# O paradoxo de Jevons e a IA: por que a eficiência não basta

> O que são o paradoxo de Jevons e o efeito rebote, por que uma IA mais barata por consulta pode aumentar o consumo total e por que a eficiência exige um teto.

Source: https://greenai.guide/pt/artigos/o-paradoxo-de-jevons-e-a-ia-por-que-a-eficiencia-nao-basta/  
Updated: 2026-11-20

## Em resumo

O paradoxo de Jevons é a constatação, apresentada pela primeira vez por William Stanley Jevons em 1865, de que usar o carvão com mais eficiência levou a Grã-Bretanha a queimar mais carvão, e não menos. Na IA, cada consulta está ficando muito mais barata e mais eficiente, mas o consumo total de eletricidade dos data centers sobe rapidamente. Pesquisadores que estudam o impacto climático da tecnologia digital argumentam que a eficiência só produz cortes reais de emissões quando as emissões totais têm um teto.

## Pontos-chave

- O paradoxo de Jevons: tornar mais barato o uso de um recurso pode aumentar o seu uso total. Jevons mostrou isso para o carvão em 1865.
- O rebote pode ser direto (mais da mesma tarefa), indireto (economias gastas em outras coisas) ou em toda a economia; quando supera a economia, ele é chamado de backfire (efeito contrário).
- O Google informou uma queda de 33 vezes na energia do seu prompt de texto mediano do Gemini em um ano, enquanto a IEA projeta que o consumo de eletricidade dos data centers vai mais que dobrar até 2030.
- Freitag, Berners-Lee e colegas constataram que a pegada climática das TIC é subestimada e argumentam que as alegações de economias proporcionadas pelas TIC se apoiam em evidências fracas.
- Widdicks e colegas concluem que a eficiência sob restrições de emissões é a única forma de transformar eficiência em reduções reais de emissões.
- Na prática: meça os totais, defina orçamentos ou tetos, desative a capacidade liberada e use a IA apenas onde ela agrega valor.

A IA está ficando mais eficiente muito rapidamente, e o seu consumo total de energia está crescendo muito
rapidamente. Esses dois fatos não são uma contradição. São um padrão de 160 anos conhecido como paradoxo de Jevons.
Este artigo explica o paradoxo, as evidências de que ele se aplica à IA, as preocupações que pesquisadores levantaram
sobre tratar a tecnologia digital como solução climática e o que de fato transforma eficiência em emissões menores.
Para o básico sobre eficiência e suficiência, comece por
[eficiência não é suficiência](/pt/artigos/eficiencia-nao-e-suficiencia-o-efeito-rebote-na-ia/).

## O que é o paradoxo de Jevons? {#what-is-the-jevons-paradox}

**O paradoxo de Jevons ocorre quando usar um recurso com mais eficiência leva a um uso maior dele, e não menor.** O
economista William Stanley Jevons o apresentou em *The Coal Question*, em 1865, um livro sobre se as minas de carvão
da Grã-Bretanha iriam se esgotar.

Jevons discordava. Ele escreveu que "é
inteiramente uma confusão de ideias supor que o uso econômico do combustível equivale a um consumo menor. A verdade é
exatamente o contrário." O seu raciocínio era que a energia a vapor mais barata fazia o carvão valer a pena para muito
mais tarefas, e assim a demanda total subia mais rápido do que caía o consumo de cada motor.

A lição não é que a eficiência seja ruim. É que a eficiência muda o preço de fazer algo, e pessoas, empresas e
economias inteiras reagem aos preços.

## O que é o efeito rebote? {#what-is-the-rebound-effect}

**O efeito rebote é o uso adicional que um ganho de eficiência desencadeia, e que consome parte da economia.** O
paradoxo de Jevons é a sua forma mais extrema. Widdicks e colegas, num artigo de 2023 na revista *Patterns*,
descrevem os principais tipos:

| Tipo | O que acontece | Exemplo na IA |
|---|---|---|
| Rebote direto | O mesmo serviço fica mais barato e, por isso, é mais usado | Prompts mais baratos levam a mais prompts, respostas mais longas e mais chamadas de agentes |
| Rebote indireto | O dinheiro ou o tempo economizado é gasto em outras coisas que também usam energia (o "efeito renda" e o "rebote de tempo") | O tempo economizado por um assistente de IA é gasto em atividades que consomem mais energia |
| Rebote em toda a economia | A economia como um todo se ajusta: novos produtos, mercados e setores crescem sobre o insumo mais barato | IA embutida por padrão em buscadores, celulares e software de escritório |

Quando o rebote é maior do que a economia, de modo que o uso total ou as emissões sobem, ele é chamado de
**backfire** (efeito contrário). Os mesmos autores observam que, na economia mundial, a eficiência energética da
maioria dos produtos e serviços caminhou lado a lado com um crescimento médio das emissões mundiais de carbono de
1,8% ao ano desde 1850. Eles têm o cuidado de dizer que isso não prova que a eficiência cause emissões maiores, apenas
que, para que não cause, as emissões teriam de ter subido muito mais rápido sem a eficiência.

