Em resumo
Meça a energia da IA medindo diretamente o hardware que você controla e estimando os serviços que você não controla, e depois converta os dois em carbono com dados locais da rede, no horário certo. Registre o limite, o método e a incerteza junto com cada número, e informe-o por unidade de trabalho útil, não apenas como total.
Pontos-chave
- Meça onde puder (contadores de hardware, telemetria de GPU, tomadas medidoras, logs do agendador) e estime onde não puder (APIs hospedadas, nuvem pública).
- Todo número precisa de um limite do sistema declarado: o que entra, o que fica de fora e por quê.
- Informe a energia por unidade de trabalho útil, por exemplo por requisição ou por documento, para que a eficiência fique visível à medida que o uso cresce.
- Use a intensidade de carbono da rede baseada na localização, para a região e a hora em que o trabalho rodou; certificados não a mudam.
- Repita as medições e dê um intervalo. Um único par de antes e depois pode ser apenas ruído.
Por que medir?
Você não consegue reduzir, comparar ou alegar com honestidade aquilo que não mediu. A medição transforma "a IA usa muita energia" em números sobre os quais você pode agir: qual recurso, modelo ou trabalho custa mais, e se uma mudança ajudou.
No sandpit (laboratório colaborativo) de IA verde realizado no Reino Unido em 2026, com matemáticos, cientistas da computação e representantes da indústria, a medição apareceu repetidamente como o gargalo. Muitos números publicados são estimativas, os métodos muitas vezes não são documentados e o mesmo trabalho pode produzir números muito diferentes dependendo do que é contado. Este guia apresenta um método que se sustenta.
Devo medir ou estimar?
Meça o hardware que você controla; estime os serviços que você não controla. As duas abordagens são válidas, desde que cada número diga qual delas foi usada.
| Situação | Abordagem | Ferramentas típicas |
|---|---|---|
| Seu próprio notebook, estação de trabalho ou servidor | Medir com contadores de hardware | perf ou powercap (contadores RAPL da Intel/AMD), PowerJoular, Scaphandre |
| Suas próprias GPUs | Medir com a telemetria do fabricante, amostrada ao longo do tempo | nvidia-smi ou NVML, CodeCarbon |
| Um cluster de pesquisa | Ler a contabilidade de energia do agendador | Slurm sacct (campo ConsumedEnergy), quando ativado |
| Máquinas virtuais em nuvem pública | Estimar a partir da utilização e do faturamento | Cloud Carbon Footprint, painéis de carbono dos provedores |
| APIs de IA hospedadas | Estimar a partir de tokens e de premissas sobre o modelo | EcoLogits |
| Comparar modelos abertos antes de escolher | Usar um benchmark padrão | Hugging Face AI Energy Score |
A própria orientação do CodeCarbon traça a mesma linha: use o CodeCarbon para código que roda em hardware que você gerencia, e o EcoLogits para chamadas a serviços remotos de IA generativa, nos quais você não tem acesso ao hardware.
Conheça os limites do seu medidor
- A telemetria de GPU faz amostragens; ela não observa continuamente. Pesquisadores concluíram que, em GPUs A100
e H100, o
nvidia-smiamostra a potência em apenas cerca de 25% do tempo de execução, o que pode causar grandes subestimativas ou superestimativas em trabalhos curtos. Faça a amostragem durante todo o trabalho, rode por tempo suficiente para cobrir muitos intervalos de amostragem e integre ao longo do tempo. - Medidores de software são modelos. Compare um deles com um medidor de tomada (uma tomada inteligente com medição basta) uma vez por plataforma.
- Os números da nuvem são estimativas. Os contadores de hardware geralmente não estão disponíveis em máquinas virtuais de nuvem pública, então rotule os números da nuvem como estimados.
O que o limite do sistema deve incluir?
Trace o limite de forma ampla o bastante para incluir tudo o que é significativo, e registre-o por escrito. Um número sem limite não pode ser comparado com nada.
O artigo de 2025 do Google sobre o Gemini é um bom exemplo. Ele informa 0,24 Wh para um prompt de texto mediano quando conta os aceleradores, as máquinas hospedeiras, a capacidade ociosa e o consumo extra do data center, e 0,10 Wh quando conta apenas o uso ativo de TPU e GPU. Os dois são honestos; respondem a perguntas diferentes. O limite do Google também deixa de fora a rede externa, os dispositivos dos usuários e o treinamento do modelo, e os números não foram verificados de forma independente.
