# Como faço para…? Respostas para reduzir o impacto da IA

> Respostas curtas e com fontes para as perguntas que as pessoas fazem sobre reduzir o impacto ambiental de usar e construir IA.

Source: https://greenai.guide/pt/como/

97 respostas diretas para as perguntas que as pessoas fazem sobre usar IA com menos energia, água e desperdício: para usuários do dia a dia, desenvolvedores, organizações e escolas. Cada resposta vem primeiro, depois os passos e as fontes.

## Uso de IA no dia a dia

- [Como ajudo minha família a usar a IA de forma mais sustentável?](https://greenai.guide/how-do-i/help-my-family-use-ai-sustainably/): Combinem alguns hábitos simples em casa, em vez de regras: usar a ferramenta mais simples que resolva, fazer perguntas claras, ajustar a resposta em vez de gerá-la de novo e tratar imagens e vídeos de IA como algo ocasional, e não como entretenimento sem fim. Manter celulares, tablets e notebooks em uso por mais tempo também importa, porque a fabricação dos aparelhos também tem pegada.
- [Como compenso o carbono do meu uso de IA?](https://greenai.guide/how-do-i/offset-the-carbon-of-my-ai-use/): Reduza primeiro e trate as compensações como um extra opcional, não como uma forma de tornar o uso de IA "neutro em carbono". Para a maioria das pessoas, a pegada da IA de texto do dia a dia é pequena, e cortar os usos pesados, como a geração de imagens e vídeos e a regeneração sem fim, faz mais do que comprar créditos. As normas de carbono de software não permitem que as compensações reduzam a pegada medida.
- [Como converso com os meus filhos sobre IA e o meio ambiente?](https://greenai.guide/how-do-i/talk-to-children-about-ai-and-the-environment/): Explique que a IA funciona em computadores potentes, dentro de grandes edifícios chamados data centers, que usam eletricidade e muitas vezes água para se manterem frescos, e que alguns usos, como criar imagens e vídeos, gastam muito mais do que outros. Mantenha um tom calmo e prático: o objetivo é usar a IA com cuidado, e não sentir culpa por isso.
- [Como desativo as funções de IA de que não preciso?](https://greenai.guide/how-do-i/turn-off-ai-features-i-dont-need/): Abra as configurações de cada app, celular, navegador ou suíte de escritório que você usa, procure seções com o nome do assistente de IA ou "funções inteligentes" e desative o que não usa. As funções que correm automaticamente em cada e-mail, página ou documento gastam energia quer você leia o resultado ou não, por isso os padrões importam.
- [Como escrevo prompts que gastam menos energia?](https://greenai.guide/how-do-i/write-prompts-that-use-less-energy/): Escreva prompts curtos e específicos que digam exatamente o que você quer, dê apenas o contexto de que o modelo precisa e defina um tamanho para a resposta. A energia aumenta com a quantidade de texto que um modelo lê e escreve, por isso cortar as duas coisas, e obter uma resposta útil à primeira, é o que mais poupa.
- [Como evito que conversas longas com a IA desperdicem energia?](https://greenai.guide/how-do-i/keep-long-ai-chats-efficient/): Comece um novo chat quando mudar de assunto e, quando uma conversa longa ainda for útil, peça um resumo curto e continue a partir dele num chat novo. Os chatbots normalmente releem toda a conversa até ali para responder a cada nova mensagem, então conversas muito longas deixam cada resposta mais cara do que precisaria ser.
- [Como evito trocar os meus aparelhos só para usar IA?](https://greenai.guide/how-do-i/avoid-buying-new-devices-for-ai/): A maioria das ferramentas de IA roda na nuvem e funciona por um navegador ou aplicativo nos aparelhos que você já tem, por isso você raramente precisa de hardware novo para usá-las. Manter os aparelhos em uso por mais tempo evita a pegada da fabricação de novos, o que inclui o lixo eletrônico que os pesquisadores esperam que a IA generativa aumente.
- [Como paro de gerar respostas da IA de novo e de novo?](https://greenai.guide/how-do-i/stop-regenerating-ai-answers/): Descubra por que a primeira resposta falhou e diga à IA o que mudar num breve pedido de ajuste, em vez de apertar "gerar novamente". Cada nova geração é uma resposta completa e nova, por isso o hábito de tentar a sorte cinco ou dez vezes multiplica a energia de uma tarefa, sobretudo em imagens e vídeo.
- [Como pesquiso na web sem as respostas de IA de que não preciso?](https://greenai.guide/how-do-i/get-search-results-without-ai-answers/): Procure uma opção ou um filtro de busca que mostre links simples da web, escolha um buscador ou uma configuração sem respostas automáticas de IA, ou vá direto aos sites em que você confia usando os favoritos. Uma resposta de IA gerada em cada busca acrescenta um trabalho do modelo de que você talvez não precise, sobretudo em consultas simples, como horários de funcionamento ou um site conhecido.
- [Como reduzo a energia que gasto usando o ChatGPT?](https://greenai.guide/how-do-i/reduce-energy-of-chatgpt-use/): Peça o que precisa num único pedido claro, mantenha as respostas curtas, abra um novo chat para um novo assunto e vá com calma na geração de imagens e vídeos. Uma pergunta de texto típica usa cerca de um terço de um watt-hora, segundo as estimativas publicadas, mas entradas longas, regenerações repetidas e a geração de mídia podem multiplicar esse valor muitas vezes.
- [Como reduzo o impacto da geração de imagens e vídeos com IA?](https://greenai.guide/how-do-i/cut-impact-of-ai-image-and-video-generation/): Gere menos imagens e vídeos, planeje o prompt antes de começar, mantenha os vídeos curtos e na resolução de que precisa, e reutilize os bons resultados. Num estudo, a geração de imagens usou mais de mil vezes mais energia por pedido do que a classificação de texto, e um vídeo curto de IA pode custar muito mais ainda.
- [Como sei quando usar um modo de "pensamento" ou de raciocínio da IA?](https://greenai.guide/how-do-i/use-reasoning-modes-only-when-needed/): Use um modo de raciocínio ou de "pensamento" para problemas realmente difíceis, como matemática com vários passos, código complicado ou análises cuidadosas, e um modelo padrão ou rápido para perguntas do dia a dia, rascunhos e resumos. Os modos de raciocínio escrevem longas cadeias ocultas de cálculos antes de responder, e um benchmark concluiu que gastavam em média 30 vezes mais energia.
- [Como sei se preciso mesmo de IA para uma tarefa?](https://greenai.guide/how-do-i/decide-if-i-need-ai-for-a-task/): Pergunte-se se uma ferramenta mais simples já faz o trabalho de forma confiável: um buscador, uma calculadora, um mapa, um dicionário, um modelo de documento ou uma fórmula de planilha. Use a IA generativa onde ela poupa tempo de verdade ou melhora o resultado, como redigir, explicar ou reformular textos, e dispense-a para consultas e contas que outras ferramentas fazem bem.
- [Como uso a IA no celular sem desperdiçar energia?](https://greenai.guide/how-do-i/use-ai-on-my-phone-efficiently/): Desative as funções de IA que você não usa, prefira funções rápidas no próprio dispositivo para tarefas simples e guarde os trabalhos pesados, como gerar imagens ou vídeos, para quando realmente precisar. Os modelos pequenos no dispositivo podem evitar o envio de dados para um data center, mas continuam gastando a sua bateria, por isso a maior economia é não correr IA que não acrescenta nada.
- [Como uso agentes de IA e ferramentas de pesquisa aprofundada sem desperdício?](https://greenai.guide/how-do-i/use-ai-agents-and-deep-research-sparingly/): Reserve os agentes e os modos de pesquisa aprofundada para tarefas que realmente precisam de muitos passos, como pesquisar um tema amplo em muitas fontes, e use um chat comum para perguntas rápidas. Os agentes chamam um modelo muitas vezes por tarefa: a Anthropic relatou agentes usando cerca de quatro vezes mais tokens do que um chat, e sistemas multiagente cerca de quinze vezes.
- [Quanta energia a IA que uso gasta, em comparação com outras coisas?](https://greenai.guide/how-do-i/put-my-ai-energy-use-in-perspective/): Uma pergunta de texto comum a um chatbot usa uma fração de um watt-hora, segundo os números publicados, mais ou menos o que um forno gasta em cerca de um segundo. Imagens, vídeos, documentos longos e modos de raciocínio podem usar muitas vezes mais, e o total global está crescendo depressa, por isso tanto "não é nada" quanto "é um desastre" erram o alvo.