Veja no glossário [efeito rebote](/pt/glossario/#rebound-effect) e [paradoxo de Jevons](/pt/glossario/#jevons-paradox).

## O paradoxo de Jevons está acontecendo na IA? {#is-the-jevons-paradox-happening-in-ai}

**As evidências apontam nessa direção: a energia por consulta cai rapidamente enquanto o consumo total de
eletricidade dos data centers sobe.** Dois números muito citados, de fontes diferentes, mostram o padrão:

- **Por consulta.** O Google informou em 2025 que o seu prompt de texto mediano nos apps do Gemini usa 0,24 Wh de
  energia, e que, ao longo de um período de 12 meses, a energia por prompt mediano caiu 33 vezes e a sua pegada de
  carbono, 44 vezes.
- **No total.** A Agência Internacional de Energia (IEA) estima que os data centers usaram cerca de 415 TWh em 2024,
  aproximadamente 1,5% da eletricidade do mundo, e que esse consumo cresceu cerca de 12% ao ano desde 2017. Ela
  projeta que o consumo vai mais que dobrar, para cerca de 945 TWh, até 2030, com a IA como "o motor mais importante
  desse crescimento".

Esses números, por si sós, não provam causa e efeito, porque a demanda por IA também cresce por razões que não o
preço. Mas mostram que grandes ganhos por consulta não impediram o uso total de subir. A própria IEA trata a
velocidade das melhorias de eficiência como uma das principais incertezas das suas perspectivas: nos seus cenários, a
demanda dos data centers em 2035 vai de 700 a 1.700 TWh.

A IA tem características que tornam o rebote especialmente provável. A [inferência](/pt/glossario/#inference) mais barata
permite que os fornecedores tornem a IA o padrão em ferramentas que as pessoas já usam, e que agentes façam muitas
chamadas ao modelo por tarefa (veja
[IA agêntica e desperdício de tokens](/pt/artigos/ia-agentica-e-desperdicio-de-tokens/)). As economias também costumam ser gastas
em capacidade, como modelos maiores ou contextos mais longos, em vez de guardadas.

## Que preocupações Mike Berners-Lee e colegas levantaram? {#what-concerns-have-mike-berners-lee-and-colleagues-raised}

**Eles argumentam que o impacto climático da tecnologia digital é subestimado, que os seus ganhos de eficiência são
rotineiramente anulados pela demanda e que as alegações de benefício climático precisam de evidências muito
melhores.** Mike Berners-Lee, fundador da Small World Consulting, sediada na Universidade de Lancaster, é especialista
em pegada de carbono e coautor de dois artigos na *Patterns* sobre essa questão.

### A pegada é maior do que a informada {#the-footprint-is-bigger-than-reported}

Freitag, Berners-Lee, Widdicks, Knowles, Blair e Friday revisaram em 2021 as estimativas do impacto climático das
tecnologias da informação e comunicação (TIC). Constataram que estudos revisados por pares situam as TIC em 1,8–2,8%
das emissões mundiais de gases de efeito estufa, mas que a parcela poderia ser de 2,1–3,9% se forem contadas as
cadeias de suprimentos deixadas de fora dos estudos de ciclo de vida convencionais (o "erro de truncamento").

### A eficiência não reduziu o total {#efficiency-has-not-cut-the-total}

A mesma revisão constatou que a demanda por computação e por dispositivos por pessoa superou as melhorias de
eficiência, de modo que o consumo de energia e a pegada das TIC continuaram crescendo ano após ano. Todos os analistas
revisados concordavam que as emissões das TIC "não vão diminuir sem grandes esforços conjuntos que envolvam uma ação
política e industrial ampla". Os autores apresentaram razões para esperar que as emissões subam sem intervenção, e
consideraram improvável um pico natural causado pela saturação da demanda. Por justiça, eles também relatam a visão
contrária do pesquisador Jens Malmodin, transmitida a eles em comunicação pessoal, de que as emissões das TIC se
estabilizaram por enquanto e poderiam cair pela metade até 2030.

