Custo energético da IA dispara em modelos de raciocínio e pode ser 100 vezes maior

Custo energético da IA passa a ocupar o centro das discussões sobre inteligência artificial depois que um levantamento do projeto AI Energy Score indicou consumo até cem vezes superior em modelos que executam tarefas de raciocínio avançado quando comparados às versões tradicionais.

Escalada do custo energético da IA: dados centrais do estudo

O relatório, desenvolvido por pesquisadores vinculados ao AI Energy Score, examinou 40 modelos de inteligência artificial de código aberto. Entre eles estavam sistemas mantidos por grandes fornecedoras de tecnologia, como OpenAI, Google e Microsoft. A análise constatou disparidades drásticas: de acordo com as medições, a execução com raciocínio habilitado pode multiplicar o consumo elétrico por até cem vezes em relação ao mesmo algoritmo operando sem esse recurso.

A avaliação ocorreu em ambiente controlado. Cada modelo recebeu tanto questões simples quanto problemas matemáticos complexos, sempre processados no mesmo hardware. O monitoramento do gasto energético foi realizado pela ferramenta CodeCarbon. Esse procedimento padronizado permitiu comparar resultados de maneira direta, eliminando variáveis externas que poderiam distorcer as conclusões.

Um dos casos mais destacados foi o do R1 compacto, desenvolvido pela DeepSeek. Quando o módulo de raciocínio ficou desligado, o consumo registrado somou 50 watt-hora. Ao ligar a funcionalidade, o número saltou para 308.186 watt-hora, um aumento de mais de seis mil vezes, excedendo de forma expressiva a média geral do estudo.

Razões técnicas por trás do aumento do custo energético da IA

Segundo os autores do levantamento, a principal causa para o crescimento acentuado do gasto elétrico está na quantidade de texto gerado pelos modelos que desempenham raciocínio sofisticado. Em cenários nos quais a precisão de respostas depende de múltiplos passos lógicos, o sistema produz saídas maiores, o que eleva a carga sobre processadores, memórias e demais componentes do servidor.

Esse mecanismo cria um ciclo de uso intensivo de recursos: quanto mais etapas a rede neural executa para chegar a uma conclusão, maior é a necessidade de acesso a hardware especializado. A inferência — fase em que o modelo, já treinado, responde a solicitações dos usuários — torna-se, portanto, o principal ponto de consumo de energia em inteligências artificiais modernas.

Ainda segundo o relatório, essa dinâmica se repete em praticamente todos os algoritmos avaliados. O Phi 4, mantido pela Microsoft, ilustra o comportamento; seu gasto saltou de 18 para 9.462 watt-hora após o acionamento do raciocínio. Já o gpt-oss, da OpenAI, variou entre 5.313 e 8.504 watt-hora conforme a intensidade configurada, reforçando que a complexidade da tarefa influencia diretamente o custo.

Impactos do custo energético da IA sobre data centers e mercados de energia

A proliferação de modelos mais pesados coincide com a expansão de data centers em diversas regiões do planeta. A competição por instalações maiores e dotadas de infraestrutura sofisticada alimenta um aumento perceptível na demanda elétrica. Uma investigação divulgada pela Bloomberg, citada no relatório do AI Energy Score, revelou que áreas vizinhas a grandes centros de processamento registraram elevações de até 267% no preço da eletricidade ao longo de cinco anos.

Esse cenário cria desafios para concessionárias e administrações locais. De um lado, há a geração de receita pela atração de empresas de alta tecnologia; de outro, surgem pressões sobre redes de distribuição, que precisam suportar picos de carga. A tendência é potencializada pela adoção maciça de sistemas de raciocínio, cujo funcionamento permanente exige fornecimento estável e escalável.

Para a indústria, a repercussão financeira torna-se um fator estratégico. O custo operacional dos data centers inclui não apenas a energia consumida pelas GPUs e CPUs que fazem a inferência, mas também a climatização dos ambientes, fundamental para manter temperaturas adequadas. Assim, o salto de centenas ou milhares de watt-hora por interação representa impacto direto nos balanços corporativos.

