Estatísticas de Consumo de Energia da IA

Uma previsão recente projeta que a IA usará mais da metade da eletricidade dos centros de dados até 2028.¹À medida que cargas de trabalho intensivas em computação, como a IA generativa, se expandem, espera-se também que a demanda total de eletricidade aumente.

Analisamos dados da IEA, do MIT e dos principais provedores de nuvem para identificar tendências de eficiência no consumo de energia da IA, respostas políticas e melhores práticas.

Consumo de energia dos centros de dados de IA

Reunimos dados de várias organizações de pesquisa e análises setoriais que se concentram no uso de energia em IA e centros de dados para o gráfico acima. Essas fontes incluem agências globais de energia, estudos acadêmicos e iniciativas de provedores de tecnologia. Saiba como reunimos os dados.

Recomendações para gerenciar o consumo de energia da IA

De acordo com pesquisas recentes, o consumo de energia da IA agora é dominado pela inferência e impulsionado menos por execuções individuais de modelos do que por escala, padrões de implantação e ineficiências do sistema. Aqui estão nossas recomendações para gerenciar efetivamente o consumo de energia da IA:

Prioritize a eficiência da inferência em relação à eficiência do treinamento

Pesquisa mostra que mais de 80% da computação de IA é agora usada para inferência.

• Trate a energia por inferência (ou por token / por saída) como um alvo primário de otimização.
• Otimize os caminhos de inferência antes de investir em ganhos marginais na eficiência do treinamento.
• Concentre os esforços de otimização em endpoints de alta frequência, não em casos de uso raros ou de cauda longa.

Mensure e publique métricas de energia por tarefa, não alegações em nível de modelo

Com base na pesquisa do MIT, o consumo de energia por tarefa (eletricidade) varia entre tarefas de texto, imagem e vídeo.

• Instrumente os pipelines para medir a energia por tarefa, incluindo a sobrecarga não relacionada à GPU (memória, rede, orquestração).

Evite usar modelos generativos de propósito geral para tarefas específicas

O maior consumo de energia está intimamente ligado aos modelos generativos, que são usados para tarefas como classificação em vez de modelos especializados. A MIT Technology Review mostra que modelos específicos para tarefas são menos intensivos em carbono e energia.

• Use modelos especializados ou destilados para classificação, ranqueamento, extração e roteamento.
• Reserve modelos generativos grandes para tarefas que exigem geração aberta.
• Introduza cascatas de modelos (do modelo pequeno ao modelo grande, se necessário).

Reduza o desperdício em nível de sistema no serviço de inferência

Estudos de infraestrutura mostram que os servidores respondem por cerca de 60% do consumo de eletricidade dos centros de dados.

• Aumente a utilização do acelerador por meio de:
  • Agrupamento
  • Cache
  • Agendamento mais inteligente
• Elimine chamadas redundantes entre pipelines e microsserviços.
• Implemente escalonamento automático orientado pela demanda em vez de provisionamento de pico.

Trate a eficiência de hardware e a Eficácia no Uso de Energia (PUE) como questões de software

• Projete modelos que caibam eficientemente dentro das restrições de memória e largura de banda.
• Maximize a utilização do hardware existente antes de escalar a capacidade.
• Alinhe as escolhas de arquitetura de modelo com os aceleradores disponíveis mais eficientes em energia.

Considere o uso de água e o ciclo de vida do hardware no design do sistema

Pesquisas da UNRIC mostram que a demanda global de água relacionada à IA deve aumentar exponencialmente.

• Prefira implantações que reduzam a intensidade de resfriamento e o uso de água.
• Estenda a vida útil do hardware por meio da eficiência e reutilização de modelos.
• Evite retreinamentos ou reimplantações desnecessárias que acelerem a rotatividade de hardware.

