A expansão acelerada da inteligência artificial está gerando pressões cada vez maiores sobre a infraestrutura elétrica mundial, com implicações diretas para as emissões de carbono globais.

A conclusão, que parece óbvia, é do relatório Power Hungry, desenvolvido ao longo de seis meses pela MIT Technology Review Brasil em parceria com pesquisadores independentes.

Contudo, vem a partir da análise mais abrangente já conduzida sobre o consumo energético de diferentes aplicações de IA.

Enquanto avaliações passadas baseavam-se predominantemente em extrapolações teóricas de consumo energético em data centers, a pesquisa da MIT implementou medições específicas do gasto energético durante execução real de tarefas computacionais.

A pesquisa revelou impactos ambientais significativos do crescimento exponencial dos sistemas de IA, utilizando pela primeira uma metodologia de medição direta em modelos de código aberto, superando assim limitações de estudos anteriores que se baseavam somente em estimativas projetivas.

A metodologia usada estabelece um protocolo inédito para comparação sistemática entre modalidades de conteúdo, complexidade de modelos e impactos regionais, superando limitações de estudos que tratam estas variáveis isoladamente.

E também elimina margens de erro inerentes a projeções com base em dados indiretos, proporcionando quantificação precisa do consumo de chips durante diferentes tipos de processamento.

Variações significativas no consumo energético

O consumo de energia varia drasticamente conforme a complexidade da tarefa executada.

A criação de roteiros de viagem detalhados, por exemplo, consome até dez vezes mais energia do que solicitações mais simples.

A diferença torna-se ainda mais acentuada quando considerado o tamanho dos modelos utilizados. Sistemas com maior número de parâmetros chegam a consumir 70 vezes mais energia para executar as mesmas tarefas.

Esta variação de até 7.000% no consumo energético entre diferentes configurações representa descoberta sem precedentes, estabelecendo uma referência quantitativa para avaliações futuras de eficiência computacional.

Sobre a forma do conteúdo, respostas em texto demandam quantidades relativamente moderadas de energia, enquanto a geração de vídeos pode exigir centenas de vezes mais recursos computacionais.

As descobertas devem ter implicações diretas para empresas que planejam implementar soluções de IA para diferentes tipos de dados em suas operações.

Impactos nas matrizes energéticas regionais

Já é sabido que a localização geográfica dos data centers representa um fator determinante para o impacto ambiental das aplicações de IA.

Nesta análise do MIT, pesquisadores se utilizaram da avaliação integrada de intensidade de carbono para quantificar diferenças regionais, numa abordagem que considera especificamente a composição da matriz energética local.

Dados de 2024 indicam que acessar um data center na Virgínia Ocidental, por exemplo, pode gerar quase o dobro das emissões comparado a uma operação similar na Califórnia.

A variação de até 100% nas emissões de carbono para processamentos idênticos, dependendo exclusivamente da localização geográfica, representa uma variável frequentemente negligenciada em estudos anteriores.

Limitações de transparência setorial

Uma das descobertas mais significativas da pesquisa refere-se à documentação sistemática da falta de transparência das principais empresas do setor.

Nenhuma das companhias contatadas durante a investigação forneceu dados específicos sobre consumo energético ou emissões de seus modelos proprietários, uma lacuna quantificada pela primeira vez de forma abrangente.

Esta ausência de informações, que representa limitação estrutural para avaliações setoriais completas, foi o que direcionou a metodologia para concentração em modelos de código aberto.

Projeções e implicações na governança energética

O estudo aponta para uma integração crescente da IA em todas as interações tecnológicas cotidianas.

Diferentemente do cenário atual, onde usuários acessam deliberadamente plataformas específicas, a tendência indica que a IA estará incorporada de forma invisível em diversos sistemas e aplicações.

Os resultados indicam a necessidade urgente de estabelecer frameworks de governança para o consumo energético da IA.

O crescimento exponencial da demanda por processamento de IA, combinado com a ausência de padrões setoriais de medição e reporte, amplifica os desafios para planejamento energético corporativo e global.

Para empresas que implementam soluções de IA, os dados sugerem que considerações sobre eficiência energética devem integrar o processo de tomada de decisão desde as fases iniciais de planejamento.

A escolha entre diferentes modelos e a localização da infraestrutura computacional podem resultar em variações substanciais tanto no impacto ambiental quanto nos custos operacionais.