Qual é o Impacto Ambiental da IA?

Atualizado em julho de 2026

O impacto ambiental da IA é a energia, a água, as emissões de carbono e o lixo eletrônico gerados pelo treinamento e pela execução de modelos de IA, principalmente por meio dos data centers, chips e sistemas de resfriamento por trás deles. Isso abrange todo o ciclo de vida da IA, da fabricação do hardware à inferência do dia a dia, e está crescendo mais rápido do que a maioria dos planos de sustentabilidade das empresas previa.

Para líderes empresariais, a pergunta "o que a IA está fazendo ao meio ambiente" já não é acadêmica. Ela aparece em questionários de ESG de fornecedores, na due diligence de compras e nos relatórios de sustentabilidade que as empresas agora precisam explicar a conselhos e reguladores. Os próprios números do Google e da Microsoft abaixo mostram o motivo: as emissões de ambas as empresas saltaram na casa de dois dígitos em um único ano, quase inteiramente por causa do crescimento da infraestrutura de IA. Se a sua empresa compra, constrói ou revende ferramentas de IA, este é um item que você eventualmente terá que prestar contas, não apenas uma estatística interessante.

Os Quatro Pilares da Pegada Ambiental da IA

O impacto ambiental da IA não é uma coisa só. São quatro problemas distintos de recursos que, por acaso, são causados pela mesma infraestrutura.

Esses quatro pilares nem sempre andam juntos. Um data center que funciona com eletricidade limpa ainda pode sobrecarregar o abastecimento de água local. Uma instalação com resfriamento eficiente ainda pode depender de uma rede elétrica pesada em carbono. Tratar o "impacto ambiental da IA" como um único número esconde qual recurso específico está realmente sob pressão em determinado local, e essa distinção importa mais do que qualquer porcentagem de manchete.

Treinamento vs. Inferência: De Onde a Pegada Realmente Vem

A maior parte da cobertura sobre o impacto ambiental da IA se concentra no treinamento, o evento pontual e chamativo em que um laboratório passa semanas executando milhares de GPUs para construir um novo modelo. Isso é real, mas não é mais onde está a maior parte da pegada.

A implicação prática: um modelo que parece eficiente em um benchmark de treinamento ainda pode ter uma grande pegada ambiental depois de implantado em escala, porque a inferência acontece continuamente por toda a vida útil de um produto. Um recurso de chatbot que treina uma vez e atende milhões de usuários por anos causa mais dano ambiental acumulado por meio da inferência do que por meio do treinamento que o criou. Essa é a mesma mudança que os líderes empresariais precisam entender ao planejar o orçamento de infraestrutura de IA: a conta contínua, em dólares e em recursos, é a inferência, não o treinamento.

Os Números Reais: Qual é o Tamanho da Pegada da IA Agora

A escala é mais fácil de entender por meio de comparações diretas do que por números brutos de terawatt-hora.

Projeta-se que o uso global de eletricidade em data centers quase dobre, de cerca de 415 terawatts-hora em 2024 para aproximadamente 945 terawatts-hora até 2030, perto de 3% de todo o consumo global de eletricidade. No ritmo de crescimento atual, os data centers do mundo já usaram cerca de 448 terawatts-hora de eletricidade em um ano recente, mais eletricidade do que todos, exceto cerca de 10 países no mundo. Esse uso de eletricidade produziu uma estimativa de 189 milhões de toneladas de dióxido de carbono, praticamente o mesmo que toda a pegada nacional da Argentina, e consumiu cerca de 4,5 trilhões de litros de água para resfriamento.

Estima-se que o ChatGPT, especificamente, use cerca de 383 gigawatts-hora de eletricidade por ano, com uma pegada hídrica comparável às necessidades domésticas anuais de água de aproximadamente 500.000 pessoas na África Subsaariana. O tipo de tarefa importa muito aqui: uma consulta de chat comum é estimada em cerca de 200 vezes mais intensiva em energia do que uma tarefa básica de classificação de texto, gerar uma única imagem de IA pode usar até 1.450 vezes essa base, e produzir um vídeo curto de IA pode consumir energia da ordem de 200.000 tarefas básicas de classificação. Essa variação é o motivo pelo qual é difícil colocar um único número na categoria "IA": um chat rápido de suporte ao cliente e um lote de anúncios em vídeo gerados por IA não são, nem de longe, o mesmo evento ambiental.

O descarte de hardware é a parte menos discutida dos quatro pilares. Pesquisadores publicando na Nature Computational Science estimam que o hardware de IA generativa poderia gerar entre 1,2 milhão e 5 milhões de toneladas métricas de lixo eletrônico por ano até 2030, impulsionado por data centers que trocam GPUs mais rápido do que o hardware de TI corporativo típico. Abordagens de economia circular, como reforma de componentes e extensão da vida útil do hardware, poderiam reduzir esse volume em uma estimativa de 16 a 86%, mas somente se os operadores de data centers realmente as adotarem em escala.

