1. O impacto energético oculto da nuvem
A inteligência artificial (IA) costuma ser associada a uma ideia de imaterialidade: algoritmos invisíveis e processamento na “nuvem”. No entanto, a rápida e crescente difusão e adoção – no trabalho e em casa – de IA generativa requere um [rápido] reforço da infraestrutura física que sustenta a IA – composta por milhões de unidades de processamento gráfico (GPUs) em data centers globais – exigindo volumes massivos de eletricidade e água.
Atualmente, existem muitos data centers cujas instalações contêm servidores acolhendo outros dados [que não IA e] que constituem a infraestrutura de TI por trás de todos os nossos serviços digitais – desde email e navegação na Internet até streaming de filmes, Google Maps, banca online, etc.
A presente revolução tecnológica alicerçada na IA está a alterar a pegada ambiental da infraestrutura digital, transformando a eletricidade (e a água) no principal estrangulamento operacional para os três maiores blocos económicos do mundo.
Os centros de dados de IA são instalações dedicadas à execução de modelos de IA.
Estimativas da Agência Internacional de Energia (AIE) indicam que o consumo de eletricidade dos centros de dados deverá passar de 485 TWh em 2025 para 950 TWh em 2030, ou seja, passando de c. 1,5% da produção mundial de eletricidade para c. 3% em 2030. O consumo de eletricidade dos data centers focados em IA (presentemente 1/3 do total) deverá crescer mais rapidamente do que o consumo total de eletricidade dos outros data centers (2/3 do total), triplicando durante este período. No entanto, a própria AIE adverte que “os estrangulamentos em toda a cadeia de valor estão a reduzir a probabilidade de cenários mais otimistas no curto prazo, apesar do aumento expressivo dos investimentos e da crescente procura de projetos”.
Convém ter presente que a mineração de criptomoedas – que alguns consideram ser um terceiro tipo de data centers – também consome [crescentes] massivas quantidades de eletricidade – c. 300 TWh em 2025. Atenta a progressiva utilização de criptomoedas – catalisada pela criação pelo atual governo dos EUA de uma reserva federal de Bitcoin – a tendência deverá ser para o aumento do consumo energético destes produtos, que necessita ser levado em consideração quando se planeia a oferta e a procura de eletricidade.
2. Consumo energético no treino e na inferência
O treino e a inferência de Grandes Modelos de Linguagem (LLMs) e arquiteturas de IA generativa exigem uma densidade de potência sem precedentes. A computação de IA consome muito mais energia do que a computação tradicional. Os servidores de IA requerem significativamente mais eletricidade do que os sistemas de computação padrão, com os clusters de servidores equipados com aceleradores de IA (como GPUs de última geração) a consumirem de 40 a 100+ kW por rack – em comparação com apenas 5~15 kWs para os servidores tradicionais. Esta procura aumentada deve-se à dependência da IA de hardware de alta potência otimizado para cálculos complexos baseados em matrizes.
É importante realçar que o consumo de energia da IA vai além do treino: apenas 20 a 40% do consumo total de energia da IA provém do treino de modelos, enquanto 60 a 70% provém da inferência (o processo contínuo de execução de modelos de IA em tempo real). A Epoch AI estima que o treino do Grok 4 – um modelo relativamente grande – consumiu cerca de 0,31 terawatts-hora (TWh) de eletricidade. A procura total de IA em 2025 foi de aproximadamente 155 TWh, pelo que o treino do Grok 4 representou apenas cerca de 0,2% do total.
3. Concentração geográfica dos data centers
Nas projeções da AIE, os centros de dados para IA consumirão 1,5% da eletricidade mundial. Esta percentagem não é muito impressionante, mas a tendência para crescer é clara e, sobretudo, não está repartida geograficamente em termos iguais. Em algumas localizações, a percentagem é e será muito maior. Esta concentração geográfica leva a que a procura mundial seja satisfeita por um pequeno número de redes elétricas.
Por exemplo, os EUA concentram cerca de 44% da capacidade total de potência de data centers do mundo (aproximadamente 53,7 GW) e abrigam mais de
54%54% das instalações hyperscale globais, razão porque 5% da eletricidade nos EUA é usada para alimentar centros de dados; para os centros focados especificamente em IA, provavelmente ronda os 2%. Todavia, há estados onde os centros de dados representam mais de 10% da procura de eletricidade, atingindo mais de 25% na Virgínia.
