# Orquestração em vez de geração

> Por que reutilizar componentes verificados e direcionar pedidos ao menor modelo capaz pode reduzir a energia da IA, e o que as evidências mostram.

Source: https://greenai.guide/pt/artigos/orquestracao-em-vez-de-geracao/  
Updated: 2026-11-19

## Em resumo

Gerar cada resposta, linha de código ou imagem do zero com um modelo grande é a forma mais cara de usar a IA. A orquestração usa a IA para planejar e selecionar e, depois, monta o resultado com componentes testados e direciona cada etapa ao modelo mais barato capaz de executá-la. O token mais barato é aquele que você nunca gera.

## Pontos-chave

- A geração é a etapa cara da IA generativa; selecionar e reutilizar componentes existentes e testados é muito mais barato.
- O roteamento envia cada pedido ao menor modelo capaz de atendê-lo, e os roteadores publicados reduzem bastante o custo com pouca perda de qualidade.
- A recuperação fornece apenas o trecho relevante de um documento ou de uma base de código, então o modelo lê menos tokens.
- Reutilizar componentes verificados também ajuda na segurança e na manutenção — uma correção chega a todos os lugares em que o componente é usado.
- O roteamento tem um porém — um modelo pequeno demais pode falhar e forçar uma nova tentativa cara em um modelo grande.

A maior parte da discussão sobre a pegada da IA pergunta como tornar a geração mais barata: modelos menores, chips mais
rápidos, energia mais limpa. Uma pergunta diferente é quanta geração é realmente necessária. A orquestração responde a
ela tratando a geração como último recurso, e não como padrão.

## O que significa "orquestração em vez de geração"? {#what-does-orchestration-over-generation-mean}

**Significa usar a IA para planejar uma tarefa e escolher as partes e, depois, montar o resultado principalmente com
coisas que já existem e já foram verificadas.** Um modelo grande só é chamado a gerar algo novo quando não existe
nada adequado.

Boa parte do que as pessoas pedem à IA generativa não é nova. O software está cheio dos mesmos padrões: telas de
login, envio de arquivos, tratamento de datas, validação de dados. Contratos reutilizam cláusulas padrão. Relatórios
reutilizam seções padrão. Gerar cada um deles do zero, toda vez, repete o custo de energia e produz versões um pouco
diferentes, que precisam ser verificadas uma a uma.

Um sistema orquestrado funciona mais como uma equipe de engenharia bem gerida:

1. Um planejador identifica do que a tarefa precisa.
2. Um classificador ou uma busca barata encontra um componente existente e testado que sirva.
3. Apenas as partes realmente novas são geradas, pelo menor modelo capaz de fazê-las.
4. As partes recém-geradas são testadas e adicionadas à biblioteca, para que o próximo pedido possa reutilizá-las.

A biblioteca funciona como um cache. Um sandpit de IA verde realizado no Reino Unido em 2026, com matemáticos,
cientistas da computação e representantes da indústria, discutiu esse padrão sob o título "o token mais barato é
aquele que você nunca gera".

## Por que a reutilização economizaria energia? {#why-would-reuse-save-energy}

**Porque recuperar e adaptar um componente custa uma fração mínima de gerá-lo, e componentes testados exigem menos
retrabalho.** É na geração que os tokens, e portanto a maior parte da energia de inferência, são gastos.

O custo de energia do conteúdo escrito por IA não é desprezível. Um estudo do King's College London (Cheung e colegas,
2025), artigo de um parceiro do projeto GreenCode, comparou resolver tarefas de programação à mão com resolvê-las com
um assistente de IA. Na média das tarefas, que eram problemas de competições de programação, a geração de código
assistida por IA teve uma pegada de carbono 32,72 vezes maior que a abordagem manual, e a diferença aumentou à medida
que as tarefas ficavam mais complexas. A reutilização ataca exatamente esse custo.

Há benefícios além da energia:

- **Qualidade.** Um componente verificado foi testado uma vez e pode ser usado com confiança muitas vezes.
- **Segurança.** Se um componente tiver uma falha, você sabe todos os lugares em que ele é usado, e uma única correção
  chega a todos eles.
- **Manutenção.** Uma base de código construída com partes compartilhadas é menor e mais fácil de entender do que uma
  cheia de quase duplicatas.

