A inteligência artificial deixou de ser promessa para virar infraestrutura invisível — e a conta de luz chegou. Um relatório da Agência Internacional de Energia (IEA) de 2025 revela que data centers já emitem 180 milhões de toneladas de CO₂ por ano, considerando todas as operações. Mas o dado que deveria tirar o sono de qualquer gestor de TI ou investidor é outro: a maior parte desse gasto não vem de criar a IA, mas de você usá-la.
Estudo da Universidade das Nações Unidas aponta que a fase de inferência — o momento exato em que o modelo responde seu prompt — responde por 80% a 90% do consumo total. Treinar o modelo é caro; mantê-lo acordado respondendo a bilhões de consultas diárias é insustentável no modelo atual.
Quanto custa, de fato, uma única pergunta?
Sam Altman, CEO da OpenAI, abriu a caixa-preta no próprio blog: uma consulta média ao ChatGPT consome 0,34 Wh (watt-hora). Parece pouco? Equivale a ligar um forno elétrico por pouco mais de um segundo ou uma lâmpada LED de alta eficiência por alguns minutos. Multiplique isso por milhões de usuários simultâneos e a conta escala para níveis industriais.
Não para por aí. Cada interação exige, em média, 0,32 ml de água apenas para resfriar os chips que processaram sua resposta. É uma “garrafa d’água” invisível a cada centena de perguntas.
Por que a inferência devora tanta energia?
A arquitetura das redes neurais modernas explica o apetite voraz. Modelos atuais organizam bilhões de parâmetros em dezenas de camadas interconectadas. Cada “token” gerado — cada pedaço de palavra na resposta — dispara bilhões de operações matemáticas básicas (somas e multiplicações) percorrendo essas camadas.
- Paralelismo massivo: Um único modelo roda em dezenas ou centenas de GPUs simultâneas.
- Data centers hyperscale: Instalações operam milhares desses chips 24/7, exigindo refrigeração de nível industrial.
- Hardware especializado: A dependência quase absoluta de GPUs (como as da NVIDIA) cria gargalo de suprimento e custo fixo altíssimo.
Diferente do treinamento — evento concentrado no tempo —, a inferência é um fluxo contínuo e imprevisível. Não há “fim de expediente” para a IA generativa.
O impacto ambiental já tem data para explodir
Projeções de especialistas colocam as emissões do setor em 500 milhões de toneladas de CO₂ até 2035 — quase triplicando o patamar atual em uma década. O vetor não é apenas mais usuários, mas modelos maiores e “raciocínio” mais profundo (chain-of-thought), que multiplicam os ciclos de inferência por resposta.
Adicione a isso o ciclo de vida do hardware: servidores de alta performance têm vida útil curta (3 a 5 anos), gerando montanhas de lixo eletrônico tóxico de difícil reciclagem. A pegada hídrica, hoje subestimada em relatórios ESG corporativos, torna-se risco regulatório iminente em regiões de estresse hídrico.
Eficiência não vai resolver sozinha — a lei de Jevons ataca de novo
Historicamente, chips mais eficientes apenas barateiam a computação, estimulando mais uso, não menos. Modelos “pequenos” e otimizados (como versões distilled) aliviam a margem, mas a corrida por AGI (Inteligência Artificial Geral) empurra a fronteira para modelos trilionários de parâmetros e janelas de contexto gigantescas.
A expansão física de data centers segue acelerada. Gigantes como Microsoft, Google, Amazon e Meta anunciam investimentos de centenas de bilhões de dólares em infraestrutura nos próximos anos. A demanda por energia firme (baseload) já força reativação de usinas a carvão e gás em alguns mercados, além de contratos de longo prazo com nuclear e renováveis + storage.
O que observar daqui para frente
Três variáveis definem se a conta fecha para o seu negócio ou portfólio: preço da energia firme (contratos PPA de 10-15 anos viram ativo estratégico), regulação de carbono e água (taxas, disclosure obrigatório, restrição de licenças) e breakthrough de arquitetura (inferência em CPU, chips analógicos/neuromórficos, sparsity real). Quem trata IA apenas como “custo de API” está ignorando o maior capex oculto da década.
