Estatísticas de Consumo de Energia de IA

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

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

Consumo de energia de data centers de IA

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

Recomendações para gerenciar o consumo de energia de IA

De acordo com pesquisas recentes, o consumo de energia de IA é agora 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 de IA:

Priorize a eficiência da inferência em vez da 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.
• Foque os esforços de otimização em endpoints de alta frequência, não em casos de uso raros ou de cauda longa.

Meça e publique métricas de energia por tarefa, não apenas alegações no nível do modelo

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

• Instrumente pipelines para medir energia por tarefa, incluindo sobrecarga não-GPU (memória, rede, orquestração).

Evite usar modelos generativos de propósito geral para tarefas específicas

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

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

Reduza o desperdício no nível do sistema no atendimento de inferência

Estudos de infraestrutura mostram que servidores representam cerca de 60% do consumo de eletricidade de data centers.

• Aumente a utilização de aceleradores via:
  • Batching
  • Caching
  • Agendamento mais inteligente
• Elimine chamadas redundantes entre pipelines e microsserviços.
• Implemente autoscaling consciente da demanda em vez de provisionamento de pico.

Trate a eficiência de hardware e a Eficácia do Uso de Energia (PUE) como preocupações de software

• Projete modelos que se encaixem eficientemente dentro das restrições de memória e largura de banda.
• Maximize a utilização de 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

Pesquisa da UNRIC mostra 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 através da eficiência e reutilização de modelos.
• Evite retreinamento ou redesenvolvimento desnecessário que acelere a troca de hardware.

Previsão dos Efeitos Econômicos da IA

Os participantes do estudo Previsão dos Efeitos Econômicos da IA (2026) forneceram estimativas de variáveis econômicas-chave (PIB, consumo de energia, produtividade, participação da força de trabalho) sob expectativas normais e três cenários explícitos de progresso da IA (lento, moderado, rápido):

• Até 2030, os participantes estimam que o uso de eletricidade nos EUA poderia representar 2,3% em um caso de crescimento mais lento, 4,9% sob crescimento moderado e 7,4% em um cenário de expansão rápida, acima de aproximadamente 1% em 2024.
• Até 2050, essas participações devem aumentar para 5% (lento), 8,3% (moderado) e 15% (rápido).
• Especialistas em IA e superforecasters antecipam uma demanda ainda maior sob crescimento rápido em 2050, cada um estimando cerca de 19,5%.²

MIT Technology Review

O MIT Technology Review (2025) divide o consumo de energia de IA em duas fases principais: treinamento de modelos e inferência de IA. Ele argumenta que a inferência é agora o principal motor do uso de energia porque os recursos de IA estão sendo incorporados na vida diária em produtos e serviços.

Ele também destaca uma lacuna de transparência. A maioria dos principais provedores de modelos de IA "fechados" não divulga informações suficientes para estimar seu uso total de energia ou pegada de carbono de forma confiável.³

Eletricidade e demanda total:

• Data centers dos EUA: 4,4% do total de eletricidade dos EUA vai para data centers.
• IA dentro dos data centers dos EUA: Servidores específicos de IA usaram estimados 53-76 terawatt-hora (TWh) em 2024, e projeções sugerem 165-326 TWh até 2028.

Treinamento vs inferência:

• Participação da inferência: Estima-se que 80%-90% da computação de IA seja usada para 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 ao considerar a sobrecarga não-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 aumentar isso 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.

Infraestrutura e emissões da rede:

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

International Energy Agency

A IEA (2025) enquadra a demanda de energia de IA através da lente de data centers e seus componentes. Ela fornece uma divisão de onde a eletricidade é consumida dentro de um data center e oferece uma visão global do crescimento do consumo de eletricidade de data centers.⁴

Consumo global de eletricidade de data centers:

• Estimado em ~415 TWh em 2024, cerca de 1,5% do consumo global de eletricidade.
• Projetado para atingir ~945 TWh até 2030, pouco menos de 3% do consumo global de eletricidade no caso base da IEA.

Consumo de eletricidade de data center por tipo de equipamento:

• Servidores: cerca de 60% da demanda de eletricidade em data centers 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 data centers hiperscalares eficientes e mais de 30% em data centers empresariais menos eficientes.

