Estatísticas de consumo de energia da IA

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

Reunimos dados da IEA, MIT e dos principais provedores de nuvem para identificar tendências de eficiência do consumo de energia da IA e respostas políticas e melhores práticas.

Consumo de energia dos data centers de IA

Coletamos dados de várias organizações de pesquisa e análises da indústria 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 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 pelas execuções de modelos individuais do que pela escala, padrões de implantação e ineficiências do sistema. Aqui estão nossas recomendações para gerenciar efetivamente o consumo de energia da IA:

Priorize a eficiência da inferência em relação à eficiência do treinamento

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

Meça e publique métricas de energia por tarefa, não 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 a energia por tarefa, incluindo sobrecarga não-GPU (memória, rede, orquestração).

Evite usar modelos generativos de propósito geral para tarefas restritas

O maior uso 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 grandes modelos generativos para tarefas que exigem geração de final aberto.
• Introduza cascatas de modelos (de um modelo pequeno para um modelo grande, se necessário).

Reduza o desperdício em nível de sistema na disponibilização de inferência

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

• Aumente a utilização do acelerador por meio de:
  • Agrupamento (batching)
  • Cache
  • Agendamento mais inteligente
• Elimine chamadas redundantes entre pipelines e microsserviços.
• Implemente escalonamento automático sensível à 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 do hardware existente antes de escalar a capacidade.
• Alinhe as escolhas de arquitetura do modelo com os aceleradores mais eficientes em termos energéticos disponíveis.

Considere 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.
• Prolongue a vida útil do hardware por meio da eficiência e reutilização do modelo.
• Evite retreinamento ou reimplantação desnecessários que acelerem a rotatividade de hardware.

Previsão dos 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) 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 poderá representar 2,3% em um caso de crescimento mais lento, 4,9% sob crescimento moderado, e 7,4% em um cenário de rápida expansão, 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 superprevisores antecipam uma demanda ainda maior sob crescimento rápido em 2050, cada um estimando cerca de 19,5%.²

Estudo da MIT Technology Review

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

Ela 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% da eletricidade total dos EUA vai para data centers.
• IA dentro dos data centers dos EUA: Servidores específicos para IA usaram um consumo estimado de 53-76 terawatts-hora (TWh) em 2024, e as projeções sugerem 165-326 TWh até 2028.

Treinamento vs inferência:

• Participação da inferência: 80%-90% da computação de IA é estimada para ser usada 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 ao contabilizar 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 elevar 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 do 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 as demandas de energia da IA através da lente dos data centers e seus componentes. Ela fornece uma divisão de onde a eletricidade é consumida dentro de um data center e oferece uma perspectiva global sobre o crescimento do consumo de eletricidade dos data centers.⁴

Consumo global de eletricidade dos data centers:

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

Consumo de eletricidade do data center por tipo de equipamento:

• Servidores: cerca de 60% da demanda de eletricidade em data centers modernos (varia conforme o tipo).
• Sistemas de armazenamento: cerca de 5%.
• Equipamentos de rede: até 5%.
• Sistemas de resfriamento e controle 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 data center e no tipo de 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. Apresenta medianas por prompt e alega 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 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 data center

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

Carbon Brief Organization

O Carbon Brief (2025) sintetiza a International Energy Agency (IEA)⁶ e outras fontes em um conjunto de gráficos que mostram os impactos da linha de base, projeções de crescimento e riscos de concentração regional. 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 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 data centers sobe para 945 TWh até 2030.
• Participação da IA no uso de energia do data center: 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).

Composição do fornecimento de energia para data centers (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 data centers globais em 2024 com os de outros setores.

United Nations Regional Information Centre for Western Europe (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, fabricação, construção, lixo eletrônico). 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.⁸

Estatísticas e divisão por categoria (eletricidade, água, categorias do 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 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 enviesados ou de baixa qualidade.
• Data centers e uso de recursos
  • Os data centers 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.
  • Espera-se que a demanda global de água relacionada à IA atinja 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 da eletricidade
  • 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 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 inferência de IA.
• Expansão dos 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.

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 confiabilidade da rede e a falta de incentivos para os usuários reduzirem o uso quando os impactos são invisíveis.⁹

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 data center

• 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

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

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

Relatório de Uso de Energia de Data Centers dos Estados Unidos

O relatório United States Data Center Energy Usage Report (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.¹⁰

Consumo total de eletricidade dos data centers 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 para os EUA em 2028.

Motores e categorias:

• O crescimento é impulsionado por servidores acelerados por GPU para inteligência artificial, que agora respondem por uma parcela significativa da base instalada.
• 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 da energia ociosa.

MIT Technology Review

A 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 (inferência), em vez de focar 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 modelos de IA seja altamente intensivo em energia, a maior parte da pegada de carbono vitalícia de um modelo de IA vem de seu uso. Como os modelos populares são implantados milhões ou bilhões de vezes, as emissões de inferência do dia a dia podem rapidamente superar as emissões de treinamento.¹¹

Intensidade energética e de carbono por tarefa:

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 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 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 dirigir 0,0006 milhas.

Tamanho do modelo e especialização da tarefa:

O estudo destaca uma grande lacuna de eficiência entre modelos generativos de propósito geral e modelos específicos para 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 avaliações de filmes requer ~30× mais energia do que usar um modelo menor ajustado especificamente para classificação de sentimentos.
• Modelos menores e especializados são consistentemente menos intensivos em carbono para aplicações restritas.

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 o ChatGPT, as emissões de uso podem exceder as emissões de treinamento em semanas, devido aos volumes diários massivos de usuários.
• Isso 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 maiores do que o esperado, levantando preocupações à medida que a IA generativa se torna incorporada em 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

Várias estreias de hardware em 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 ¹² , muito inferior aos aproximadamente 600W+ consumidos por GPUs típicas de ponta.¹³

A 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 programados para lançamento em 2027.¹⁴

Por fim, a Arm anunciou sua primeira CPU para data center (a 3nm AGI CPU) com até 136 núcleos Neoverse V3 ¹⁵ , co-desenvolvida com a Meta, e conta com a OpenAI como um de seus primeiros usuários.

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 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 medida ou terminologia, como participação de IA e ML na eletricidade global, uso de energia de treinamento vs. inferência e participação dos data centers 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 data centers.
• Participação 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  = 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 — 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 com foco em marketing por email e vídeos de vendas. Anteriormente, trabalhou 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