## Como escolher ferramentas e modelos de IA

- [Como comparo o consumo de energia de diferentes modelos de IA?](https://greenai.guide/how-do-i/compare-energy-use-of-ai-models/): Use uma referência padrão quando houver uma para a sua tarefa, como o AI Energy Score do Hugging Face, e, caso contrário, meça você mesmo os candidatos na mesma tarefa, hardware e configuração. Compare a energia por tarefa concluída com sucesso junto com a qualidade, porque um modelo barato que falha acaba custando mais.
- [Como decido entre executar a IA no meu aparelho ou na nuvem?](https://greenai.guide/how-do-i/choose-between-device-and-cloud-ai/): Execute no aparelho as tarefas pequenas, frequentes, privadas ou sensíveis à latência, e envie para um serviço de nuvem eficiente as tarefas grandes ou ocasionais que precisam de modelos grandes. Alguns estudos encontram grandes economias de energia no aparelho para modelos adequados, mas data centers bem geridos são uma referência difícil de superar, por isso meça o seu próprio caso quando puder.
- [Como decido se o aprendizado de máquina clássico basta em vez de um LLM?](https://greenai.guide/how-do-i/choose-classical-ml-instead-of-an-llm/): Se as suas entradas são dados estruturados ou textos curtos etiquetados e a saída é um número, uma categoria ou uma classificação, experimente primeiro um modelo clássico: um modelo linear, árvores com gradient boosting ou um classificador pequeno. Eles são muito mais baratos de executar, mais rápidos, mais fáceis de explicar e muitas vezes igualmente precisos. Recorra a um grande modelo de linguagem quando a tarefa precisa de fato de linguagem aberta.
- [Como encontro um modelo específico para a minha tarefa em vez de usar um chatbot geral?](https://greenai.guide/how-do-i/find-a-task-specific-model/): Defina a tarefa com precisão, depois pesquise num repositório de modelos, como o Hugging Face, pelo tipo de tarefa e teste dois ou três candidatos pequenos com os seus próprios exemplos. Um modelo feito para uma só tarefa pode custar ordens de grandeza menos para executar do que um modelo generativo geral fazendo a mesma tarefa, então vale a pena dedicar uma tarde a testes antes de optar por um chatbot.
- [Como escolho um modelo de IA menor?](https://greenai.guide/how-do-i/choose-a-smaller-ai-model/): Defina o que significa "bom o suficiente" com exemplos reais e depois teste modelos do menor para o maior, parando no primeiro que passar. Modelos pequenos e específicos para uma tarefa podem usar uma fração da energia dos grandes modelos gerais: a UNESCO e a University College London relatam economias de até 90% em tarefas adequadas.
- [Como identifico greenwashing no marketing de IA?](https://greenai.guide/how-do-i/spot-greenwashing-in-ai-marketing/): Desconfie de palavras como "verde", "sustentável" ou "IA neutra em carbono" sem números, métodos e limites que as sustentem, e de alegações que se apoiam em compensações ou em certificados anuais de energia renovável. Alegações honestas dizem o que foi medido, em relação a que linha de base e o que ficou de fora; na UE, as alegações ambientais genéricas que não podem ser comprovadas são proibidas.
- [Como interpreto uma classificação do AI Energy Score?](https://greenai.guide/how-do-i/read-an-ai-energy-score-rating/): Uma classificação do AI Energy Score dá a um modelo de uma a cinco estrelas de eficiência energética em comparação com outros modelos testados na mesma tarefa, com base na energia da GPU medida por 1.000 consultas. Mais estrelas significam menos energia para essa tarefa, mas as estrelas são relativas dentro de cada tarefa, então compare um modelo apenas com outros classificados para o mesmo trabalho.
- [Como peço a uma empresa de IA os números de energia dela?](https://greenai.guide/how-do-i/ask-an-ai-company-for-energy-figures/): Peça a energia, o carbono e a água por pedido típico do modelo que você usa, além do método, do limite do sistema e do local onde ele roda. Peça valores de carbono baseados na localização e baseados no mercado. Muitos provedores ainda não conseguem responder por completo, mas uma pergunta específica obtém uma resposta melhor do que uma genérica, e perguntar repetidamente cria demanda.
- [Como rodo um modelo de IA localmente?](https://greenai.guide/how-do-i/run-an-ai-model-locally/): Instale um executor local como o Ollama ou o llama.cpp, baixe um modelo pequeno de pesos abertos num formato quantizado como o GGUF e rode-o no seu próprio computador. Escolha o menor modelo que faça a sua tarefa: as versões quantizadas precisam de muito menos memória, então um modelo de 8 bilhões de parâmetros que precisa de cerca de 16 GB no formato de 16 bits cabe em cerca de 4–5 GB com 4 bits.
- [Como sei se uma ferramenta de IA é verde?](https://greenai.guide/how-do-i/know-if-an-ai-tool-is-green/): Procure evidências, e não rótulos: números de energia ou de emissões por pedido publicados com o método informado, a opção de modelos menores, informações sobre onde a ferramenta funciona e avaliações independentes, como o AI Energy Score. Poucas ferramentas publicam tudo isso por enquanto, então trate "verde" ou "sustentável" sem números como uma alegação, e não como um fato.
- [Como uso um assistente de programação com IA sem uma grande pegada?](https://greenai.guide/how-do-i/use-an-ai-coding-assistant-with-a-smaller-footprint/): Use o assistente onde ele claramente compensa, dê-lhe um contexto focado em vez de repositórios inteiros, escolha um modelo menor ou mais rápido para edições de rotina e divida as tarefas difíceis em passos simples que você revê. Um estudo concluiu que a programação assistida por IA teve cerca de 33 vezes a pegada de carbono da abordagem manual nas tarefas testadas, por isso os hábitos importam.
- [Qual é o chatbot de IA mais verde?](https://greenai.guide/how-do-i/choose-the-greenest-ai-chatbot/): Ainda ninguém consegue classificar os grandes chatbots por energia de forma confiável, porque os provedores publicam números diferentes, medidos de formas diferentes, e alguns não publicam nenhum. Escolha um serviço que seja aberto sobre o seu uso de energia e de água, ofereça modelos mais leves para perguntas simples e permita controlar os recursos, e depois use-o bem: a forma como você usa um chatbot importa mais do que qual você escolhe.