## O que é roteamento de modelos? {#what-is-model-routing}

**O roteamento envia cada pedido ao modelo mais adequado para ele, em geral o menor que provavelmente responderá
bem.** Pedidos simples vão para modelos pequenos e baratos; os difíceis são escalados.

Pesquisas publicadas mostram o potencial:

- **FrugalGPT** (Chen, Zaharia e Zou, 2023) encadeou modelos do mais barato ao mais caro, parando quando uma resposta
  era considerada boa o suficiente, e relatou desempenho equivalente ao do GPT-4 com custo até 98% menor.
- **RouteLLM** (Ong e colegas, 2024) treinou roteadores com dados de preferência humana para decidir quando um pedido
  precisa de um modelo forte, e relatou redução de custos de mais da metade em alguns casos, sem perda de qualidade.
- **Hybrid LLM** (Ding e colegas, 2024) direcionou consultas entre um modelo pequeno e um grande de acordo com a
  dificuldade prevista, fazendo até 40% menos chamadas ao modelo grande sem queda na qualidade das respostas.

Esses estudos medem o custo, e não a energia diretamente, mas, para o mesmo fornecedor e o mesmo hardware, menos
tokens em modelos grandes geralmente significa menos energia. Veja [como escolher o modelo certo](/pt/boas-praticas/escolha-o-modelo-certo-para-a-tarefa/).

## O que é recuperação e por que ela ajuda? {#what-is-retrieval-and-why-does-it-help}

**A recuperação busca a informação relevante e entrega ao modelo apenas ela, em vez de fazê-lo ler ou lembrar de
tudo.** A geração aumentada por recuperação (RAG), apresentada por Lewis e colegas em 2020, combina uma etapa de busca
com um gerador.

Para a energia, o que importa é a quantidade de tokens. Passar documentos ou bases de código inteiros pela janela de
contexto de um modelo custa energia a cada pedido. O GreenCode, um projeto de pesquisa europeu (ITEA) sobre software
energeticamente eficiente, usa a recuperação a partir de um índice da base de código para que "a quantidade de tokens
reflita a tarefa, e não o repositório", junto com modelos pequenos com ajuste fino (fine-tuning) e roteamento para o
menor componente capaz.

## O que mostra o trabalho do GreenCode? {#what-does-the-greencode-work-show}

**Que o custo de usar a IA precisa ser contabilizado, e que a forma como um agente trabalha importa tanto quanto o
modelo que ele usa.** Dois artigos de parceiros ilustram isso:

- **EnergyBench** (Ionescu, Jensen e Thomsen, 2025) avalia o código gerado por IA tanto pela correção quanto pela
  energia que ele consome ao ser executado. O estudo concluiu que a redação do prompt podia melhorar a eficiência
  energética do código gerado em até 91,9% em alguns casos, mas muitas vezes à custa da precisão. Pedir código verde
  no prompt não é, por si só, uma solução confiável.
- **A GreenCode Constitution** (Kapenekakis e colegas, 2026) deu a um agente de programação princípios escritos —
  primeiro a correção, depois 37 antipadrões de energia — e o fez medir a energia antes e depois de cada mudança. No
  llama.cpp, um mecanismo de inferência já altamente otimizado, ela reduziu a energia da GPU em 4,7%. A economia de
  energia superou o ganho de velocidade, um lembrete de que mais rápido nem sempre é mais verde, por isso a energia
  precisa ser medida diretamente.

O próprio pipeline do GreenCode aplica o princípio da orquestração: ele prefere modelos pequenos específicos para cada
tarefa, recuperação e roteamento, e faz uma avaliação prévia para que um trabalho cujo custo de inferência não seria
compensado não seja executado.

