Em resumo
Defina um tamanho máximo de saída na chamada à API, diga ao modelo no prompt o formato e o tamanho que você quer e use sequências de parada ou saída estruturada para que ele termine quando o trabalho estiver feito. A energia cresce com o número de tokens que um modelo gera, então limitar a saída é uma das economias mais simples em qualquer aplicação.
Passos
- Decida qual é a resposta útil mais longa para cada funcionalidade e defina o máximo de tokens de saída da API de acordo.
- Informe o formato e o tamanho no prompt, por exemplo "três tópicos".
- Use saída estruturada, como um JSON schema, quando o seu código só precisar de campos.
- Acrescente sequências de parada quando a resposta tiver um marcador natural de fim.
- Detecte as respostas cortadas pelo limite e trate-as, em vez de tentar de novo sem avisar.
Diga ao modelo, e à API, quanto você quer. Os modelos geram um token de cada vez, e cada um custa computação.
Por que isso importa?
Delavande, Pierrard e Luccioni concluíram que a energia cresce de forma linear com o tamanho do texto gerado e que os modelos maiores não só usam mais energia por token como também tendem a escrever respostas mais longas. A UNESCO e a University College London concluíram que prompts e respostas mais curtos podem reduzir o uso de energia em mais da metade.
Que controles devo usar?
- Máximo de tokens de saída. Todas as principais APIs têm um parâmetro para isso. Defina-o por funcionalidade, e não um único valor global generoso.
- Instruções. "Responda numa frase" ou "devolva só o nome da categoria" funcionam melhor do que apenas um limite rígido, porque o modelo planeja uma resposta curta em vez de ser cortado.
- Saída estruturada. Se o seu código lê campos, peça JSON de acordo com um schema e dispense o texto corrido.
- Sequências de parada. Encerre a geração num marcador, como uma tag de fechamento.
- Esforço de raciocínio. Quando um modelo oferece uma configuração de pensamento ou raciocínio, use o nível mais baixo que passe nos seus testes: veja quando usar modos de raciocínio.
Erros comuns
- Limites tão apertados que as respostas são cortadas, seguidos de uma nova tentativa automática com um limite maior. Isso custa mais do que acertar o tamanho.
- Pedir explicações que ninguém lê, como "explique o seu raciocínio" num pipeline de classificação.
- Não registrar os tokens de saída por funcionalidade, o que deixa escondidas as funcionalidades mais prolixas.
Para hábitos voltados aos usuários, leia como usar a IA de forma eficiente.
Fontes
- Small talk, big impact: the energy cost of thanking AI, Delavande, Pierrard and Luccioni (arXiv 2601.22357) (2026)
- Smarter, smaller, stronger: resource-efficient generative AI and the future of digital transformation, UNESCO and University College London (2025)
- What are tokens and how to count them?, OpenAI Help Center (2025)
Relacionados
Como escrevo prompts que gastam menos energia?
Como escrever prompts de IA que precisam de menos computação: seja específico, defina um tamanho, cole só o que importa e acerte à primeira em vez de tentar de novo.
Como evito que o meu chatbot reenvie a conversa inteira?
Como manter pequeno o contexto de um chatbot: limite as mensagens anteriores, resuma as antigas, recupere o relevante e use cache em prompts fixos.
Como sei quando usar um modo de "pensamento" ou de raciocínio da IA?
Quando vale a pena um modo de raciocínio ou de 'pensamento' da IA, quando basta um modelo padrão, e por que pode gastar muitas vezes mais energia.
Use a IA com eficiência: hábitos do dia a dia
Hábitos do dia a dia que reduzem a energia do uso da IA: prompts claros, menos ciclos de regeneração, cuidado com imagens e vídeo, cache e desativar padrões.