Em resumo
A maioria dos números de energia da IA é declarada pelas próprias empresas, com métodos que não são publicados por completo, ou estimada a partir de suposições, sem medição em hardware real. Estudos diferentes também traçam a fronteira do "sistema" em lugares diferentes. Enquanto a medição não for consistente, é difícil verificar as alegações de IA verde, e as comparações entre modelos ou fornecedores podem enganar.
Pontos-chave
- Os números por prompt mais conhecidos vêm dos próprios fornecedores e usam métodos diferentes, por isso não podem ser comparados diretamente.
- Mudar a fronteira da medição pode mais que dobrar um resultado; o próprio número do Google para um prompt do Gemini cai de 0,24 Wh para 0,10 Wh se apenas os chips de IA forem contados.
- Muitas ferramentas estimam a energia a partir de especificações de hardware e médias da rede elétrica, em vez de medi-la.
- A transparência sobre os custos ambientais da IA vem diminuindo, e não melhorando, segundo uma análise de 2025.
- Um bom número informa o que foi medido, como, com que fronteira, em que hardware e para qual tarefa.
Não dá para gerenciar o que não se mede, e o consumo de energia da IA ainda é mal medido. Isso não é um detalhe: é o que decide se as alegações de IA verde podem ser verificadas, se os compradores podem comparar produtos e se as políticas públicas podem mirar nas coisas certas. Sem números confiáveis, toda alegação verde é um comunicado de imprensa.
Por que é difícil confiar nos números de energia da IA?
Porque a maioria vem das empresas que vendem a IA, usa métodos que não são publicados por completo e não pode ser verificada de forma independente. Isso não os torna errados, mas os torna difíceis de comparar.
Os dois números mais citados para um prompt de texto são ambos autodeclarados:
| Número | Quem | O que sabemos sobre o método |
|---|---|---|
| 0,24 Wh para um prompt de texto mediano no Gemini Apps | Google, 2025 | Um artigo publicado descreve o método, incluindo os custos adicionais do data center e a capacidade ociosa. Dados de maio de 2025, sem verificação independente. |
| Cerca de 0,34 Wh para uma consulta média ao ChatGPT | Diretor executivo da OpenAI, 2025 | Uma postagem de blog; nenhuma metodologia publicada. |
| Aproximadamente 0,3 Wh para uma consulta típica ao GPT-4o | Epoch AI, 2025 | Uma estimativa independente com base em informações públicas sobre o hardware e o tamanho do modelo. |
Os números parecem semelhantes, mas não são equivalentes: uma mediana não é uma média, e as fronteiras são diferentes. Eles também cobrem apenas prompts de texto curtos, e não a geração de imagens ou vídeos, o raciocínio longo ou os agentes.
Quanto a fronteira importa?
Muito. O próprio artigo do Google mostra isso. Contar apenas os aceleradores de IA ativos (TPUs e GPUs) dá 0,10 Wh por prompt mediano. Somar os servidores hospedeiros, a capacidade ociosa mantida pronta para a demanda e os custos adicionais do data center, como a refrigeração, dá 0,24 Wh, mais que o dobro.
Onde você traça a linha decide a resposta. Uma fronteira completa para um serviço de IA pode incluir:
- Os chips de IA que fazem o trabalho.
- O resto do servidor: processadores, memória, armazenamento.
- A capacidade ociosa e de reserva mantida para os picos.
- A refrigeração e a conversão de energia do data center.
- A rede que transporta as solicitações e as respostas.
- O dispositivo do usuário.
- O treinamento do modelo, dividido entre os seus usos.
- A fabricação do hardware (carbono incorporado).
O mesmo vale para comparações ousadas. Uma alegação de que a IA usa muitas vezes mais, ou menos, energia do que uma pessoa fazendo a mesma tarefa depende do que é contado de cada lado: o computador e o tempo da pessoa, o treinamento do modelo, o trabalho necessário para verificar e corrigir o resultado da IA. Um sandpit de IA verde realizado no Reino Unido em 2026, com matemáticos, cientistas da computação e representantes da indústria, destacou que as fronteiras do sistema precisam ser declaradas antes que qualquer comparação desse tipo signifique algo.
Qual é a diferença entre estimar e medir?
Medir é ler a potência real do hardware enquanto o trabalho é executado; estimar é calculá-la a partir de suposições. As duas abordagens têm o seu lugar, mas são confundidas com frequência.
- Medir usa contadores de hardware (como os embutidos nos processadores e GPUs modernos), medidores de potência nos servidores ou medidores do data center. É preciso para o que cobre, mas exige acesso ao hardware.
- Estimar multiplica a potência nominal suposta pelo tempo de execução e pela utilização e, em seguida, por uma intensidade de carbono média da rede elétrica. Ferramentas como o CodeCarbon estimam a potência de processadores, GPUs e memória e aplicam a intensidade da rede elétrica da região. São fáceis de usar, mas são estimadores, e não medidores.
As estimativas podem errar muito, especialmente em hardware de nuvem compartilhado, em que você não vê o que mais está em execução. Regras práticas simples também são arriscadas: Mytton, Lundén e Malmodin mostraram em 2024 que a energia da rede é, em grande parte, uma base fixa, por isso fatores de "quilowatts-hora por gigabyte" representam mal o efeito de enviar mais ou menos dados.