Estimando as Emissões de GEE do Uso de IA: Estrutura para Medição em Nível Corporativo

Uma estrutura da Watershed de 2026 propõe três níveis para estimar as emissões corporativas de IA, dependendo dos dados disponíveis:

• Baseado em gastos: Multiplique os gastos com fornecedores de IA por um fator econômico de emissões. Isso pode ser usado quando não há dados de uso disponíveis, mas os gastos são um proxy fraco para o consumo real de eletricidade.
• Baseado em atividade: Calcule as emissões a partir do uso de tokens, da energia consumida por token de entrada e saída, da eficiência do centro de dados (PUE) e da intensidade de carbono da eletricidade que abastece o centro de dados.
• Baseado no provedor: Use dados de energia e emissões específicos do modelo e da infraestrutura reportados diretamente pelo provedor de IA. Essa é a abordagem mais precisa, mas exige maior transparência do provedor.

No exemplo da Watershed de uma empresa que gasta US$ 100.000 anualmente em uma API de modelo de fronteira, a abordagem baseada em gastos estima 13.4 tCO₂e/ano, em comparação com 3.7–5.4 tCO₂e usando dados de atividade detalhados e 3.2–4.5 tCO₂e usando dados do provedor.

A estrutura recomenda medir a inferência em kgCO₂e por milhão de tokens e relatar o consumo de eletricidade juntamente com as emissões. Uma estimativa completa deve considerar tanto o uso ativo de GPU quanto os sistemas host, a capacidade ociosa, a sobrecarga do centro de dados, a fabricação de hardware e o treinamento de modelos.

A principal limitação hoje é a disponibilidade de dados: a maioria dos clientes de IA não tem números de energia específicos por modelo e região de seus provedores, portanto as estimativas ainda dependem fortemente de suposições.²

Prevendo os Efeitos Econômicos da IA

Os participantes do estudo Forecasting the Economic Effects of IA (2026) forneceram estimativas de variáveis econômicas-chave (PIB, consumo de energia, produtividade, participação da força de trabalho) tanto sob expectativas normais quanto em três cenários explícitos de progresso da IA (lento, moderado, rápido):

• Até 2030, os participantes estimam que o uso de eletricidade dos EUA poderá representar 2,3% em um cenário de crescimento mais lento, 4,9% sob crescimento moderado e 7,4% em um cenário de rápida expansão, acima dos aproximadamente 1% em 2024.
• Até 2050, projeta-se que essas participações aumentem para 5% (lento), 8,3% (moderado) e 15% (rápido).
• Especialistas em IA e superprevisores preveem uma demanda ainda maior sob crescimento rápido em 2050, cada um estimando cerca de 19,5%.³

Estudo do MIT Technology Review

A MIT Technology Review (2025) divide o consumo de energia da IA em duas fases principais: treinamento de modelos e inferência de IA. Ela argumenta que a inferência é agora o principal fator de uso de energia porque os recursos de IA estão sendo incorporados à vida cotidiana em produtos e serviços.

Ela também destaca uma lacuna de transparência. A maioria dos grandes provedores de modelos de IA “fechados” não divulga informações suficientes para estimar com confiabilidade seu consumo total de energia ou pegada de carbono.⁴

Eletricidade e demanda total:

• Centros de dados dos EUA: 4,4% da eletricidade total dos EUA vai para os centros de dados.
• IA nos centros de dados dos EUA: Servidores específicos para IA usaram cerca de 53-76 terawatts-hora (TWh) em 2024, e projeções sugerem 165-326 TWh até 2028.

Treinamento vs inferência:

• Participação da inferência: 80%-90% da computação de IA é estimada para uso em inferência.
• Exemplo de energia de treinamento: o treinamento do GPT-4 é descrito como cerca de 50 GWh.

Energia por tarefa (consumo de eletricidade):

• Texto (Llama 3.1 8B): ~114 joules por resposta, considerando a sobrecarga não relacionada à GPU.
• Texto (Llama 3.1 405B): ~6.706 joules por resposta com sobrecarga.
• Imagens (Stable Diffusion 3 Medium, 1024×1024): ~2.282 joules no total; etapas mais altas podem elevar esse valor para ~4.402 joules.
• Vídeo (exemplos CogVideoX): ~109.000 joules para uma saída curta de baixa qualidade; ~3.4 milhões de joules para um vídeo de 5 segundos de maior qualidade.

Emissões de infraestrutura e da rede elétrica:

• A intensidade de carbono da eletricidade dos centros de dados é 48% maior que a média dos EUA.
• Os sistemas de resfriamento em centros de dados podem usar grandes quantidades de água, às vezes água potável.