## Como medir energia e emissões

- [Como acompanho a energia da IA por tarefa, e não só no total?](https://greenai.guide/how-do-i/track-ai-energy-per-task/): Escolha uma unidade funcional que corresponda ao valor que a IA entrega, como por documento resumido ou por tarefa bem-sucedida, e divida a energia por ela. Acompanhe lado a lado a energia por unidade, a qualidade por unidade e o total. Os números por unidade mostram se o sistema está ficando mais eficiente; o total mostra se o crescimento está ultrapassando essa eficiência.
- [Como calculo a minha própria pegada de carbono com IA?](https://greenai.guide/how-do-i/work-out-my-personal-ai-carbon-footprint/): Conte, por alto, quantas perguntas de texto, documentos longos e imagens você usa por semana, multiplique por valores publicados por pedido, e terá um intervalo aproximado. Um prompt de texto típico é uma fração de um watt-hora, segundo os números das próprias empresas, enquanto entradas longas e imagens custam muito mais, por isso os seus hábitos mais pesados costumam dominar o total. Trate o resultado como uma estimativa, e não como um número preciso.
- [Como calculo uma pontuação de Software Carbon Intensity para um recurso de IA?](https://greenai.guide/how-do-i/calculate-an-sci-score-for-an-ai-feature/): A pontuação de Software Carbon Intensity (SCI), publicada como ISO/IEC 21031:2024, é ((E × I) + M) por R: a energia usada, vezes a intensidade de carbono da rede elétrica baseada na localização, mais uma parte das emissões incorporadas do hardware, dividido por uma unidade funcional, como um pedido ou um documento. Escolha a unidade, defina o limite, reúna ou estime cada termo e recalcule após cada mudança.
- [Como contabilizo o carbono incorporado do hardware de IA?](https://greenai.guide/how-do-i/account-for-embodied-carbon-of-ai-hardware/): Carbono incorporado são as emissões geradas ao fabricar, transportar e descartar o hardware. Para contabilizá-lo, pegue as emissões incorporadas totais do hardware, divida-as conforme quanto tempo e que parte do equipamento o seu trabalho de IA usa, e some essa parte ao valor operacional, como faz o termo M da especificação SCI. Como os dados costumam ser escassos, declare os seus pressupostos; e lembre-se de que manter o hardware por mais tempo distribui as mesmas emissões por mais trabalho.
- [Como defino um orçamento de computação para um projeto de pesquisa?](https://greenai.guide/how-do-i/set-a-compute-budget-for-a-research-project/): Estime as horas de GPU de que os seus experimentos principais precisam, acrescente uma margem para exploração e acompanhe o uso em relação a esse orçamento como se fosse dinheiro. Teste as ideias em pequena escala, pare cedo as execuções fracas, reutilize modelos pré-treinados e checkpoints e apresente os resultados em relação à computação que exigiram. Um orçamento torna as escolhas visíveis e acaba com os ajustes sem fim.
- [Como defino uma linha de base para comprovar economias de energia com IA?](https://greenai.guide/how-do-i/set-a-baseline-for-ai-energy-savings/): Meça o sistema atual antes de mudar qualquer coisa, com o mesmo hardware, a mesma carga e as mesmas entradas que vai usar depois, e repita as execuções para ver a variação normal. Informe a energia por unidade de trabalho útil e também no total, e só declare uma economia maior do que o ruído e obtida sem queda de qualidade.
- [Como encontro a intensidade de carbono da minha rede elétrica?](https://greenai.guide/how-do-i/find-grid-carbon-intensity-data/): Use dados da rede regionais e alinhados no tempo, para o lugar e o horário em que o seu trabalho de IA foi executado. Na Grã-Bretanha, a Carbon Intensity API do National Energy System Operator oferece estimativas e previsões regionais; a Electricity Maps cobre mais de 350 zonas no mundo todo. Recorra a médias anuais nacionais só quando não houver nada mais detalhado e diga qual delas você usou.
- [Como estimo a energia das minhas chamadas de API de IA?](https://greenai.guide/how-do-i/estimate-energy-of-ai-api-calls/): Não é possível medir um hardware que você não controla, então faça uma estimativa: registre os tokens de entrada e de saída de cada chamada e use uma ferramenta como o EcoLogits, que envolve o seu cliente de IA e informa a energia e as emissões estimadas por requisição. Identifique os números como estimativas, informe o método e substitua-os pelos números informados pelo fornecedor quando conseguir obtê-los.
- [Como estimo a pegada hídrica da IA?](https://greenai.guide/how-do-i/estimate-the-water-footprint-of-ai/): O uso de água acompanha o uso de energia: multiplique a energia do seu trabalho de IA pela eficiência de uso da água (WUE) do data center para o resfriamento no local e some a água usada para gerar a eletricidade, se ela estiver dentro do seu limite de contabilização. Os números publicados por prompt vão de uma fração de mililitro a dezenas de mililitros, sobretudo porque contam coisas diferentes. O lugar onde a água é usada importa tanto quanto a quantidade.
- [Como informo o uso de energia da minha pesquisa em IA?](https://greenai.guide/how-do-i/report-energy-use-in-a-research-paper/): Informe o hardware, as horas de GPU de todas as execuções, incluindo ajustes e falhas, a energia em kWh com a ferramenta usada, o local e a intensidade de carbono da rede, as emissões em kg CO₂e e a energia de inferência com um tamanho de lote declarado. Diga o que o limite inclui e quão incertos são os números. Medir à medida que avança, com uma ferramenta como o CodeCarbon, transforma isto numa tabela em vez de uma reconstrução.
- [Como meço a energia que a IA usa no meu próprio computador ou GPU?](https://greenai.guide/how-do-i/measure-energy-of-ai-on-my-own-computer/): Na sua própria máquina você pode medir diretamente: use o CodeCarbon ou uma ferramenta de potência que leia os contadores do processador e da GPU, ou coloque uma tomada inteligente com medidor entre o computador e a parede. Registre primeiro a base em repouso, faça amostras durante todo o trabalho em vez de leituras pontuais e repita a execução algumas vezes antes de confiar no número.
- [Como meço a pegada de carbono do treinamento de um modelo?](https://greenai.guide/how-do-i/measure-carbon-footprint-of-training-a-model/): Envolva o seu script de treinamento num rastreador de emissões como o CodeCarbon, que estima a energia da CPU, da GPU e da memória e a converte em carbono usando a rede elétrica local. Conte todas as execuções, incluindo ajustes e falhas, registre hardware, local e duração e publique o resultado junto com o modelo. Se você não tiver registros, uma calculadora como a Green Algorithms pode fazer a estimativa depois.
- [Como verifico uma afirmação sobre o consumo de energia da IA?](https://greenai.guide/how-do-i/check-a-claim-about-ai-energy-use/): Faça seis perguntas: por unidade de quê (prompt, imagem, ano?), quem mediu, o que está incluído, de quando é o número, com o que é comparado e se trata de eficiência ou de uso total. A maioria das afirmações enganosas, alarmantes ou tranquilizadoras, falha numa delas. Os números publicados por prompt diferem sobretudo porque contam coisas diferentes.