## O que pode dar errado? {#what-can-go-wrong}

**O roteamento e a reutilização só economizam energia quando escolhem bem.** Os principais riscos:

- **Subdimensionamento.** Um modelo pequeno demais pode falhar, e a nova tentativa em um modelo maior custa mais do que
  ir direto a ele. Em sistemas agênticos, em que uma falha pode desviar muitas etapas seguintes, isso pesa ainda mais.
  Definir o limite é um problema real de projeto.
- **Bibliotecas desatualizadas.** Os componentes precisam de responsáveis, testes e atualizações, senão a reutilização
  espalha erros antigos.
- **Custos ocultos.** O classificador, o índice e a etapa de recuperação também usam energia. Em geral são muito mais
  baratos que a geração, mas também devem ser medidos.
- **Efeito rebote.** IA mais barata convida a usar mais IA. Veja [eficiência não é suficiência](/pt/artigos/eficiencia-nao-e-suficiencia-o-efeito-rebote-na-ia/).

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

- Antes de gerar, procure: já existe um componente testado, um modelo de documento ou uma resposta anterior?
- Direcione os pedidos pela dificuldade; use um modelo pequeno por padrão e escale quando preciso. Veja [use a IA com eficiência](/pt/boas-praticas/use-a-ia-com-eficiencia-habitos-do-dia-a-dia/).
- Use a recuperação para manter os prompts curtos, em vez de colar documentos inteiros.
- Mantenha uma biblioteca de resultados verificados, com testes e um responsável, e vá ampliando-a.
- Meça a energia ou os tokens por tarefa concluída, incluindo as novas tentativas, e não por pedido.
- Leia [IA agêntica e desperdício de tokens](/pt/artigos/ia-agentica-e-desperdicio-de-tokens/) se você executa agentes de várias etapas.

## Perguntas frequentes

### O que é orquestração em IA?

É coordenar vários modelos, ferramentas e componentes armazenados para concluir uma tarefa, em vez de pedir a um único modelo grande que gere a resposta inteira. Um planejador decide o que é necessário; partes mais baratas fazem a maior parte do trabalho.

### O que é roteamento de modelos?

É enviar cada pedido ao modelo mais adequado para ele, em geral o menor e mais barato que provavelmente responderá bem, e escalar para um modelo maior só quando necessário.

### O roteamento reduz a qualidade?

Os sistemas de roteamento publicados relatam grandes economias de custo mantendo a maior parte da qualidade do modelo mais forte, mas o resultado depende da tarefa e de quão bem o roteador avalia a dificuldade.

## Fontes

- [FrugalGPT: how to use large language models while reducing cost and improving performance](https://arxiv.org/abs/2305.05176), Chen, Zaharia and Zou, Transactions on Machine Learning Research (2023)
- [RouteLLM: learning to route LLMs with preference data](https://arxiv.org/abs/2406.18665), Ong et al., ICLR 2025 (2024)
- [Hybrid LLM: cost-efficient and quality-aware query routing](https://arxiv.org/abs/2404.14618), Ding et al., ICLR (2024)
- [Retrieval-augmented generation for knowledge-intensive NLP tasks](https://arxiv.org/abs/2005.11401), Lewis et al., NeurIPS (2020)
- [Green optimised generative AI](https://greencode.ai/feature/green-optimised-generative-ai/), GreenCode (2026)
- [Green AI and energy-aware computing](https://greencode.ai/benefit/green-ai-and-energy-aware-computing/), GreenCode (2026)
- [Comparative analysis of carbon footprint in manual vs. LLM-assisted code development](https://doi.org/10.1145/3711919.3728678), Cheung, Kaul, Jahangirova, Mousavi and Zie, ResponsibleSE 2025 (ACM) (2025)
- [EnergyBench: holistic benchmark for correct and energy-efficient LLM-generated code](https://doi.org/10.1109/flta67013.2025.11336593), Ionescu, Jensen and Thomsen, FLTA 2025 (2025)
- [GreenCode Constitution: agent principles for optimizing code and LLM inference energy use](https://greencode.ai/publications/greencode-constitution-agent-principles-for-optimizing-code-and-llm-inference-en/), Kapenekakis, Kim, Ionescu, Thomsen and Albano, GreenAI workshop, ECML PKDD 2026 (2026)