Na Europa, que representa cerca de 17% da capacidade global em potência instalada de TI (∼20,8 GW) e detém aproximadamente 3,5 GW dedicados a cargas de trabalho de IA (c. 1,6% do consumo elétrico europeu) – historicamente os data centers estão concentrados nos mercados FLAP-D (Frankfurt, Londres, Amesterdão, Paris e Dublin), mas a saturação das redes elétricas e moratórias de construção (ex.: Dublin e Amesterdão) estão a forçar a descentralização. Na Irlanda, os centros de dados representam mais de 20% do consumo de eletricidade. Cargas de treino de IA não sensíveis à latência migram para regiões do Norte da Europa (países nórdicos) e Sul/Sudoeste (Espanha e França), devido ao acesso a energias renováveis e custos de arrefecimento inferiores.
Na China, foi adotado o projeto “Dados do Leste, Computação do Oeste” (Eastern Data, Western Computing): para contornar a saturação energética e de espaço em centros urbanos do Leste (Pequim, Xangai, Shenzhen), o governo chinês reorientou a construção de grandes clusters de processamento pesado e treino de IA para províncias do Oeste ricas em energia renovável e carvão (como Guizhou, Gansu e Ningxia).
Em qualquer caso, a dimensão dos investimentos em curso em novos data centers para servir o desenvolvimento da IA está a causar um forte impacto nas comunidades locais, em virtude de a elevada procura de eletricidade poder sobrecarregar os fornecimentos locais e elevar os preços da energia. Essa é uma das principais, se não a principal razão, pela qual cada vez mais populações locais se opõem à criação de data centers na sua vizinhança.
4. Perfis de consumo energético e a matriz elétrica nos três principais blocos económicos
O consumo de energia dos data centers de IA envolve tanto a eletricidade consumida pelos processadores de cálculo quanto a energia gasta em sistemas de refrigeração e conversão de potência – mensurada pelo PUE (Power Usage Effectiveness).
EUA
Consumo e projeções: A AIE estima que o consumo dos data centers norte-americanos passe de cerca de 200 TWh em 2022 para >260 a 400+ TWh até ao final do ciclo de expansão acelerado de IA, podendo representar entre 6%~9% de toda a procura elétrica do país.
Impacto na rede elétrica: Regiões como o ecossistema PJM (que cobre a Virgínia do Norte e vários estados do MidWest) enfrentam estrangulamentos graves de transmissão. A urgência de potência levou a adiar o encerramento de centrais a carvão e a assinar contratos diretos de aquisição de energia (PPA) com centrais nucleares existentes.
UE
Eficiência e restrições de procura: Na UE, os data centers consomem perto de 100 TWh anuais, prevendo-se que atinjam quase 150 TWh à medida que a infraestrutura de IA se consolida.
Regulação e integração: A UE exige metas estritas de PUE através da Diretiva (UE) 2023/1791 do Parlamento Europeu e do Conselho, de 13 de setembro de 2023, relativa à eficiência energética (EED), forçando a utilização de calor residual para redes de aquecimento urbano em países como a Dinamarca e a Alemanha. O principal desafio europeu é a escassez de capacidade nas redes urbanas de alta voltagem (ex.: Amesterdão e Dublin).
China
Escala e dependência do carvão: O consumo de eletricidade dos data centers chineses supera os 200 TWh e aproxima-se rapidamente dos 300 TWh.
Matriz elétrica dual: A localização geográfica dos clusters de IA impõe um duplo padrão energético: os centros no Leste utilizam matrizes predominantemente térmicas (carvão), enquanto a estratégia Eastern Data, Western Computing canalizou a maioria do treino e da inferência para o Oeste, aproveitando megaprojetos eólicos, solares e hídricos. Contudo, a estabilidade das redes no Oeste ainda exige apoio substancial de centrais a carvão de reserva.
5. Dimensão da pegada de carbono das empresas de IA
Que fatores afetam as emissões de carbono da IA? Para apurar as emissões de carbono que um sistema de IA produz, alguns fatores entram em jogo:
Complexidade do algoritmo: Alguns algoritmos, especialmente os de aprendizagem profunda utilizados para alimentar a IA generativa, requerem mais poder computacional do que outros. Um algoritmo mais complexo pode significar mais ciclos, mais servidores e mais energia.
