O custo energético da inteligência: quando a IA colide com o clima

Li recentemente, no Observador, um artigo de opinião que me fez parar para refletir. Antero Carvalho aponta que as maiores empresas de tecnologia admitem, com franqueza incomum, que a corrida pela inteligência artificial as está afastando das metas climáticas que elas mesmas prometeram. A Microsoft, por exemplo, revelou que seu investimento em IA está comprometendo o plano de carbono negativo. O caso de Portugal, que corteja centros de dados em Sines, ilustra uma escolha estratégica que se repete em escala global: até que ponto estamos dispostos a expandir a infraestrutura de IA sem considerar o custo planetário?

Como engenheiro de software que trabalha com cloud computing e sistemas distribuídos há mais de quinze anos, vejo esse dilema de dentro. Não se trata apenas de um problema de relações públicas ou de responsabilidade social corporativa. É uma questão técnica profunda, que envolve trade-offs reais de arquitetura, seleção de modelos, eficiência algorítmica e, principalmente, decisões de infraestrutura que muitos times de engenharia preferem ignorar. Vamos aos detalhes.

Por que a IA consome tanta energia?

O treinamento de modelos grandes de linguagem, como os que sustentam chatbots e sistemas de geração de código, exige clusters com milhares de GPUs operando por semanas ou meses. Cada GPU consome centenas de watts, e o sistema de refrigeração necessário para dissipar o calor pode dobrar o consumo total. Estima-se que um único treinamento do GPT-3 emita algo entre 500 e 1000 toneladas de CO₂ equivalente – comparável a dezenas de voos transatlânticos. E isso é apenas o treinamento. A fase de inferência, quando o modelo já está em produção e atende milhões de requisições por dia, pode consumir ainda mais energia a longo prazo, dependendo da escala de adoção.

Em projetos que liderei, notei que a maior parte da equipe foca em métricas de latência e acurácia, mas raramente considera o custo energético como requisito não funcional. Quando sugeri medir kilowatt-hora por inferência em um sistema de recomendação, colegas olharam com estranhamento. Essa cultura precisa mudar. O hardware está ficando mais eficiente – chips customizados como TPUs da Google e aceleradores da NVIDIA reduzem o consumo por operação –, mas a demanda cresce exponencialmente. A lei de Jevons se aplica perfeitamente aqui: quanto mais eficiente a tecnologia, maior o uso total.

Treinamento versus inferência: onde atacar primeiro?

No curto prazo, a inferência responde pela maior parte do consumo em sistemas maduros. Um modelo como o Llama 2, rodando em servidores dedicados, pode consumir dezenas de watts por requisição quando lida com janelas de contexto grandes. Estratégias como quantização (redução da precisão dos pesos de 32 bits para 8 ou 4 bits), poda de neurônios (pruning) e destilação de conhecimento (knowledge distillation) podem reduzir o consumo em 40-60% com perda de qualidade aceitável. Já implementei essas técnicas em um sistema de recomendação de conteúdo e, embora tenhamos perdido 2% de recall, o ganho em sustentabilidade – e em custo operacional – foi significativo. O trade-off vale a pena quando a métrica de negócio não é drasticamente afetada.

No treinamento, a otimização é mais complexa. Técnicas como treinamento esparso (mixture of experts), uso de dados sintéticos para reduzir iterações e escalonamento dinâmico de recursos (ligar GPUs apenas quando necessário) estão ganhando espaço. Mas exigem mudanças profundas no pipeline de ML e, muitas vezes, redução na qualidade final do modelo. Não existe almoço grátis: quanto menor o modelo, menos capaz ele é. A escolha entre um modelo de 7 bilhões de parâmetros e um de 70 bilhões é tanto uma decisão de negócio quanto ambiental.

A infraestrutura de data centers: o calcanhar de Aquiles

Os centros de dados que sustentam a IA já respondem por cerca de 1-2% do consumo global de eletricidade, e esse percentual cresce à medida que novos clusters entram em operação. Portugal, ao cortejar data centers em Sines, enfrenta um paradoxo: a energia renovável abundante (solar, eólica) pode abastecer essas instalações, mas a intermitência exige baterias ou backup fóssil. Em conversas com colegas de infraestrutura, ficou claro que o PUE (Power Usage Effectiveness) – métrica que compara a energia total consumida pelo data center com a energia usada pelos equipamentos de TI – já não basta. Precisamos de métricas de carbono por watt, não apenas de eficiência do prédio.

