Estatísticas de Consumo de Energia de IA

Uma previsão recente estima 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, também se espera que a demanda total de eletricidade aumente.

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

Consumo de energia de centros de dados de IA

Coletamos dados de várias organizações de pesquisa e análises do setor 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 coletamos 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 inference e é impulsionado menos por execuções individuais de models do que por escala, padrões de implantação e ineficiências do sistema. Aqui estão nossas recomendações para gerenciar efetivamente o consumo de energia de IA:

Priorizar a eficiência de inference sobre a eficiência de treinamento

Pesquisas mostram que mais de 80% da computação de IA é agora usada para inference.

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

Medir e publicar métricas de energia por tarefa, não alegações em nível de model

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 GPU (memória, rede, orquestração).

Evitar usar models generativos de propósito geral para tarefas específicas

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

• Use models especializados por tarefa ou destilados para classificação, ranqueamento, extração e roteamento.
• Reserve grandes models generativos para tarefas que exigem geração aberta.
• Introduza cascatas de models (de models pequenos para models grandes, se necessário).

Reduzir o desperdício no nível do sistema no serving de inference

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

• Aumente a utilização de aceleradores por meio de:
  • Agrupamento em lote
  • Cache
  • Agendamento mais inteligente
• Elimine chamadas redundantes entre pipelines e microsserviços.
• Implemente escalonamento automático sensível à demanda em vez de provisionamento de pico.

Tratar a eficiência de hardware e o Power Usage Effectiveness (PUE) como questões de software

• Projete models que se encaixem eficientemente nas restrições de memória e largura de banda.
• Maximize a utilização do hardware existente antes de escalar a capacidade.
• Alinhe as escolhas de arquitetura de model com os aceleradores disponíveis mais eficientes em energia.

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

Pesquisas do 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 models.
• Evite retreinamento ou reimplantação desnecessários que acelerem a rotatividade do hardware.

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

Um framework 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 atividades: 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 de model e de infraestrutura relatados 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 $100,000 anualmente em uma API de model de fronteira, a abordagem baseada em gastos estima 13.4 tCO₂e/ano, em comparação com 3.7–5.4 tCO₂e usando dados detalhados de atividade e 3.2–4.5 tCO₂e usando dados do provedor.

O framework recomenda medir a inference 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 models.

A principal limitação hoje é a disponibilidade de dados: a maioria dos clientes de IA não tem números de energia específicos por model 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 na força de trabalho) tanto sob expectativas normais quanto sob 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 expansão rápida, 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

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

Ele também destaca uma lacuna de transparência. A maioria dos principais provedores de models de IA “fechados” não divulga informações suficientes para estimar de forma confiável seu uso total de energia ou pegada de carbono.⁴

Eletricidade e demanda total:

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

Treinamento versus inference:

• Participação da inference: 80%-90% da computação de IA é estimada para ser usada em inference.
• 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; passos mais altos podem elevar isso para ~4.402 joules.
• Vídeo (exemplos do 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 centro 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.

Agência Internacional de Energia

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

Consumo global de eletricidade dos centros de dados:

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

Consumo de eletricidade do centro 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 hyperscale eficientes, e mais de 30% em centros de dados empresariais menos eficientes.

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

Google Cloud

O Google publicou uma metodologia em 2025 para medir o impacto ambiental da inference 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 em 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

• Ao longo dos 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 do centro de dados e infraestrutura

• A média do Power Usage Effectiveness (PUE) em toda a frota 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 disponível publicamente.

Organização Carbon Brief

O Carbon Brief (2025) sintetiza a Agência Internacional de Energia (IEA)⁷e outras fontes em um conjunto de gráficos que mostram impactos de linha 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.⁸

Participações globais atuais

• Os centros de dados são responsáveis por mais de 1% da demanda global de eletricidade e 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% recentemente, 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) de centros de dados globais em 2024 com as de outros setores.