## Para desenvolvedores e cientistas de dados

- [Como acelero um modelo grande com decodificação especulativa?](https://greenai.guide/how-do-i/use-speculative-decoding/): Junte o seu modelo grande a um pequeno modelo de rascunho da mesma família: o rascunho propõe vários tokens e o modelo grande verifica-os numa única passagem, mantendo apenas aqueles com que concorda. O resultado é o mesmo do modelo grande sozinho, e o estudo original relatou inferência 2 a 3 vezes mais rápida. Verifique se a sua stack de serviço a suporta e depois meça a energia por pedido, e não só a velocidade.
- [Como agrupo pedidos de IA em lotes para economizar energia?](https://greenai.guide/how-do-i/batch-ai-requests/): Atenda o tráfego ao vivo com um motor de inferência que use lotes contínuos (continuous batching), para que pedidos simultâneos compartilhem o acelerador. Coloque em fila o trabalho que não precisa de resposta imediata, como o processamento de documentos durante a noite, e execute-o em lotes grandes, de preferência quando a rede elétrica estiver mais limpa. Um acelerador que atende um pedido de cada vez fica subutilizado, mas continua consumindo bastante energia.
- [Como armazeno dados de treino de IA para que os pipelines leiam menos?](https://greenai.guide/how-do-i/store-training-data-so-pipelines-read-less/): Armazene os dados de treino e de features num formato colunar para que os jobs leiam apenas as colunas e partições que usam, e converta o texto bruto para um formato binário uma única vez, em vez de o analisar de novo a cada execução ou época. Meça um job típico antes e depois para confirmar que a conversão compensa. O tratamento dos dados passa facilmente despercebido ao lado do modelo, mas corre em todas as experiências.
- [Como deixo um modelo pequeno o suficiente para um dispositivo de borda?](https://greenai.guide/how-do-i/make-a-model-small-enough-for-an-edge-device/): Parta do menor modelo que possa atingir o seu padrão de qualidade e depois reduza-o ainda mais com destilação, quantização e poda, testando cada etapa no dispositivo de destino. Meça a energia por inferência, a latência e a precisão juntas no hardware real e deixe o modelo passar para uma versão menor quando a bateria estiver fraca ou o dispositivo estiver quente.
- [Como destilo um modelo grande em um modelo menor?](https://greenai.guide/how-do-i/distil-a-large-model-into-a-small-one/): Primeiro, verifique se já existe uma versão destilada do seu modelo. Se não existir, use o modelo grande, o "professor", para rotular ou gerar exemplos da sua tarefa, treine um modelo pequeno, o "aluno", com eles e teste o aluno com seus próprios casos reais. O DistilBERT, um dos primeiros exemplos, era 40% menor e 60% mais rápido que o BERT e mantinha 97% da sua capacidade de compreensão da linguagem.
- [Como encaminho pedidos para modelos menores?](https://greenai.guide/how-do-i/set-up-model-routing/): Coloque um roteador na frente dos seus modelos: uma regra, um pequeno classificador ou uma cascata que tenta primeiro um modelo pequeno e escala quando a confiança é baixa ou uma verificação falha. Roteadores publicados cortaram os custos em mais da metade em alguns testes sem reduzir a qualidade. Ajuste o limiar com os seus próprios dados e meça o custo por tarefa bem-sucedida, não por chamada.
- [Como escolho entre recuperação e fine-tuning para economizar energia?](https://greenai.guide/how-do-i/choose-between-rag-and-fine-tuning/): Use a recuperação quando o modelo precisa de fatos que mudam ou que são específicos de você: coloque-os num índice pesquisável e busque apenas os trechos relevantes. Use o fine-tuning (ajuste fino) quando o modelo precisa de uma habilidade, formato ou estilo que não tem. Retreinar para manter os fatos atualizados repete os custos de treinamento, enquanto colar documentos inteiros em cada prompt desperdiça inferência, por isso cada abordagem tem o seu lugar.
- [Como evito que agentes de IA desperdicem tokens?](https://greenai.guide/how-do-i/stop-ai-agents-wasting-tokens/): Dê a cada agente um objetivo testável que encerre a execução, limites rígidos de passos, tokens, tempo e gastos, e uma deteção de loops que o pare quando ele se repetir. Reduza o contexto que cada passo carrega, use código simples para decisões que uma regra pode tomar e envie subtarefas simples para modelos pequenos. Os agentes podem usar muitas vezes mais tokens do que um chat, por isso estes limites compensam rapidamente.
- [Como evito que o meu chatbot reenvie a conversa inteira?](https://greenai.guide/how-do-i/stop-resending-the-whole-conversation/): A maioria das funções de chat reenvia ao modelo a conversa inteira a cada mensagem, por isso a entrada cresce a cada turno. Limite quantos turnos anteriores você envia, resuma os mais antigos numa nota curta, recupere apenas as mensagens ou documentos anteriores que importam e use cache nos prompts de sistema fixos. Entradas longas custam muito mais energia do que entradas curtas.
- [Como evito treinar um modelo do zero?](https://greenai.guide/how-do-i/avoid-training-a-model-from-scratch/): Procure um modelo pré-treinado próximo da sua tarefa e depois adapte-o: faça fine-tuning (ajuste fino), treine um pequeno adaptador como o LoRA, ou acrescente conhecimento por recuperação em vez de retreinar. Se você já tem vários modelos ajustados a partir da mesma base, fazer a média dos pesos deles pode melhorar a precisão sem custo extra de inferência. Treinar do zero raramente é necessário fora da pesquisa em modelos de base.
- [Como faço a IA escrever código eficiente em energia?](https://greenai.guide/how-do-i/get-ai-to-write-energy-efficient-code/): 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.
