Principais destaques:
- Uma pergunta a um chatbot de IA pode gastar até 10 vezes mais eletricidade do que uma busca comum no Google
- O consumo elevado vem de duas etapas centrais: treinamento dos modelos e uso diário em larga escala
- A falta de transparência das big techs dificulta medir o real impacto ambiental da inteligência artificial
O uso de chatbots de inteligência artificial explodiu nos últimos anos. Ferramentas como o ChatGPT passaram de curiosidade tecnológica a presença constante no trabalho, nos estudos e até na vida pessoal.
O que muita gente não percebe é que cada resposta gerada carrega um custo energético significativo, bem maior do que parece à primeira vista.
Dados recentes mostram que os data centers responsáveis por treinar e operar sistemas de IA já representam uma fatia relevante do consumo global de eletricidade, e a tendência é de crescimento acelerado até o fim da década.
Mas por que exatamente esses sistemas exigem tanta energia?
O peso do treinamento de modelos gigantes
O primeiro grande vilão energético é o treinamento dos chamados modelos de linguagem de grande escala, conhecidos como LLMs.
Nessa fase, a IA é alimentada com volumes imensos de dados para aprender padrões, relações e probabilidades entre palavras, imagens e conceitos.
Hoje, esses modelos são tão grandes que não cabem em um único computador. Eles precisam ser distribuídos por vários servidores equipados com GPUs de alto desempenho, muitas vezes rodando sem parar por semanas ou meses.
Um exemplo citado por pesquisadores é o servidor Nvidia DGX A100, capaz de consumir vários quilowatts de energia sozinho.
Estimativas indicam que o treinamento do GPT-4 pode ter exigido dezenas de gigawatts-hora, energia suficiente para abastecer uma cidade inteira por dias.
A lógica predominante no setor ainda é a de que modelos maiores entregam melhores resultados, o que empurra o consumo para cima.
Inferência: pouco por uso, muito em escala
Mesmo depois de treinado, um chatbot continua gastando energia toda vez que responde a um usuário. Essa etapa é chamada de inferência. Individualmente, cada resposta exige menos recursos do que o treinamento, mas o volume de uso muda completamente o cenário.
Plataformas populares recebem bilhões de prompts por dia, o que obriga empresas a manterem grandes quantidades de servidores ativos o tempo todo para garantir respostas quase instantâneas.
Isso inclui não apenas o ChatGPT, mas também soluções como o Google Gemini, que deve se integrar cada vez mais às buscas tradicionais.
O resultado é um consumo constante e difícil de reduzir, já que a demanda vem diretamente do comportamento dos usuários.
Transparência e pressão por mudanças
Outro problema central é a falta de dados públicos.
Empresas como Google, Microsoft e Meta raramente divulgam números claros sobre o gasto energético real de seus sistemas de IA. O que dificulta avaliar o impacto ambiental atual e prever se a infraestrutura elétrica global dará conta do crescimento esperado.
Pesquisadores e iniciativas independentes tentam preencher essa lacuna, mas especialistas defendem que a pressão também precisa vir dos usuários e dos formuladores de políticas públicas.
Mais transparência pode levar a escolhas mais conscientes e acelerar a criação de regras que responsabilizem as empresas pelo impacto energético de suas tecnologias.
A inteligência artificial veio para ficar, mas o desafio agora é garantir que seu avanço seja compatível com limites ambientais cada vez mais evidentes.
