A inteligência artificial pode ajudar uma empresa a consumir menos energia, reduzir o desperdício e tornar a elaboração de relatórios ESG menos manual. Mas quem desenvolve produtos de IA também conhece o outro lado da moeda: cada modelo funciona em infraestruturas que consomem muita energia, cada chamada à API tem um custo computacional e a procura por capacidade de computação não está a abrandar.
Por isso, a sustentabilidade da inteligência artificial não deve ser tratada nem como um slogan nem como uma culpa a expiar. Deve ser gerida como um problema operacional. Em Itália, o debate já se estruturou em torno de duas ideias específicas: «sustentabilidade da IA » e «IA para a sustentabilidade». A primeira diz respeito à pegada da própria IA. A segunda diz respeito à utilização da IA para melhorar processos, consumos e governação ambiental. No mesmo contexto, a componente de relatórios ESG apoiada pela IA «quase triplicou no último ano», de acordo com esta análise sobre a sustentabilidade da inteligência artificial e a governação ESG.
Como fundador de uma empresa de IA, considero infructuosos tanto o alarmismo automático como o otimismo tecnológico passivo. A questão não é decidir se a IA é «boa» ou «má» para o ambiente. A questão é compreender onde consome, quando cria valor real e quais as escolhas concretas que reduzem o impacto sem comprometer a utilidade.
O debate sobre a sustentabilidade e a inteligência artificial amadureceu. Finalmente. Não porque o problema tenha sido resolvido, mas porque se tornou impossível reduzi-lo a um cliché.
Por um lado, a IA ajuda as empresas e as instalações a utilizar melhor a energia, a limitar o desperdício e a tornar os relatórios ESG mais organizados. Por outro lado, esses mesmos sistemas requerem capacidade de computação, centros de dados, sistemas de refrigeração, redes e componentes de hardware que têm um custo ambiental real. Se nos limitarmos a considerar apenas um dos dois aspetos, tomaremos uma decisão errada.
As duas categorias que utilizo com mais frequência são aquelas que já se tornaram comuns também no contexto italiano:
A diferença não é teórica. Obriga-nos a fazer duas perguntas diferentes. A primeira é: quanto pesa a minha pilha de IA? A segunda é: esse peso gera um benefício ambiental ou operacional suficientemente concreto para o justificar?
A questão certa não é «usar ou não usar IA». A questão certa é «será que esta tarefa requer mesmo esta capacidade de computação?».
O erro que vejo com mais frequência não é de natureza tecnológica. É um erro de decisão. Muitas empresas adotam a IA como se todo o potencial disponível devesse ser sempre utilizado. Na prática, optam pelo modelo mais abrangente, pelo fluxo de trabalho mais complexo e pela automação mais extensa, mesmo quando o problema era muito mais simples.
Na realidade, uma estratégia sustentável parte de um princípio menos espetacular: a proporcionalidade. Se uma tarefa puder ser bem executada com menos cálculos, menos transferência de dados e menos complexidade, isso não é uma renúncia. É uma escolha melhor.
A parte mais útil do debate começa quando se deixa de falar em termos abstratos. O impacto ambiental da IA não é uma opinião. É uma questão de infraestruturas cujos números já são suficientemente claros para exigir prudência.
Uma fonte italiana, com base em dados internacionais, refere que um estudo de 2019 da Universidade de Massachusetts estimou que o treino de um único modelo de IA pode gerar mais de 284 toneladas de CO₂, o equivalente às emissões de cinco automóveis ao longo de todo o seu ciclo de vida. A mesma fonte refere que o desenvolvimento do ChatGPT-3 terá exigido cerca de 1 287 MWh de eletricidade, o que equivale ao consumo anual de cerca de 120 a 130 habitações americanas médias, e cita também uma projeção da Goldman Sachs Research segundo a qual a procura de eletricidade dos centros de dados poderá aumentar 160%, com um aumento de cerca de 200 TWh por ano entre 2023 e 2030, enquanto que, até 2028, o consumo relacionado com a IA poderá atingir 19% das necessidades energéticas totais dos centros de dados. Todos estes dados estão apresentados nesta análise italiana sobre o custo ambiental da IA.
