Estatísticas de Consumo de Energia da IA

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

Reunimos 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 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 globais de energia, estudos acadêmicos e iniciativas de provedores de tecnologia. Saiba como reunimos os dados.

Recomendações para gerir o consumo de energia da IA

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

Priorizar a eficiência da inferência em vez da eficiência do treinamento

Pesquisas mostram que mais de 80% da computação de IA é agora utilizada 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.

Medir e publicar métricas de energia por tarefa, não alegações ao 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 a energia por tarefa, incluindo a sobrecarga não-GPU (memória, rede, orquestração).

Evitar o uso de modelos generativos de propósito geral para tarefas restritas

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

• Utilize 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 para o modelo grande, se necessário).

Reduzir o desperdício ao nível do sistema na prestação de inferência

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

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

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

• Projete modelos que se ajustem eficientemente às restrições de memória e largura de banda.
• Maximize a utilização do hardware existente antes de escalar a capacidade.
• Alinhe as escolhas de arquitetura do modelo 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.

• Favoreça implantações que reduzam a intensidade de refrigeração e o uso de água.
• Prolongue a vida útil do hardware através da eficiência do modelo e da reutilização.
• Evite retreinamentos ou reimplantações desnecessárias que aceleram a rotatividade do hardware.

Estimativa das Emissões de GEE do Uso de IA: Framework para Medição ao 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: Multiplicar os gastos com fornecedores de IA por um fator de emissões econômicas. Isto pode ser utilizado quando não há dados de uso disponíveis, mas os gastos são um proxy fraco para o consumo real de eletricidade.
• Baseado em atividades: Calcular as emissões a partir do uso de tokens, energia consumida por token de entrada e saída, eficiência do data center (PUE) e a intensidade de carbono da eletricidade que abastece o data center.
• Baseado no fornecedor: Utilizar dados de energia e emissões específicos do modelo e da infraestrutura reportados diretamente pelo fornecedor de IA. Esta é a abordagem mais precisa, mas requer maior transparência do fornecedor.

No exemplo da Watershed de uma empresa que gasta $100.000 anualmente numa API de modelo de fronteira, a abordagem baseada em gastos estima 13,4 tCO₂e/ano, em comparação com 3,7–5,4 tCO₂e utilizando dados detalhados de atividade e 3,2–4,5 tCO₂e utilizando dados do fornecedor.

O framework recomenda medir a inferência em kgCO₂e por milhão de tokens e reportar o consumo de eletricidade juntamente com as emissões. Uma estimativa completa deve considerar tanto o uso ativo da GPU quanto os sistemas de hospedagem, capacidade ociosa, sobrecarga do data center, fabricação de hardware e treinamento do modelo.

A principal limitação atualmente é a disponibilidade de dados: a maioria dos clientes de IA não dispõe de dados energéticos específicos por modelo e região dos seus fornecedores, pelo que as estimativas ainda dependem fortemente de pressupostos.²

Previsão dos Efeitos Económicos da IA

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

• Até 2030, os participantes estimam que o uso de eletricidade nos EUA poderá representar 2,3% num cenário de crescimento mais lento, 4,9% sob crescimento moderado, e 7,4% num cenário de expansão rápida, face a aproximadamente 1% em 2024.
• Até 2050, projeta-se que estas participações aumentem para 5% (lento), 8,3% (moderado), e 15% (rápido).
• Especialistas em IA e superprevisores antecipam uma procura 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 da IA em duas fases principais: treinamento de modelos e inferência de IA. Argumenta que a inferência é agora o principal motor do uso de energia porque as funcionalidades de IA estão a ser incorporadas na vida quotidiana através de produtos e serviços.

Destaca também uma lacuna de transparência. A maioria dos principais fornecedores de modelos de IA "fechados" não divulga informações suficientes para estimar o seu uso total de energia ou pegada de carbono de forma fiável.⁴

Eletricidade e procura total:

• Data centers nos EUA: 4,4% da eletricidade total dos EUA vai para data centers.
• IA dentro dos data centers nos EUA: Servidores específicos de IA utilizaram cerca de 53-76 terawatts-hora (TWh) em 2024, e as projeções sugerem 165-326 TWh até 2028.

