A inferência — o ato de a IA responder você — já consome até 90% de toda a energia gasta pela tecnologia, superando em muito o treinamento dos modelos. Cada interação parece insignificante, mas a soma de bilhões de consultas diárias criou uma conta de luz global que preocupa governos e gigantes do setor. O crescimento exponencial da demanda por computação transforma data centers em os novos “poços de petróleo” do século XXI.
Onde a energia realmente vai: treinamento vs. uso diário
Muita gente imagina que o gasto está concentrado nas semanas de treinamento de modelos como o GPT-4 ou Claude. A realidade inverte essa lógica. Segundo estimativas da Universidade das Nações Unidas, a fase de inferência responde por 80% a 90% do consumo total.
Sam Altman, CEO da OpenAI, quantificou o custo unitário: uma consulta média ao ChatGPT gasta 0,34 Wh (watt-hora). Parece pouco — equivale a manter uma lâmpada LED acesa por alguns minutos ou um forno ligado por pouco mais de um segundo. O problema é a escala: multiplicado por bilhões de usuários, o número vira uma fatia relevante da matriz energética mundial.
A matemática invisível por trás de cada resposta
Redes neurais modernas são estruturas massivas de camadas interconectadas. Cada “neurônio” artificial executa operações simples — somas e multiplicações —, mas a profundidade da arquitetura exige bilhões de cálculos sequenciais para gerar uma única frase coerente.
Para processar essa carga em milissegundos, data centers alinham dezenas ou centenas de GPUs (unidades de processamento gráfico) trabalhando em paralelo. A NVIDIA tornou-se a ação mais valiosa do mundo justamente por monopolizar esse hardware. Um único cluster de treinamento ou inferência de ponta pode reunir dezenas de milhares de chips simultâneos.
O custo oculto: água e calor
Eletricidade não é o único insumo. Manter essa densidade computacional fria exige engenharia pesada. Estima-se que cada pergunta ao ChatGPT consuma, em média, 0,32 ml de água para refrigeração dos servidores.
Em regiões áridas onde grandes campuses de dados são instalados — como Arizona (EUA) ou Santiago (Chile) —, o conflito pelo recurso hídrico já virou pauta política. O resfriamento a ar consome mais eletricidade; o líquido consome água potável. Não há almoço grátis termodinâmico.
- Emissões (IEA, 2025): 180 milhões de toneladas de CO₂/ano só de data centers (todas as cargas, IA incluída).
- Projeção 2035: Especialistas projetam até 500 milhões de toneladas se a curva atual se mantiver.
- Resíduo eletrônico: Ciclos de vida curtos de GPUs (2 a 3 anos) geram montanhas de lixo tóxico de difícil reciclagem.
Eficiência não resolve sozinha: o paradoxo de Jevons
Chips mais eficientes (ex.: Blackwell da NVIDIA) reduzem o consumo por operação. Porém, a história da computação mostra que a queda no custo marginal estimula explosão no volume de uso — modelos maiores, janelas de contexto gigantes, agentes autônomos rodando 24/7.
Grandes players (Microsoft, Google, Amazon, Meta) já assinam contratos de compra de energia nuclear e geotérmica de longo prazo. A sinalização é clara: a aposta é no aumento absoluto da demanda, não na estabilidade.
O que observar daqui para frente
Três variáveis definirão a trajetória nos próximos 24 meses: (1) a velocidade de adoção de inferência em dispositivos de borda (smartphones, PCs com NPU), que tira carga da nuvem; (2) a maturação de arquiteturas esparsas e quantização extrema, que fazem mais com menos parâmetros ativos; (3) a regulação de relato de emissões Scope 2 e 3 para data centers, já em discussão na UE e EUA.
Para investidores e gestores, a lição prática é simples: energia virou custo variável estratégico. Quem contrata cloud ou desenvolve produto de IA sem modelar o TCO (Custo Total de Propriedade) energético está precificando no escuro. A próxima rodada de captação ou M&A vai exigir essa métrica com a mesma rigidez de EBITDA.