Metodologia: como o estudo quantificou o consumo

A padronização da infraestrutura foi determinante para assegurar validade aos resultados. Todos os 40 modelos correram no mesmo equipamento, evitando diferenças de hardware que poderiam alterar a demanda energética. Durante cada teste, os pesquisadores submeteram os sistemas a dois conjuntos de solicitações: perguntas objetivas e desafios matemáticos complexos. O objetivo era reproduzir situações variadas de uso.

A ferramenta CodeCarbon monitorou em tempo real a energia gasta. O software calcula o consumo com base em informações de utilização de CPU e GPU, tempo de execução e parâmetros de eficiência do data center. Dessa forma, a equipe obteve leituras consistentes, comparáveis entre os diferentes algoritmos.

Com esse desenho experimental, os analistas concluíram que a inferência, não o treinamento, é hoje o maior vetor de crescimento do gasto elétrico em aplicações de inteligência artificial orientadas a raciocínio. Embora o treinamento exija volumes significativos de energia, ele ocorre em janelas temporárias. Já a inferência acontece constantemente, toda vez que um usuário envia uma solicitação.

Consequências ambientais e operacionais do elevado custo energético da IA

O crescimento do consumo de energia por aplicações de IA levanta preocupações ambientais. Maiores demandas significam também aumento potencial na emissão de gases de efeito estufa, especialmente em regiões dependentes de fontes fósseis. O relatório reforça que o entendimento desse impacto é ainda incipiente: poucas pesquisas se concentram especificamente na pegada de carbono gerada pela inferência de modelos avançados.

Além do aspecto ambiental, há repercussões na disponibilidade de infraestrutura. Operadoras de data center precisam negociar contratos de longo prazo com fornecedoras de energia para garantir estabilidade. Em mercados onde a geração renovável ainda não supre totalmente a demanda, pode haver necessidade de investir em linhas de transmissão ou até de construir usinas dedicadas para impedir gargalos.

Estratégias para mitigar o custo energético da IA

Os autores do estudo sugerem que empresas e desenvolvedores adotem a prática de escolher o modelo adequado à complexidade de cada tarefa. Em diversos casos, uma versão menos robusta, agora chamada de “modelo leve”, atende ao requisito de precisão sem impor grande sobrecarga à infraestrutura. Essa adoção seletiva contribui para reduzir custos operacionais e minimizar o impacto ambiental.

Outra possibilidade consiste em ajustar a intensidade do raciocínio. O gpt-oss, por exemplo, apresentou variações substanciais dependendo do nível configurado. Essa flexibilidade permite equilibrar desempenho e consumo. De modo complementar, técnicas de otimização de hardware, como chips especializados e resfriamento mais eficiente, podem aliviar parte da pressão energética.

O avanço em direção a classificações de eficiência, a exemplo do que o AI Energy Score propõe, tende a fornecer parâmetros claros ao mercado. Com métricas de consumo padronizadas, organizações poderão comparar soluções não apenas pelo desempenho, mas também pela energia requerida a cada operação.

Visões do setor sobre permissibilidade social para maior consumo

Durante recente participação em um evento corporativo, o CEO da Microsoft, Satya Nadella, afirmou que a indústria de tecnologia precisará conquistar “permissão social” para consumir volumes crescentes de energia. Segundo ele, tal aceitação dependerá da capacidade de a inteligência artificial entregar benefícios amplos à sociedade e impulsionar o progresso econômico. Esses comentários sublinham a relevância do tema e indicam que a eficiência energética passará a fazer parte dos argumentos de legitimidade do setor.

À medida que modelos de raciocínio se popularizam e novos data centers entram em operação, as métricas de consumo mapeadas pelo AI Energy Score deverão ganhar espaço em discussões regulatórias, negociações de contratos e estratégias de desenvolvimento de produtos.