International Energy Agency

A IEA (2025) enquadra as demandas de energia da IA pela ótica dos centros de dados e seus componentes. Ela fornece um detalhamento de onde a eletricidade é consumida dentro de um centro de dados e oferece uma visão global do crescimento do consumo de eletricidade dos centros de dados.⁵

Consumo global de eletricidade dos centros de dados:

• Estimado em ~415 TWh em 2024, cerca de 1,5% do consumo global de eletricidade.
• Projeta-se que alcance ~945 TWh até 2030, abaixo de 3% do consumo global de eletricidade no cenário-base da IEA.

Consumo de eletricidade dos centros de dados por tipo de equipamento:

• Servidores: cerca de 60% da demanda de eletricidade em centros de dados modernos (varia por tipo).
• Sistemas de armazenamento: cerca de 5%.
• Equipamentos de rede: até 5%.
• Sistemas de resfriamento e controle ambiental: cerca de 7% em centros de dados hiperescala eficientes, e mais de 30% em centros de dados corporativos menos eficientes.

Figura 1: Gráfico mostrando os dados de 2024 da participação do consumo de eletricidade por tipo de centro de dados e equipamento.

Google Cloud

Google publicou uma metodologia em 2025 para medir o impacto ambiental da inferência de IA para prompts do Gemini, incluindo eletricidade, emissões de carbono e consumo de água. Ela apresenta medianas por prompt e alega melhorias significativas de eficiência ao longo de um período recente de 12 meses.⁶

Impactos medianos por prompt (prompt de texto do Gemini Apps):

• 0.24 Wh de energia
• 0.03 gCO₂e de emissões
• 0.26 mililitros de água

Alegações de melhoria de eficiência

• Nos últimos 12 meses, o Google alegou que a energia por prompt mediano caiu em 33×, e a pegada total de carbono caiu em 44×.

Eficiência e infraestrutura do centro de dados

• A média da frota de Eficácia no Uso de Energia (PUE) é 1.09 para os centros de dados do Google.
• A TPU de última geração do Google, Ironwood, é considerada 30× mais eficiente em energia do que sua primeira TPU publicamente disponível.

Carbon Brief Organization

O Carbon Brief (2025) sintetiza a International Energy Agency (IEA)⁷ e outras fontes em um conjunto de gráficos que mostram impactos de base, projeções de crescimento e riscos de concentração regional. Ele destaca que o setor é pequeno globalmente hoje, mas cresce rapidamente e é localmente significativo em algumas redes elétricas.⁸

Participações globais atuais

• Os centros de dados são responsáveis por mais de 1% da demanda global de eletricidade e por 0,5% das emissões de CO₂ (ver Figura 2).

Crescimento

• Cenário central da IEA: O consumo de eletricidade dos centros de dados sobe para 945 TWh até 2030.
• Participação da IA no uso de energia dos centros de dados: Aproximadamente 5% a 15%, potencialmente 35% a 50% até 2030.

Exemplos de concentração regional:

• Irlanda: Cerca de 21% da eletricidade nacional é usada para centros de dados, potencialmente 32% até 2026.
• Virgínia (EUA): 26% da eletricidade consumida por centros de dados (conforme citado).

Matriz de fornecimento de energia para centros de dados (global)

• Combustíveis fósseis: Quase 60%
• Renováveis: 27%
• Nuclear: 15%

Figura 2: Com base no Global Energy Review 2025 da IEA e no seu relatório Energy and IA, esta figura compara o consumo de eletricidade (TWh) e as emissões de CO₂ (MtCO₂) dos centros de dados globais em 2024 com os de outros setores.

