IA e clima: impacto depende da matriz energética dos data centers

O debate sobre inteligência artificial e clima costuma oscilar entre dois extremos: de um lado, quem minimiza quase por completo o impacto energético do uso cotidiano de modelos como o ChatGPT; de outro, quem afirma que a tecnologia vai aprofundar de forma inevitável a crise climática. A análise apresentada na notícia busca escapar dessa polarização e coloca a questão central em outro lugar: não se trata apenas do custo de uma consulta individual, mas da velocidade com que a demanda agregada por IA cresce, de que forma essa demanda será atendida pela infraestrutura elétrica e quais usos a tecnologia passa a viabilizar em larga escala.

Esse enquadramento é importante porque desloca o foco do gesto individual para a estrutura do sistema. Uma consulta curta a um modelo padrão, segundo os dados citados, consome cerca de 0,3 Wh, um valor muito baixo quando observado isoladamente. O ponto, porém, é que a conta não pode ser feita apenas por prompt. O aumento do uso de modelos mais avançados, a adoção de fluxos de trabalho agentes e a expansão de serviços baseados em IA alteram a escala do consumo. Em um cenário de uso massivo, a soma dos pedidos deixa de ser irrelevante, mesmo que cada consulta, individualmente, pareça pequena.

O consumo atual e por que a comparação isolada pode enganar

A notícia apresenta números que ajudam a dimensionar o debate. Em 2024, os data centers no mundo consumiram cerca de 415 TWh, algo próximo de 1,5% da eletricidade global. Dentro desse universo, servidores dedicados à IA foram responsáveis por aproximadamente 93 TWh em 2025, cerca de 0,3% do consumo global. Em comparação, o uso residencial de ar-condicionado é mais de seis vezes maior, e motores industriais consomem cerca de quarenta vezes mais. O streaming de vídeo também aparece em uma faixa semelhante à da IA, entre 100 e 120 TWh.

Esse recorte mostra por que o argumento de que cada consulta à IA é insignificante faz sentido apenas em parte. Se a discussão for sobre a ação individual de abandonar ferramentas de IA para salvar o planeta, a comparação realmente tende a ser desproporcional. A matéria observa que trocar um prompt por uma suposta “ação climática” sem mexer em hábitos muito mais intensivos em carbono, como dieta baseada em carne ou uso de carro a combustão, produz pouco efeito real. No entanto, isso não resolve a questão sistêmica, porque a principal variável já não é o uso isolado, e sim o crescimento contínuo da procura.

Outro ponto destacado é que o consumo por consulta depende fortemente do tipo de modelo utilizado. O valor de 0,3 Wh vale para uma consulta curta em modelo não voltado a raciocínio prolongado. A indústria, porém, vem migrando para modelos de raciocínio, como o3, DeepSeek R1, Claude com pensamento estendido e GPT-5, que podem demandar de 10 a 100 vezes mais energia por consulta. Isso significa que a “média” energética de uma pergunta de IA é móvel e tende a subir quando o usuário passa a esperar respostas mais elaboradas, verificadas e iterativas.

Modelos de raciocínio e agentes mudam a unidade de custo

Um conceito central para entender a nova fase da IA é o de modelos de raciocínio. Eles não se limitam a responder rapidamente; dedicam mais computação para pensar antes de entregar a resposta. Na prática, isso significa mais processamento, mais tempo de GPU e mais energia por tarefa. Benchmarks citados na notícia colocam o o3 em torno de 33 Wh por consulta, o GPT-4.5 em cerca de 30 Wh e o Claude 3.7 Sonnet com pensamento estendido em aproximadamente 17 Wh. Em termos simples, a eficiência por resposta deixa de ser comparável à de um prompt curto comum.

Além disso, os chamados agentes de IA complicam ainda mais a conta. Em vez de uma única solicitação, um agente pode executar dezenas ou centenas de chamadas de inferência para planejar, buscar informações, verificar resultados e iterar até concluir uma tarefa. Isso altera a unidade de medida: o custo energético deixa de estar associado ao prompt e passa a estar ligado à tarefa. Um pedido aparentemente simples, como reservar uma passagem aérea ou refatorar um módulo de software, pode acionar uma sequência longa de computação.