O Que Está Sendo Feito a Respeito

Nada disso é estático. Os ganhos de eficiência e o investimento em energia limpa estão avançando rápido, mesmo com a demanda total crescendo ainda mais rápido.

• Eficiência de chips e modelos. Gerações mais novas de GPUs entregam mais computação por watt do que suas antecessoras, e técnicas como quantização e compressão de modelos reduzem quanto de computação uma determinada tarefa realmente precisa. Small Language Models e otimização de inferência buscam o mesmo objetivo por um ângulo diferente: obter uma saída comparável usando significativamente menos computação.
• Tecnologia de resfriamento. O resfriamento líquido direto no chip e sistemas de circuito fechado que reciclam água em vez de consumi-la estão substituindo os projetos evaporativos mais antigos, reduzindo o consumo de água por unidade de computação mesmo com a densidade de energia dos racks continuando a subir.
• Aquisição de energia limpa. As hyperscalers estão assinando grandes acordos de energia renovável para compensar a demanda dos data centers. O Google assinou acordos para mais de 12 gigawatts de nova energia limpa somente em 2025, e a Microsoft expandiu seu portfólio renovável para 40 gigawatts, ante 34 gigawatts no ano anterior. Nenhuma das duas ainda compensa totalmente o crescimento de suas emissões impulsionado pela IA, mas ambas estão avançando nessa direção.
• Compromissos de saldo hídrico positivo e neutralidade de carbono. Vários grandes provedores se comprometeram a repor mais água do que seus data centers consomem e a alcançar o status de neutralidade de carbono ou carbono negativo até 2030, embora os próprios relatórios de ambas as empresas reconheçam que a expansão da IA está atualmente superando essas metas.
• Estratégias de hardware circular. Reformar GPUs e prolongar a vida útil dos servidores em vez de substituí-los em um ciclo fixo é a alavanca mais direta contra o problema do lixo eletrônico, e ainda é a menos madura das estratégias acima.

Por Que Isso Importa para Líderes Empresariais e Relatórios de ESG

Se a sua empresa reporta métricas de ESG, usa fornecedores de IA em qualquer escala, ou responde a questionários de compras de clientes que o fazem, a pegada ambiental da IA já não é um problema de outra pessoa para acompanhar.

• As emissões dos fornecedores são cada vez mais suas emissões de Escopo 3. Se as emissões da infraestrutura de IA de um fornecedor subirem da mesma forma que as do Google e da Microsoft, e sua empresa depender desse fornecedor para ferramentas com tecnologia de IA, esse crescimento pode aparecer no relatório de emissões da sua própria cadeia de suprimentos, dependendo de como o seu framework de ESG o delimita.
• Alegações de que "nosso fornecedor de IA é carbono neutro" merecem escrutínio. Pergunte especificamente se essa alegação cobre o Escopo 1 e 2 (as operações diretas do fornecedor) ou se estende ao Escopo 3 (tudo a montante e a jusante, incluindo a fabricação de chips e o hardware em fim de vida). A maioria dos compromissos públicos ainda fica aquém da cobertura completa do ciclo de vida.
• O volume de inferência é uma variável controlável. Como a inferência é responsável pela grande maioria do uso contínuo de energia da IA, decisões de produto, como qual nível de modelo você usa por padrão, quão agressivamente você armazena em cache consultas repetidas, e se uma tarefa precisa de processamento em tempo real ou em lote, afetam diretamente a sua pegada de IA, não apenas a sua fatura de IA.
• As exigências regulatórias de divulgação estão se expandindo. Mais jurisdições estão acrescentando exigências de divulgação de energia e emissões que afetam operadores de data centers e, cada vez mais, grandes usuários de IA. Tratar isso como uma questão de compliance agora sai mais barato do que adaptar os relatórios depois.

Uma Visão Equilibrada

É fácil ler os números acima e concluir que a IA é um retrocesso ambiental inequívoco. Isso não está totalmente certo, mas também não está totalmente errado.

A pegada é real, está crescendo, e atualmente está superando a expansão de energia limpa destinada a compensá-la, essa parte não está em disputa. Ao mesmo tempo, a IA também está sendo aplicada à modelagem climática, à otimização de redes elétricas, à descoberta de materiais para baterias e células solares melhores, e a trabalhos de eficiência industrial que têm seu próprio lado positivo ambiental. Nenhum dos lados anula o outro. A posição honesta para um líder empresarial é que o custo ambiental da IA é uma despesa real, quantificável e atualmente crescente, uma que merece o mesmo escrutínio que qualquer outra parte da empresa intensiva em recursos, em vez de um pânico moral ou um passe livre porque "a IA também ajuda o clima". As duas afirmações podem ser verdadeiras em partes diferentes da mesma tecnologia ao mesmo tempo.

