# A medição é o gargalo da IA verde

> Por que é difícil confiar em números de energia da IA ou compará-los: dados autodeclarados, estimativas em vez de medições, fronteiras diferentes.

Source: https://greenai.guide/pt/artigos/a-medicao-e-o-gargalo-da-ia-verde/  
Updated: 2026-11-19

## 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? {#why-are-ai-energy-figures-hard-to-trust}

**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? {#how-much-does-the-boundary-matter}

**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:

1. Os chips de IA que fazem o trabalho.
2. O resto do servidor: processadores, memória, armazenamento.
3. A capacidade ociosa e de reserva mantida para os picos.
4. A refrigeração e a conversão de energia do data center.
5. A rede que transporta as solicitações e as respostas.
6. O dispositivo do usuário.
7. O treinamento do modelo, dividido entre os seus usos.
8. 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? {#what-is-the-difference-between-estimating-and-metering}

**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? {#is-transparency-getting-better}

**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? {#what-would-good-measurement-look-like}

**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](/pt/artigos/etiquetas-de-energia-e-benchmarks-para-ia/) 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 {#what-to-do-next}

- 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](/pt/boas-praticas/como-medir-a-energia-e-o-carbono-da-ia/).
- Informe a fronteira e o método junto com qualquer número que você publicar; veja [como fazer alegações verdes honestas](/pt/boas-praticas/alegacoes-ambientais-honestas-sobre-ia/).
- Peça aos fornecedores a energia medida por tarefa, e não índices de marketing; veja [compras (aquisição) de IA sustentável](/pt/boas-praticas/compras-de-ia-sustentavel/).
- Procure ferramentas úteis no [diretório de produtos](/pt/produtos/) e ajuda especializada no [diretório de consultores](/pt/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](https://arxiv.org/abs/2508.15734), Elsworth et al., Google (2025)
- [The gentle singularity](https://blog.samaltman.com/the-gentle-singularity), Sam Altman (OpenAI) (2025)
- [How much energy does ChatGPT use?](https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use), Epoch AI (2025)
- [Misinformation by omission: the need for more environmental transparency in AI](https://arxiv.org/abs/2506.15572), Luccioni, Gamazaychikov, Alves da Costa and Strubell (2025)
- [Measuring what matters: how to assess AI's environmental impact](https://www.itu.int/hub/publication/s-gen-gda-001-2025/), International Telecommunication Union (2025)
- [CodeCarbon](https://codecarbon.io/), CodeCarbon project (2020)
- [The ML.ENERGY benchmark: toward automated inference energy measurement and optimization](https://arxiv.org/abs/2505.06371), Chung et al., NeurIPS Datasets and Benchmarks (2025)
- [ISO/IEC 21031:2024 Software Carbon Intensity (SCI) specification](https://www.iso.org/standard/86612.html), ISO/IEC and Green Software Foundation (2024)
- [Network energy use not directly proportional to data volume](https://doi.org/10.1111/jiec.13512), Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
- [Regulation (EU) 2024/1689 (AI Act), Annex XI](https://ai-act-service-desk.ec.europa.eu/en/ai-act/annex-11), European Union (2024)
