Em resumo
Nem a edge nem a nuvem são mais verdes por padrão. Data centers centrais em geral executam modelos grandes com mais eficiência, enquanto a IA no dispositivo e na edge pode evitar tráfego de rede, manter os dados no local e funcionar offline. Decida caso a caso, comparando a energia por resultado útil em todo o sistema, incluindo dispositivos, rede e hardware.
Pontos-chave
- Execute localmente tarefas pequenas, frequentes ou sensíveis à latência; envie tarefas grandes ou raras para hardware central eficiente.
- A IEA estima que as redes de transmissão de dados usaram 260–360 TWh em 2022, cerca de 1–1,5% da eletricidade mundial, com as redes móveis respondendo por cerca de dois terços.
- A energia das redes não cresce de forma proporcional ao volume de dados, por isso as economias por gigabyte costumam ser exageradas.
- Bilhões de dispositivos somam muito: conte os dispositivos dos usuários, as baterias deles e o hardware que talvez precisem substituir.
- A IA local mantém os dados no dispositivo, o que ajuda a privacidade, a soberania e a resiliência.
A IA na edge ou na nuvem é mais verde?
Depende da tarefa, do modelo e do dispositivo, então compare as opções em todo o sistema em vez de presumir. Data centers centrais operam aceleradores com alta taxa de utilização e refrigeração especializada, por isso em geral fazem os cálculos de um modelo grande com mais eficiência. A edge AI, executada no dispositivo ou num servidor próximo, evita enviar dados pela rede e pode desligar por completo quando está ociosa.
Um sandpit de IA verde realizado no Reino Unido em 2026, com matemáticos, cientistas da computação e representantes da indústria, fez exatamente essa pergunta. A IA está se espalhando por sensores, câmeras, campainhas, carros e assistentes de celular. Multiplicada por milhões de dispositivos, a IA local gasta mais ou menos energia do que enviar os dados a um data center? Os participantes observaram que há estudos de energia de ponta a ponta para alguns modelos de visão menores implantados na edge, mas poucos para modelos de linguagem de grande porte (LLM). A resposta honesta hoje é: meça o seu caso.
Quais são as vantagens e desvantagens?
Cada opção ganha em aspectos diferentes.
| Fator | No dispositivo / edge | Data center central |
|---|---|---|
| Energia por computação | Em geral maior em chips de uso geral; melhor em aceleradores neurais dedicados | Em geral menor, sobretudo com alta utilização |
| Tamanho do modelo | Modelos pequenos, muitas vezes quantizados | Qualquer tamanho |
| Energia de rede | Pouca ou nenhuma | Todo pedido trafega |
| Energia ociosa | Pode hibernar ou desligar | Capacidade compartilhada mantida pronta |
| Hardware | Espalhado por bilhões de dispositivos; pode forçar trocas | Concentrado, renovado a cada poucos anos |
| Latência | Rápida, funciona offline | Depende da conexão |
| Privacidade | Os dados podem ficar no dispositivo | Os dados saem do controle do usuário |
| Medição | Difícil: dispersa, sem relatórios | Possível, se os provedores divulgarem |
| Controle | Distribuído | Concentrado em poucos provedores |
Quanto a rede importa?
As redes usam muita energia no total, mas grande parte dela é uma base quase constante, então o efeito de um único pedido é menor do que as calculadoras por byte sugerem.
- A Agência Internacional de Energia estima que as redes de transmissão de dados usaram de 260 a 360 TWh em 2022, cerca de 1 a 1,5% da eletricidade mundial, com as redes móveis respondendo por cerca de dois terços disso.
- Mytton, Lundén e Malmodin mostraram em 2024 que a energia das redes não é diretamente proporcional ao volume de dados. Os equipamentos de rede consomem energia estejam ocupados ou não, então converter gigabytes diretamente em quilowatts-hora exagera a economia de enviar menos.
- Reduza os dados mesmo assim: isso economiza energia em servidores e dispositivos, e o tráfego evitado pode evitar capacidade de rede futura. Mas não use economias de rede por gigabyte como principal argumento a favor da edge AI.
Observe que muitos números publicados por prompt deixam de fora a rede e os dispositivos dos usuários. Os números do Gemini divulgados pelo Google em 2025, por exemplo, excluem ambos. Verifique a fronteira do cálculo antes de comparar números de edge e de nuvem.
E os próprios dispositivos?
Conte a energia, a bateria e o hardware dos dispositivos em que a sua IA roda, porque eles fazem parte da sua pegada.
- Emissões incorporadas: fabricar dispositivos gera carbono. A especificação SCI inclui uma parcela das emissões incorporadas na pegada de um sistema de software. Se a IA no dispositivo levar as pessoas a substituir mais cedo celulares ou notebooks que ainda funcionam, esse custo pode superar qualquer economia operacional.
- O consumo de bateria é um custo energético oculto que o usuário paga. O sandpit citou os assistentes de IA de celular como exemplo.
- Adaptação: a Green Software Foundation sugere passar para modelos menores ou frequência mais baixa quando a bateria está fraca ou o dispositivo está quente.
- Escala: uma pequena economia ou um pequeno custo por dispositivo fica grande em milhões de dispositivos funcionando o tempo todo.
Como entram a privacidade e a resiliência?
A IA local mantém os dados no dispositivo e continua funcionando quando a conexão ou o serviço central falha.
