Em resumo
Compare as regiões pela intensidade de carbono da rede e pela parcela de energia livre de carbono, usando os dados de região publicados pelo seu provedor ou uma fonte como a Electricity Maps, e depois pese a latência, as regras de residência de dados e o custo. Trabalhos em lote, como treinamento, ajuste fino e processamento noturno, são os mais fáceis de mover; a inferência voltada para usuários normalmente precisa ficar perto deles.
Passos
- Liste quais cargas de trabalho podem rodar em qualquer lugar, começando por treinamento, ajuste fino e trabalhos em lote.
- Compare as regiões candidatas pela intensidade de carbono da rede e pela parcela de energia livre de carbono.
- Verifique as restrições de residência de dados, latência e custo de cada candidata.
- Leve em conta a energia e o custo de mover os dados para a nova região.
- Revise a escolha todo ano, porque as redes e os dados dos provedores mudam.
A escolha da região pode multiplicar várias vezes o carbono do mesmo trabalho, sem mudar nada no código. A eletricidade por trás de um quilowatt-hora varia muito de uma rede para outra.
Onde encontro dados das regiões?
- O Google Cloud publica, para cada região, a parcela média horária de energia livre de carbono e a intensidade de carbono da rede em gCO₂e/kWh. O console marca como "Low CO2" as regiões em que a energia livre de carbono é de pelo menos 75% ou, quando esse dado não existe, em que a intensidade da rede é de no máximo 200 gCO₂e/kWh.
- A Electricity Maps fornece a intensidade de carbono em tempo real, prevista e histórica para mais de 350 zonas, útil para qualquer provedor.
- As páginas de sustentabilidade e os painéis de carbono de outros provedores; veja os dados de carbono do seu provedor de nuvem.
Que cargas de trabalho devem mudar de lugar?
O padrão da Green Software Foundation para cargas de IA sugere rodar o treinamento, o ajuste fino e os trabalhos em lote em regiões de baixo carbono, onde a latência é menos crítica. As orientações do Azure Well-Architected, da Microsoft, recomendam pesar juntas a intensidade de carbono, a latência e a resiliência ao escolher regiões.
Erros comuns
- Levar a inferência sensível à latência para longe dos usuários, o que pode piorar a experiência e aumentar o tráfego de rede.
- Ignorar a movimentação de dados. Copiar grandes conjuntos de dados entre regiões tem um custo próprio.
- Confiar em certificados. Um provedor que compra certificados de energia renovável não torna de baixo carbono uma rede de alto carbono; veja como verificar se a sua IA usa energia renovável.
- Tratar a escolha da região como substituta da eficiência. Ela corta o carbono, não a energia.
Mais em hospedagem e data centers.
Fontes
- Carbon free energy for Google Cloud regions, Google Cloud (2025)
- Electricity Maps data, Electricity Maps (2026)
- Use carbon-aware scheduling and region selection for AI workloads, Green Software Foundation, Green Software Patterns (2025)
- Reliability recommendations for sustainable workloads on Azure, Microsoft Azure Well-Architected Framework (2026)
Relacionados
Como agendo o treinamento para quando a rede elétrica estiver mais verde?
Rode treinamentos e trabalhos de IA em lote quando a intensidade de carbono da rede estiver baixa: use previsões, checkpoints para pausar e prazos como limite firme.
Como encontro a intensidade de carbono da minha rede elétrica?
Onde obter dados de intensidade de carbono da rede para a pegada da IA: fontes regionais e horárias, como a Carbon Intensity API e a Electricity Maps.
Como verifico se a minha IA funciona com energia renovável?
Distinga energia limpa hora a hora de certificados anuais: pergunte onde a sua IA roda, a intensidade de carbono da rede e a parte limpa por hora dessa região.
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.