Percorra estas camadas e decida, para cada uma, se ela entra ou fica de fora:
- O acelerador (GPU, TPU) que faz os cálculos.
- O restante do servidor: CPU, memória, armazenamento.
- A capacidade ociosa e reservada mantida pronta para o seu trabalho.
- O consumo extra do data center: resfriamento e conversão de energia, captados pelo PUE.
- A rede entre os usuários e o serviço.
- Os dispositivos dos usuários.
- As emissões incorporadas: a parte da fabricação do hardware atribuível ao seu uso.
- O treinamento e o ajuste fino (fine-tuning), distribuídos ao longo da vida útil do modelo.
- O processo em volta: novas tentativas, execuções que falharam, tempo de revisão humana.
O sandpit fez a mesma observação sobre alegações como "a IA custa trinta vezes mais do que fazer à mão": a resposta depende de você contar ou não o tempo de trabalho da pessoa, o equipamento dela e tudo o que está em volta. Defina o limite antes de comparar.
O que devo registrar?
Registre o suficiente para que outra pessoa possa repetir a medição e obter um número parecido. Para cada número, guarde:
- O que foi medido: modelo e versão, tarefa, conjunto de dados ou de prompts, contagem de tokens de entrada e de saída.
- Onde e quando: hardware, região, data e hora (necessários para a intensidade de carbono).
- Como: ferramenta e versão, taxa de amostragem, medido ou estimado, linha de base ociosa incluída ou excluída.
- O limite: quais das camadas acima entram.
- A regra de alocação: como a energia compartilhada ou ociosa foi dividida entre usuários ou serviços.
- A dispersão: número de execuções, média e intervalo.
- A qualidade: a precisão ou a taxa de sucesso na tarefa naquele momento. Uma resposta barata e errada não é economia.
Como converto energia em carbono?
Multiplique a energia pela intensidade de carbono da rede onde e quando o trabalho rodou, e some as emissões incorporadas se elas estiverem dentro do seu limite. A especificação Software Carbon Intensity (SCI) da Green Software Foundation, publicada como ISO/IEC 21031:2024, expressa isso como uma taxa:
SCI = ((E × I) + M) por R
em que E é a energia, I é a intensidade de carbono da rede baseada na localização, M são as emissões incorporadas e R é a unidade funcional. A especificação usa números da rede baseados na localização e não permite que medidas baseadas no mercado, como certificados de energia renovável, contratos de compra de energia ou compensações, reduzam a pontuação.
- Use dados regionais e do horário correspondente sempre que puder. Na Grã-Bretanha, a Carbon Intensity API do National Energy System Operator dá previsões e estimativas regionais; o Electricity Maps cobre muitos outros países.
- Recorra a médias nacionais anuais apenas quando não houver nada mais detalhado, e diga isso.
Quais métricas por tarefa funcionam melhor?
Escolha uma unidade funcional que corresponda ao valor que a sua IA entrega, e informe os números em relação a ela. Os totais sobem com o crescimento e escondem a eficiência; os números por unidade a mostram.
Boas unidades funcionais para trabalho com IA:
- por requisição, por resposta ou por conversa
- por documento resumido, chamado classificado ou imagem produzida
- por tarefa bem-sucedida (melhor ainda, porque as tentativas que falharam contam)
- por execução de treinamento ou por modelo ajustado, para trabalho de desenvolvimento
Depois acompanhe energia por unidade, carbono por unidade, qualidade por unidade e o total lado a lado. Se a energia por unidade cai enquanto o total sobe, a eficiência está melhorando, mas o uso cresce mais rápido: esse é o efeito rebote, e seus relatórios devem mostrá-lo.
Como lido com a incerteza?
Repita, informe um intervalo e só alegue mudanças maiores do que o ruído. As leituras variam com a temperatura, os processos em segundo plano e o ajuste de frequência.
- Meça primeiro a linha de base ociosa, na mesma máquina.
- Rode cada teste várias vezes; informe a média e a dispersão.
- Mude uma coisa de cada vez e meça de novo com a mesma configuração e a mesma carga.
