en dimensiones más reducidas de los centros de datos. Pero al estar dentro y no solamente cercanas a la demanda (que se localiza en las ciudades), podrían tener beneficios tecnológicos, como ser la muy baja latencia, cercanía a los nodos de consumo y generación de información, localización en zonas aptas para los usos tecnológicos, como ser el Distrito Tecnológico de Buenos Aires (DTBA) o @22 en Barcelona. Casos como el Barcelona supercomputing center, que reutiliza una iglesia y allí aloja parte de su centro de cómputo, es un ejemplo práctico.
Y por consiguiente, los beneficios para la ciudad o área donde se instalan, como ser el mayor movimiento de personas, la conformación y fortalecimiento de los ecosistemas tecnológicos. Esto requiere una visión que vaya más allá de la mera optimización y eficiencia, abrazando un enfoque sistémico y ético.

La necesidad de colaboración y gobernanza

Aprovechar este potencial requiere una acción concertada. Los gobiernos (locales, regionales y nacionales) deben ir más allá de ofrecer incentivos fiscales para atraer centros de datos y desarrollar marcos regulatorios robustos que:

• Integren explícitamente la planificación de la infraestructura digital (incluyendo sus impactos energéticos, hídricos y territoriales) en los planes de ordenamiento territorial y estrategias climáticas.
• Establezcan estándares mínimos de eficiencia energética (y de uso de agua) y uso de energías renovables para los centros de datos.
• Promuevan la transparencia radical (Strubell et al., 2019) en el consumo de recursos (energía y agua), la huella de carbono y la huella hídrica de los servicios de IA pudiendo permitir a los usuarios tomar decisiones informadas (Strubell et al., 2019; Dodge et al., 2022; Li et al., 2023).
• Establezcan requisitos o recomendaciones para reportar el tiempo de entrenamiento, los recursos computacionales utilizados y las emisiones de carbono y consumo de agua estimados en investigaciones y desarrollos de IA (Strubell et al., 2019; Dodge et al., 2022).
• Desarrollen un sistema de indicadores o etiquetado de los centros de datos, a fin de conocer las características de lo que se localiza en una zona determinada.

La comunidad investigadora y académica debe continuar proporcionando análisis críticos e independientes sobre los impactos de la IA, desarrollando metodologías para evaluar su sostenibilidad, explorando alternativas tecnológicas y de gobernanza, y formando a profesionales capaces de navegar esta complejidad. Los ciudadanos y la sociedad civil deben participar activamente en el debate sobre el futuro de la IA en sus ciudades, exigiendo transparencia, rendición de cuentas y que la tecnología se utilice para el bien común y la justicia ambiental y social.

La paradoja de la IA –su potencial para resolver problemas y su capacidad para crearlos– define uno de los grandes desafíos de nuestro tiempo. No podemos permitirnos un desarrollo tecnológico ciego a sus consecuencias materiales y sociales. El futuro de nuestras ciudades, y en gran medida de nuestro planeta, dependerá de nuestra habilidad para encauzar el poder de la IA de manera reflexiva, ética y sostenible. Los responsables políticos, las empresas, los investigadores y los ciudadanos deben trabajar juntos, no para detener el progreso sino para redefinirlo, asegurando que las “ciudades inteligentes” del mañana no se construyan sobre los cimientos de un planeta agotado.

A modo de conclusión (para abrir el debate)

Actualmente, Argentina se destaca como un eslabón clave en la fase extractiva, particularmente con sus vastas reservas de litio en el noroeste, un mineral esencial para las baterías que alimentan desde dispositivos hasta sistemas de respaldo energético en centros de datos. Esta inserción, si bien genera divisas, replica el patrón histórico de exportación de materias primas con bajo valor agregado, externalizando los costos ambientales y sociales de la minería (consumo de agua en zonas áridas, impacto en comunidades indígenas, etc.) para sostener el desarrollo tecnológico en otros lugares del mundo. Al mismo tiempo, somos grandes consumidores de los datos y servicios procesados en esos centros de datos globales.

La posibilidad de que grandes actores tecnológicos como Amazon Web Services (AWS) consideren instalar infraestructura en el país nos hace reflexionar. ¿Estamos preparados para gestionar la demanda energética y hídrica adicional que implicaría un centro de datos a gran escala? (Clarín, 2023) ¿Son los marcos regulatorios y de la planificación urbana actuales capaces de evaluar adecuadamente el impacto ambiental de estos centros –incluyendo la carga sobre la red eléctrica, la disponibilidad hídrica y el estrés hídrico local (críticos dada la alta demanda de agua, Li et al., 2023)– al tiempo que aseguran beneficios locales genuinos y previenen que los incentivos fiscales excedan los costos sociales y ecológicos?

Como disciplina que analiza e interviene sobre las tendencias urbanas y territoriales, ignorar la dimensión física, energética, hídrica y territorial de la IA sería un grave error de prospectiva. Es imperativo comenzar a desarrollar herramientas –indicadores, metodologías de evaluación de impacto, marcos normativos específicos– que permitan a los planificadores urbanos y a los tomadores de decisiones locales comprender y gestionar proactivamente la huella energética, hídrica y territorial de esta nueva clase de infraestructura.

El debate sobre la IA y su infraestructura no es solo tecnológico o económico; es profundamente territorial, ambiental y social. La planificación tiene la responsabilidad de anticipar estos escenarios y proponer alternativas que pongan en el centro la sostenibilidad del territorio y el bienestar de sus habitantes.

AML

El autor es arquitecto y urbanista. Es docente e investigador en la Facultad de Arquitectura, Diseño y Urbanismo (UBA) y en la Universidad CAECE. Se especializa en planificación urbana, sostenibilidad territorial y gestión de infraestructuras. Su trabajo actual se enfoca en los impactos ambientales y territoriales de la inteligencia artificial en las ciudades, y en el análisis crítico de los procesos de toma de decisiones urbanas, explorando las tensiones entre técnica, política y gestión cotidiana en contextos urbanos complejos.

Referencias:

Crawford, C. (2021). Atlas of AI. Yale University Press. (F. Diaz Klaassen, Trad.). Ned Ediciones. (2023).

IEA (2025), Global Energy Review 2025, IEA, Paris https://www.iea.org/reports/global-energy-review-2025, Licence: CC BY 4.0

Li, P., Yang, J., Islam, M. A., & Ren, S. (2023). Making AI Less “Thirsty”: Uncovering and Addressing the Secret Water Footprint of AI Models. arXiv preprint arXiv:2304.03271.
Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and policy considerations for deep learning in NLP. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, 3645–3650. 

Dirección General de Estadística y Censos. (2024). Consumo de energía eléctrica en la Ciudad Autónoma de Buenos Aires según destino. Gobierno de la Ciudad Autónoma de Buenos Aires. 

IEA (2025), Energy and AI, IEA, Paris, Licence: CC BY 4.0

Clarín. (2023, 15 de noviembre). ¿Por qué Amazon analiza una ubicación en Bahía Blanca para instalarse? Clarín. 

Asociación de Agencias Metropolitanas de Agua. (2025, 14 de marzo). AMWA comments on AI water nexus RFI. National Coordination Office (NCO) for the Networking and Information Technology Research and Development (NITRD) Program. 

Sayari. (2025). Everything you need to know about the Critical Mineral Consistency Act. Sayari.