Em resumo
IA com eficiência energética significa obter o mesmo resultado útil com menos eletricidade. As maiores economias costumam vir de escolher um modelo menor ou específico para a tarefa, desligar o raciocínio longo quando ele não é necessário e executar a IA em um data center eficiente, ligado a uma rede elétrica limpa; técnicas como a quantização, a destilação, o roteamento, o cache e o processamento em lote reduzem ainda mais a energia da IA. Estudos publicados relatam economias de dezenas por cento até 90% ou mais para alavancas isoladas, e muito maiores quando elas são combinadas.
Pontos-chave
- A UNESCO e a UCL concluíram que modelos pequenos e específicos para a tarefa podem reduzir o consumo de energia em até 90%, e que prompts e respostas mais curtos podem reduzi-lo em mais de 50%.
- Os modelos de raciocínio usaram, em média, 30 vezes mais energia que os modelos padrão nos testes do AI Energy Score da Hugging Face; ligar o raciocínio aumentou a energia de um modelo de 150 a 700 vezes.
- Em um estudo de 2024, gerar 1.000 imagens usou cerca de 2,9 kWh, contra 0,002 kWh para 1.000 classificações de texto.
- Pesquisadores do Google estimaram que a escolha do modelo, do data center e do processador, em conjunto, pode reduzir a pegada de carbono do treinamento em até cerca de 100 a 1.000 vezes.
- Servir os modelos com eficiência importa: o gerenciamento de memória do vLLM deu de 2 a 4 vezes mais vazão com a mesma latência, e a decodificação especulativa tornou um modelo de 2 a 3 vezes mais rápido, com saídas idênticas.
- Iniciar treinamentos curtos em horários de baixo carbono reduziu as emissões em até 80% em um estudo, mas em menos de 1,5% para um treinamento longo.
IA com eficiência energética é a IA que entrega o resultado de que você precisa com menos eletricidade. Esta página apresenta as principais formas de reduzir a energia da IA, mais ou menos em ordem de quanto elas costumam economizar, com os números publicados por trás de cada uma.
Qual é a forma mais rápida de fazer a IA consumir menos energia?
Use o menor modelo adequado e não ligue modos pesados de que você não precisa. A escolha do modelo costuma pesar mais do que qualquer outra alavanca, porque a energia cresce com a quantidade de computação que cada resposta exige. Um relatório de 2025 da UNESCO e da University College London (UCL) concluiu que modelos pequenos e específicos para a tarefa podem reduzir o consumo de energia em até 90%, e que prompts e respostas mais curtos podem reduzi-lo em mais de 50%. Usadas em conjunto, diz o relatório, essas medidas podem reduzir o consumo de energia em até 90%.
A segunda grande alavanca é o local. Pesquisadores do Google estimaram em 2021 que a escolha do modelo, do data center e do processador, em conjunto, pode reduzir a pegada de carbono do treinamento em até cerca de 100 a 1.000 vezes. Modelos de IA eficientes, executados em lugares eficientes, são onde está a maior parte do ganho.
Quais alavancas economizam mais? Uma lista em ordem
A ordem abaixo reflete o tamanho típico da economia nos estudos publicados, da maior para a menor. Os seus resultados vão depender da tarefa, da qualidade de que você precisa e de onde o trabalho é executado, então meça antes e depois (veja como medir a energia e o carbono da IA).
1. Não use IA generativa em trabalhos que não precisam dela
A geração é muito mais cara do que tarefas mais simples. Em um estudo de 2024, Sasha Luccioni, Yacine Jernite e Emma Strubell mediram a geração de imagens em uma média de cerca de 2,9 kWh por 1.000 imagens, contra 0,002 kWh por 1.000 classificações de texto: bem mais de mil vezes mais por pedido. Eles também concluíram que os modelos generativos de uso geral são ordens de grandeza mais caros do que os sistemas específicos para a mesma tarefa.
O vídeo é ainda mais pesado. Um estudo de 2025 sobre modelos abertos de texto para vídeo mediu quase 90 Wh para um clipe curto de um modelo e mais de 415 Wh de um modelo maior, com a energia crescendo de forma quadrática com o tamanho e a duração do vídeo. Veja como decidir se você precisa de IA para uma tarefa e como escolher o aprendizado de máquina clássico em vez de um LLM.
