Uma resposta de inteligência artificial parece imaterial. A pergunta entra por uma tela e o resultado aparece segundos depois. Fora do campo de visão estão os chips fabricados, os servidores ligados sem interrupção, a água usada no resfriamento e a rede elétrica que precisa atender cargas cada vez maiores.
É nessa infraestrutura que a discussão sobre IA sustentável se torna concreta. Em 2025, o consumo de eletricidade dos centros de dados cresceu 17%, enquanto a demanda global de eletricidade avançou 3%, segundo a Agência Internacional de Energia. O consumo por tarefa está caindo à medida que hardware e modelos ficam mais eficientes. Ao mesmo tempo, mais pessoas usam IA e aplicações intensivas, como agentes, passam a executar sequências inteiras de operações.
O resultado é um paradoxo conhecido em outras áreas da tecnologia: cada unidade pode ficar mais eficiente enquanto o sistema inteiro consome mais.
Uma revisão publicada em 9 de julho de 2026 na Nature Reviews Clean Technology ajuda a entender por que não existe uma única solução. Energia, água, carbono, materiais e custo social mudam juntos. Melhorar um indicador pode piorar outro.
O tamanho físico de uma tecnologia que parece digital
A Agência Internacional de Energia projeta que o consumo de eletricidade dos centros de dados poderá dobrar até 2030. Para instalações focadas em IA, a projeção é de triplicação. Cinco grandes empresas de tecnologia investiram mais de US$ 400 bilhões em 2025, e a estimativa da agência é de que esse investimento cresça outros 75% em 2026.
Essa expansão não depende apenas de comprar processadores. Exige terrenos, edifícios, sistemas de refrigeração, transformadores, turbinas, linhas de transmissão e conexão com redes já pressionadas por indústria, veículos elétricos, climatização e eletrificação de outros setores. A IEA relata gargalos em componentes e autorizações e estima que parte dos projetos planejados pode enfrentar atraso por falta de infraestrutura elétrica.
É por isso que a pergunta sobre o impacto de uma consulta isolada pode ser enganosa. Ela reduz um sistema industrial a um único clique. O efeito relevante aparece na escala: quantas tarefas são executadas, em qual hardware, durante quanto tempo, com que fonte de energia e em qual território.
O que a revisão científica fez
O artigo de Andrew Chien, Udit Gupta, Shaolei Ren, Akshitha Sriraman, Bill Tomlinson e colaboradores é um artigo de revisão revisado por pares. Não apresenta um novo experimento nem combina estudos em uma meta-análise. Os autores organizaram evidências sobre fabricação de hardware, construção de centros de dados, treinamento, inferência, redes elétricas e resfriamento para comparar estratégias de redução de impacto.
A distinção importa. Os percentuais reunidos no artigo vêm de sistemas, regiões e métodos diferentes. Eles mostram a ordem e a natureza dos problemas, mas não permitem calcular uma pegada universal para qualquer modelo ou aplicação.
A revisão também explicita o papel de cada equipe: os autores dividiram a análise entre redes elétricas, carbono, água, hardware e efeitos sociais. O trabalho passou por revisão por pares da revista, e os conflitos de interesse foram declarados.
O carbono começa antes de o servidor ser ligado
Grande parte do debate público se concentra na eletricidade usada durante o treinamento. A revisão desloca o olhar para as emissões incorporadas: extração e processamento de materiais, fabricação de chips, montagem de servidores e construção do próprio centro de dados.
Nos grandes centros analisados pelas fontes reunidas no artigo, essa parcela pode representar mais da metade das emissões. Isso significa que trocar equipamentos rapidamente por versões mais eficientes pode reduzir o consumo operacional e, ao mesmo tempo, antecipar novas emissões de fabricação.
Uma alternativa é reservar o hardware mais avançado para tarefas que realmente precisam dele. A inferência — o uso cotidiano do modelo depois do treinamento — pode, em muitos casos, rodar em componentes de menor desempenho, equipamentos reaproveitados ou gerações anteriores. Os estudos sintetizados indicam que escolhas desse tipo podem reduzir entre 10% e 20% das emissões totais do centro de dados ao diminuir a parcela incorporada.
Isso não torna a inferência irrelevante. Uma resposta individual exige menos energia do que treinar o modelo, mas bilhões de usos se acumulam. A revisão estima que a inferência pode responder por 40% a 60% das emissões equivalentes de carbono ao longo da vida de um modelo.
Fazer mais com menos não garante queda no consumo total
A IEA observou em 2026 que o gasto de energia por tarefa de IA está diminuindo rapidamente. Se o número e a complexidade das tarefas permanecessem estáveis, a eficiência tenderia a reduzir a demanda. Não é o que está acontecendo.
Modelos passam do texto para imagem, áudio e vídeo. Agentes deixam de responder apenas uma pergunta e começam a consultar sistemas, executar ferramentas e revisar o próprio resultado. Aplicações mais baratas atraem mais usuários. Assim, o ganho por operação disputa espaço com o crescimento do volume total.
Esse efeito ajuda a explicar por que centros de dados especializados podem triplicar o consumo até 2030 mesmo com chips e softwares mais eficientes. A sustentabilidade precisa ser medida no conjunto da operação, não apenas no desempenho de um componente.
A rede elétrica também pode participar da solução
Nem toda tarefa precisa ser executada no mesmo horário. Treinamentos, processamento em lote e outras cargas flexíveis podem ser deslocados para períodos com menor demanda ou maior oferta de eletricidade renovável.