- [Como faço a poda de uma rede neural?](https://greenai.guide/how-do-i/prune-a-neural-network/): Faça a poda de uma rede treinada removendo os pesos, neurônios ou camadas que menos contribuem, depois faça um ajuste fino curto para que ela se recupere e teste-a contra o seu nível de qualidade. A poda reduziu em nove vezes os parâmetros da AlexNet sem perda de precisão, e modelos de linguagem muito grandes já foram podados até pelo menos 50% de esparsidade numa única passagem. Prefira a poda estruturada se quiser que o hardware comum rode mais rápido.
- [Como faço a quantização de um modelo?](https://greenai.guide/how-do-i/quantise-a-model/): Quantizar guarda os pesos de um modelo com menos bits, normalmente 8 ou 4 em vez de 16 ou 32, para que ele precise de menos memória e muitas vezes de menos energia por resposta. Carregue uma versão já quantizada ou quantize com os métodos nativos da sua biblioteca e depois teste-a com os seus próprios exemplos, comparando com o modelo de precisão total. Fique com ela se a qualidade se mantiver e a energia por pedido cair.
- [Como faço o ajuste fino de um modelo sem precisar de muita computação?](https://greenai.guide/how-do-i/fine-tune-a-model-with-less-compute/): Parta de um modelo pré-treinado e treine um pequeno adaptador em vez de todos os seus pesos, usando LoRA, ou QLoRA com pesos de 4 bits. O LoRA reduziu os parâmetros treináveis em 10.000 vezes e a memória da GPU em três vezes, em comparação com o ajuste fino completo do GPT-3, e o QLoRA fez o ajuste fino de um modelo de 65 bilhões de parâmetros numa única GPU de 48 GB. Compare o resultado com o seu padrão de qualidade antes de pensar em algo maior.
- [Como limito o quanto um LLM escreve?](https://greenai.guide/how-do-i/limit-how-much-an-llm-writes/): 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.
- [Como projeto recursos de IA para que não rodem quando ninguém precisa?](https://greenai.guide/how-do-i/design-ai-features-that-dont-run-needlessly/): Faça os recursos de IA rodarem quando um usuário pede, não automaticamente a cada carregamento de página, mensagem ou arquivo. Gere uma vez e reutilize os resultados compartilhados, use código simples para decisões que uma regra pode tomar e remova os recursos de IA que poucas pessoas usam. As Web Sustainability Guidelines do W3C pedem às equipes que avaliem a necessidade de IA antes de implementá-la, e isso vale para cada acionamento, além de cada recurso.
- [Como reduzo a energia das buscas de hiperparâmetros?](https://greenai.guide/how-do-i/cut-the-energy-of-hyperparameter-searches/): Substitua grandes buscas em grade por buscas aleatórias ou adaptativas, interrompa cedo as tentativas ruins, faça primeiro pilotos com poucos dados ou modelos pequenos e comece pelos valores padrão publicados para a sua arquitetura. Acompanhe a energia de cada tentativa, não só da vencedora, e defina um orçamento de computação antes de começar. As execuções de ajuste muitas vezes custam mais do que o treinamento final, e raramente são relatadas.
- [Como reduzo a energia de servir um modelo em produção?](https://greenai.guide/how-do-i/cut-the-energy-of-serving-a-model/): Sirva o menor modelo que atinja o seu nível de qualidade, num runtime feito para inferência, com o processamento em lotes ativado, os pesos em meia precisão ou quantizados e os caminhos otimizados de atenção e de cache da biblioteca ativados. Depois, teste o desempenho de dois ou três runtimes e opções de hardware com o seu tráfego real e escolha pela energia por pedido, além da latência.
- [Como reduzo a energia do treinamento de um modelo?](https://greenai.guide/how-do-i/reduce-the-energy-of-training-a-model/): Parta de um modelo pré-treinado sempre que puder, escolha a menor arquitetura capaz de atingir o seu nível, treine em precisão mista, pare quando a validação deixar de melhorar e rode em hardware eficiente, numa região e num horário de baixo carbono. Patterson e colegas concluíram que a escolha do modelo, do data center e do processador pode reduzir a pegada de carbono do treinamento em até cerca de 100 a 1.000 vezes. Meça cada execução para que as escolhas fiquem visíveis.
- [Como sei se um modelo de mistura de especialistas vai poupar energia?](https://greenai.guide/how-do-i/decide-if-mixture-of-experts-saves-energy/): Um modelo de mistura de especialistas encaminha cada token para algumas sub-redes especialistas, por isso só parte do modelo trabalha em cada token. O Mixtral, por exemplo, tem 47 bilhões de parâmetros, mas usa 13 bilhões por token. Isso pode reduzir a computação por resposta em comparação com um modelo denso de qualidade semelhante, mas todos os especialistas continuam tendo de ficar na memória, por isso compare a qualidade, a latência e a energia por pedido no seu próprio hardware.
- [Como torno a busca vetorial e o RAG mais eficientes?](https://greenai.guide/how-do-i/make-vector-search-and-rag-more-efficient/): Use um índice de vizinhos mais próximos aproximado em vez de comparar cada consulta com cada vetor armazenado, recupere poucos trechos curtos e relevantes em vez de muitos longos e gere de novo os embeddings só do conteúdo que mudou. Depois, use o menor modelo de geração que responda bem a partir de um bom contexto. A maior parte do desperdício nos sistemas de recuperação vem da busca por força bruta e de prompts grandes demais.
- [Como uso cache para reduzir a energia das chamadas a LLMs?](https://greenai.guide/how-do-i/cache-llm-calls/): Use duas camadas. O cache de prompts do provedor reutiliza o processamento de um prefixo fixo, como um prompt de sistema longo ou um documento compartilhado, por isso coloque o conteúdo estável primeiro. O seu próprio cache de respostas guarda as respostas a pedidos idênticos para que o modelo não seja chamado de novo. Os dois reduzem a computação, o custo e a latência, desde que você defina prazos de expiração sensatos.