2. Dimensione bem o modelo
Escolha o menor modelo que atinja o seu nível de qualidade. Além da conclusão da UNESCO e da UCL, as pesquisas sobre cascatas mostram quanta margem existe: o FrugalGPT, que tenta primeiro os modelos mais baratos e só escala quando necessário, igualou o desempenho do GPT-4 com um custo até 98% menor. Custo não é energia, mas, para modelos hospedados, é uma referência aproximada razoável da computação. Veja escolher o modelo certo para o trabalho, como escolher um modelo de IA menor e como encontrar um modelo específico para a tarefa.
3. Use os modos de raciocínio apenas quando necessário
Os modos de "pensamento" multiplicam a energia. Os testes do AI Energy Score da Hugging Face no fim de 2025 concluíram que os modelos de raciocínio usaram, em média, 30 vezes mais energia que os modelos padrão, e que o mesmo modelo usou entre 150 e 700 vezes mais energia com o raciocínio ligado do que desligado. Os agentes, que fazem muitas chamadas em loop, podem se acumular da mesma forma. Veja como usar os modos de raciocínio apenas quando necessário e IA agêntica e desperdício de tokens.
4. Escolha hardware e data centers eficientes e locais de baixo carbono
Onde e em que o trabalho é executado pode mudar o seu carbono em várias vezes. Jesse Dodge e colegas concluíram que o treinamento do mesmo modelo BERT emitiu cerca de 7 kg de CO₂ na região de nuvem mais eficiente e cerca de 26 kg na menos eficiente, quase quatro vezes mais. O hardware também continua melhorando: a Epoch AI estima que os principais chips de aprendizado de máquina ficam cerca de 40% mais eficientes em energia a cada ano. Veja hospedagem e data centers para uma IA verde, como escolher uma região de nuvem de baixo carbono e como escolher hardware com eficiência energética para IA.
5. Encurte prompts, contexto e saídas
A energia sobe com a quantidade de texto que o modelo lê e escreve. A Epoch AI estima uma consulta típica ao ChatGPT em cerca de 0,3 Wh, subindo para cerca de 2,5 Wh com uma entrada de 10.000 tokens e quase 40 Wh com uma entrada de 100.000 tokens. Reenviar conversas longas e pedir respostas longas são as causas do dia a dia. Veja como escrever prompts que usam menos energia, como limitar quanto um LLM escreve e como parar de reenviar a conversa inteira.
6. Encaminhe os pedidos para o modelo certo
Envie os pedidos fáceis para um modelo pequeno e os difíceis para um grande. As pesquisas sobre roteamento relatam grandes economias: o Hybrid LLM fez até 40% menos chamadas ao modelo grande sem queda na qualidade das respostas, e o RouteLLM reduziu os custos em mais de duas vezes em alguns casos sem comprometer a qualidade. Veja como configurar o roteamento de modelos e orquestração em vez de geração.
7. Quantize o modelo
Armazene e calcule com menos bits por número. A quantização reduz a memória e a movimentação de dados, que dominam a energia dos modelos grandes. O LLM.int8() reduziu pela metade a memória necessária para a inferência, mantendo o desempenho de precisão total, e o relatório da UNESCO e da UCL concluiu que a compressão, como a quantização, economizou até 44% de energia. Veja como quantizar um modelo.
8. Destile um modelo grande em um pequeno
Treine um modelo "aluno" pequeno para imitar um "professor" grande. A destilação é a forma como muitos modelos de IA eficientes são feitos. O DistilBERT era 40% menor e 60% mais rápido que o BERT, mantendo 97% da sua capacidade de compreensão da linguagem. Veja como destilar um modelo grande em um pequeno.
9. Faça a poda e aproveite a esparsidade
Remova os pesos de que o modelo não precisa. O SparseGPT mostrou que modelos de linguagem muito grandes podem ser podados até pelo menos 50% de esparsidade de uma só vez, sem novo treinamento, com perda mínima de precisão. A economia de energia depende de o software e o hardware conseguirem pular os zeros, então, na prática, a poda economiza menos do que a esparsidade anunciada sugere. Veja como fazer a poda de uma rede neural.