- Para estimativas, liste todas as premissas (tamanho do modelo, hardware, utilização, PUE) e dê um cenário baixo e um alto.
- Substitua as estimativas por números medidos ou informados pelo fornecedor à medida que estiverem disponíveis.
Os números por prompt publicados são um contexto útil, não um substituto para os seus próprios números. A estimativa de baixo para cima da Epoch AI, de cerca de 0,3 Wh para uma consulta típica ao ChatGPT, sobe para cerca de 2,5 Wh com uma entrada de 10.000 tokens e para quase 40 Wh com uma entrada de 100.000 tokens. O seu padrão de uso importa mais do que qualquer média de manchete.
Lista de verificação
- [ ] Cada número está rotulado como medido ou estimado, com ferramenta e versão
- [ ] Limite registrado por escrito, incluindo o que ficou de fora e por quê
- [ ] Linha de base ociosa registrada; regra de alocação da energia compartilhada declarada
- [ ] Potência da GPU amostrada durante todo o trabalho, não por instantâneo
- [ ] Energia informada por unidade funcional, junto com o total e a qualidade
- [ ] Carbono calculado com dados da rede baseados na localização e no horário correspondente
- [ ] Várias execuções; média e intervalo informados
- [ ] Método guardado junto com os resultados, para que outros possam repeti-lo
O que fazer a seguir
- Escolha um recurso ou uma carga de trabalho de IA e defina a sua unidade funcional.
- Adicione o CodeCarbon a um script de treinamento ou de inferência local, ou o EcoLogits ao seu cliente de API de IA, e registre a energia de cada requisição ou execução.
- Escreva um método de medição de uma página: limite, ferramentas, regra de alocação, fonte de dados de carbono.
- Compare modelos candidatos com benchmarks antes de escolher um; veja escolha o modelo certo.
- Antes de publicar qualquer número, confira-o com alegações verdes honestas.
- Leia por que a medição é o gargalo e encontre ferramentas de medição no diretório de produtos ou ajuda de consultores.
Perguntas frequentes
Quanta energia usa um prompt de IA?
Os números publicados para um prompt de texto típico são uma fração de um watt-hora: o Google informa 0,24 Wh para um prompt de texto mediano do Gemini, e a Epoch AI estima cerca de 0,3 Wh para uma consulta típica ao ChatGPT. Entradas longas, raciocínio e geração de imagem ou vídeo podem custar muito mais.
Posso medir a energia de um serviço de IA hospedado, como o ChatGPT?
Não diretamente. Você pode estimá-la a partir da contagem de tokens e de premissas sobre o modelo com uma ferramenta como o EcoLogits, e pedir ao fornecedor os números e o método dele.
O tempo de execução é um bom substituto para a energia?
Não. Velocidade e energia costumam andar juntas, mas nem sempre, então meça a energia diretamente e informe as duas.
O que é um limite do sistema?
É a lista do que o seu número inclui: por exemplo, só a GPU, o servidor inteiro, o consumo extra do data center, a rede, os dispositivos dos usuários e a fabricação do hardware. Dois números honestos podem diferir dez vezes porque seus limites são diferentes.
Fontes
- Measuring the environmental impact of delivering AI at Google scale, Google (arXiv 2508.15734) (2025)
- How much energy does ChatGPT use?, Epoch AI (2025)
- Part-time power measurements: nvidia-smi's lack of attention, Yang et al. (arXiv 2312.02741) (2023)
- Software Carbon Intensity (SCI) specification, Green Software Foundation (2024)
- ISO/IEC 21031:2024 Software Carbon Intensity (SCI) specification, ISO (2024)
- When to use CodeCarbon, CodeCarbon (2025)
- EcoLogits documentation, EcoLogits (2025)
- AI Energy Score, Hugging Face (2025)
- Carbon Intensity API, National Energy System Operator (2025)
- Slurm sacct manual (ConsumedEnergy), SchedMD (2025)
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.
Alegações ambientais honestas sobre IA
Como evitar greenwashing na IA: o que você pode e não pode alegar, efeito rebote, relatórios honestos e as regras do Reino Unido, da UE e dos EUA.
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.
Etiquetas de energia e benchmarks para IA
Onde estão as classificações de energia da IA em 2026: AI Energy Score, MLPerf Power, documentação do AI Act da UE e classificação de data centers, e o que etiquetas mostram.