## Data centers, nuvem e hospedagem

- [Como agendo o treinamento para quando a rede elétrica estiver mais verde?](https://greenai.guide/how-do-i/schedule-training-when-the-grid-is-greener/): Encontre os trabalhos que podem esperar, como treinamento, ajuste fino, avaliação e inferência em lote, e inicie-os quando uma previsão de intensidade de carbono mostrar que a rede está mais limpa. Salve checkpoints regulares para que os trabalhos longos possam pausar quando a intensidade subir e retomar quando ela cair, dentro de um prazo firme. O agendamento consciente do carbono corta o carbono, não a energia, então faça-o além do trabalho de eficiência.
- [Como encontro os dados de carbono do meu provedor de nuvem?](https://greenai.guide/how-do-i/find-my-cloud-providers-carbon-data/): Os grandes provedores de nuvem publicam os dados de carbono dos clientes nos seus consoles de faturamento ou de sustentabilidade: o AWS Sustainability console, as ferramentas de emissões do Azure da Microsoft e o painel Carbon Footprint do Google Cloud. Eles detalham as emissões por serviço, região e escopo, mas são mensais e estimados, então trate-os como uma tendência e combine-os com as suas próprias medições por carga de trabalho.
- [Como escolho hardware de IA eficiente em energia?](https://greenai.guide/how-do-i/choose-energy-efficient-hardware-for-ai/): Faça testes de desempenho com o seu modelo real em duas ou três opções de hardware e de runtime e compare a energia por pedido ou por execução de treinamento com tamanhos de lote realistas, junto com a latência e o custo. Patterson e colegas concluíram que a escolha do modelo, do data center e do processador, em conjunto, pode reduzir o carbono do treinamento em até cerca de 100 a 1.000 vezes. Mantenha o bom hardware ocupado e em serviço, porque fabricar equipamento novo tem a sua própria pegada.
- [Como escolho um data center ou hospedagem sustentável para IA?](https://greenai.guide/how-do-i/choose-a-sustainable-data-centre-for-ai/): Peça provas em vez de rótulos: a intensidade de carbono da rede e a parte de energia limpa por hora onde o seu trabalho roda, o PUE e o uso de água do local, quanto tempo o hardware fica em serviço e se você vai receber dados de energia e emissões da sua própria conta. Na UE, os data centers maiores têm de declarar o uso de energia e de água, por isso os dados muitas vezes existem. Escolha uma hospedagem limpa, mas continue reduzindo o trabalho que envia para lá.
- [Como escolho uma região de nuvem com baixo carbono?](https://greenai.guide/how-do-i/pick-a-low-carbon-cloud-region/): 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.
- [Como evito que GPUs e notebooks fiquem ociosos?](https://greenai.guide/how-do-i/stop-gpus-sitting-idle/): Torne o uso sob demanda o padrão: pipelines e treinos devem iniciar os recursos quando acionados e liberá-los ao terminar. Desligue automaticamente notebooks e GPUs de desenvolvimento ociosos após um tempo definido, reduza a zero os ambientes que não são de produção fora do expediente e informe as horas de GPU ociosas por equipe ao lado do custo, para que o desperdício fique visível.
- [Como interpreto os valores de PUE e WUE?](https://greenai.guide/how-do-i/understand-pue-and-wue/): A eficácia no uso de energia (PUE) é a energia total de um data center dividida pela energia usada pelo seu equipamento de computação: quanto mais perto de 1,0, menos se perde em refrigeração e conversão de energia. A eficácia no uso de água (WUE) é a quantidade de litros de água usados no local por quilowatt-hora de computação: quanto menor, melhor. Nenhum dos dois diz quanta computação é feita, quão limpa é a energia ou se o trabalho era necessário.
- [Como posso opinar sobre um data center planejado perto de mim?](https://greenai.guide/how-do-i/have-a-say-on-a-data-centre-near-me/): Encontre o pedido de licenciamento, leia as declarações do empreendedor sobre energia, água, ruído e calor e envie comentários dentro do prazo da consulta, com perguntas específicas e baseadas em evidências. Pergunte quanta capacidade da rede elétrica e quanta água o local vai usar, se o calor residual será reaproveitado e que números de energia e água serão divulgados quando ele estiver em funcionamento. Perguntas específicas têm mais peso do que objeções genéricas.
- [Como reduzo a pegada dos experimentos de IA num cluster de pesquisa?](https://greenai.guide/how-do-i/reduce-footprint-of-ai-on-a-research-cluster/): Comece medindo: muitos clusters registram a energia por trabalho no agendador Slurm, e o CodeCarbon ou a calculadora Green Algorithms podem preencher as lacunas. Depois peça só as GPUs, a memória e o tempo de que precisa, teste as ideias em pequena escala, use checkpoints nos trabalhos longos e agende os flexíveis para quando a rede estiver mais limpa. Informe a energia de projetos inteiros, não só das execuções finais.
- [Como reduzo a pegada hídrica da IA?](https://greenai.guide/how-do-i/reduce-the-water-footprint-of-ai/): O uso de água acompanha o uso de energia, então o primeiro passo é o mesmo: usar modelos menores, saídas mais curtas e menos regenerações. Além disso, escolha hosts que publicam o seu uso de água, evite regiões com estresse hídrico para o trabalho pesado e peça aos fornecedores números de água por local. Por prompt de texto, a água é pouca; o que importa são os totais e os efeitos locais.
- [Como rodo trabalhos de IA na capacidade ociosa da nuvem?](https://greenai.guide/how-do-i/run-ai-jobs-on-spare-cloud-capacity/): Os provedores de nuvem vendem barato a capacidade ociosa, com a condição de poderem retomá-la com pouco aviso, na forma de instâncias spot ou preemptíveis. O treinamento, a avaliação, a inferência em lote e o processamento de dados podem usá-la se salvarem checkpoints e repetirem de forma limpa. A orientação da Microsoft é usá-la apenas para trabalhos que toleram interrupções, porque as interrupções podem trazer instabilidade.
- [Como verifico se a minha IA funciona com energia renovável?](https://greenai.guide/how-do-i/check-whether-my-ai-runs-on-renewable-energy/): Pergunte onde a sua IA roda de fato e depois veja duas coisas para essa região: a intensidade de carbono da rede elétrica e a parte da eletricidade coberta por energia limpa hora a hora. "100% renovável" normalmente significa certificados ou contratos anuais que cobrem totais do ano, o que não muda o que a rede local fornece numa dada hora. Peça valores baseados na localização e baseados no mercado.