Essa mudança é relevante para empresas e desenvolvedores porque empurra a discussão para o nível da arquitetura de produto. Quanto mais o uso da IA se torna operacional e autônomo, maior a necessidade de monitorar o custo computacional por fluxo de trabalho, e não apenas por interação. Em ambientes corporativos, a adoção de agentes pode multiplicar o consumo de infraestrutura sem que isso apareça de forma intuitiva no uso final.

Eficiência melhora, mas a demanda cresce mais rápido

A notícia destaca que houve ganhos reais de eficiência. A NVIDIA afirma que sua arquitetura Blackwell é de 25 a 50 vezes mais eficiente por token do que Hopper. A eficiência algorítmica no pré-treinamento também melhora em ritmo acelerado, e técnicas como quantização, mixture-of-experts e distilação entregam avanços concretos. Em teoria, isso deveria reduzir a pressão energética. Na prática, porém, o consumo total continua subindo porque a demanda cresce mais rápido do que a eficiência consegue compensar.

O texto cita um dado ilustrativo: o ChatGPT processou cerca de 1 bilhão de prompts por dia em dezembro de 2024 e 2,5 bilhões em julho de 2025. Trata-se de um crescimento de 150% em sete meses. Ao mesmo tempo, os preços de tokens caíram mais de 90% em 2025, enquanto o gasto total com inferência mais que dobrou. Esse é o ponto em que entra o paradoxo de Jevons, conceito econômico segundo o qual ganhos de eficiência podem levar a maior consumo total, e não a menor consumo, porque o serviço se torna mais barato e mais usado.

Na prática, a mesma lógica que reduz o custo por tarefa também expande o número de tarefas executadas. Se o processamento fica mais barato, as empresas incorporam IA em mais produtos, mais etapas e mais automações. Isso amplia o volume de inferência e pressiona data centers e redes elétricas. A analogia com o streaming de vídeo, às vezes usada para tranquilizar o debate, tem limites claros: o vídeo pode ser cacheado em bordas da rede, reduzindo o custo marginal de novos espectadores. Já a inferência de IA exige computação nova a cada consulta, o que impede uma compressão semelhante da pegada energética.

A matriz elétrica pesa mais que a eficiência dos chips

Um dos argumentos mais fortes da matéria é que o impacto climático da IA depende menos do chip e mais da matriz energética que alimenta os data centers. Em 2024, a intensidade de carbono da eletricidade usada por data centers nos Estados Unidos foi de 548 gCO2e por kWh, contra 369 gCO2e por kWh da média nacional. O motivo é a concentração desses centros em regiões com forte presença de gás, como a Virgínia. Ou seja, a geografia da infraestrutura pesa diretamente sobre as emissões.

As projeções da Agência Internacional de Energia reforçam o ponto. No cenário central, os data centers poderiam chegar a 945 TWh em 2030 e 1.200 TWh em 2035. No cenário Lift-Off, esse consumo iria a 1.700 TWh, cerca de 4,4% da eletricidade global. A mesma análise prevê que os combustíveis fósseis responderão por quase metade da eletricidade adicional necessária para data centers entre 2024 e 2030. O gás natural deve crescer 1,5 vez mais rápido que no cenário base, com destaque para os Estados Unidos, enquanto a geração de carvão pode dobrar, principalmente na China.

Esse quadro mostra por que o tema ultrapassa a discussão sobre chips eficientes. Se a expansão da IA for atendida por energia limpa e firme, o impacto climático tende a ser muito menor. Se depender de gás e carvão, a infraestrutura construída agora pode travar emissões por décadas. A notícia também menciona que empresas como Google abandonaram metas de neutralidade líquida e que as emissões da Microsoft cresceram cerca de 23% desde 2020, mesmo com compras recordes de energia renovável. Isso sugere que a transição energética das big techs ainda está aquém do ritmo de expansão da demanda.