### Faltam evidências de benefício líquido nas alegações de "IA pelo clima" {#ai-for-climate-claims-lack-evidence-of-net-benefit}

Relatórios do setor afirmaram que as TIC poderiam economizar várias vezes as suas próprias emissões em outros setores.
Freitag e colegas argumentam que essas estimativas tratam o rebote de forma muito limitada, e que as TIC têm tanta
probabilidade de viabilizar crescimento, inclusive em setores intensivos em carbono, quanto de cortar emissões. Eles
escrevem que, "apesar das evidências questionáveis de que as tendências de crescimento das TIC vão economizar mais
emissões de carbono do que vão introduzir", o blockchain, a internet das coisas e a IA estão recebendo mais
investimento e adoção. As TIC só economizam emissões em outros lugares, argumentam eles, se substituírem atividades
intensivas em carbono, em vez de se somarem a elas.

Isso não significa que a IA não possa ajudar o clima. Significa que cada alegação precisa mostrar um benefício
líquido, contando a pegada da própria IA e o rebote. Veja
[IA verde vs. IA a serviço do meio ambiente](/pt/artigos/ia-verde-vs-ia-a-servico-do-meio-ambiente-qual-e-a-diferenca/).

### A eficiência precisa de um teto {#efficiency-needs-a-cap}

O artigo de 2023 de Widdicks e colegas, baseado num workshop com 19 especialistas, conclui que "a eficiência sob
restrições de emissões de GEE é a única forma de realizar ganhos de eficiência que resultem em reduções reais de
emissões". A revisão de 2021 argumenta que, sem uma restrição global de carbono, é preciso uma nova regulação para
manter a pegada das TIC alinhada com o Acordo de Paris. Os dois artigos apresentam o teto como algo bom também para o
setor: sob uma restrição, a eficiência se torna mais valiosa, e não menos.

### Nas palavras dele {#in-his-own-words}

Falando a líderes digitais do governo em Londres, em fevereiro de 2026, Berners-Lee resumiu o problema do rebote como
"quanto mais eficiente fica, mais fazemos", e alertou que "muita gente está jogando uma marreta de IA e aprendizado de
máquina em cada problema", segundo uma reportagem da THINK Digital Partners.

## O que transforma eficiência em economia real? {#what-turns-efficiency-into-real-savings}

**Combine cada ganho de eficiência com um limite para o total, e meça o total.** As pesquisas acima apontam cinco
alavancas práticas.

### Trabalhe com um orçamento ou um teto {#work-under-a-budget-or-cap}

Defina um orçamento absoluto de energia, emissões, computação ou tokens para um produto, equipe ou projeto, e
mantenha-o à medida que a eficiência melhora. A eficiência então permite fazer mais dentro do orçamento, em vez de
empurrar o total para cima.

### Meça o impacto absoluto, não apenas números por unidade {#measure-absolute-impact-not-just-per-unit-figures}

Dizer que um modelo é "dez vezes mais eficiente" não diz nada sobre se as emissões totais caíram. Informe a energia e
as emissões totais ao longo do tempo, junto com a energia por tarefa. Veja
[como medir a energia da IA](/pt/boas-praticas/como-medir-a-energia-e-o-carbono-da-ia/).

### Pratique a suficiência {#practise-sufficiency}

Use a IA onde ela agrega valor real e, quando usar, o menor modelo adequado. Uma fórmula, uma busca ou uma consulta a
um banco de dados muitas vezes resolvem com uma fração da energia. Veja [suficiência](/pt/glossario/#sufficiency).

### Guarde as economias {#bank-the-savings}

Quando um projeto de eficiência libera capacidade, decida com antecedência o que acontece com ela. Desativar
servidores, capacidade reservada na nuvem ou licenças garante a economia; deixá-los funcionando convida novos usos a
ocupá-los. Veja
[como impedir que os ganhos de eficiência sejam anulados](/pt/como/como-evito-que-os-ganhos-de-eficiencia-da-ia-sejam-anulados-pelo/).

### Use alavancas de política que atuem sobre os totais {#use-policy-levers-that-act-on-totals}

A precificação do carbono, os tetos de emissões, os limites de conexão à rede e a divulgação do consumo absoluto de
energia atuam sobre a demanda total de uma forma que os padrões de eficiência, sozinhos, não conseguem. Veja
[políticas de IA verde](/pt/boas-praticas/como-escrever-uma-politica-de-ia-verde/).