Tamanho do modelo: O tamanho do conjunto de dados e o número de parâmetros do modelo afetam diretamente o tempo de treino e o consumo de energia. O GPT-5, por exemplo, é ordens de grandeza superior aos modelos de há apenas alguns anos.
Eficiência do data center: Nem todos os data centers são iguais. Um centro de dados alimentado a energia geotérmica na Islândia tem uma pegada ecológica muito menor do que um alimentado a carvão na Virgínia Ocidental. Os sistemas de refrigeração e a eficiência energética também fazem a diferença.
Hardware e infraestrutura: Os chips especializados, como os TPUs, são concebidos para acelerar o treino de IA de forma mais eficiente do que o hardware de uso geral. À medida que o hardware melhora, o custo de energia por cálculo diminui, mas a procura global continua a aumentar.
As principais empresas de IA têm sido acusadas de contribuir para o aumento significativo da pegada de carbono que a indústria de IA está a criar, devido ao alto consumo de energia necessário para alimentar os data centers e os sistemas de IA (c. 2% da energia global e 2,5% a 3,7% das emissões globais de gases com efeito de estufa (GEE)) que, na maioria dos casos, ainda provém da queima de combustíveis fósseis.
Qual é a dimensão da pegada de carbono das empresas de IA? De acordo com o pesquisador K. G. A. Ludvigsen, o treino do ChatGPT-4 deverá ter tido um consumo elétrico entre 50 GWh e 55 GWh, com emissões na faixa de 12.000 a 15.000 toneladas de CO₂. Lamentavelmente, a OpenAI não disponibiliza dados sobre a matéria. A procura anual de eletricidade gerada pelos servidores de IA da NVIDIA em todo o mundo deverá aumentar de 85,4 para 134 terawatts-hora até 2027. O treino de outros LLMs gera menos emissões, mas depende da intensidade de carbono da rede elétrica.
A dimensão do problema reside não apenas na quantidade de energia consumida, mas também na sua origem: a pressa na expansão da infraestrutura frequentemente está a ultrapassar a capacidade de integração de fontes renováveis localmente, forçando a dependência contínua de combustíveis fósseis (especialmente gás natural e carvão).
6. Casos concretos: o conflito entre as metas de descarbonização e a corrida da IA
Apesar de empresas como a Google, a Amazon e a Meta terem declarado estar a procurar alternativas para minimizar o impacto ambiental e a pegada de carbono, melhorando a eficiência energética dos data centers e aumentando o uso de fontes de energia renováveis e nuclear, os números mostram que diversas gigantes tecnológicas viram os seus planos de transição ecológica colidir diretamente com a celeridade imprimida no desenvolvimento dos seus modelos de IA:
Microsoft: Apesar do objetivo público de atingir a emissão neutra de carbono até 2030, os seus relatórios de sustentabilidade revelaram um aumento de 25% nas suas emissões globais de carbono num único ano, impulsionado quase exclusivamente pela construção acelerada de data centers para suportar infraestruturas como a OpenAI. Em certas regiões, a empresa teve de recorrer a acordos de compra de energia fóssil para garantir fornecimento ininterrupto (24/7) às instalações de computação de alto rendimento.
Google (Alphabet): A empresa registou um aumento superior a 18% a 20% nas suas emissões de gases com efeito de estufa, assumindo abertamente no seu relatório ambiental que a integração da IA generativa na pesquisa e na nuvem tornou extremamente difícil a redução do seu impacto carbónico imediato.
Amazon (AWS): A AWS reportou um incremento de cerca de 16% nas suas emissões totais. A cadeia de abastecimento e a construção massiva de novas infraestruturas de processamento foram apontadas como os principais vetores do crescimento das emissões indiretas (Scope 3).
Pressão sobre redes elétricas regionais (EUA e Irlanda): Em mercados centrais de data centers, como o estado da Virgínia (EUA) ou a Irlanda, o aumento súbito de procura fez com que empresas distribuidoras de energia adiassem o desmantelamento de centrais a carvão ou aprovassem a construção de novas centrais a gás natural para evitar apagões na rede.