Possíveis benefícios climáticos existem, mas dependem de adoção real

A análise não trata a IA apenas como fonte de risco. Há um caso positivo consistente, ainda que condicionado. A IEA estima que a adoção ampla de aplicações atuais de IA em áreas como otimização de redes elétricas, ciência de materiais, logística, agricultura de precisão e eficiência predial pode reduzir em torno de 5% das emissões globais de CO2 relacionadas à energia até 2035. Esse potencial é maior do que as emissões dos próprios data centers que executariam essas aplicações, mesmo no cenário de maior demanda.

O problema é que essa estimativa é apresentada pela própria IEA como uma análise exploratória, não como projeção garantida. Ela depende de implantação ampla em setores historicamente lentos para adotar novas tecnologias, além de supor que os efeitos de rebote não anulem parte dos ganhos. Em outras palavras, reduzir o custo de uma atividade pode levar a mais atividade. Se rotas autônomas ficarem mais baratas, pode haver mais viagens. Se a logística ficar mais eficiente, pode haver mais transporte de mercadorias. O benefício ambiental, portanto, não é automático.

A notícia cita exemplos concretos de uso positivo da IA. O sistema de resfriamento da DeepMind reduziu em cerca de 40% o consumo de energia de refrigeração em data centers do Google. O AlphaFold acelerou de forma expressiva pesquisas sobre estruturas de proteínas. O GraphCast oferece previsões meteorológicas melhores do que modelos tradicionais, usando uma fração do custo computacional. Esses casos mostram que a IA pode contribuir para eficiência, ciência e previsibilidade, mas o impacto climático líquido depende de escala, governança e adoção.

O que muda para empresas, governos e usuários

Para usuários individuais, a principal conclusão é que o consumo de uma consulta isolada não é o fator decisivo no clima. O artigo original insiste que abandonar ferramentas de IA por culpa ambiental tem pouco peso prático. O que importa mais, em nível pessoal, são decisões com impacto muito maior: política pública, energia limpa, transporte e padrões de consumo. Ainda assim, quem usa IA em tarefas produtivas pode direcioná-la para atividades que realmente aumentem eficiência, inclusive em projetos ligados ao clima.

Para empresas de tecnologia, a mensagem é mais dura. A discussão sobre IA e sustentabilidade não pode se limitar a métricas de eficiência por token. É preciso transparência sobre emissões operacionais, uso de água e localização da carga de trabalho. Em setores onde a adoção de agentes e modelos de raciocínio cresce rapidamente, medir apenas o consumo do data center sem detalhar o trabalho executado esconde o problema real.

Para formuladores de políticas públicas, os mecanismos mais relevantes são estruturais: regras de localização de data centers com critérios de capacidade elétrica, disponibilidade hídrica e intensidade de carbono; relatórios obrigatórios de energia no nível da carga de trabalho; expansão acelerada de geração limpa firme, como nuclear, geotérmica e armazenamento de longa duração; além de licenciamento e interconexão mais rápidos para transmissão e geração. A lógica é simples: o clima responde a emissões absolutas, não a ganhos relativos de eficiência.

Síntese final

A conclusão mais equilibrada é que o impacto climático da IA hoje ainda é moderado em termos absolutos, mas sua trajetória é o aspecto que merece atenção. O consumo atual é pequeno diante de setores como transporte, indústria e agricultura, e a consulta individual de um usuário não define o problema. O desafio real é o crescimento acelerado da demanda, o uso crescente de modelos mais caros em energia e a forma como os data centers serão abastecidos.

Se a expansão da inteligência artificial vier acompanhada de geração limpa e firme, ela pode entregar ganhos ambientais líquidos em várias frentes. Se depender de gás e carvão, a tecnologia corre o risco de ampliar a pressão sobre o sistema elétrico e consolidar infraestrutura fóssil por décadas. Nesse debate, o ponto decisivo não está no prompt isolado, mas nas decisões de infraestrutura, regulação e investimento que já estão sendo tomadas agora.