Treinamento vs inferência:

• Percentagem de inferência: 80%-90% da computação de IA é estimada como sendo utilizada 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 quando se contabiliza 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; mais passos podem aumentar 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 dos data centers é 48% superior à média dos EUA.
• Os sistemas de refrigeração nos data centers podem utilizar grandes quantidades de água, por vezes água potável.

Agência Internacional de Energia

A IEA (2025) enquadra as procuras energéticas da IA através da lente dos data centers e dos seus componentes. Fornece uma desagregação de onde a eletricidade é consumida dentro de um data center e oferece uma perspetiva global sobre o crescimento do consumo de eletricidade dos data centers.⁵

Consumo global de eletricidade dos data centers:

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

Consumo de eletricidade dos data centers por tipo de equipamento:

• Servidores: cerca de 60% da procura de eletricidade em data centers modernos (varia por tipo).
• Sistemas de armazenamento: cerca de 5%.
• Equipamento de rede: até 5%.
• Sistemas de refrigeração e controlo ambiental: cerca de 7% em data centers hiperescala 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

A 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. 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 das 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, a Google alegou que a energia por prompt mediano caiu em 33×, e a pegada de carbono total caiu em 44×.

Eficiência do data center e infraestrutura

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

Carbon Brief Organization

A Carbon Brief (2025) sintetiza a Agência Internacional de Energia (IEA)⁷ e outras fontes num conjunto de gráficos que mostram impactos de referência, projeções de crescimento e riscos de concentração regional. Destaca que o setor é pequeno globalmente hoje, mas está a crescer rapidamente e é localmente significativo em algumas redes.⁸

Percentagens globais atuais

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

Crescimento

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

Exemplos de concentração regional:

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

Combinação 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 no seu relatório Energy and IA, esta figura compara o consumo de eletricidade (TWh) e as emissões de CO₂ (MtCO₂) dos data centers globais em 2024 com os de outros setores.

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

O UNRIC (2025) enquadra a pegada ambiental da IA ao longo de todo o ciclo de vida: software (treinamento, implantação, inferência, manutenção) e hardware (materiais, fabrico, construção, resíduos eletrónicos). Enfatiza que o consumo de eletricidade e o uso de água nos data centers são impactos diretos e defende medidas políticas para melhorar a divulgação e a responsabilização.⁹

Estatísticas e desagregação por categoria (eletricidade, água, categorias de ciclo de vida): O artigo do UNRIC é mais categórico do que numérico nas secções extraídas. 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 com efeito de estufa, extração mineral, poluição e resíduos eletrónicos.
  • Indireto: Emissões de aplicações e serviços habilitados por IA.
  • Ordem superior: Amplificação de desigualdades e questões relacionadas com dados de treinamento enviesados ou de baixa qualidade.
• Data centers e uso de recursos
  • Os data centers consomem grandes quantidades de eletricidade, a maioria ainda fornecida por combustíveis fósseis.
  • São necessárias quantidades significativas de água para sistemas de refrigeração e construção.
  • Espera-se que a procura global de água relacionada com a IA atinja 4,2–6,6 mil milhões 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 ao ChatGPT pode usar cerca de 10× mais eletricidade do que uma pesquisa no Google, de acordo com a estimativa da IEA.
  • A IA e a aprendizagem automática representaram <0,2% do uso global de eletricidade e <0,1% das emissões globais em 2021, mas a procura está a aumentar rapidamente.
  • Algumas empresas de tecnologia reportam um crescimento anual de mais de 100% na procura de computação para treinamento e inferência de IA.
• Expansão dos data centers
  • Os data centers representaram cerca de 1% da procura 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.

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 inferência. Enfatiza a densidade de potência, questões de fiabilidade da rede e a falta de incentivos para os utilizadores reduzirem 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 data centers

• Consumo global de eletricidade dos data centers citado como 460 TWh em 2022 e projetado em ~1.050 TWh até 2026.