Figura 1: Gráfico mostrando os dados de 2024 da participação do consumo de eletricidade com base no tipo de data center e equipamento.

Google Cloud

O 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. Ele apresenta medianas por prompt e afirma melhorias significativas de eficiência em um período recente de 12 meses.⁵

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 afirmou que a energia por prompt mediano caiu em 33×, e a pegada de carbono total caiu em 44×.

Eficiência de data center e infraestrutura

• A média da Eficácia do Uso de Energia (PUE) da frota é 1,09 para os data centers do Google.
• O TPU de última geração do Google, Ironwood, é alegado ser 30× mais eficiente em energia que seu primeiro TPU disponível publicamente.

Carbon Brief Organization

O Carbon Brief (2025) sintetiza a International Energy Agency (IEA)⁶ 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 está crescendo rapidamente e é localmente significativo em algumas redes.⁷

Participações globais atuais

• Os data centers são responsáveis por pouco mais de 1% da demanda global de eletricidade e 0,5% das emissões de CO₂ (veja a Figura 2).

Crescimento

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

Exemplos de concentração regional:

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

Mix de fornecimento de energia para data centers (global)

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

Figura 2: Com base na Global Energy Review 2025 da IEA e seu relatório Energy and AI, esta figura compara o consumo de eletricidade (TWh) e as emissões de CO₂ (MtCO₂) de data centers 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 em 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 data centers são impactos diretos e defende medidas políticas para melhorar a divulgação e a responsabilidade.⁸

Estatísticas e divisão por categoria (eletricidade, água, categorias de ciclo de vida): Este artigo 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 descobertas:

• 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.
• Data centers e uso de recursos
  • Os data centers consomem grandes quantidades de eletricidade, grande parte dela ainda fornecida por combustíveis fósseis.
  • Grandes quantidades 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 e crescimento de eletricidade
  • Uma consulta do ChatGPT usa cerca de 10× mais eletricidade que uma pesquisa do Google, de acordo com a estimativa da IEA.
  • IA e aprendizado de máquina representaram <0,2% do uso global de eletricidade e <0,1% das emissões globais em 2021, mas a demanda está subindo rapidamente.
  • Algumas empresas de tecnologia relatam crescimento anual de mais de 100% na demanda de computação para treinamento e inferência de IA.
• Expansão de data centers
  • Os data centers representaram cerca de 1% da demanda global de eletricidade em 2022.
  • Na Irlanda, os data centers representaram 17% do uso nacional de eletricidade em 2022.
  • O número de data centers em todo o mundo cresceu de 500.000 em 2012 para cerca de 8 milhões hoje.

Veja mais dos nossos benchmarks e insights baseados em dados na Pesquisa Google.

Adicionar como fonte preferencial

MIT News sobre o impacto ambiental da IA generativa

O MIT News (2025) explica por que IA generativa pode ser intensiva em recursos e distingue entre treinamento e inferência. Ele enfatiza a densidade de energia, problemas de confiabilidade da rede e a falta de incentivos para os usuários reduzirem o uso quando os impactos são invisíveis.⁹

Densidade de energia

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

Consumo de eletricidade de data center

• O consumo global de eletricidade de data centers citado como 460 TWh em 2022 e projetado ~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 Data Centers dos Estados Unidos

O Relatório de Uso de Energia de Data Centers dos Estados Unidos (2024) estima o consumo histórico de eletricidade de data centers nos EUA e fornece faixas de cenário até 2028. Ele liga explicitamente a inflexão de crescimento pós-2017 a servidores acelerados, incluindo unidades de processamento gráfico usadas para executar modelos de IA.¹⁰

Consumo total de eletricidade de data centers nos 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 de 2028:

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

Impulsionadores e categorias:

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

MIT Technology Review

O MIT Technology Review (2023) relata sobre uma das primeiras tentativas de quantificar o uso de energia e as emissões de carbono da IA durante o uso diário (inferência), em vez de focar apenas no treinamento. O artigo é baseado em um estudo pré-publicado por pesquisadores do Hugging Face e da Carnegie Mellon University.