## Para organizações

- [Como cumpro as regras de documentação de energia do AI Act da UE?](https://greenai.guide/how-do-i/meet-eu-ai-act-energy-documentation-rules/): Se você fornece um modelo de IA de uso geral na UE, o Anexo XI do AI Act exige que a sua documentação técnica inclua o consumo de energia conhecido ou estimado do modelo, além dos recursos computacionais usados no treinamento. Acompanhe a computação e a energia do treinamento desde o início, registre o método e estime onde não puder medir. Se você apenas usa IA, a obrigação recai sobre o seu fornecedor, mas você pode pedir os números.
- [Como defino metas de energia e emissões para a IA?](https://greenai.guide/how-do-i/set-targets-for-ai-energy-and-emissions/): Meça primeiro uma linha de base e depois defina dois tipos de meta juntos: uma meta de intensidade (energia ou emissões por tarefa útil) e uma meta absoluta ou um teto para o total. A intensidade mostra a eficiência; o número absoluto mostra se o crescimento do uso está consumindo as economias. Revise-as pelo menos uma vez por ano, à medida que os modelos e o uso mudam.
- [Como desativo funções de IA desnecessárias em toda a minha organização?](https://greenai.guide/how-do-i/switch-off-unneeded-ai-features-across-my-organisation/): Use o seu inventário para encontrar funções de IA ativadas por padrão e decida função a função: mantenha o que as pessoas usam, desative ou restrinja o que não usam e dê acesso a pedido. Faça a mudança nos consoles de administração em vez de pedir aos usuários, diga à equipe o que mudou e por quê, e reveja os dados de uso a cada trimestre. Menos licenças de IA sem uso também poupam dinheiro.
- [Como escrevo uma política de IA verde?](https://greenai.guide/how-do-i/write-a-green-ai-policy/): Mantenha-a curta e prática: diga quando vale a pena usar IA, defina padrões eficientes (o menor modelo adequado, limites de resposta, funções desativadas a menos que sejam necessárias), exija perguntas sobre energia nas compras e comprometa-se a medir por tarefa. Dê-lhe um responsável, uma data de revisão e alguns compromissos mensuráveis, e ligue-a a processos que você já tem.
- [Como evito que os ganhos de eficiência da IA sejam anulados pelo aumento do uso?](https://greenai.guide/how-do-i/stop-efficiency-gains-being-cancelled-out/): Acompanhe a energia total da IA, além da energia por tarefa, para que o crescimento fique visível, e decida de antemão o que acontece com as economias: desativar a capacidade liberada, manter um orçamento ou limite, ou reinvestir de forma deliberada. Junte eficiência e suficiência, perguntando se cada novo uso vale a pena. Sem isso, uma IA mais barata tende simplesmente a ser mais usada.
- [Como faço alegações honestas sobre a nossa IA verde?](https://greenai.guide/how-do-i/make-honest-claims-about-green-ai/): Alegue apenas o que você mediu, seja específico sobre o que melhorou e em relação a qual base de comparação, e informe o método, o limite e as limitações. Separe a eficiência por tarefa do uso total e não apoie uma alegação em compensações ou em certificados anuais. Palavras vagas como "IA verde" ou "IA neutra em carbono" são arriscadas e, no Reino Unido e na UE, podem violar a legislação de defesa do consumidor.
- [Como incentivo uma IA mais verde como formulador de políticas públicas?](https://greenai.guide/how-do-i/encourage-greener-ai-as-a-policymaker/): Comece pela transparência: exija ou incentive relatórios comparáveis de energia, água e emissões dos fornecedores de IA e dos data centers. Use as compras públicas para premiar a IA eficiente, planeje a capacidade da rede elétrica e de água para os data centers e financie pesquisa e competências em métodos eficientes. Acompanhe a demanda total, além da eficiência, porque uma IA mais barata tende a ser mais usada.
- [Como incluo a sustentabilidade nas compras de IA?](https://greenai.guide/how-do-i/put-sustainability-into-ai-procurement/): Peça aos fornecedores a energia e as emissões por pedido ou por tarefa, com o método e o limite, onde a carga de trabalho roda e os números de carbono baseados na localização e no mercado. Pontue a qualidade dessas evidências na licitação e coloque no contrato os relatórios, a escolha do modelo e o aviso de mudanças de modelo. Muitos fornecedores ainda não conseguem responder por completo, mas perguntar mostra quem leva o tema a sério.
- [Como informo as emissões da IA no nosso relatório de sustentabilidade?](https://greenai.guide/how-do-i/report-ai-emissions-in-a-sustainability-report/): Informe a IA dentro do seu inventário de gases de efeito estufa já existente, não como um número à parte: a eletricidade do hardware que você opera entra no Escopo 2, e os serviços de nuvem e de IA costumam entrar no Escopo 3, em bens e serviços adquiridos. Use os dados dos fornecedores quando puder obtê-los, estime o restante a partir do uso com um método declarado e indique o limite e a incerteza. Mostre a energia por tarefa útil ao lado do total.
- [Como justifico a IA verde do ponto de vista do negócio?](https://greenai.guide/how-do-i/make-the-business-case-for-green-ai/): Apresente o argumento em termos de custo, velocidade e risco, porque o que reduz o uso de energia da IA (modelos menores, menos tokens, menos chamadas desperdiçadas) também reduz as contas e a espera. Mostre um exemplo medido do seu próprio trabalho, acrescente os motivos ligados a relatórios e à regulação e mantenha o benefício ambiental como um ponto real, mas secundário, se isso fizer sentido para o seu público.
- [Como mantenho baixa a pegada de IA da minha pequena empresa?](https://greenai.guide/how-do-i/keep-my-small-business-ai-footprint-low/): Use a IA nas tarefas em que ela claramente poupa tempo, mantenha os pedidos curtos e específicos, ajuste as respostas em vez de gerá-las de novo e modere o uso de imagens e vídeos. Desligue os recursos de IA pelos quais você paga, mas não usa, e mantenha um registro simples das ferramentas que usa, para poder responder aos clientes que perguntarem. Numa pequena empresa, os mesmos hábitos reduzem os custos com assinaturas e com pessoal.
- [Como mapeio onde a minha organização usa IA?](https://greenai.guide/how-do-i/map-where-my-organisation-uses-ai/): Monte um inventário simples com quatro tipos de registro: ferramentas de IA que a equipe usa diretamente, recursos de IA embutidos em softwares que você já tem, fluxos automatizados e agentes, e fornecedores cujos serviços executam IA para você. Para cada um, anote o responsável, a frequência com que é executado, o modelo ou o fornecedor, se for conhecido, e que dados entram. O inventário é o ponto de partida para cortar desperdícios, gerir riscos e fazer relatórios.
- [Como torno o uso de IA da minha empresa mais sustentável?](https://greenai.guide/how-do-i/make-my-companys-ai-use-more-sustainable/): 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.
- [Como treino a minha equipe para usar a IA de forma eficiente?](https://greenai.guide/how-do-i/train-staff-to-use-ai-efficiently/): Ensine alguns hábitos numa sessão curta com exemplos reais do seu próprio trabalho: verificar se a IA é a ferramenta certa, escrever prompts claros e específicos, pedir respostas curtas, ajustar em vez de gerar de novo e usar imagens e vídeo com moderação. Apoie a formação com configurações padrão eficientes nas ferramentas da empresa, porque os padrões chegam a quem falta ao curso.
- [Como uso a IA de forma sustentável numa organização sem fins lucrativos?](https://greenai.guide/how-do-i/use-ai-sustainably-in-a-charity/): Use a IA onde ela liberta tempo da equipe e dos voluntários para a sua missão, escolha a ferramenta mais leve que resolva e evite usos pesados como gerar imagens em massa. Escreva uma política curta que trate o impacto ambiental ao lado da proteção de dados, faça perguntas simples aos fornecedores sobre energia e localização, e seja honesto com os apoiadores sobre a forma como a usa.
- [Como verifico se um projeto de IA compensa o seu custo ambiental?](https://greenai.guide/how-do-i/check-an-ai-project-is-worth-its-footprint/): Estime a pegada da própria IA (treinamento ou fine-tuning, mais o funcionamento durante a sua vida útil esperada) e compare-a com o benefício, medido no mesmo período. Compare-a com a opção mais simples sem IA, não com não fazer nada. Se o projeto pretende poupar energia ou emissões, a economia tem de superar claramente o custo da própria IA, senão é uma perda líquida.