United Nations Regional Information Centre for Western Europe (UNRIC)

A UNRIC (2025) enquadra a pegada ambiental da IA ao longo de todo o ciclo de vida: software (treinamento, implantação, inferência, manutenção) e hardware (materiais, fabricação, construção, lixo eletrônico). Ela enfatiza que o consumo de eletricidade e o uso de água em centros de dados são impactos diretos e defende medidas políticas para melhorar a divulgação e a responsabilização.⁹

Estatísticas e detalhamento por categoria (eletricidade, água, categorias de ciclo de vida): O artigo da UNRIC é mais categórico do que numérico nas seções extraídas. Ele agrupa explicitamente os impactos da IA em efeitos diretos, indiretos e de ordem superior. Aqui estão algumas das principais conclusões:

• Categorias de impacto ambiental
  • Direto: Consumo de eletricidade e água, emissões de gases de efeito estufa, extração mineral, poluição e lixo eletrônico.
  • Indireto: Emissões de aplicações e serviços habilitados por IA.
  • Ordem superior: Amplificação de desigualdades e questões relacionadas a dados de treinamento tendenciosos ou de baixa qualidade.
• Centros de dados e uso de recursos
  • Os centros de dados consomem grandes quantidades de eletricidade, a maior parte ainda fornecida por combustíveis fósseis.
  • Quantidades significativas de água são necessárias para sistemas de resfriamento e construção.
  • A demanda global de água relacionada à IA deve atingir 4.2–6.6 bilhões de metros cúbicos até 2027, excedendo o uso anual de água da Dinamarca.
  • Produzir um computador de 2 quilogramas pode exigir cerca de 800 quilogramas de matérias-primas, incluindo minerais raros.
• Uso de eletricidade e crescimento
  • Uma consulta no ChatGPT pode usar cerca de 10× mais eletricidade do que uma pesquisa no Google, de acordo com a estimativa da IEA.
  • A IA e o aprendizado de máquina representaram <0,2% do uso global de eletricidade e <0,1% das emissões globais em 2021, mas a demanda está aumentando rapidamente.
  • Algumas empresas de tecnologia relatam crescimento anual superior a 100% na demanda de computação para treinamento e inferência de IA.
• Expansão dos centros de dados
  • Os centros de dados representaram cerca de 1% da demanda global de eletricidade em 2022.
  • Na Irlanda, os centros de dados representaram 17% do uso nacional de eletricidade em 2022.
  • O número de centros de dados em todo o mundo cresceu de 500.000 em 2012 para cerca de 8 milhões.

Não perca os nossos benchmarks e insights baseados em dados. O botão abre o Google; selecionar a AIMultiple confirma que deseja ver a AIMultiple com mais frequência nos resultados de pesquisa do Google.

Adicionar como fonte preferencial

MIT News sobre o impacto ambiental da IA generativa

O MIT News (2025) explica por que a IA generativa pode consumir muitos recursos e distingue entre treinamento e inferência. Ele enfatiza a densidade de potência, os problemas de confiabilidade da rede e a falta de incentivos para que os usuários reduzam o uso quando os impactos são invisíveis.¹⁰

Densidade de potência

• Um cluster de treinamento de IA generativa pode consumir 7 a 8× mais energia do que uma carga de trabalho de computação típica.

Consumo de eletricidade dos centros de dados

• O consumo global de eletricidade dos centros de dados é citado em 460 TWh em 2022 e projeta-se ~1.050 TWh até 2026.

Exemplo de treinamento de modelo

• O treinamento do GPT-3 é estimado em 1.287 MWh e cerca de 552 toneladas de CO₂.

Relatório de Uso de Energia de Centros de Dados dos Estados Unidos

O Relatório de Uso de Energia de Centros de Dados dos Estados Unidos (2024) estima o consumo histórico de eletricidade dos data centers dos EUA e fornece faixas de cenários até 2028. Ele vincula explicitamente a inflexão de crescimento pós-2017 a servidores acelerados, incluindo unidades de processamento gráfico usadas para executar modelos de IA.¹¹

Consumo total de eletricidade dos centros de dados dos EUA:

• ~60 TWh (2014–2016), relativamente estável.
• 76 TWh até 2018, cerca de 1,9% do consumo de eletricidade dos EUA.
• 176 TWh até 2023, cerca de 4,4% do consumo de eletricidade dos EUA.

Faixa de cenário para 2028:

• 325 a 580 TWh até 2028.
• Equivalente a 6,7% a 12,0% do consumo de eletricidade previsto dos EUA em 2028.

Fatores e categorias:

• O crescimento é impulsionado por servidores acelerados por GPU para inteligência artificial, que agora representam uma parcela significativa da base instalada.
• Ele descreve estratégias de eficiência que anteriormente mantinham a demanda estável, incluindo sistemas de resfriamento aprimorados, gerenciamento de energia, maiores taxas de utilização e redução da energia ociosa.

