# Como torno o uso de IA da minha empresa mais sustentável?

> Um plano prático para tornar mais verde o uso de IA de uma empresa: mapear o uso, ajustar os modelos, definir padrões, consultar fornecedores e medir por tarefa.

Source: https://greenai.guide/pt/como/como-torno-o-uso-de-ia-da-minha-empresa-mais-sustentavel/  
Updated: 2026-11-19

## Em resumo

Comece mapeando onde a sua empresa usa IA e depois faça da escolha eficiente o padrão: o menor modelo que atinja o padrão de qualidade, respostas curtas e recursos de IA desligados, a menos que sejam necessários. Peça aos fornecedores a energia por pedido e onde eles operam, meça por tarefa útil e registre tudo numa política curta, com um responsável. A maioria desses passos reduz o custo e o tempo de espera, além da energia.

## Steps

1. Liste as ferramentas, os recursos e os fluxos automatizados de IA em uso e, aproximadamente, com que frequência cada um é executado.
2. Teste se um modelo menor ou um método sem IA atinge o padrão de qualidade nas suas tarefas de maior volume.
3. Defina padrões eficientes nas ferramentas da empresa, como modelos menores, limites de saída e recursos desligados, a menos que sejam necessários.
4. Peça aos fornecedores a energia por pedido, onde as cargas de trabalho são executadas e como eles informam isso.
5. Acompanhe a energia ou os tokens por tarefa útil e revise os números a cada trimestre.
6. Registre as regras numa política curta, com um responsável nomeado e uma data de revisão.

**Faça da escolha eficiente o padrão e depois meça se está funcionando.** Na maioria das empresas, a energia está em
executar os modelos (inferência) muitas vezes por dia, e não em treiná-los, então as escolhas do dia a dia sobre
modelos, prompts e recursos são as que mais importam.

Duas conclusões mostram quanto espaço há para melhorar. Luccioni, Jernite e Strubell concluíram que os modelos
generativos de uso geral custam ordens de grandeza mais para executar do que os específicos para as mesmas tarefas. A
UNESCO e a University College London concluíram que modelos menores e específicos podem reduzir o uso de energia em
até 90%, e prompts e respostas mais curtos, em mais da metade.

## Por onde começo? {#where-do-i-start}

1. **Mapeie o seu uso de IA**: veja [como mapear onde a sua organização usa IA](/pt/como/como-mapeio-onde-a-minha-organizacao-usa-ia/).
2. **Ajuste o tamanho nas tarefas mais frequentes**: experimente primeiro modelos pequenos; veja
   [como escolher um modelo de IA menor](/pt/como/como-escolho-um-modelo-de-ia-menor/).
3. **Defina padrões**: desligue os recursos que ninguém usa; veja
   [como desligar recursos de IA desnecessários](/pt/como/como-desativo-funcoes-de-ia-desnecessarias-em-toda-a-minha-organizacao/).
4. **Consulte os fornecedores**: veja [a sustentabilidade nas compras de IA](/pt/como/como-incluo-a-sustentabilidade-nas-compras-de-ia/).
5. **Meça por tarefa**: veja [como acompanhar a energia da IA por tarefa](/pt/como/como-acompanho-a-energia-da-ia-por-tarefa-e-nao-so-no-total/).
6. **Registre por escrito**: veja [como escrever uma política de IA verde](/pt/como/como-escrevo-uma-politica-de-ia-verde/).

## O que faz mais diferença {#what-makes-the-biggest-difference}

A escolha do modelo nas tarefas de grande volume e desligar a IA que funciona sem que ninguém precise dela. Os
hábitos da equipe importam, mas os padrões alcançam todo mundo sem depender da memória de ninguém.

## Erros comuns {#common-mistakes}

- Contar o custo por chamada em vez de por tarefa concluída com sucesso, o que deixa as novas tentativas escondidas.
- Tratar um contrato de nuvem verde como a resposta completa enquanto o uso continua crescendo.
- Anunciar economias antes de medir uma base de comparação.

A abordagem completa está no nosso [guia para empresas](/pt/guias/ia-verde-para-empresas/).

## Fontes

- [Smarter, smaller, stronger: resource-efficient generative AI and the future of digital transformation](https://www.unesco.org/en/articles/ai-large-language-models-new-report-shows-small-changes-can-reduce-energy-use-90), UNESCO and University College London (2025)
- [Power Hungry Processing: Watts Driving the Cost of AI Deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell, ACM FAccT (2024)