A revisão da Nature Reviews Clean Technology reúne cenários em que a coordenação com redes de alta participação renovável reduz em cerca de 10% as emissões do ciclo de vida. Um estudo mais recente do MIT mostrou o tamanho da condição necessária: para produzir economia no sistema elétrico, centros de dados simulados precisariam deslocar mais de 20% do consumo — e, em alguns cenários, perto de 50% — para fora dos horários de pico.
Nas simulações do MIT, a flexibilidade poderia reduzir custos do sistema em até 5% no Texas, 4% na região do Meio-Atlântico e 2% no oeste dos Estados Unidos. Mas o título do artigo traz a ressalva decisiva: centros flexíveis podem reduzir custos e ainda aumentar emissões, dependendo de quais usinas entram em operação no horário escolhido.
Mover uma carga para um momento mais barato não é necessariamente movê-la para um momento mais limpo.
Economizar água pode aumentar carbono
O mesmo tipo de conflito aparece no resfriamento. Sistemas evaporativos podem consumir água para retirar calor com menor gasto de eletricidade. Soluções que reduzem o consumo hídrico podem exigir mais energia. Se a rede local depende de combustíveis fósseis, a economia de água pode elevar as emissões.
O inverso também importa. Em uma região com estresse hídrico, reduzir carbono não justifica pressionar uma fonte de água disputada por população, agricultura e ecossistemas. Não existe uma tecnologia de resfriamento universalmente sustentável; a escolha depende de clima, disponibilidade de água, matriz elétrica e horário de operação.
Essa tensão mostra por que relatórios ambientais que exibem apenas um número podem induzir a uma conclusão incompleta. Eficiência energética, água, emissões e materiais precisam ser apresentados juntos, com limites de medição claros.
Quando a infraestrutura chega à conta de luz
O impacto deixou de ser uma discussão restrita a laboratórios e empresas de tecnologia. Em julho de 2026, a Associated Press registrou a preocupação de consumidores norte-americanos com a competição por eletricidade, água e terra. O governo dos Estados Unidos ampliou um compromisso voluntário com empresas e governos estaduais para tentar evitar que a expansão dos centros de dados aumente tarifas residenciais.
A existência desse compromisso não prova que as contas cairão. A própria reportagem observa que ainda é incerto se a nova geração de energia conseguirá superar o crescimento da demanda. O caso mostra uma questão social que a revisão científica considera: os benefícios da computação e os custos da infraestrutura podem chegar a grupos diferentes.
Uma decisão sobre centro de dados, portanto, não deveria avaliar apenas investimento e capacidade computacional. Precisa perguntar quem financiará a conexão elétrica, qual recurso hídrico será usado, como o risco será dividido e que informação ficará disponível ao público.
O que o estudo permite concluir — e o que não permite
A revisão sustenta que há caminhos técnicos reais: prolongar a vida útil do hardware, adequar o equipamento à tarefa, coordenar cargas com a rede, comparar resfriamento por água e ar e medir o ciclo de vida completo. Também mostra que nenhuma dessas medidas funciona isoladamente.
Ela não permite afirmar que todo centro de dados reduzirá emissões em 10% ao mudar horários, nem que todo hardware reaproveitado entregará economia de 20%. Esses números dependem do sistema estudado, da matriz elétrica, do clima, do uso e da fronteira escolhida para calcular impacto.
No material público consultado, o trabalho é identificado como Review Article. A página não descreve uma busca sistemática reproduzível; por isso, ele não deve ser apresentado como revisão sistemática ou meta-análise. Parte do texto integral exige assinatura, e a síntese editorial não deve preencher essa limitação com suposições.
Na declaração de interesses, Andrew Chien informa ter sido consultor inicial e manter interesse financeiro na Lancium, empresa ligada à gestão dinâmica da interação entre centros de dados e redes elétricas. Os demais autores declararam não possuir conflitos. O trabalho recebeu apoio de bolsas da National Science Foundation e, em um caso, do VMware University Research Fund.
As perguntas que deveriam vir antes da promessa de IA sustentável
Para universidades, governos e empresas, uma avaliação responsável começa antes da escolha do modelo. Qual problema exige essa capacidade computacional? A tarefa precisa do hardware mais avançado? A infraestrutura divulga energia, água e materiais com metodologia comparável? A carga pode ser deslocada sem aumentar emissões? Quem absorve os custos locais?
Não há no artigo uma aplicação específica para Diamantina, e não é necessário inventá-la. A relevância está em melhorar a qualidade das decisões sobre transformação digital. Chamar uma solução de sustentável exige mostrar o que foi medido, em qual escala e quais impactos ficaram fora da conta.
A infraestrutura da IA continuará invisível para a maioria dos usuários. Seus custos não precisam permanecer invisíveis para quem decide.
Informações conferidas em 6 de agosto de 2026. Artigo científico na versão de registro de 9 de julho de 2026.
Fontes
- CHIEN, A. A.; GUPTA, U.; REN, S. et al. Strategies and design for increasing AI sustainability. Nature Reviews Clean Technology, 2026. DOI: 10.1038/s44359-026-00195-w.
- Agência Internacional de Energia — evolução do consumo e gargalos dos centros de dados
- MIT — estudo sobre flexibilidade, custos e emissões na rede elétrica
- Associated Press — centros de dados, tarifas e preocupação das comunidades
Acompanhe o Inova Diamantina para leituras de pesquisas que expliquem evidências, limites e decisões — não apenas resultados.