A inteligência artificial pode ficar sem energia? O custo escondido dos data centers

A IA parece invisível, mas funciona em máquinas enormes

Quando alguém pede a um chatbot para resumir um texto, criar uma imagem ou responder uma pergunta, a solicitação viaja pela internet até um data center. Dentro dessas instalações há servidores equipados com processadores especializados, como GPUs e outros aceleradores de inteligência artificial.

Esses chips realizam bilhões ou trilhões de cálculos para produzir a resposta. Eles também geram calor e precisam ser resfriados para continuar funcionando com segurança. Por isso, o impacto de um serviço de IA não termina no processador.

A eletricidade usada pela IA inclui uma infraestrutura muito maior do que o chip que calcula a resposta. Parte dela alimenta equipamentos que ficam reservados para momentos de grande procura e sistemas de emergência que impedem a interrupção dos serviços.

• GPUs, CPUs, memórias e unidades de armazenamento precisam de energia continuamente.
• Equipamentos de rede movimentam enormes quantidades de dados dentro e fora do prédio.
• Ventiladores, chillers e sistemas líquidos removem o calor produzido pelos servidores.
• Baterias, geradores e sistemas de conversão protegem a instalação contra falhas elétricas.

Treinar e usar uma IA são atividades diferentes

Durante o treinamento, o modelo analisa enormes conjuntos de dados e ajusta seus parâmetros repetidamente. Modelos grandes podem utilizar milhares de aceleradores durante semanas ou meses. Antes da versão final, equipes ainda treinam, testam e descartam diferentes experimentos.

Um estudo sobre o desenvolvimento de uma família de modelos de linguagem mostrou por que olhar apenas para o treinamento final pode esconder parte do impacto. Ao incluir fabricação de hardware, experimentos e execuções finais, o projeto analisado consumiu cerca de 2,77 milhões de litros de água e gerou 493 toneladas de emissões de carbono. Nesse caso específico, o desenvolvimento anterior representou aproximadamente metade do impacto do treinamento. Os valores não podem ser aplicados automaticamente a todos os modelos, mas revelam a importância de medir o processo completo.

Inferência é o nome dado ao uso cotidiano do modelo. Cada pergunta, imagem ou vídeo solicitado inicia novos cálculos. Uma resposta isolada pode gastar muito menos energia do que o treinamento, porém a inferência acontece milhões ou bilhões de vezes durante toda a vida do produto.

Respostas longas, modelos maiores, raciocínio com várias etapas, criação de imagens e geração de vídeo normalmente exigem mais processamento do que uma pergunta curta de texto.

Quanta eletricidade os data centers estão consumindo?

A Agência Internacional de Energia informou que, em 2025, a demanda elétrica dos data centers cresceu 17%, enquanto o consumo mundial de eletricidade avançou aproximadamente 3%.

Na projeção central mais recente da agência, os data centers passam de cerca de 485 TWh em 2025 para aproximadamente 950 TWh em 2030. Eles representariam perto de 3% de toda a eletricidade mundial ao final da década, enquanto o consumo das instalações voltadas principalmente à IA pode triplicar no mesmo período.

Um terawatt-hora equivale a um bilhão de quilowatt-hora. Portanto, 950 TWh representam 950 bilhões de quilowatt-hora em apenas um ano.

O percentual mundial pode parecer pequeno, mas a distribuição não é uniforme. Os data centers se concentram em regiões específicas, onde várias instalações podem solicitar enormes quantidades de energia ao mesmo tempo. Essa concentração pode pressionar redes locais, subestações e linhas de transmissão.

Nos Estados Unidos, os data centers utilizaram aproximadamente 176 TWh em 2023, equivalentes a 4,4% da eletricidade do país. Uma atualização do Laboratório Nacional Lawrence Berkeley estima que eles poderão chegar a 11,8% do consumo norte-americano em 2030, com cenários variando de 9,5% a 15,3%.

Então a inteligência artificial pode ficar sem energia?