- Privacidade: dados processados localmente não precisam ser transmitidos nem armazenados por um provedor. Isso apoia o princípio da minimização de dados na legislação de proteção de dados do Reino Unido e da UE, e é adequado para dados sensíveis, como registros de saúde ou de infraestrutura crítica. O sandpit observou que, nos setores de infraestrutura crítica, dados operacionais sensíveis muitas vezes precisam ficar dentro da organização, o que exige modelos locais eficientes.
- Soberania e controle: a inferência distribuída tira o controle das mãos de poucos grandes provedores.
- Resiliência: o sandpit também levantou a questão da dependência: o que acontece quando a sociedade depende da IA e a conexão ou a energia cai? Capacidade local pode manter funções essenciais em funcionamento.
- Prestação de contas: a edge AI é mais difícil de monitorar. Se você a implantar, planeje como vai medi-la e relatá-la.
Como decidir, passo a passo?
Calcule a energia por resultado útil de cada opção e depois pondere privacidade, latência e resiliência.
- Defina a tarefa e o padrão de qualidade. O que conta como um resultado bem-sucedido?
- Encontre o menor modelo que atinja o padrão (escolha o modelo certo). Modelos quantizados precisam de menos memória: a inferência em 8 bits reduziu pela metade a necessidade de memória no estudo LLM.int8().
- Estime a energia na nuvem por resultado, incluindo a sobrecarga do data center e, quando possível, a rede.
- Meça a energia do dispositivo por resultado em dispositivos representativos, incluindo os mais antigos e os de baixo consumo.
- Some os efeitos de hardware: isso vai exigir novos dispositivos ou servidores de edge dedicados?
- Considere a frequência: tarefas pequenas e frequentes costumam combinar com o dispositivo; tarefas raras e pesadas, com a nuvem.
- Pondere privacidade, latência, uso offline e resiliência.
- Considere uma divisão: um pequeno modelo local atende a maioria dos pedidos e escala os difíceis para a nuvem.
- Meça depois da implantação e reveja à medida que modelos e hardware mudam.
Checklist
- [ ] Energia por resultado útil comparada para edge, nuvem e uma divisão
- [ ] Fronteira inclui os dispositivos e, quando possível, a rede
- [ ] Menor modelo adequado escolhido, quantizado para dispositivos onde o desempenho se mantém
- [ ] Nenhuma troca de dispositivo forçada pelo recurso de IA
- [ ] Bateria e calor tratados, com um modo mais leve quando a bateria estiver fraca
- [ ] Benefícios de privacidade e de proteção de dados registrados
- [ ] Monitoramento planejado para implantações na edge
O que fazer a seguir
- Escolha um recurso de IA e esboce as opções de edge, nuvem e divisão.
- Meça a energia por resultado num dispositivo típico e estime o equivalente na nuvem; veja medir a energia da IA.
- Teste um pequeno modelo quantizado no dispositivo mais antigo que você suporta.
- Decida quais dados precisam ficar no local por razões de privacidade ou soberania.
- Leia IA na edge para o panorama mais amplo e hospedagem e data centers para o lado da nuvem.
- Encontre ferramentas de edge AI no diretório de produtos e grupos de pesquisa em pesquisa.
Perguntas frequentes
A IA no dispositivo é mais verde que a IA na nuvem?
Às vezes. Um modelo pequeno num celular evita a energia do data center e da rede, mas os dispositivos são menos eficientes por computação do que os aceleradores de data center, e comprar hardware novo para rodar IA tem a sua própria pegada. Compare o sistema inteiro.
Enviar dados para a nuvem usa muita energia?
As redes usam bastante energia, mas grande parte dela é uma base quase constante. Reduzir dados ainda ajuda dispositivos e servidores, mas as economias de rede por gigabyte em geral são exageradas.
O que é edge computing?
Computação feita perto de onde os dados são produzidos ou usados: no próprio dispositivo, ou num gateway ou pequeno servidor local próximo, em vez de num data center distante.
Por que a privacidade entra nisso?
Dados processados no dispositivo não precisam sair dele. Isso reduz a exposição e pode facilitar o cumprimento de regras de proteção de dados, como a minimização de dados.
Fontes
- Data centres and data transmission networks, International Energy Agency (2023)
- Network energy use not directly proportional to data volume: the power model approach for more reliable network energy consumption calculations, Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
- Green Software Patterns: run AI models at the edge, Green Software Foundation (2025)
- Green Software Patterns: optimise power consumption for edge AI inference, Green Software Foundation (2025)
- Measuring the environmental impact of delivering AI at Google scale, Google (arXiv 2508.15734) (2025)
- Software Carbon Intensity (SCI) specification, Green Software Foundation (2024)
- Principle (c): Data minimisation, Information Commissioner's Office (2023)
- LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale, Dettmers et al. (arXiv 2208.07339) (2022)
Relacionados
IA na borda: mais verde ou só menos visível?
A IA no dispositivo e na borda pode poupar energia de rede e de data center, mas espalha a computação por bilhões de aparelhos que ninguém mede. O que se sabe e o que não.
Hospedagem e data centers para IA verde
Como escolher onde a IA roda: intensidade de carbono da rede, PUE e WUE, alegações de energia renovável, consumo de água e localização, com perguntas para hosts.
Como medir a energia e o carbono da IA
Um guia prático para medir ou estimar a energia e o carbono do trabalho com IA: ferramentas, limites do sistema, métricas por tarefa e incerteza honesta.
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.