greenai.guide

Início › Artigos › Eficiência não é suficiência: o efeito rebote na IA

Artigo

Eficiência não é suficiência: o efeito rebote na IA

Atualizado · 6 min de leitura

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

  1. The Coal Question, W. Stanley Jevons, Macmillan (1865)
  2. From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate, Luccioni, Strubell and Crawford, ACM FAccT (2025)
  3. 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)
  4. Implications of historical trends in the electrical efficiency of computing, Koomey, Berard, Sanchez and Wong, IEEE Annals of the History of Computing (2011)
  5. Energy and AI, International Energy Agency (2025)
  6. Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)

Junte-se a nós

Ajude a reduzir o impacto da IA no planeta

Receba novos guias, editais de financiamento e listagens dos diretórios por e-mail, cerca de uma vez por mês. Ou adicione seu produto, curso, doutorado ou pesquisa aos diretórios.

Sem rastreamento. Cancele a inscrição com um clique. Outras formas de participar · Privacidade