A questão não é utilizar estes números para criar pânico mediático. A questão é compreender a dimensão do problema. Se desenvolveres ou adotares IA, estás a contribuir para um aumento da procura de energia que afeta infraestruturas inteiras, e não apenas o teu orçamento para a nuvem.
Regra prática: ao avaliar um projeto de IA, não te limites ao custo por token ou por chamada de API. O verdadeiro problema está frequentemente a montante, na infraestrutura que torna essa chamada possível.
Muitos pensam que o custo ambiental da IA se resume quase exclusivamente à fase de treino. Trata-se de uma simplificação conveniente, mas errada. O consumo distribui-se por vários níveis:
| Componente | Porque é que isso importa |
|---|---|
| Formação | Exige grandes volumes de cálculo intensivo |
| Inferência | Cada pedido do utilizador gera trabalho repetitivo ao longo do tempo |
| Centro de dados | Alimentação, redundância e gestão contínua da infraestrutura |
| Arrefecimento | O calor produzido pelos sistemas deve ser dissipado de forma eficiente |
| Redes e transferência de dados | A transferência de dados entre sistemas, regiões e serviços tem um custo energético |
Isto altera a forma como se deve abordar a sustentabilidade da inteligência artificial. Não basta perguntar-se «quanto consome o modelo». É preciso perguntar-se também onde é executado, quanto tráfego gera, quantas vezes é consultado e se a arquitetura foi concebida para limitar o desperdício.
Por isso, faz sentido analisar também os casos em que a IA é utilizada para melhorar a própria infraestrutura. Um exemplo útil é oda otimização energética dos centros de dados com IA, que ilustra bem uma ideia simples: o problema não é apenas o modelo, mas todo o ambiente técnico que o sustenta.
Se nos limitarmos aos custos, perdemos metade do panorama. A IA pode também ser um importante fator para melhorar a sustentabilidade empresarial. Não num sentido retórico, mas em processos muito concretos.
No contexto italiano, quando aplicada a sistemas de gestão energética, a IA pode reduzir o consumo operacional em instalações industriais e PME, prevendo os picos de procura e regulando em tempo real cargas como os sistemas de climatização (HVAC) e a iluminação. Isto tem um impacto direto nas emissões de Âmbito 2 e ajuda a otimizar a utilização de fontes renováveis intermitentes, tal como descrito neste artigo de aprofundamento sobre sistemas de gestão energética com IA.
Este é o tipo de aplicação que considero defensável também do ponto de vista ambiental. Não por ser gratuita, mas porque recorre ao cálculo para eliminar desperdícios físicos contínuos. Numa instalação com procura variável, regular em tempo real a ventilação, a climatização ou a iluminação pode valer mais do que mil slides sobre a transição ecológica.
Estas são as três áreas em que a IA tende a ser realmente útil:
Para uma PME, o benefício nem sempre resulta de um modelo espetacular. Resulta de um sistema que evita a duplicação de trabalho. Exportações manuais, várias folhas de cálculo do Excel, anexos enviados várias vezes, reconciliações feitas por pessoas diferentes sobre os mesmos dados. Tudo isto consome tempo, recursos, largura de banda e atenção.
Um processo repetido cinco vezes por pessoas diferentes é ineficiente também do ponto de vista ambiental, e não apenas do ponto de vista organizacional.
Quando a IA centraliza os dados, automatiza etapas repetitivas e torna as análises reutilizáveis, o valor ambiental não reside numa única inferência. Reside na eliminação da redundância.
Para quem trabalha na área do reporting, um exemplo relacionado com esta questão é o ELECTE para o reporting ESG, útil para compreender como a automatização pode reduzir as etapas manuais e a dispersão de informação sem transformar cada atividade num projeto de TI complexo.