## O que fazer a seguir {#what-to-do-next}

- Inclua a energia ou as emissões totais da IA nos seus relatórios regulares, ao lado dos números por tarefa.
- Defina um orçamento ou um teto para a computação ou as emissões da IA, e mantenha-o quando a eficiência melhorar.
- Antes de cada projeto de eficiência, decida se a capacidade liberada será desativada ou reaproveitada.
- Pergunte se cada novo recurso de IA é necessário, e se ele deve vir ativado por padrão.
- Trate qualquer alegação de que a IA vai cortar emissões em outros lugares como uma hipótese a ser testada, contando
  o rebote.
- Leia [eficiência não é suficiência](/pt/artigos/eficiencia-nao-e-suficiencia-o-efeito-rebote-na-ia/) e
  [IA verde vs. IA a serviço do meio ambiente](/pt/artigos/ia-verde-vs-ia-a-servico-do-meio-ambiente-qual-e-a-diferenca/) para ter o panorama mais amplo.

## Perguntas frequentes

### O que é o paradoxo de Jevons?

A observação do economista William Stanley Jevons, no seu livro The Coal Question, de 1865, de que o uso mais eficiente do carvão levou a um consumo maior de carvão, porque a eficiência tornou o trabalho movido a carvão mais barato e, portanto, mais difundido.

### Uma IA mais eficiente reduz as emissões?

Por consulta, sim. No total, não necessariamente: consultas mais baratas estimulam muito mais uso. O consumo total de eletricidade dos data centers continua subindo rapidamente mesmo com a queda da energia por prompt, por isso a eficiência só corta as emissões no geral se o uso total ou as emissões também forem limitados.

### O que é o efeito rebote na IA?

O uso adicional de IA que surge quando a IA fica mais barata ou mais fácil, e que consome parte da energia economizada. Ele pode ser direto (mais prompts), indireto (o dinheiro ou o tempo economizado é gasto em outras coisas que usam energia) ou em toda a economia (novos produtos e setores construídos sobre a IA barata).

### O que é backfire?

Backfire (efeito contrário) é um efeito rebote tão grande que o consumo total ou as emissões acabam maiores do que antes do ganho de eficiência. O paradoxo de Jevons é um exemplo de backfire.

### O que Mike Berners-Lee e os seus coautores dizem sobre a IA e o clima?

Em artigos revisados por pares, eles argumentam que a pegada das TIC é subestimada, que os ganhos de eficiência tendem a ser anulados pelo crescimento da demanda, que as evidências de benefícios climáticos líquidos das TIC, incluindo a IA, são questionáveis, e que é preciso um teto para as emissões para que a eficiência produza cortes reais.

### Como impedir que os ganhos de eficiência sejam anulados?

Meça a energia ou as emissões totais, além da energia por tarefa, defina um orçamento ou um teto, decida com antecedência o que acontece com a capacidade liberada e use a IA apenas onde ela agrega valor suficiente.

## Fontes

- [The Coal Question](https://archive.org/details/in.ernet.dli.2015.224624), W. Stanley Jevons, Macmillan (digitised copy, Internet Archive) (1865)
- [Systems thinking and efficiency under emissions constraints: Addressing rebound effects in digital innovation and policy](https://doi.org/10.1016/j.patter.2023.100679), Widdicks, Lucivero, Samuel, Somavilla Croxatto, Smith, Ten Holter, Berners-Lee, Blair, Jirotka, Knowles, Sorrell, Börjesson Rivera, Cook, Coroamă, Foxon, Hardy, Hilty, Hinterholzer and Penzenstadler, Patterns (2023)
- [The real climate and transformative impact of ICT: A critique of estimates, trends, and regulations](https://doi.org/10.1016/j.patter.2021.100340), Freitag, Berners-Lee, Widdicks, Knowles, Blair and Friday, Patterns (2021)
- [Energy and AI](https://www.iea.org/reports/energy-and-ai), International Energy Agency (2025)
- [Measuring the environmental impact of delivering AI at Google Scale](https://arxiv.org/abs/2508.15734), Elsworth et al., Google (2025)
- ["We're heading for something pretty grim": Mike Berners-Lee warns digital leaders on climate](https://www.thinkdigitalpartners.com/news/2026/02/26/were-heading-for-something-pretty-grim-mike-berners-lee-warns-digital-leaders-on-climate/), THINK Digital Partners (2026)