Não no sentido de toda a IA mundial desligar ao mesmo tempo. O risco mais provável é a infraestrutura elétrica não crescer na mesma velocidade dos novos data centers.

Uma empresa pode construir servidores e instalar chips mais rapidamente do que uma região consegue concluir novas usinas, linhas de transmissão e subestações. Quando a capacidade local é insuficiente, alguns projetos precisam esperar por uma conexão, buscar outra cidade ou financiar parte da infraestrutura necessária.

Também podem ocorrer disputas sobre quem pagará pela expansão. Se uma distribuidora construir infraestrutura contando com um enorme data center que depois não se concretiza, existe o risco de parte do custo chegar aos demais consumidores.

O desafio não consiste apenas em produzir energia. A eletricidade precisa estar disponível no lugar certo, durante todas as horas do dia, e chegar ao data center sem sobrecarregar a rede ou elevar excessivamente preços e emissões.

Por que um data center usa tanta água?

Os chips transformam parte da eletricidade em calor. Se esse calor não for removido, o equipamento perde desempenho e pode ser danificado.

Algumas instalações utilizam torres de resfriamento que reduzem a temperatura por evaporação. Outros projetos usam circuitos fechados, resfriamento a ar, líquidos aplicados diretamente aos componentes ou combinações dessas tecnologias.

Existe consumo direto, dentro do próprio data center, e consumo indireto, associado à produção da eletricidade. Usinas térmicas e nucleares utilizam água em seus sistemas de resfriamento, enquanto reservatórios hidrelétricos também perdem água por evaporação.

Segundo o relatório de 2024 do Lawrence Berkeley National Laboratory, os data centers norte-americanos consumiram diretamente cerca de 66 bilhões de litros de água em 2023. Instalações de hiperescala e colocation responderam por 84% desse total.

O mesmo estudo estimou uma pegada indireta próxima de 800 bilhões de litros, associada à geração da eletricidade consumida por essas instalações naquele ano. Medir apenas a água que entra no prédio, portanto, revela somente uma parte da história.

O efeito local depende da região. Um data center em um lugar com abundância de água e clima frio representa um desafio diferente de uma instalação localizada em uma área quente ou sujeita a secas.

Quanto gasta uma única pergunta para uma IA?

Não existe um número universal. O consumo varia conforme o modelo, o tamanho da resposta, o hardware, a ocupação das máquinas, o sistema de refrigeração e a fonte de eletricidade.

Um estudo conduzido por pesquisadores do Google mediu a infraestrutura utilizada pelo Gemini. Em maio de 2025, uma solicitação mediana de texto consumiu 0,24 Wh de energia, aproximadamente 0,26 mililitro de água e gerou 0,03 grama de CO₂ equivalente. A eletricidade seria comparável à utilizada por uma televisão moderna durante menos de nove segundos, e a água corresponderia a cerca de cinco gotas.

O resultado é um exemplo específico, e não uma média de toda a indústria. Outros modelos, instalações e tarefas podem apresentar valores muito diferentes. Criar um vídeo, processar milhões de tokens ou executar um agente que consulta diversas ferramentas não equivale a fazer uma pergunta curta.

O ponto mais importante é a escala: um impacto pequeno, repetido bilhões de vezes, torna-se uma grande demanda anual.

De onde virá a eletricidade necessária?

De acordo com a Agência Internacional de Energia, as fontes renováveis devem atender quase metade do aumento da eletricidade necessária aos data centers até 2030. Gás natural e carvão também deverão participar do crescimento, enquanto a energia nuclear tende a ganhar mais importância no fim da década e depois dela.

Comprar energia renovável não significa necessariamente que cada resposta de IA funcione com energia limpa naquele exato momento. Um data center também consome eletricidade à noite ou em períodos sem vento, quando a rede pode depender de outras fontes.

Algumas empresas buscam combinar energia solar, eólica, baterias, usinas nucleares e contratos de longo prazo. Tarefas que não são urgentes também podem, em certos casos, ser executadas em horários ou regiões com maior disponibilidade de energia de baixo carbono.