10. Use cache, processamento em lote e um serviço eficiente
Evite repetir trabalho e mantenha o hardware ocupado. O software que serve o modelo importa: o gerenciamento paginado do cache KV do vLLM melhorou a vazão de 2 a 4 vezes com a mesma latência, e a decodificação especulativa tornou o T5-XXL de 2 a 3 vezes mais rápido, com saídas idênticas. Os fornecedores cobram pela reutilização de acordo: a Batch API da OpenAI custa 50% menos que os pedidos padrão, e a Anthropic cobra 10% do preço normal de entrada pelas leituras de prompts em cache. Veja como usar cache em chamadas a LLMs, como processar pedidos de IA em lote, como usar a decodificação especulativa e como reduzir a energia de servir um modelo.
11. Agende o trabalho flexível para horários mais limpos
O agendamento sensível ao carbono reduz as emissões, não a energia, e funciona melhor para trabalhos curtos e flexíveis. No estudo de Dodge e colegas, adiar o início de um treinamento curto para um horário de baixo carbono reduziu as emissões em até 80% em uma região dos EUA, mas em menos de 1,5% para um treinamento longo; pausar e retomar um treinamento longo economizou até cerca de 25%. Veja como agendar o treinamento para quando a rede estiver mais verde e computação sensível ao carbono.
As alavancas da IA com eficiência energética em resumo
Esta tabela resume as alavancas, quem pode usá-las e as economias relatadas nas fontes. Os números vêm de estudos diferentes, com linhas de base diferentes, então leia-os como indicações de escala, e não como totais que se somam.
| Alavanca | Quem pode usar | Economia típica relatada | Fonte |
|---|---|---|---|
| Usar um modelo específico para a tarefa em vez de um generativo | Desenvolvedores, organizações | Ordens de grandeza, em tarefas como a classificação | Luccioni, Jernite e Strubell, 2024 |
| Modelo menor e específico para a tarefa | Usuários, desenvolvedores | Até 90% de energia | UNESCO e UCL, 2025 |
| Raciocínio desligado, a menos que necessário | Usuários, desenvolvedores | 150–700 vezes menos para um modelo; 30 vezes em média entre modelos | AI Energy Score da Hugging Face, 2025 |
| Modelo, data center e processador em conjunto | Desenvolvedores, organizações | Até cerca de 100–1.000 vezes menos carbono (treinamento) | Patterson et al., Google, 2021 |
| Região de nuvem de baixo carbono | Desenvolvedores, organizações | Cerca de 3,7 vezes entre a melhor e a pior região | Dodge et al., 2022 |
| Prompts e respostas mais curtos | Usuários, desenvolvedores | Mais de 50% de energia | UNESCO e UCL, 2025 |
| Roteamento | Desenvolvedores | Até 40% menos chamadas ao modelo grande | Ding et al., 2024 |
| Quantização | Desenvolvedores | Até 44% de energia; metade da memória | UNESCO e UCL, 2025; Dettmers et al., 2022 |
| Destilação | Desenvolvedores | 40% menor, 60% mais rápido, 97% da capacidade mantida | Sanh et al., 2019 |
| Poda | Desenvolvedores | Pelo menos 50% dos pesos removidos | Frantar e Alistarh, 2023 |
| Serviço eficiente e processamento em lote | Desenvolvedores | 2–4 vezes mais vazão | Kwon et al., 2023 |
| Decodificação especulativa | Desenvolvedores | 2–3 vezes mais rápido, mesmas saídas | Leviathan et al., 2022 |
| Horário de início sensível ao carbono | Desenvolvedores, pesquisadores | Até 80% (trabalhos curtos); menos de 1,5% (trabalhos longos) | Dodge et al., 2022 |
| Ajuste fino eficiente em parâmetros (LoRA) | Desenvolvedores, pesquisadores | 10.000 vezes menos parâmetros treináveis, 3 vezes menos memória de GPU | Hu et al., 2021 |
Como os usuários podem reduzir a energia da IA?
Escolha opções mais leves e peça menos. A maioria das pessoas não pode mudar o data center, mas pode mudar o que pede:
- Use um modelo rápido ou "mini" para as tarefas do dia a dia, e reserve os maiores modelos e os modos de raciocínio para os problemas difíceis.
- Faça pedidos claros e peça respostas curtas; comece um novo chat em vez de continuar um muito longo.
- Evite gerar de novo várias vezes: em vez disso, aprimore o pedido. Veja como parar de gerar respostas de IA de novo.
