A expansão da Inteligência Artificial está gerando um aumento significativo no consumo de energia e nas emissões de carbono, colocando em xeque a sustentabilidade do setor de tecnologia. Relatórios de gigantes como Microsoft e Google indicam um crescimento notável em suas pegadas ambientais, impulsionado diretamente pela demanda por IA.
Charles Humble, em sua palestra no GOTO Copenhagen, destacou que a sustentabilidade precisa ser uma preocupação arquitetônica de alto nível no desenvolvimento de sistemas de IA. Ele ressaltou que o uso de modelos pré-construídos e menores, a execução de computação em locais com energia de baixo carbono e o treinamento com fontes renováveis são passos cruciais para mitigar esse impacto.
O Crescimento Alarmante do Consumo de Energia
Dados da Agência Internacional de Energia (IEA), citados por Humble, revelam que o consumo combinado de eletricidade de Amazon, Microsoft, Google e Meta mais que dobrou entre 2017 e 2021, atingindo cerca de 72 terawatts-hora. A Microsoft, em seu relatório ambiental de 2024, apontou um aumento de 30% em suas emissões totais de carbono desde 2020, principalmente devido à construção de data centers para atender à demanda de IA. O Google, por sua vez, viu suas emissões subirem cerca de 50% desde 2019, com um salto de 13% apenas em 2023, também impulsionado pela inteligência artificial.
Essas emissões são predominantemente de dióxido de carbono, um gás de efeito estufa que contribui para o aquecimento global. A meta de limitar o aquecimento a 1,5 graus Celsius até 2100 está ameaçada, com projeções indicando um aumento entre 2,5 e 3 graus. A indústria de TI, responsável por 2% a 4% das emissões globais, tem um papel fundamental nessa equação, especialmente considerando que o consumo de eletricidade de data centers e redes em 2022 foi equivalente ao consumo total de eletricidade do Brasil no mesmo período.
Estratégias para uma IA Mais Verde
Humble sugere que a indústria de TI, ao contrário da aviação que busca ativamente reduzir suas emissões, tem feito o oposto. Para reverter essa tendência, ele propõe uma série de perguntas e estratégias para integrar a sustentabilidade ao contexto de negócios da IA. A primeira delas é questionar a necessidade de treinar um modelo do zero, incentivando o uso de modelos pré-construídos ou menores, que muitas vezes são mais eficientes.
Outra abordagem é a “mudança de demanda” (demand shifting), que envolve coletar dados ou executar cargas de trabalho em momentos e locais onde a energia verde é mais abundante. Isso pode reduzir as emissões de carbono entre 45% e 99% no treinamento de modelos. A localização é crucial: executar cargas de trabalho em regiões com fontes de energia de baixo carbono (hidrelétrica, solar, nuclear, eólica) pode ser muitas vezes mais limpo do que em locais dependentes de carvão ou gás. A intensidade de carbono varia ao longo do dia e do ano, permitindo otimizações baseadas no tempo ou na localização.
Além disso, Humble enfatiza a importância de otimizar a fase de implantação e manutenção dos modelos, que pode consumir a maior parte da energia. Ele recomenda usar a menor configuração de hardware possível, operar em áreas com eletricidade de baixo carbono e provedores de nuvem com data centers verdes, e otimizar o tempo de execução das tarefas. A “modelagem de demanda” (demand shaping) também é uma técnica valiosa, ajustando a qualidade do serviço (por exemplo, vídeo de menor qualidade ou modelos menores) em resposta à disponibilidade de energia limpa, ou até oferecendo ao usuário a opção de interagir com um humano em vez da IA.
O que isso muda para você
Para profissionais brasileiros que atuam com Inteligência Artificial, a mensagem é clara: a sustentabilidade não é mais um diferencial, mas uma necessidade estratégica. Ignorar o impacto ambiental da IA pode levar a custos operacionais mais altos no futuro, além de riscos reputacionais e regulatórios. Comece a integrar a sustentabilidade como um critério de design desde as fases iniciais de seus projetos de IA, ao lado de custo, desempenho e segurança.
Considere a origem da energia dos data centers ao escolher provedores de nuvem e explore a possibilidade de usar modelos pré-treinados ou menores sempre que possível. Para cargas de trabalho que não são sensíveis à latência, como o treinamento de modelos, a aplicação de técnicas de “mudança de demanda” pode ser um passo prático e eficaz para reduzir a pegada de carbono. O próximo passo concreto é incluir a avaliação da intensidade de carbono como um critério de decisão em seus projetos de IA, buscando otimizar não apenas o desempenho, mas também o impacto ambiental.