O relatório de 2025 da União Internacional de Telecomunicações sobre a medição do impacto ambiental da IA apontou a forte dependência de estimativas indiretas, sem medição empírica, como um problema urgente.
A transparência está melhorando?
Pela maioria dos critérios, não. Luccioni, Gamazaychikov, Alves da Costa e Strubell analisaram a divulgação de informações ambientais sobre modelos de IA em 2025 e concluíram que a transparência sobre os custos e os impactos desses modelos diminuiu, mesmo com o aumento do seu uso.
A regulamentação está começando a empurrar no sentido contrário. Pelo AI Act da UE, os fornecedores de modelos de IA de uso geral precisam documentar o consumo de energia conhecido ou estimado dos seus modelos (Anexo XI). Essa documentação vai para os reguladores e para os fornecedores a jusante, e não para o público, e estimativas são permitidas quando a medição não está disponível.
Como seria uma boa medição?
Um número que você consegue reproduzir: o que foi medido, como, com que fronteira, em que hardware e para qual tarefa. Já existem peças úteis para isso:
- Benchmarks abertos, como o ML.ENERGY Leaderboard, que mede a energia de inferência de modelos abertos em hardware conhecido, e os rótulos de energia e benchmarks que estão surgindo.
- Normas, como a ISO/IEC 21031:2024, a especificação Software Carbon Intensity, que define uma taxa de carbono por unidade funcional a partir da energia, da intensidade da rede elétrica e das emissões incorporadas.
- Precisão junto com a energia. Uma resposta barata que está errada não é eficiente. Os números de energia devem ser informados junto com a qualidade do resultado e com a quantidade de retrabalho necessária.
A medição também precisa chegar a níveis mais finos do que "o data center": uma solicitação, um modelo ou uma linha de código. É esse tipo de atribuição que permite aos engenheiros encontrar e corrigir as partes caras.
O que fazer a seguir
- Quando vir um número de energia da IA, pergunte: quem mediu, com que fronteira, e foi medido ou estimado?
- Meça as suas próprias cargas de trabalho no hardware que você usa; veja como medir a energia da IA.
- Informe a fronteira e o método junto com qualquer número que você publicar; veja como fazer alegações verdes honestas.
- Peça aos fornecedores a energia medida por tarefa, e não índices de marketing; veja compras (aquisição) de IA sustentável.
- Procure ferramentas úteis no diretório de produtos e ajuda especializada no diretório de consultores.
Perguntas frequentes
Por que não posso comparar a energia do ChatGPT e do Gemini?
Porque os números publicados são autodeclarados, cobrem coisas diferentes e usam métodos que não são publicados por completo. Um pode incluir os custos adicionais do data center e a capacidade ociosa; outro pode não incluir. Enquanto os dois não forem medidos da mesma forma, uma comparação direta não é confiável.
Qual é a diferença entre estimar e medir a energia da IA?
Medir é ler a potência em sensores ou medidores do hardware enquanto o trabalho é executado. Estimar é calcular a energia a partir de suposições, como a potência nominal dos chips, a utilização e o tempo de execução. As estimativas são úteis quando a medição é impossível, mas podem errar muito.
O que é uma fronteira do sistema?
É a linha que define o que é contado. Uma fronteira estreita conta só o chip de IA; uma mais ampla acrescenta o servidor, a refrigeração, a capacidade ociosa, a rede, o dispositivo do usuário e a fabricação do hardware.
Fontes
- Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)
- The gentle singularity, Sam Altman (OpenAI) (2025)
- How much energy does ChatGPT use?, Epoch AI (2025)
- Misinformation by omission: the need for more environmental transparency in AI, Luccioni, Gamazaychikov, Alves da Costa and Strubell (2025)
- Measuring what matters: how to assess AI's environmental impact, International Telecommunication Union (2025)
- CodeCarbon, CodeCarbon project (2020)
- The ML.ENERGY benchmark: toward automated inference energy measurement and optimization, Chung et al., NeurIPS Datasets and Benchmarks (2025)
- ISO/IEC 21031:2024 Software Carbon Intensity (SCI) specification, ISO/IEC and Green Software Foundation (2024)
- Network energy use not directly proportional to data volume, Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
- Regulation (EU) 2024/1689 (AI Act), Annex XI, European Union (2024)
Relacionados
Como medir a energia e o carbono da IA
Um guia prático para medir ou estimar a energia e o carbono do trabalho com IA: ferramentas, limites do sistema, métricas por tarefa e incerteza honesta.
Etiquetas de energia e benchmarks para IA
Onde estão as classificações de energia da IA em 2026: AI Energy Score, MLPerf Power, documentação do AI Act da UE e classificação de data centers, e o que etiquetas mostram.
Alegações ambientais honestas sobre IA
Como evitar greenwashing na IA: o que você pode e não pode alegar, efeito rebote, relatórios honestos e as regras do Reino Unido, da UE e dos EUA.
Por que a IA verde importa agora
A IA acelera a demanda de eletricidade dos data centers, pressiona as redes e eleva custos. Evidências sobre escala, energia e políticas em 2026.