Exemplo de treinamento de modelo

• Treinamento do GPT-3 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 dos data centers dos EUA e fornece intervalos de cenários até 2028. Relaciona 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 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.

Intervalo de cenários para 2028:

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

Motores e categorias:

• O crescimento é impulsionado por servidores acelerados por GPU para inteligência artificial, que agora representam uma parte significativa da base instalada.
• Descreve estratégias de eficiência que anteriormente mantiveram a procura estável, incluindo sistemas de refrigeração melhorados, gestão de energia, taxas de utilização mais elevadas e redução da 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 quotidiano (inferência), em vez de se focar meramente no treinamento. O artigo baseia-se num estudo preprint de investigadores da Hugging Face e da Universidade Carnegie Mellon.

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 provém do seu uso. Como os modelos populares são implantados milhões ou milhares de milhões de vezes, as emissões diárias de inferência podem rapidamente ultrapassar as emissões de treinamento.¹²

Energia por tarefa e intensidade de carbono:

Os investigadores 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 utilizando a ferramenta de medição Code Carbon. As principais comparações são:

• Geração de imagens: 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 conduzir cerca de 4,1 milhas num 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 cerca de 16% da carga de um smartphone.
  • O modelo de texto menos intensivo em carbono estudado emitiu o equivalente a conduzir 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, resumir). Por exemplo, usar um modelo generativo para classificar críticas de filmes requer ~30× mais energia do que usar um modelo mais pequeno com fine-tuning especificamente para classificação de sentimentos.
• Modelos mais pequenos e especializados são consistentemente menos intensivos em carbono para aplicações restritas.

Emissões de uso vs emissões de treinamento:

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

• O treinamento do maior modelo BLOOM da Hugging Face foi ultrapassado após cerca de 590 milhões de utilizações.
• Para modelos extremamente populares como o ChatGPT, as emissões de uso podem exceder as emissões de treinamento em semanas, devido aos volumes diários massivos de utilizadores.
• Isto acontece porque o treinamento ocorre uma vez, enquanto a inferência acontece continuamente em escala.

Implicações mais amplas e visões de especialistas:

• Especialistas observam que as emissões por tarefa foram mais elevadas do que o esperado, levantando preocupações à medida que a IA generativa se integra no software quotidiano (email, pesquisa, processamento de texto).
• Os investigadores enfatizam que os modelos mais novos e maiores são substancialmente mais intensivos em carbono do que os sistemas de IA de há alguns anos.

Inovações recentes em eficiência de hardware

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

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

Por fim, a Arm anunciou a sua primeira CPU para data center (a 3nm AGI CPU) com até 136 núcleos Neoverse V3 ¹⁵ , codesenvolvida com a Meta, e conta com a OpenAI como utilizadora inicial.

Metodologia sobre como reunimos os dados de consumo de energia da IA

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

Muitos relatórios utilizam diferentes unidades de medida ou terminologia, como a percentagem de IA e ML na eletricidade global, uso de energia de treinamento vs. inferência, e a percentagem dos data centers na eletricidade global, dificultando a sua comparação num único gráfico. Para garantir que todos os valores pudessem ser apresentados em conjunto num único gráfico, incluímos os estudos que utilizaram definições e unidades de medida comparáveis:

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

Links de referência

1.

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

2.

https://cdn.sanity.io/files/3ogo9b9g/production/a5c1f64ca5864e61b47e6384ee4d0ed31bc861f4.pdf

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 – Analysis - IEA

6.

Measuring the environmental impact of AI inference | Google Cloud Blog

Google Cloud

7.

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

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.

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

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 da Indústria

Siga-nos

Sıla Ermut é analista da indústria na AIMultiple, cobrindo modelos de IA, infraestrutura de IA, governança de IA e aplicações empresariais de IA. A sua investigação centra-se principalmente na utilização da IA em marketing, saúde, cadeias de abastecimento e sustentabilidade. Anteriormente, trabalhou como recrutadora em empresas de gestão de projetos e consultoria. Sıla possui um Mestrado em Psicologia Social e uma Licenciatura 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