Em resumo
Peça explicitamente código eficiente e diga qual é a restrição, como memória, alocações ou complexidade algorítmica; depois execute os testes e meça a energia do código antes de aceitá-lo. Uma pesquisa concluiu que mudar o prompt podia tornar o código gerado até 91,9% mais eficiente em energia, mas muitas vezes à custa da correção. Dê ao assistente princípios de energia para seguir e mantenha uma pessoa verificando o resultado.
Passos
- Peça código eficiente e diga qual restrição importa, como memória ou idas e voltas ao banco de dados.
- Dê ao assistente a descrição completa do problema, e não uma versão resumida.
- Execute o conjunto de testes em tudo o que ele produzir.
- Meça a energia, ou pelo menos o tempo de execução e a memória, antes e depois, na mesma máquina.
- Dê ao assistente um conjunto escrito de regras de energia ou de antipadrões para conferir.
Peça eficiência explicitamente e depois verifique. Os assistentes de IA escrevem código que passa nos testes, mas pode ser desperdiçador: loops com chamadas ao banco de dados dentro, cópias desnecessárias, trabalho repetido.
O que mostram as evidências?
O EnergyBench, de Ionescu, Jensen e Thomsen, avalia o código escrito por IA tanto pela correção quanto pela energia. Eles concluíram que mudar o prompt podia tornar o código gerado até 91,9% mais eficiente em energia, mas muitas vezes à custa da precisão. Em alguns casos, remover metade da descrição do problema tornou o código mais de quatro vezes mais eficiente, enquanto a correção caiu para zero. Código eficiente, mas errado, não vale nada.
Como escrevo o prompt?
- Diga qual é a restrição. "Evite uma consulta ao banco de dados dentro do loop", "leia o arquivo em fluxo em vez de carregá-lo na memória", "mantenha isto em O(n log n)".
- Mantenha a especificação completa. Não corte o problema para economizar tokens; é aí que a correção se perde.
- Dê regras. Pesquisadores do GreenCode publicaram a GreenCode Constitution, um conjunto de princípios de energia e de antipadrões que um agente de programação com IA pode seguir: analisar o perfil do código, corrigir os antipadrões por ordem de prioridade, medir de novo e manter só as mudanças que economizam energia.
Erros comuns
- Confiar no "otimizado" da resposta. Meça na mesma máquina, com a mesma carga.
- Achar que mais rápido é mais verde. O trabalho do GreenCode concluiu que energia e velocidade podem divergir; meça as duas. Veja como medir a energia que a IA usa no seu próprio computador.
- Pular a revisão do código gerado que você não escreveu.
Para métodos de medição, leia como medir a energia e o carbono da IA.
Fontes
- EnergyBench: holistic benchmark for correct and energy-efficient LLM-generated code, Ionescu, Jensen and Thomsen, FLTA 2025 (2025)
- GreenCode Constitution: agent principles for optimizing code and LLM inference energy use, Kapenekakis, Kim, Ionescu, Thomsen and Albano, GreenAI workshop, ECML PKDD 2026 (2026)
- Web Sustainability Guidelines, W3C (2025)
Relacionados
Como uso um assistente de programação com IA sem uma grande pegada?
Como manter o benefício dos assistentes de programação com IA e cortar tokens desperdiçados: modelo do tamanho certo, contexto focado, tarefas divididas.
Como meço a energia que a IA usa no meu próprio computador ou GPU?
Meça a energia da IA local com contadores de hardware, telemetria da GPU ou um medidor de tomada, amostre o trabalho todo e subtraia a base em repouso.
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.
IA agêntica e desperdício de tokens
Por que agentes de IA podem usar muitas vezes mais tokens e energia que um chat, como os loops os desperdiçam e as salvaguardas que os mantêm no tamanho certo.