Esta situação de clara derrapagem no que toca ao (in)cumprimento de metas relativas à diminuição de emissão de GEE assumidas pelas grandes empresas desenvolvendo IA é dramática, não obstante ser possível que, a prazo, a IA possa ser usada para ajudar a reduzir as emissões de GEE – p. ex., através da otimização de processos industriais e da previsão de padrões climáticos
7. A pegada de carbono e ambiental indireta
A IA produz ainda uma pegada de carbono / ambiental indireta, em especial nos seguintes domínios:
Lixo eletrónico: A IA depende de hardware especializado, como GPUs, TPUs e servidores de alto desempenho, que têm uma vida útil relativamente curta. As atualizações frequentes e a eliminação destes dispositivos geram grandes quantidades de lixo eletrónico, de difícil reciclagem, que libertam substâncias químicas nocivas ao ambiente.
Extração de minérios e refinação de metais críticos: O fabrico de hardware de IA – a produção de semicondutores, GPUs, memórias de alta largura de banda (HBM), circuitos impressos (PCBs), sistemas de energia ou refrigeração – requer a extração de minérios e o respetivo processamento químico (vulgarmente denominado como refinação) de metais críticos como o carbonato e hidróxido de lítio, o cobre, o cobalto e o níquel refinados, gálio e índio refinados e [os elementos de] terras raras refinadas e ímanes (ex: neodímio, disprósio, térbio) e de metais preciosos, como o ouro, prata e platina refinados. Os inerentes processos de extração destes minérios e, sobretudo, a refinação dos mesmos para criar os metais críticos podem provocar a destruição de habitats, a poluição da água e a degradação dos solos, contribuindo para danos ecológicos no longo prazo.
Uso do solo: A construção de centros de dados de IA em grande escala – cada vez mais frequente – requer frequentemente uma área significativa de solo, podendo perturbar os habitats naturais e a biodiversidade local. Teoricamente, a construção e a manutenção destas instalações podem também contribuir para a pressão da urbanização; na realidade, os data centers criam muito poucos postos de trabalho.
8. A pegada energética das consultas individuais de LLMs
Quanta energia consome uma consulta individual, quando alguém faz uma pergunta a um LLM – como ChatGPT, Gemini ou Claude? Quanta procura adicional de eletricidade gera?
Não há muitos dados disponibilizados pelas empresas de IA quanto ao consumo energético dos seus modelos. As primeiras divulgações oficiais de energia por consulta das principais empresas de IA pintam um quadro surpreendentemente modesto.
Em 2025, a Google divulgou estimativas energéticas para o seu modelo Gemini. Estimou que a consulta mediana baseada em texto (basicamente fazer uma pergunta de texto ao Gemini) consome cerca de 0,24 watt-hora (Wh) de eletricidade, emite 0,03 gCO2e (gramas de dióxido de carbono equivalente) e consome 0,26 ml (ou cerca de cinco gotas) de água.
Sam Altman (OpenAI) estima que uma “consulta média” no ChatGPT consumia cerca de 0,34 Wh e 0,32 ml de água O CEO da OpenAI, Sam Altman, também esclareceu, em junho de 2025.
Uma estimativa bottom-up de Felipe Oviedo (Microsoft Research) indica uma mediana de 0,34 Wh para modelos de fronteira com mais de 200 mil milhões de parâmetros.
A Epoch AI também forneceu a sua própria estimativa independente de cerca de 0,3 Wh para uma consulta “típica” do ChatGPT (GPT-4o).
Estes números datam de 2025 e provavelmente já são inferiores. A própria Google reportou uma redução de trinta e três vezes na energia por prompt nos 12 meses até maio de 2025, impulsionada pelos avanços na arquitetura dos modelos e no hardware. À medida que a otimização de inferências e os aceleradores de próxima geração continuarem a melhorar, a AIE espera que o consumo por consulta caia ainda mais.
Este [baixo] consumo energético resulta do facto de a maioria das consultas ser simples, pelo que a consulta mediana é provavelmente pequena tanto em tamanho como em complexidade.
Para consultas mais longas que dependem de agentes de IA ou raciocínio, a pegada é maior. A Epoch AI estimou que uma consulta longa (7.500 palavras de entrada) pode consumir cerca de 2,5 Wh, e uma muito longa (75.000 palavras) pode consumir 40 Wh. Esses valores são muito superiores à simples consulta de texto.
