Em resumo
Tornar cada tarefa de IA mais barata não significa que a IA como um todo use menos energia, porque tarefas mais baratas tendem a levar a mais tarefas. Esse é o efeito rebote, ou efeito Jevons. A IA verde precisa de eficiência (fazer cada tarefa com menos) e de suficiência (fazer só as tarefas que valem a pena), com a economia medida no nível do sistema inteiro.
Pontos-chave
- A eficiência reduz a energia por tarefa; a energia total depende de quantas tarefas são executadas.
- Quando a eficiência torna algo mais barato, a demanda muitas vezes cresce, às vezes o bastante para anular a economia. Esse é o efeito rebote, ou efeito Jevons.
- A computação ficou imensamente mais eficiente ao longo de décadas, mas seu consumo total de eletricidade continuou crescendo.
- A suficiência pergunta se uma tarefa precisa mesmo de IA, ou de um modelo tão grande.
- Ganhos de eficiência só contam como economia quando o uso total é limitado, medido ou precificado.
A IA verde costuma ser apresentada como um problema de eficiência: modelos menores, chips melhores e data centers mais limpos, e a pegada cai. A eficiência importa, mas sozinha não garante que a IA use menos energia. Este artigo explica por que e o que precisa vir junto com ela.
Qual é a diferença entre eficiência e suficiência?
Eficiência é fazer uma tarefa com menos; suficiência é fazer só as tarefas que valem a pena. As duas reduzem o impacto ambiental, mas respondem a perguntas diferentes.
| Eficiência | Suficiência | |
|---|---|---|
| Pergunta | Como fazemos isso com menos energia? | Precisamos fazer isso, nessa escala? |
| Exemplos | Poda, quantização, chips melhores, refrigeração | Não usar IA onde uma busca ou uma fórmula resolve; usar um modelo pequeno em vez de um de fronteira |
| Medida como | Energia por tarefa | Energia total e valor por unidade de energia |
| Quem age | Engenheiros, fabricantes de hardware, operadores de data center | Usuários, donos de produto, compradores, formuladores de políticas |
As duas não são rivais. Um sandpit de IA verde realizado no Reino Unido em 2026, com matemáticos, cientistas da computação e representantes da indústria, fez uma enquete sobre se a IA verde deveria se concentrar na eficiência ou em usar a IA só onde necessário; a resposta mais popular foi "as duas na mesma medida". Veja o que é IA verde? para as definições mais amplas.
O que é o efeito rebote?
O efeito rebote é o uso extra que surge quando algo fica mais barato ou mais fácil. Se o uso extra for grande o bastante para superar a economia, o consumo total aumenta. Esse caso extremo é chamado de paradoxo de Jevons (também conhecido como efeito rebote em suas formas mais brandas).
O economista William Stanley Jevons o descreveu em The Coal Question, em 1865. Ele argumentou que máquinas a vapor mais eficientes não reduziriam o consumo de carvão da Grã-Bretanha, porque a energia a vapor mais barata seria usada para muito mais fins. Ele tinha razão: o consumo de carvão continuou subindo.
O rebote tem graus:
- Rebote direto: uma tarefa mais barata é feita com mais frequência. Um chatbot mais rápido e mais barato recebe mais perguntas.
- Rebote indireto: o dinheiro ou o tempo poupados são gastos em outra coisa que também consome energia.
- Rebote em toda a economia: uma capacidade mais barata viabiliza produtos e setores inteiramente novos.
Isso já aconteceu na computação?
Sim. Koomey e colegas constataram em 2011 que o número de cálculos por unidade de energia vinha dobrando aproximadamente a cada 1,57 ano desde os primeiros computadores eletrônicos da década de 1940. Nas mesmas décadas, o consumo total de eletricidade da computação cresceu, porque a computação mais barata passou a ser usada para muito mais fins.
A revisão de 2021 de Freitag e colegas sobre o impacto climático das TIC estimou o setor em 1,8–2,8% das emissões globais de gases de efeito estufa, ou 2,1–3,9% quando as cadeias de suprimento são totalmente contabilizadas. Eles argumentaram que a pegada das TIC vem crescendo apesar de grandes ganhos de eficiência, e que os efeitos rebote precisam ser contabilizados antes que a eficiência seja contada como economia para o clima.
A IA está seguindo o mesmo padrão?
Os primeiros sinais sugerem que sim. A energia por tarefa de IA está caindo rápido, enquanto a demanda total cresce.
- O Google relatou em 2025 que a energia do seu prompt de texto mediano no Gemini caiu 33 vezes em doze meses, graças a modelos, software e hardware melhores.
- Em um período semelhante, a Agência Internacional de Energia projetou que o consumo de eletricidade dos data centers mais que dobraria até 2030, de cerca de 415 TWh em 2024 para cerca de 945 TWh, com a IA como o principal motor desse crescimento.
As duas coisas podem ser verdade ao mesmo tempo. Prompts mais baratos tornam econômico colocar IA por padrão em resultados de busca, documentos, celulares e ferramentas de software, e rodar agentes que fazem muitas chamadas por tarefa (veja IA agêntica e desperdício de tokens).
Luccioni, Strubell e Crawford examinaram isso em um artigo de 2025 sobre o debate ambiental polarizado em torno da IA. Eles argumentaram que tornar a IA mais eficiente não garante, por si só, menos dano ambiental, porque os ganhos de eficiência podem aumentar o uso total, e que o debate negligencia esses efeitos indiretos. Eles defendem a avaliação do ciclo de vida combinada com a análise de incentivos de negócio, mercados, governança e normas sociais.