- Gere imagens e vídeos apenas quando precisar deles. Veja como reduzir o impacto da geração de imagens e vídeos por IA.
- Desligue os recursos de IA que você não usa. Veja usar a IA com eficiência: hábitos do dia a dia.
Para dar uma escala, o Google informou em 2025 que um prompt de texto mediano no Gemini usou 0,24 Wh. Os prompts de texto individuais são pequenos; os totais vêm de volumes muito altos e das tarefas mais pesadas mencionadas acima. Veja o guia para o público.
Como os desenvolvedores podem criar modelos e sistemas de IA eficientes?
Primeiro dimensione bem, depois otimize o serviço, depois meça. Uma ordem prática:
- Defina um nível de qualidade com os seus próprios dados e teste os menores modelos candidatos com base nele.
- Acrescente roteamento ou uma cascata, para que o modelo grande trate apenas do que o pequeno não consegue.
- Quantize e, se os volumes forem altos, considere a destilação.
- Sirva o modelo com um runtime eficiente: processamento em lote, cache KV paginado, cache de prompts e decodificação especulativa.
- Limite o tamanho das saídas e os loops dos agentes; veja como impedir que agentes de IA desperdicem tokens.
- Faça o ajuste fino com LoRA em vez de treinar do zero; veja como evitar treinar um modelo do zero.
- Meça a energia por tarefa antes e depois; veja como acompanhar a energia da IA por tarefa.
Há mais detalhes em treinamento e inferência de IA eficientes e em matemática para uma IA eficiente.
Como as organizações podem reduzir a energia da IA em grande escala?
Defina padrões, compre bem e meça. As maiores alavancas de uma organização são qual modelo é o padrão, quais recursos vêm ligados por padrão e onde as cargas de trabalho são executadas:
- Torne um modelo pequeno e rápido o padrão nas ferramentas internas, com modelos maiores disponíveis sob pedido.
- Peça aos fornecedores números de energia por tarefa e dados dos data centers; veja compras sustentáveis de IA.
- Escolha fornecedores e regiões com energia limpa; veja hospedagem e data centers.
- Defina uma política e treine a equipe; veja como escrever uma política de IA verde e como treinar a equipe para usar a IA com eficiência.
- Defina uma linha de base e metas; veja como definir uma linha de base para a economia de energia da IA.
A IA com eficiência energética reduz o consumo total de energia?
Só se o uso total não crescer mais rápido do que a eficiência melhora. O Google informou que a energia do seu prompt mediano no Gemini caiu 33 vezes em um ano, mas o consumo de eletricidade dos data centers continua subindo no mundo todo, porque o uso cresce mais rápido. Esse é o efeito rebote. A eficiência reduz o custo de cada tarefa; a suficiência pergunta se a tarefa precisa ser feita. As duas são necessárias, como eficiência não é suficiência explica, e como evitar que os ganhos de eficiência sejam anulados traz medidas práticas. Para o quadro mais amplo, veja a IA e a demanda de eletricidade dos data centers e estatísticas de energia da IA.
O que fazer a seguir
- Teste se um modelo menor atinge o seu nível de qualidade e, se atingir, passe a usá-lo.
- Desligue por padrão os modos de raciocínio, imagem e vídeo onde eles não forem necessários.
- Acrescente cache, processamento em lote e roteamento a qualquer recurso de IA com volume real.
- Escolha uma região de baixo carbono e um fornecedor eficiente para as novas cargas de trabalho.
- Meça a energia por tarefa antes e depois de cada mudança, e divulgue o resultado.
- Encontre ajuda no diretório de consultores ou aprenda mais por meio de cursos.
Perguntas frequentes
O que é IA com eficiência energética?
É a IA que entrega o resultado de que você precisa com menos eletricidade, por meio de modelos menores ou mais adequados, software mais enxuto, hardware e data centers eficientes, e do uso da IA apenas onde ela agrega valor. Faz parte da IA verde, que também pergunta se o uso total faz sentido.
Como reduzir o consumo de energia da IA?
Como usuário, escolha um modelo menor ou mais rápido, mantenha curtos os prompts e as respostas pedidas, evite gerar de novo e use o raciocínio ou os modos de imagem e vídeo apenas quando necessário. Como desenvolvedor, dimensione bem o modelo, depois acrescente quantização, roteamento, cache e processamento em lote, e execute em uma região de baixo carbono.