Existem menos estimativas para outros tipos de pedidos. No seu relatório de 2026, a AIE fornece estimativas do consumo de eletricidade da GPU para tarefas agênticas com raciocínio.
A AIE estima que um pedido simples a um agente de IA consuma cerca de 1,14 Wh. Um pedido a um agente com raciocínio, cerca de 50 Wh. O valor não anda longe das estimativas relativamente a consultas de texto de comprimento máximo.
Apesar de tudo, continuam a ser valores relativamente baixos em comparação com o consumo diário médio de eletricidade por pessoa, especialmente em países de rendimento elevado.
Na UE, o consumo médio de eletricidade por pessoa é de c. 17.000 Wh / dia, equivalente a c. 6.800 consultas de entrada longa (que consomem 2,5 Wh cada).
Nos EUA, uma pessoa consome, em média, aproximadamente o dobro da eletricidade em relação à média da UE, pelo que a contribuição das consultas de IA para efeitos de pegada energética (e hídrica) é cerca de metade da da UE.
O gráfico de Our World in Data (Univ. Oxford) abaixo fornece dados comparativos que permitem ter uma ideia de como o consumo de energia por consulta individual (simples, longa e muito longa) se compara com o consumo elétrico de outros produtos ou atividades.
Em qualquer caso, a inferência baseada em texto em grande escala consome uma fatia muito pequena da procura projetada de eletricidade; a maior parte da capacidade planeada terá de ser destinada a outras cargas de trabalho, como treino de modelos em grande escala, geração de vídeo e imagem, agentes autónomos a correr pipelines em múltiplos passos ou implementações empresariais ainda não refletidas nos números de uso público. No entanto, nenhuma das empresas que divulgaram métricas por consulta ofereceu uma divisão comparável de como a sua capacidade prevista será distribuída nestas categorias, nem como se espera que o consumo por consulta evolua à medida que casos de uso agênticos e intensivos em raciocínio se tornem a norma. Na prática, a inferência de IA está a difundir-se rapidamente por todo o espectro dos serviços digitais, desde motores de busca e recomendação ao apoio ao cliente, administração pública e fluxos de trabalho autónomos de agentes em múltiplas etapas. Compreender a composição da futura procura de eletricidade por IA, não só o custo de um único prompt hoje, mas também a combinação completa de cargas de trabalho cada vez mais complexas e incorporadas que impulsionam a construção da infraestrutura de amanhã, daria aos planeadores energéticos e decisores políticos uma base muito mais forte para antecipar o que está para vir.
O mais extraordinário é haver financiamento e investimento de biliões para criar uma capacidade instalada com tantas incógnitas por revelar ou explorar.
9. Enquadramento legal e regulatório da UE
Ao contrário dos EUA, onde o poder político federal decidiu não regular a IA – em termos práticos optando por não impor qualquer limite ou salvaguarda às empresas tecnológicas, incluindo as de IA – a política da UE para mitigar o impacto ambiental da IA, incluindo o consumo energético e a sua pegada de carbono, assenta numa combinação de regulamentação direta de IA, normas para a infraestrutura digital (data centers) e obrigações de reporte corporativo.
Embora o combate à pegada ecológica da IA esteja dividido por múltiplos diplomas, os pilares fundamentais abordam o consumo energético e as emissões de carbono da seguinte forma:
9.1. Consumo energético e Regulamento da IA (EU AI Act)
O Regulamento Europeu da Inteligência Artificial (Regulamento UE 2024/1689) introduziu, pela primeira vez a nível global, exigências ambientais para criadores e fornecedores de IA:
Modelos de IA de Finalidade Geral (GPAI): Os criadores de modelos fundacionais (como os LLMs) são obrigados a documentar o consumo energético estimado ou real durante a fase de treino e de inferência (utilização). Esta documentação deve ser disponibilizada ao Gabinete Europeu de IA (AI Office).
Estandardização e rotulagem: A Comissão Europeia está a desenvolver métricas padronizadas para medir a eficiência energética dos algoritmos, preparando o caminho para uma futura etiqueta de eficiência energética / emissões para IA (semelhante às etiquetas dos eletrodomésticos).