Como reduzir o impacto dos data centers

Não existe uma solução única. A redução depende de melhorias nos chips, modelos, sistemas de refrigeração, fontes de energia e planejamento das redes.

• Chips mais eficientes realizam mais cálculos por unidade de eletricidade.
• Modelos menores, especializados, comprimidos ou quantizados podem resolver tarefas sem utilizar o maior sistema disponível.
• O armazenamento temporário de resultados evita repetir alguns cálculos quando muitas pessoas fazem solicitações semelhantes.
• Resfriamento líquido direto, circuitos fechados, água reciclada e aproveitamento do clima externo podem diminuir o consumo.
• Data centers próximos de energia de baixo carbono e com disponibilidade hídrica adequada podem causar menos impacto.
• Algumas cidades reaproveitam o calor dos servidores para aquecer edifícios, piscinas, estufas ou redes de água.
• Relatórios que separam treinamento, inferência, água direta, água indireta e emissões permitem comparações mais honestas.

Usar inteligência artificial é sempre ruim para o meio ambiente?

Não. O impacto depende de como a tecnologia é desenvolvida e utilizada. Uma IA pode ajudar a prever a geração de energia renovável, reduzir desperdícios em edifícios, otimizar rotas, encontrar novos materiais e apoiar pesquisas científicas. Em alguns casos, o benefício obtido pode superar o custo computacional.

Também seria incorreto colocar toda a responsabilidade no usuário que faz uma pergunta. As decisões de maior impacto estão no projeto dos modelos, nos chips utilizados, na localização dos data centers, na origem da eletricidade e nas políticas de transparência.

Ainda assim, usuários podem evitar regenerações desnecessárias, escolher modelos menores quando forem suficientes, agrupar instruções em pedidos bem preparados e reutilizar resultados úteis. Criar dezenas de imagens ou vídeos apenas para selecionar um resultado tende a exigir mais processamento do que uma resposta curta de texto.

Doze curiosidades sobre a energia da inteligência artificial

A relação entre inteligência artificial, energia e água possui detalhes que raramente aparecem na tela do usuário.

• Uma pergunta não tem consumo fixo: o valor muda de acordo com o modelo, a resposta, o hardware e o local do data center.
• A inferência pode superar o treinamento ao longo do tempo, porque o uso diário continua durante toda a vida do produto.
• Parte da água associada à IA é consumida longe do servidor, nas usinas que produzem eletricidade.
• Regiões frias podem aproveitar o ar externo para resfriar servidores durante mais horas do ano.
• Servidores ociosos também gastam energia, pois parte da capacidade fica preparada para picos de acesso.
• Respostas maiores normalmente exigem mais cálculos do que respostas curtas.
• Gerar vídeos costuma utilizar muito mais computação do que produzir apenas texto.
• Tornar cada resposta mais eficiente não garante queda no consumo total se o número de usuários crescer ainda mais.
• Data centers precisam funcionar sem interrupção e usam baterias e geradores para enfrentar quedas da rede.
• O calor dos servidores pode ser reaproveitado em sistemas de aquecimento.
• A mesma quantidade de eletricidade pode gerar impactos diferentes dependendo da fonte energética e da disponibilidade de água.
• A própria IA pode ajudar a reduzir desperdícios ao prever demanda e controlar redes e equipamentos.

O futuro da IA também depende da infraestrutura

A inteligência artificial não está prestes a parar por falta de uma tomada. O verdadeiro desafio é construir energia, redes e sistemas de resfriamento no ritmo exigido pela expansão dos data centers.

O consumo de uma única pergunta pode ser pequeno, mas treinamentos, bilhões de solicitações, geração de imagens, vídeos e agentes automatizados já estão alterando o planejamento energético de vários países.

O futuro da IA dependerá não apenas de modelos mais inteligentes, mas de chips eficientes, eletricidade de baixo carbono, uso responsável da água, redes modernas e informações transparentes. A pergunta deixa de ser apenas ‘o que a inteligência artificial consegue fazer?’ e passa a incluir ‘quais recursos serão necessários para fazê-la funcionar?’.