## Escolas, universidades e formação

- [Como aprendo sobre IA verde?](https://greenai.guide/how-do-i/learn-about-green-ai/): Comece por um texto explicativo curto sobre para onde vai a energia da IA e depois experimente uma ferramenta gratuita no seu próprio uso, como um rastreador de energia para código ou um estimador para chamadas de API de IA. Em seguida, faça um curso no seu nível e acompanhe uma comunidade ou um grupo de pesquisa da sua área. Aprender medindo algo real fixa melhor do que só ler.
- [Como crio regras escolares para um uso sustentável da IA?](https://greenai.guide/how-do-i/set-school-rules-for-sustainable-ai-use/): Acrescente uma seção ambiental curta à política de IA que a escola já tem, em vez de escrever uma separada. Diga quando a IA é a ferramenta certa, prefira textos curtos à geração de imagens e vídeos, defina padrões leves nas contas da escola e explique aos alunos o porquê. Mantenha-a ao lado das regras de proteção, de proteção de dados e de avaliação, que continuam vindo primeiro.
- [Como encontro um doutorado em IA verde?](https://greenai.guide/how-do-i/find-a-phd-in-green-ai/): Procure além dos projetos com o rótulo "IA verde": a pesquisa em IA eficiente está na ciência da computação, na matemática, na engenharia elétrica e em ciências aplicadas, muitas vezes com nomes como aprendizado de máquina eficiente, computação sustentável ou hardware de baixo consumo. Pesquise programas de formação doutoral e listas de projetos, leia artigos recentes para encontrar orientadores ativos e pergunte como a energia será medida no trabalho.
- [Como ensino os alunos sobre o impacto ambiental da IA?](https://greenai.guide/how-do-i/teach-pupils-about-ais-environmental-impact/): Comece pela ideia de que cada resposta da IA funciona em computadores reais que usam eletricidade e água, e depois use alguns números confiáveis e uma atividade prática, como comparar a geração de texto com a de imagens. Ligue o tema à computação, às ciências e à geografia, e mantenha o equilíbrio: o objetivo é ajudar os alunos a usar a IA com cuidado, e não fazê-los sentir culpa por usá-la.
- [Como incluo a IA verde num curso universitário?](https://greenai.guide/how-do-i/include-green-ai-in-a-university-course/): Acrescente uma vertente curta e prática em vez de um curso novo inteiro: explique para onde vai a energia da IA, peça aos alunos que meçam a energia do seu próprio código ou das execuções dos seus modelos e que informem a computação e a energia junto com a precisão. Nos cursos técnicos, ensine métodos eficientes, como modelos menores, quantização e reutilização; nos outros, concentre-se no uso sensato e na avaliação de alegações.
- [Como uso a IA nos estudos sem desperdiçar energia?](https://greenai.guide/how-do-i/use-ai-for-studying-without-waste/): Use a IA onde ela ajuda você a aprender, como explicar uma ideia difícil, fazer-lhe perguntas ou comentar um rascunho, e use as suas anotações, os livros didáticos e a busca da biblioteca para fatos e fontes. Faça perguntas focadas, cole só o trecho de que precisa e evite gerar de novo ou criar imagens por diversão: esses hábitos poupam energia e normalmente também ajudam a aprender.