Modelos de IA menores são mais eficientes em energia?
Normalmente, sim, para as tarefas que eles fazem bem. A UNESCO e a UCL informam que modelos pequenos e específicos para a tarefa podem reduzir o consumo de energia em até 90% em tarefas adequadas. Verifique a qualidade no seu próprio trabalho: um modelo pequeno que precise ser executado várias vezes pode não economizar nada.
A quantização economiza energia?
Normalmente, sim, porque o modelo movimenta menos dados e precisa de menos memória. A UNESCO e a UCL informam economias de até 44% com a compressão de modelos, como a quantização, e o LLM.int8() reduziu pela metade a memória necessária para a inferência. A economia depende de o hardware suportar a precisão mais baixa.
Que tipo de IA consome mais energia?
A geração de vídeo, seguida da geração de imagens e das tarefas longas de raciocínio ou de agentes. Em um estudo de 2025, um modelo aberto usou quase 90 Wh para um clipe de vídeo curto e um maior, mais de 415 Wh, e os modelos de raciocínio usaram, em média, cerca de 30 vezes mais energia que os modelos padrão.
A eficiência reduz de fato o consumo total de energia da IA?
Não automaticamente. A IA mais barata e mais rápida tende a ser mais usada: é o efeito rebote. A eficiência reduz a energia por tarefa; manter os totais baixos também exige suficiência, ou seja, usar a IA onde ela vale a pena.
Os fornecedores de IA economizam energia com o cache de prompts e o processamento em lote?
Eles evitam trabalho repetido, e é por isso que cobram menos por ele: a OpenAI dá 50% de desconto em tarefas em lote, e a entrada em cache custa cerca de um décimo da tarifa normal em vários fornecedores. Os preços são uma referência aproximada da computação economizada, não uma medição de energia.
Fontes
- AI large language models: new report shows small changes can reduce energy use by 90%, UNESCO and University College London (2025)
- AI Energy Score v2: refreshed leaderboard, now with reasoning, Hugging Face (Luccioni and Gamazaychikov) (2025)
- Power hungry processing: watts driving the cost of AI deployment?, Luccioni, Jernite and Strubell (FAccT 2024) (2024)
- Video killed the energy budget: characterizing the latency and power regimes of open text-to-video models, Delavande, Pierrard and Luccioni (2025)
- How much energy does ChatGPT use?, Epoch AI (2025)
- Carbon emissions and large neural network training, Patterson et al., Google (2021)
- Good news about the carbon footprint of machine learning training, Google Research (2022)
- Measuring the carbon intensity of AI in cloud instances, Dodge et al. (FAccT 2022) (2022)
- Measuring the environmental impact of delivering AI at Google scale, Elsworth et al., Google (2025)
- DistilBERT, a distilled version of BERT, Sanh et al., Hugging Face (2019)
- LLM.int8(): 8-bit matrix multiplication for transformers at scale, Dettmers et al. (2022)
- SparseGPT: massive language models can be accurately pruned in one-shot, Frantar and Alistarh (2023)
- FrugalGPT: how to use large language models while reducing cost and improving performance, Chen, Zaharia and Zou (2023)
- Hybrid LLM: cost-efficient and quality-aware query routing, Ding et al. (2024)
- RouteLLM: learning to route LLMs with preference data, Ong et al. (2024)
- Efficient memory management for large language model serving with PagedAttention, Kwon et al. (2023)
- Fast inference from transformers via speculative decoding, Leviathan, Kalman and Matias (2022)
- LoRA: low-rank adaptation of large language models, Hu et al. (2021)
- Batch API, OpenAI (2026)
- Prompt caching, Anthropic (2026)
- Leading ML hardware becomes 40% more energy-efficient each year, Epoch AI (2024)
Relacionados
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.
Treinamento e inferência de IA eficientes
Técnicas para desenvolvedores e pesquisadores reduzirem a energia da IA: poda, esparsidade, quantização, destilação, KV cache, batching, precisão mista e agendamento.
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.
Eficiência não é suficiência: o efeito rebote na IA
Por que tornar a IA mais eficiente não garante que ela use menos energia no total, o que é o efeito rebote ou de Jevons e o que ajuda a manter a economia real.