Por que a eficiência não vira economia automaticamente?
Porque quem ganha com a eficiência geralmente gasta o ganho. Três mecanismos são comuns na IA:
- Preço. Os provedores repassam os custos menores, e o uso cresce.
- Capacidade. Uma economia em um tamanho é gasta em um modelo maior ou em um contexto mais longo, porque qualidade vende.
- Padrões. Quando a IA fica barata o bastante para ser ativada para todos, ela é ativada para todos, inclusive para quem não pediu.
Nada disso é motivo para parar de melhorar a eficiência. Sem ela, a demanda total seria ainda maior. É um motivo para não contar ganhos de eficiência como economia para o clima até que o uso total tenha sido medido.
Como é a suficiência na prática?
Significa adequar a ferramenta à tarefa e, às vezes, escolher não usar IA nenhuma. Formas práticas incluem:
- Use um método determinístico quando houver um. Uma calculadora, uma consulta a banco de dados ou um método numérico clássico costuma ser mais barato e mais confiável que um modelo de linguagem.
- Dimensione bem o modelo. Encaminhe pedidos simples para modelos pequenos. Veja como escolher o modelo certo.
- Faça da IA pesada uma opção, e não o padrão. Recursos que geram conteúdo a cada visualização de página multiplicam o uso de energia.
- Itere menos. Gerar de novo uma imagem ou um vídeo repetidas vezes até ficar bom multiplica o custo de cada tentativa. Prompts melhores e ferramentas de edição reduzem o número de tentativas.
- Reutilize em vez de gerar de novo. Veja orquestração em vez de geração.
No sandpit, um dos temas foi que o sistema, e não cada usuário, deveria fazer essas escolhas sempre que possível, por exemplo encaminhando automaticamente para o menor modelo adequado, porque pedir a cada usuário que avalie o custo de energia de cada pedido não funciona em escala.
Como manter o rebote sob controle?
Medindo, limitando ou precificando o uso total, e não só o uso por tarefa. As opções incluem:
- Orçamentos. Defina um orçamento de energia, tokens ou carbono para um projeto ou produto, para que os ganhos de eficiência liberem margem em vez de expandir o uso automaticamente.
- Medição do sistema inteiro. Relate a energia total ao longo do tempo, junto com a energia por tarefa. Veja a medição é o gargalo.
- Alegações honestas. Dizer que um produto é "X vezes mais eficiente" não diz nada sobre o impacto total. Veja como fazer alegações verdes honestas.
- Políticas públicas. A precificação do carbono e as restrições da rede elétrica agem sobre a demanda total de um jeito que os padrões de eficiência sozinhos não conseguem. Veja políticas de IA verde.
O que fazer agora
- Acompanhe a energia ou o gasto total com IA ao longo do tempo, e não só os números por pedido.
- Antes de adicionar um recurso de IA, pergunte se um método sem IA resolveria e se ele deveria vir ativado por padrão.
- Encaminhe os pedidos para o menor modelo que faz o trabalho: veja use a IA com eficiência.
- Quando obtiver um ganho de eficiência, decida antes se ele vai reduzir o uso total ou financiar um novo uso.
- Leia o guia para empresas para saber como incorporar essas escolhas às compras e ao design de produtos.
Perguntas frequentes
O que é o paradoxo de Jevons?
A observação, feita pela primeira vez por William Stanley Jevons em 1865 sobre o carvão, de que usar um recurso com mais eficiência pode aumentar seu consumo total, porque a eficiência o torna mais barato e, portanto, mais usado.
O efeito rebote significa que a eficiência é inútil?
Não. A eficiência continua necessária e, sem ela, o uso total seria maior. A questão é que a eficiência sozinha não garante um uso total menor, por isso precisa vir acompanhada de suficiência e de medição.
O que é suficiência na IA verde?
Usar a IA só onde ela agrega valor suficiente, e usar o menor modelo e a menor computação que fazem bem o trabalho. Ela pergunta 'devemos fazer isso?', além de 'como fazemos isso mais barato?'
Fontes
- The Coal Question, W. Stanley Jevons, Macmillan (1865)
- From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate, Luccioni, Strubell and Crawford, ACM FAccT (2025)
- The real climate and transformative impact of ICT: a critique of estimates, trends, and regulations, Freitag, Berners-Lee, Widdicks, Knowles, Blair and Friday, Patterns (2021)
- Implications of historical trends in the electrical efficiency of computing, Koomey, Berard, Sanchez and Wong, IEEE Annals of the History of Computing (2011)
- Energy and AI, International Energy Agency (2025)
- Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)
Relacionados
O que é IA verde?
Uma definição simples de IA verde: IA a serviço do meio ambiente e IA mais verde, eficiência e suficiência, e a sua pegada em energia, carbono, água e materiais.
Use a IA com eficiência: hábitos do dia a dia
Hábitos do dia a dia que reduzem a energia do uso da IA: prompts claros, menos ciclos de regeneração, cuidado com imagens e vídeo, cache e desativar padrões.
Escolha o modelo certo para a tarefa
Como dimensionar a IA: quando usar modelos pequenos ou especializados, quando um modelo de fronteira compensa o custo, como funciona o roteamento e quando não usar IA.
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.