MIT Technology Review

A MIT Technology Review (2023) relata uma das primeiras tentativas de quantificar o consumo de energia e as emissões de carbono da IA durante o uso cotidiano (inferência), em vez de focar apenas no treinamento. O artigo se baseia em um estudo preprint de pesquisadores da Hugging Face e da Carnegie Mellon University.

O estudo mostra que, embora o treinamento de grandes modelos de IA seja altamente intensivo em energia, a maior parte da pegada de carbono do ciclo de vida de um modelo de IA vem de seu uso. Como modelos populares são implantados milhões ou bilhões de vezes, as emissões diárias de inferência podem rapidamente superar as emissões de treinamento.¹²

Energia por tarefa e intensidade de carbono:

Os pesquisadores mediram o consumo de energia em 10 tarefas comuns de IA na plataforma Hugging Face, testando 88 modelos diferentes e executando 1.000 prompts por tarefa usando a ferramenta de medição Code Carbon. As principais comparações são:

• Geração de imagem: Gerar uma única imagem com um modelo poderoso consome aproximadamente a mesma energia que carregar totalmente um smartphone.
  • Gerar 1.000 imagens com um modelo como o Stable Diffusion XL produz emissões de CO₂ comparáveis a dirigir cerca de 4.1 milhas em um carro a gasolina.
  • A geração de imagem é, de longe, a tarefa de IA mais intensiva em energia e carbono entre as medidas.
• Geração de texto: Gerar texto é significativamente menos intensivo em energia.
  • Produzir 1.000 saídas de texto usa cerca de 16% da carga de um smartphone.
  • O modelo de texto menos intensivo em carbono estudado emitiu o equivalente a dirigir 0.0006 milhas.

Tamanho do modelo e especialização de tarefas:

O estudo destaca uma grande lacuna de eficiência entre modelos generativos de propósito geral e modelos específicos para tarefas:

• Modelos generativos grandes consomem muito mais energia porque são projetados para realizar muitas tarefas (gerar, classificar, summarize). Por exemplo, usar um modelo generativo para classificar avaliações de filmes exige ~30× mais energia do que usar um modelo menor fine-tuned especificamente para classificação de sentimentos.
• Modelos menores e especializados são consistentemente menos intensivos em carbono para aplicações específicas.

Emissões de uso vs emissões de treinamento:

Os pesquisadores compararam as emissões de treinamento com as emissões cumulativas de uso:

• O treinamento do maior modelo BLOOM da Hugging Face foi superado após cerca de 590 milhões de usos.
• Para modelos extremamente populares como o ChatGPT, as emissões de uso podem superar as emissões de treinamento em semanas, devido ao enorme volume diário de usuários.
• Isso acontece porque o treinamento ocorre uma única vez, enquanto a inferência acontece continuamente em escala.

Implicações mais amplas e visões de especialistas:

• Especialistas observam que as emissões por tarefa foram maiores do que o esperado, levantando preocupações à medida que a IA generativa se incorpora a softwares cotidianos (e-mail, busca, processamento de texto).
• Pesquisadores enfatizam que modelos mais novos e maiores são substancialmente mais intensivos em carbono do que os sistemas de IA de alguns anos atrás.

Inovações recentes em eficiência de hardware

Vários lançamentos de hardware de 2026 mostram grandes ganhos de eficiência em IA. Por exemplo, o chip de inferência FuriosaAI RNGD começou a ser embarcado em volume em janeiro de 2026 com um TDP de 180W ¹³, muito inferior aos ~600W+ consumidos pelas GPUs de ponta típicas.¹³

Meta anunciou quatro novos aceleradores de inferência MTIA (MTIA 300/400/450/500); os chips focados em IA oferecem cerca de 18 a 27.6 TB/s de largura de banda de memória e estão previstos para lançamento em 2027.¹⁴

Por fim, a Arm anunciou seu primeiro CPU para data center (o 3nm AGI CPU) com até 136 núcleos Neoverse V3 ¹⁵, desenvolvido em conjunto com a Meta, e tem a OpenAI como usuária inicial.