Centro Regional de Informação das Nações Unidas para a Europa Ocidental (UNRIC)

O UNRIC (2025) enquadra a pegada ambiental da IA em todo o ciclo de vida: software (treinamento, implantação, inference, manutenção) e hardware (materiais, fabricação, construção, lixo eletrônico). Ele 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 divisão por categorias (categorias de eletricidade, água, ciclo de vida): O artigo do 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 descobertas:

• Categorias de impacto ambiental
  • Direto: Consumo de eletricidade e água, emissões de gases de efeito estufa, extração de minerais, 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.
  • São necessárias quantidades significativas de água para os sistemas de resfriamento e a construção.
  • A demanda global de água relacionada à IA deve chegar a 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 crescendo rapidamente.
  • Algumas empresas de tecnologia relatam crescimento anual de mais de 100% na demanda de computação para treinamento e inference 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 no mundo cresceu de 500.000 em 2012 para cerca de 8 milhões hoje.

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 ser intensiva em recursos e distingue entre treinamento e inference. Ele destaca a densidade de potência, questões 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 do centro de dados

• O consumo global de eletricidade dos centros de dados foi citado como 460 TWh em 2022 e projetado para ~1.050 TWh até 2026.

Exemplo de treinamento de model

• O treinamento do GPT-3 foi 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 United States Data Center Energy Usage Report (2024) estima o consumo histórico de eletricidade dos centros de dados 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 models 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 cenários para 2028:

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

Impulsionadores 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 melhorados, gerenciamento de energia, maiores taxas de utilização e redução de energia ociosa.

MIT Technology Review

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

O estudo mostra que, embora o treinamento de grandes models de IA seja altamente intensivo em energia, a maior parte da pegada de carbono vitalícia de um model de IA vem do seu uso. Como models populares são implantados milhões ou bilhões de vezes, as emissões de inference do dia a dia podem rapidamente superar as emissões de treinamento.¹²

Energia e intensidade de carbono por tarefa:

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

• Geração de imagens: A geração de uma única imagem com um model poderoso consome aproximadamente a mesma energia que carregar totalmente um smartphone.
  • Gerar 1.000 imagens com um model 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 imagens é de longe a tarefa de IA medida mais intensiva em energia e carbono.
• Geração de texto: A geração de texto é significativamente menos intensiva em energia.
  • Produzir 1.000 saídas de texto usa cerca de 16% da carga de um smartphone.
  • O model de texto menos intensivo em carbono estudado emitiu o equivalente a dirigir 0.0006 milhas.

Tamanho do model e especialização por tarefa:

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

• Models generativos grandes consomem muito mais energia porque são projetados para executar muitas tarefas (gerar, classificar, resumir). Por exemplo, usar um model generativo para classificar críticas de filmes exige ~30× mais energia do que usar um model menor fine-tuned especificamente para classificação de sentimento.
• Models menores e especializados são consistentemente menos intensivos em carbono para aplicações restritas.

Emissões de uso versus emissões de treinamento:

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

• O treinamento do maior model BLOOM do Hugging Face foi superado após cerca de 590 milhões de usos.
• Para models extremamente populares como o ChatGPT, as emissões de uso podem exceder as emissões de treinamento em semanas, devido ao enorme volume diário de usuários.
• Isso acontece porque o treinamento ocorre uma vez, enquanto a inference 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 é incorporada ao software cotidiano (e-mail, busca, processamento de texto).
• Os pesquisadores enfatizam que models mais novos e maiores são substancialmente mais intensivos em carbono do que sistemas de IA de alguns anos atrás.

Inovações recentes em eficiência de hardware

Vários lançamentos de hardware de 2026 mostram grandes ganhos em eficiência de IA. Por exemplo, o chip de inference FuriosaAI RNGD começou a ser enviado em volume em janeiro de 2026 com um TDP de 180W ¹³, bem inferior aos aproximadamente 600W+ consumidos por GPUs de ponta típicas.¹³

A Meta anunciou quatro novos aceleradores de inference 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 sua primeira CPU para centro de dados (a 3nm AGI CPU) com até 136 núcleos Neoverse V3 ¹⁵, co-desenvolvida com a Meta, e conta com a OpenAI como um dos primeiros usuários.

Metodologia sobre como coletamos os 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 centros de dados e seu crescimento.
• Quando disponíveis, 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 inference.

Muitos relatórios usam unidades de medição ou terminologias diferentes, como participação da IA e do ML na eletricidade global, uso de energia de treinamento vs. inference e participação dos centros de dados na eletricidade global, o que dificulta 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 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 as diferenças entre o uso global de energia 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 de 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.

Forecasting the Economic Effects of AI

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 – Analysis - 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