O estudo mostra que, embora treinar grandes modelos de IA seja altamente intensivo em energia, a maior parte da pegada de carbono 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.¹¹

Energia por tarefa e intensidade de carbono:

Os pesquisadores mediram o uso 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 completamente um smartphone.
  • Gerar 1.000 imagens com um modelo como Stable Diffusion XL produz emissões de CO₂ comparáveis a dirigir cerca de 4,1 milhas em um carro a gasolina.
  • A geração de imagens é de longe a tarefa de IA mais intensiva em energia e carbono medida.
• Geração de texto: Gerar texto é significativamente menos intensivo em energia.
  • Produzir 1.000 saídas de texto usa apenas cerca de 16% da carga de um smartphone.
  • O modelo de texto menos intensivo em carbono estudado emitiu tanto quanto dirigir apenas 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 de tarefas:

• Grandes modelos generativos consomem muito mais energia porque são projetados para realizar muitas tarefas (gerar, classificar, resumir). Por exemplo, usar um modelo generativo para classificar críticas de filmes requer ~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 do Hugging Face foi superado após cerca de 590 milhões de usos.
• Para modelos extremamente populares como ChatGPT, as emissões de uso poderiam superar as emissões de treinamento em semanas, devido aos volumes massivos de usuários diários.
• Isso acontece porque o treinamento ocorre uma vez, enquanto a inferência ocorre continuamente em escala.

Implicações mais amplas e opiniões de especialistas:

• Especialistas notam que as emissões por tarefa foram mais altas do que o esperado, levantando preocupações à medida que a IA generativa se torna incorporada em software diário (e-mail, pesquisa, processamento de texto).
• Pesquisadores enfatizam que modelos novos e maiores são substancialmente mais intensivos em carbono do que sistemas de IA de apenas alguns anos atrás.

Inovações recentes em eficiência de hardware

Vários lançamentos de hardware de 2026 mostram grandes ganhos na eficiência de IA. Por exemplo, o chip de inferência RNGD da FuriosaAI começou a ser enviado em volume em janeiro de 2026 com um TDP de 180W ¹² , muito menor que os aproximadamente 600W+ consumidos por GPUs típicas de alto nível.¹³

O Meta anunciou quatro novos aceleradores de inferência MTIA (MTIA 300/400/450/500); os chips focados em IA entregam aproximadamente 18 a 27,6 TB/s de largura de banda de memória e estão programados para lançamento em 2027.¹⁴

Por fim, a Arm anunciou sua primeira CPU de data center (a CPU AGI de 3nm) com até 136 núcleos Neoverse V3 ¹⁵ , desenvolvida em conjunto com o Meta, e conta com o OpenAI como um usuário inicial.

Como reunimos dados de consumo de energia de IA

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

Muitos relatórios usam diferentes unidades de medição ou terminologia, como participação de IA e ML no uso global de eletricidade, uso de energia de treinamento vs. inferência e participação de data centers no uso global de eletricidade, tornando difícil compará-los 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 medição comparáveis:

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

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 de IA}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/ai-energy-consumption}},
  note   = {AIMultiple. Acessado em 15 Junho 2026}
}

Links de referência

1.

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

2.

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

3.

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

MIT Technology Review

4.

Energy demand from AI – Energy and AI – Analysis - IEA

5.

Measuring the environmental impact of AI inference | Google Cloud Blog

Google Cloud

6.

https://iea.blob.core.windows.net/assets/5b169aa1-bc88-4c96-b828-aaa50406ba80/GlobalEnergyReview2025.pdf

7.

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

Carbon Brief

8.

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

United Nations

9.

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

10.

https://escholarship.org/content/qt32d6m0d1/qt32d6m0d1.pdf?v=lg

11.

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

MIT Technology Review

12.

RNGD Enters Mass Production for Data Center AI

FuriosaAI

13.

RNGD Enters Mass Production for Data Center AI

FuriosaAI

14.

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

Tom's Hardware

15.

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

Tom's Hardware

16.

https://www.cell.com/action/showPdf?pii=S2666-3899%2825%2900278-8

Sıla Ermut

Analista do setor

Siga-nos

Sıla Ermut é analista de mercado na AIMultiple, com foco em marketing por e-mail e vídeos de vendas. Anteriormente, trabalhou como recrutadora em empresas de gestão 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