Metodologia sobre como reunimos dados de consumo de energia da IA

• Usamos números e projeções futuras de análises recentes de consumo de energia que estimam o uso global de eletricidade em centros de dados e seu crescimento.
• Quando disponíveis, referenciamos metodologias de medição publicamente disponíveis de grandes provedores de nuvem (por exemplo, os dados de impacto ambiental do Google Cloud) que divulgam métricas específicas, como energia por inferência.

Muitos relatórios usam unidades de medida ou terminologias diferentes, como a participação de IA e ML na eletricidade global, o uso de energia de treinamento vs. inferência e a participação dos centros de dados na eletricidade global, dificultando a comparação em um único gráfico. Para garantir que todos os valores pudessem ser apresentados juntos em um único gráfico, incluímos os estudos que usaram definições e unidades de medida comparáveis:

• Consumo global de eletricidade por centros de dados.
• Participação da IA no consumo de eletricidade dentro dos centros de dados.
• Consumo de eletricidade por centros de dados nos Estados Unidos, para destacar diferenças entre o uso de energia global e o dos EUA.

Perguntas frequentes

Cite esta pesquisa

Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.

@misc{ermut2026,
  author = {Ermut, Sıla},
  title  = {{Estatísticas de Consumo de Energia da IA}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/ai-energy-consumption}},
  note   = {AIMultiple. Acessado em 7 agosto 2026}
}

Registro de alterações

4 atualizações

2026

1. 7 ago

   Adicionada uma seção sobre a estimativa de emissões corporativas de IA usando o framework Watershed.

2. 18 mai

   Adicionada uma seção "Inovações recentes em eficiência de hardware" sobre FuriosaAI RNGD, os chips MTIA da Meta e a CPU de data center da Arm.

3. 6 abr

   Adicionada uma seção "Forecasting the Economic Effects of AI, 2026" com projeções da parcela de eletricidade dos EUA para 2030 e 2050.

4. 19 jan

   Atualizada a introdução à seção de estatísticas de consumo de energia de IA.

Links de referência

1.

DOE Releases New Report Evaluating Increase in Electricity Demand from Data Centers | Department of Energy

2.

Estimating GHG Emissions from AI Use

3.

https://static1.squarespace.com/static/635693acf15a3e2a14a56a4a/t/69cbb9d509ada447b6d9013f/1774959061185/forecasting-the-economic-effects-of-ai.pdf

4.

We did the math on AI’s energy footprint. Here’s the story you haven’t heard. | MIT Technology Review

MIT Technology Review

5.

Energy demand from AI - Energy and AI - IEA

6.

Measuring the environmental impact of AI inference | Google Cloud Blog

Google Cloud

7.

Global EnergyReview 2025

8.

AI: Five charts that put data-centre energy use – and emissions – into context - Carbon Brief

Carbon Brief

9.

Artificial intelligence: How much energy does AI use? - United Nations Western Europe

United Nations

10.

Explained: Generative AI’s environmental impact | MIT News | Massachusetts Institute of Technology

11.

2024 United States Data Center Energy Usage Report

12.

Making an image with generative AI uses as much energy as charging your phone | MIT Technology Review

MIT Technology Review

13.

RNGD Enters Mass Production for Data Center AI

FuriosaAI

14.

Meta reveals four new MTIA chips built for AI inference — to be released on a six-month cadence | Tom's Hardware

Tom's Hardware

15.

Arm moves beyond IP with AGI CPU silicon — 136-core data center chip targets AI infrastructure with Meta as lead partner | Tom's Hardware

Tom's Hardware

Sıla Ermut

Analista do Setor

Siga-nos

Sıla Ermut é analista do setor na AIMultiple, cobrindo models de IA, infraestrutura de IA, governança de IA e aplicações empresariais de IA. Sua pesquisa se concentra principalmente no uso de IA em marketing, saúde, cadeias de suprimentos e sustentabilidade.
Ela trabalhou anteriormente como recrutadora em empresas de gerenciamento de projetos e consultoria. Sıla possui mestrado em Psicologia Social e bacharelado em Relações Internacionais.

Ver perfil completo

Seja o primeiro a comentar

Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios. Os comentários são deixados em seu idioma original.

Nome

Endereço de email

Comentário

0/450

Postar comentário