Dados Importantes

• Projeta-se que o consumo global de eletricidade em data centers praticamente dobre para 945 terawatts-hora até 2030, cerca de 3% de todo o uso global de eletricidade, ante aproximadamente 415 terawatts-hora em 2024. IEA
• Projeta-se que os data centers do mundo emitam cerca de 399 milhões de toneladas de dióxido de carbono a partir do uso de eletricidade até 2030 e consumam aproximadamente 9,3 trilhões de litros de água, o equivalente às necessidades básicas anuais domésticas de água de 1,3 bilhão de pessoas na África Subsaariana. United Nations University, UNU-INWEH
• Estima-se que só o ChatGPT use cerca de 383 gigawatts-hora de eletricidade por ano em aproximadamente 2,5 bilhões de prompts diários, com uma pegada hídrica comparável às necessidades anuais de cerca de 500.000 pessoas na África Subsaariana; uma única imagem gerada por IA pode usar até 1.450 vezes a energia de uma tarefa básica de classificação de texto. United Nations University, UNU-INWEH
• Treinar um modelo na escala do GPT-3 consumiu aproximadamente 1.287 megawatts-hora de eletricidade e produziu cerca de 552 toneladas de dióxido de carbono; resfriar um data center consome aproximadamente 2 litros de água para cada quilowatt-hora de energia que utiliza. MIT News
• O hardware de IA generativa poderia gerar entre 1,2 milhão e 5 milhões de toneladas métricas de lixo eletrônico por ano até 2030, embora estratégias de economia circular como reforma e reutilização possam reduzir esse volume em 16 a 86%. Nature Computational Science
• A pegada de carbono operacional do Google em 2025 subiu 18% em relação ao ano anterior e agora está 81% acima de sua base de 2019, um salto que a empresa atribui em grande parte ao crescimento dos data centers de IA superando a descarbonização da rede elétrica. Google 2026 Environmental Report
• As emissões do ano fiscal de 2025 da Microsoft subiram 25% em relação ao ano anterior, para cerca de 20 milhões de toneladas métricas de dióxido de carbono equivalente, ante 16 milhões de toneladas no ano anterior, impulsionadas principalmente pela construção de novos data centers de IA. Microsoft

Conceitos Relacionados de IA

• O Que É um Data Center de IA? - As instalações físicas por trás da maior parte da pegada de energia, água e carbono da IA
• O Que É Infraestrutura de IA? - A stack completa, da computação à observabilidade, que gera essa pegada ambiental
• O Que É Inferência de IA? - A carga de trabalho de produção contínua responsável por 80 a 90% do uso total de energia da IA
• Otimização de Inferência - Técnicas que reduzem a energia e o custo de executar modelos de IA em produção
• Quantization - Uma técnica fundamental para reduzir o tamanho do modelo e a computação necessária para executá-lo
• Small Language Models - Alternativas de menor computação aos modelos de fronteira para muitos casos de uso em produção
• Custo Total de Propriedade de IA - Como os custos de infraestrutura e inferência, financeiros e ambientais, se acumulam ao longo do tempo
• Model Serving - A camada de implantação onde a inferência, e a maior parte da pegada contínua da IA, realmente acontece
• Foundation Models - Os grandes modelos pré-treinados de onde vem a maior parte do custo ambiental relacionado ao treinamento
• AI Governance - Os frameworks de supervisão cada vez mais esperados para cobrir alegações ambientais e de ESG

Recursos Externos

• IEA: Energy and AI, Executive Summary - Projeções da demanda global de eletricidade dos data centers até 2030
• MIT News: Explained, Generative AI's Environmental Impact - Custos de energia, água e carbono do treinamento e da execução de IA generativa
• United Nations University, UNU-INWEH: Environmental Cost of AI's Energy Use - Projeções da pegada de carbono, água e terra dos data centers do mundo até 2030
• Nature Computational Science: E-waste Challenges of Generative Artificial Intelligence - Projeção de lixo eletrônico gerado pelo hardware de IA generativa até 2030
• Google 2026 Environmental Report - As emissões operacionais do Google, a reposição de água e os compromissos de energia limpa
• Microsoft: Responsibly Building the AI Future - As emissões do ano fiscal de 2025 da Microsoft e o progresso em sustentabilidade

Parte da Coleção de Termos de IA. Última atualização: 2026-07-20