O aspeto encorajador é que a indústria não está parada. A IA está a criar o problema, mas também está a impulsionar inovações que procuram reduzir o seu consumo energético. No entanto, convém ser honesto: não existe uma solução única.
Uma via promissora é aquela que aposta nas interligações e na eficiência da infraestrutura. Quando os sistemas informáticos ficam à espera de dados, a potência instalada é mal aproveitada. Esta é uma das razões pelas quais o hardware de nova geração não deve ser analisado apenas do ponto de vista do desempenho, mas também da eficiência.
No debate tecnológico, circulam propostas que se centram nas ligações fotónicas, numa melhor transmissão de dados e numa menor dissipação. A questão prática, para quem adquire serviços na nuvem e não chips, é outra: escolher pilhas que realizem mais trabalho útil com menos tempos de espera, menos tráfego e menos sobrecarga.
Esta lógica aplica-se também fora do âmbito da IA em sentido estrito. Quem pretenda refletir de forma mais geral sobre modelos de produção menos dissipativos pode encontrar inspiração útil nestas práticas de economia sustentável, sobretudo para associar a eficiência digital à redução do desperdício de materiais nos processos.
No que diz respeito ao software, os aspetos mais interessantes são, muitas vezes, menos apelativos e mais imediatos:
Na minha experiência, esta foi a escolha que teve maior impacto. A mudança mais eficaz não foi a introdução de uma tecnologia futurista, mas sim deixar de utilizar o modelo mais potente para tudo. A classificação, a formatação, a deteção de padrões conhecidos e muitas operações de apoio nem sempre exigem um modelo de ponta. Exigem disciplina arquitetónica.
Se o resultado para o utilizador for o mesmo, utilizar menos recursos de computação não é um compromisso. É uma melhor conceção.
É por isso que falo frequentemente do «modelo certo para a tarefa certa». Na prática, isso significa criar uma camada de encaminhamento que atribua cada operação ao nível de potência necessário. É uma escolha que tem a ver com custos, mas também com sustentabilidade.
Quem quiser aprofundar a relação entre soluções técnicas e impacto ambiental pode também ler a publicação da ELECTE sobre a IA e o ambiente, que reúne vários casos e orientações de desenvolvimento sem os apresentar como soluções milagrosas.
A objeção mais importante é também a mais incómoda: tornar a IA mais eficiente não garante automaticamente uma redução do consumo global. Pelo contrário, por vezes acontece o contrário.
Quando a computação se torna mais económica, mais acessível e mais rápida, as empresas tendem a utilizá-la mais. Mais automatizações, mais pedidos, mais integrações, mais processos criados «porque, afinal, custa pouco». É o cerne do paradoxo da eficiência.
É por isso que a sustentabilidade na inteligência artificial não pode ser apenas uma questão de chips melhores ou modelos mais compactos. Tem de se tornar um critério prioritário. Há algumas questões que devem ser colocadas antes de qualquer implementação:
Uma das lacunas mais evidentes no debate italiano é precisamente esta: a falta de métricas padronizadas e de uma abordagem holística para medir a pegada da IA ao longo do seu ciclo de vida, tema sublinhado nesta perspetiva sistémica sobre a sustentabilidade da inteligência artificial.
O problema, portanto, não é travar a inovação. É deixar de considerar o cálculo como um recurso gratuito e inesgotável. Cada organização deveria tratá-lo da mesma forma que trata o orçamento ou o tempo das pessoas: algo a ser alocado onde realmente produz valor.
Para uma PME, falar de sustentabilidade sem um plano operacional não serve de muito. É aconselhável começar por quatro decisões que podem ser tomadas de imediato, mesmo sem uma medição perfeita da pegada ambiental.
Uma fonte italiana observa que muitos debates sobre a sustentabilidade da IA ignoram o compromisso entre custos e benefícios, enquanto os centros de dados já consomem cerca de 3 % da energia global. A questão subestimada é: quando é que vale a pena utilizar um modelo mais pequeno ou um processo tradicional para evitar um aumento insustentável do consumo e dos custos? Este ponto é bem sintetizado neste artigo sobre o compromisso ambiental da IA.