Normas de ecodesign: Espera-se que a Comissão Europeia estabeleça padrões para o ecodesign de software de IA, incentivando arquiteturas e algoritmos computacionalmente mais eficientes.
9.2. Infraestrutura digital e data centers (Diretiva de Eficiência Energética - EED)
Como grande parte do consumo energético da IA ocorre nas infraestruturas físicas, a UE atualizou a Diretiva de Eficiência Energética (EED - Diretiva UE 2023/1791), impondo regras estritas aos operadores de data centers:
Registo europeu obrigatório: Data centers com exigência de potência de TI igual ou superior a 500 kW têm de comunicar publicamente os seus indicadores chave de desempenho ambientais.
Métricas de energia: O reporte exige a apresentação de um indicador crucial – o PUE (Power Usage Effectiveness): Rácio da energia total consumida pelo data center em relação à energia entregue aos equipamentos de TI.
Reutilização de calor: É incentivada e, em certos casos, obrigatória a recuperação do calor residual gerado pelos servidores para alimentar redes de aquecimento urbano ou processos industriais.
9.3. Pegada de carbono e reporte corporativo (CSRD)
No que diz respeito à pegada de carbono global da IA (abrangendo o ciclo de vida dos centros de dados, o consumo da rede e o fabrico de hardware):
Corporate Sustainability Reporting Directive (CSRD): As empresas tecnológicas e as grandes organizações que desenvolvem ou utilizam IA em grande escala têm de reportar as suas emissões de GEE de acordo com os padrões ESRS (European Sustainability Reporting Standards). Isto abrange:
Escopo 1 e 2: Emissões diretas e consumo de eletricidade associado às operações de IA.
Escopo 3: Emissões indiretas ao longo da cadeia de valor (incluindo serviços de computação em nuvem contratados a terceiros).
Taxonomia da UE: Classifica os data centers e as soluções digitais que cumprem critérios rigorosos de eficiência e energia renovável como “atividades sustentáveis”, direcionando o financiamento verde para estas infraestruturas.
10. O devir próximo do impacto ambiental da IA
A IA não tem de ser inimiga do ambiente. Com as inovações e os incentivos certos, pode evoluir para uma tecnologia mais verde do que é hoje, desde logo no que respeita ao consumo de eletricidade e à pegada de carbono.
Existem indicadores de que se pode esperar alguns desenvolvimentos promissores no devir próximo:
Melhor hardware: Os chips concebidos especificamente para IA estão a tornar-se mais eficientes em termos energéticos a cada ano.
Data centers mais ecológicos: A transição para as energias renováveis está a acelerar, e as inovações na refrigeração e no armazenamento de energia estão a tornar os data centers mais sustentáveis.
Algoritmos mais inteligentes: Os investigadores estão a explorar formas de conceber modelos generativos de IA mais eficientes, incluindo modelos de linguagem simplificados que utilizam menos dados de treino para reduzir o consumo de energia sem perder desempenho.
Computação quântica: A computação quântica ainda está em desenvolvimento, mas promete um potencial salto em eficiência para certos tipos de problemas, em comparação com a nossa computação binária tradicional.
11. Conclusão
Avançar os limites da IA quase sempre exige mais poder computacional. O treino da próxima geração de modelos exige conjuntos de dados maiores, arquiteturas mais complexas e ciclos de treino mais longos.
Numa perspetiva puramente tecnológica, quanto maior e mais poderoso for o modelo, mais impressionantes serão os resultados. Porém, numa perspetiva ambiental, “quanto maior, melhor” rapidamente se transforma em “quanto maior, mais custoso” em termos de consumo energético e de pegada de carbono da IA.
Se reduzirmos os recursos computacionais para poupar energia, corremos o risco de abrandar a inovação, numa altura em que as grandes empresas tecnológicas aceleram para tentar chegar à AGI (IA Geral). Todavia, se continuarmos a expandir a IA sem ter em conta o seu consumo energético e a sua pegada de carbono, corremos o risco de comprometer o próprio futuro que estas inovações deveriam proteger.
O equilíbrio [delicado] entre estes interesses fundamentais é uma das mais importantes questões do nosso tempo, urgindo delinear políticas públicas a adotar – como a EU já fez parcialmente – sendo importante o contributo de investigadores, empresas e decisores políticos.