A localização geopolítica também importa. Sines, no litoral português, oferece conexões submarinas de fibra e clima ameno, reduzindo custos de refrigeração. Mas a decisão de instalar um data center ali é, acima de tudo, um jogo de incentivos fiscais e disponibilidade de energia. Países como a Irlanda já enfrentaram críticas severas por atrair data centers que sobrecarregam a rede elétrica local, mesmo usando renováveis. O mesmo pode ocorrer em Portugal se o planejamento não for cuidadoso. A escolha estratégica mencionada por Carvalho não é apenas de Portugal; é de todo engenheiro que decide onde hospedar seus modelos.

Refrigeração, baterias e a ilusão do carbono neutro

Empresas como Google e Microsoft se comprometeram a operar com energia 100% renovável, mas a realidade é mais sutil. Os acordos de compra de energia (PPAs) nem sempre garantem que a eletricidade consumida no exato momento venha de fonte limpa – eles compensam no balanço anual. Isso é greenwashing técnico. Data centers modernos usam refrigeração líquida direta ao chip (direct-to-chip liquid cooling) ou imersão em dielétrico, que podem reduzir o PUE para abaixo de 1.1, mas ainda consomem energia para bombear o fluido. Em projetos de cloud, optei por regiões da AWS e Azure que comprovadamente usam energia renovável em tempo real, mas são poucas: US West (Oregon) e Canadá Central, por exemplo. A disponibilidade geográfica é restrita.

Para o engenheiro de software, a lição prática é: ao projetar um sistema que depende de inferência em larga escala, considere a região de implantação como parte das constraints de design. Se a latência permite, escolha regiões com menor pegada de carbono. Ferramentas como o Carbon-Aware SDK da Microsoft ou o Cloud Carbon Footprint ajudam a estimar emissões, mas ainda são pouco integradas ao fluxo de CI/CD da maioria das empresas.

O papel do engenheiro na equação climática

Não podemos esperar que as grandes tecnológicas resolvam o problema sozinhas. Cada profissional de engenharia tem poder de influência nas escolhas do dia a dia. Em times que liderei, implementei práticas como: incluir o consumo energético estimado como métrica de revisão de arquitetura (arquitecture decision records), preferir modelos menores e otimizados quando a diferença de qualidade é marginal, usar cache de inferência para evitar recálculos desnecessários e agendar tarefas de treinamento para horários com maior disponibilidade de energia renovável (algo que a AWS já permite com instâncias spot).

Outra ação concreta é questionar a necessidade real de modelos gigantes. Muitos casos de uso – classificação de texto, sumarização, análise de sentimentos – podem ser resolvidos com modelos de 100-500 milhões de parâmetros com acurácia próxima à de modelos de bilhões. A cultura do “vamos usar o maior modelo disponível” é tecnicamente preguiçosa e ambientalmente irresponsável. Como engenheiros, precisamos defender que a eficiência energética seja um requisito de primeira ordem, assim como segurança e privacidade.

Riscos de greenwashing e a necessidade de transparência

Há um risco real de que as empresas usem certificações e relatórios de sustentabilidade como escudo, enquanto continuam expandindo a capacidade computacional sem controle. A confissão da Microsoft mencionada por Carvalho é um sinal de que a transparência está aumentando, mas também de que os compromissos climáticos são frágeis. Em minha experiência, times de engenharia raramente têm acesso aos dados de consumo energético da infraestrutura que usam – eles ficam na camada de operações ou finanças. Democratizar essa informação é o primeiro passo para decisões informadas.

Regulamentações como o European Green Deal e a Diretiva de Eficiência Energética podem forçar a divulgação de métricas de carbono por serviço. Quando isso acontecer, as empresas que já tiverem incorporado eficiência estarão à frente, tanto em custo quanto em reputação. A pergunta que fica para o engenheiro é: você está preparado para justificar tecnicamente o consumo do seu modelo? Sabe quantos kWh cada chamada de API consome? Se não, está na hora de começar a medir.

Perspectiva pessoal: um chamado à ação

A inteligência artificial que estamos construindo não precisa ser inimiga do clima. Ela pode – e deve – ser parte da solução, ajudando a otimizar redes elétricas, prever demanda energética e reduzir desperdícios em cadeias de suprimento. Mas para isso, precisamos resolver primeiro o paradoxo de estarmos criando uma tecnologia que consome mais recursos do que economiza. Como profissionais de engenharia, temos a obrigação técnica e ética de projetar sistemas que considerem o impacto planetário.

O artigo de Carvalho no Observador me lembrou que não adianta ter a IA mais inteligente do mundo se o planeta onde ela roda não for habitável. Portugal está diante de uma escolha estratégica, mas cada engenheiro também está. Da próxima vez que você for escolher entre um modelo maior e um modelo eficiente, lembre-se: a métrica mais importante não está no dashboard de performance, está no termômetro global. Cabe a nós equilibrar essa equação.