Escolha o modelo adequado ao problema
Esta é a alavanca com a melhor relação entre simplicidade e impacto. Não utilize o modelo mais potente como predefinição. Utilize-o apenas quando fizer realmente a diferença. Para muitas atividades quotidianas, bastam modelos mais leves ou sistemas não generativos.
Avalie também o fornecedor de serviços na nuvem em termos de eficiência energética
Não te limites a considerar apenas o preço, a latência e a conformidade. Tem também em conta a transparência relativamente aos centros de dados, o mix energético regional e a abordagem à eficiência operacional. A localização geográfica é importante. Uma carga de trabalho não tem a mesma pegada em todas as regiões.
Elimine a redundância nos fluxos de trabalho
Se os mesmos dados forem exportados, copiados, reformatados e reenviados várias vezes, está a desperdiçar recursos antes mesmo de se falar em IA. Uma plataforma como a ELECTE, uma plataforma de análise de dados baseada em IA para PME, pode ser utilizada para centralizar dados, automatizar relatórios e reduzir análises duplicadas. A vantagem, neste contexto, não é «fazer mais IA». É fazer menos trabalho desnecessário.
Mede, mesmo que de forma imperfeita
Nem todas as empresas dispõem de ferramentas para medir os kWh ou as emissões de CO₂ por cada processo. Não faz mal. Comece pelas métricas operacionais que já tem à sua disposição.
Na ausência de uma norma do setor verdadeiramente consolidada, eu começaria por uma tabela simples:
| Métrica operacional | O que é que isso te diz? |
|---|---|
| Chamadas à API para tarefa concluída | Se estás a ter de te esforçar demasiado para obter um resultado |
| Dimensão média do modelo por operação | Se estiveres a sobredimensionar as tarefas |
| Volume de dados transferidos por sessão | Se o teu fluxo de trabalho gera tráfego que poderia ser evitado |
| Análises geradas mas não utilizadas | Se estiveres a automatizar resultados que ninguém lê |
É melhor medir mal, mas de forma coerente, do que não medir de todo.
Se, ao fim de três meses, verificares que o número de chamadas por tarefa diminui, que os modelos de grande dimensão são ativados com menos frequência e que a transferência de dados é mais reduzida, ainda não tens uma contabilização de carbono perfeita. No entanto, tens algo muito útil: uma disciplina de eficiência que reduz o desperdício computacional, os custos e, provavelmente, também o impacto ambiental.
A sustentabilidade da inteligência artificial não se resolve com um slogan. Nem sequer com uma rejeição ideológica da IA. Constru-se através de melhores decisões técnicas e de gestão.
Quem utiliza a IA hoje em dia deve ter em conta duas realidades. A primeira: o custo ambiental existe, está a aumentar e não deve ser minimizado. A segunda: a IA pode trazer benefícios concretos quando reduz o desperdício, melhora a utilização da energia e substitui processos repetitivos e desorganizados por sistemas mais inteligentes. A qualidade da escolha reside na relação entre estes dois aspetos.
Para as empresas europeias, existe também um segundo nível de responsabilidade. Não basta estar em conformidade. É necessário compreender como a tecnologia, as infraestruturas, a governação e a propriedade intelectual se interligam. Quanto a este último ponto, para quem pretenda aprofundar o quadro jurídico que acompanha a adoção da IA, recomendo este guia sobre patentes de inteligência artificial, útil para encarar a sustentabilidade tecnológica também como uma escolha estratégica a longo prazo.
O caminho certo não é usar menos IA em geral. É usar a IA certa, no sítio certo, com o nível de potência adequado.
Se quiser adotar a IA de forma mais eficiente e consciente, pode ver como funciona a ELECTE. A plataforma ajuda as PME a centralizar os dados, automatizar relatórios e reduzir o trabalho analítico redundante, com uma abordagem pragmática à escolha do modelo e à eficiência operacional.
.svg)
.svg)
.svg)
