O custo ambiental da IA: 450 TWh de energia, 17 bilhões de galões de água e o dilema climático

Em 2026, a inteligência artificial consome 450 TWh de energia globalmente — mais do que países inteiros — e utiliza 17 bilhões de galões de água por ano para resfriar seus data centers. Uma única consulta ao ChatGPT consome dez vezes mais eletricidade que uma busca convencional no Google. A pegada ambiental da IA deixou de ser uma nota de rodapé técnica para se tornar um dos maiores desafios climáticos da década. E a governança ainda não acompanhou.

1. Os números de 2026: uma pegada que não dá mais para ignorar

A Agência Internacional de Energia (IEA) estima que o consumo energético global da IA atingiu 450 TWh em 2026, um crescimento explosivo impulsionado pela proliferação de modelos de linguagem, agentes autônomos e infraestrutura de inferência em escala industrial. Para contextualizar: esse volume supera o consumo anual de eletricidade da Argentina e se aproxima do da França.

Mas a energia é apenas parte da equação. Data centers que sustentam a IA consomem 17 bilhões de galões de água anualmente para resfriamento — um recurso que, em regiões como o oeste dos Estados Unidos e o semiárido brasileiro, já enfrenta escassez crítica. Segundo projeções publicadas na Nature Sustainability, os servidores de IA nos EUA podem consumir entre 731 e 1.125 milhões de metros cúbicos de água entre 2024 e 2030, além de emitir entre 24 e 44 megatoneladas de CO₂-equivalente no mesmo período.

No agregado, a IA já responde por 2,5% a 3,7% das emissões globais de gases de efeito estufa — uma fatia comparável à da aviação civil. E o ritmo de crescimento não mostra sinais de desaceleração: a IEA alertou que o consumo energético do setor pode dobrar até o fim de 2026, ameaçando compromissos assumidos no Acordo de Paris.

2. Treinamento vs. inferência: o impacto que não para

O debate público sobre o custo ambiental da IA concentrou-se, até recentemente, na fase de treinamento dos grandes modelos. E com razão: treinar um modelo como o GPT-4 consumiu, estimadamente, a energia equivalente a centenas de residências americanas durante um ano. Mas essa narrativa está incompleta — e perigosamente desatualizada.

Pesquisadores do MIT e da Universidade de Cornell demonstraram que, para modelos populares em produção, o impacto acumulado da inferência supera o do treinamento em questão de semanas. A lógica é simples: o treinamento acontece uma vez (ou poucas vezes); a inferência acontece bilhões de vezes por dia, a cada consulta de cada usuário. Quando o ChatGPT processa centenas de milhões de perguntas diariamente, o custo energético unitário — embora pequeno — se acumula em uma escala que eclipsa o investimento inicial de treinamento.

Essa distinção tem implicações profundas para a governança. Regulações que focam apenas na transparência do treinamento — como as exigências de relatórios de carbono do EU AI Act — capturam apenas uma fração do impacto real. O grosso das emissões ocorre na fase operacional, distribuído por milhares de data centers ao redor do mundo, frequentemente alimentados por matrizes energéticas intensivas em carbono.

Além disso, a tendência de "democratização" da IA — com modelos cada vez mais acessíveis rodando em dispositivos de borda, smartphones e servidores corporativos — multiplica os pontos de consumo de forma difusa e difícil de monitorar. A pegada ambiental da IA não está concentrada em alguns supercomputadores visíveis; está dispersa em uma infraestrutura invisível e crescente.

3. O paradoxo: a IA pode ajudar o clima?

Seria simplista — e impreciso — reduzir a IA a vilã ambiental. O mesmo conjunto de tecnologias que consome energia em escala massiva também oferece ferramentas poderosas para enfrentar a crise climática. E os números são expressivos.

Segundo o UNEP e a consultoria BCG, a aplicação estratégica de IA em setores como energia, transporte, agricultura e manufatura pode reduzir entre 3,2 e 5,4 bilhões de toneladas de CO₂ até 2035 — um volume que supera em até dez vezes as próprias emissões da tecnologia. Sistemas de IA já otimizam redes elétricas, reduzem desperdício em cadeias logísticas, melhoram a previsão de eventos climáticos extremos e aceleram o desenvolvimento de novos materiais para energia limpa.

Mas esse potencial não se realiza automaticamente. Ele depende de escolhas deliberadas: para quais problemas a IA é direcionada, por quem e com que incentivos. Se a maior parte do investimento em computação continuar direcionada a chatbots de consumo e geração de imagens — em vez de modelagem climática, eficiência energética e ciência de materiais — o saldo líquido será negativo.

Esse é, em essência, o paradoxo que a governança precisa administrar: a IA é simultaneamente parte do problema e potencialmente a ferramenta mais poderosa para resolvê-lo. A diferença entre os dois cenários é governança.

4. O caminho sustentável: o que a ciência propõe

A boa notícia é que pesquisadores já mapearam caminhos concretos para reduzir drasticamente a pegada ambiental da IA — sem sacrificar a inovação. Um roadmap publicado por pesquisadores da Universidade de Cornell propõe uma abordagem integrada que combina três alavancas principais:

• Localização inteligente de data centers (smart siting): posicionar infraestrutura em regiões com abundância de energia renovável e água, evitando áreas de estresse hídrico. Essa medida sozinha pode reduzir significativamente tanto as emissões quanto o consumo de água.
• Descarbonização da rede elétrica: vincular a expansão de data centers à construção de capacidade renovável adicional, em vez de competir por energia existente — o que, em muitas regiões, significa queimar mais gás natural ou carvão.
• Eficiência computacional: investir em arquiteturas de hardware mais eficientes, técnicas de compressão de modelos (quantização, destilação, poda) e protocolos de inferência que reduzam o custo por consulta.

Os resultados projetados são impressionantes: a combinação dessas medidas poderia reduzir as emissões de CO₂ em 73% e o consumo de água em 86% em relação ao cenário de crescimento sem intervenção. São reduções que transformariam o perfil ambiental da IA de insustentável para administrável.

Mas nenhuma dessas medidas acontecerá por iniciativa espontânea do mercado. Empresas de tecnologia enfrentam incentivos para expandir capacidade computacional o mais rápido possível, e não para fazê-lo de forma sustentável. É aqui que entra o papel insubstituível da governança.

5. O que a governança precisa incluir

O quadro regulatório atual para IA — tanto no Brasil quanto internacionalmente — trata a questão ambiental como secundária, quando a aborda. O PL 2338/2023, que regula a IA no Brasil, foca em transparência, não-discriminação e responsabilidade civil, mas não inclui requisitos ambientais específicos para desenvolvedores ou operadores de sistemas de IA. O EU AI Act menciona sustentabilidade em seus considerandos, mas suas exigências práticas se limitam a relatórios de consumo energético na fase de treinamento — ignorando a inferência, que é onde reside a maior parte do impacto. Uma comparação entre os modelos regulatórios da União Europeia, dos EUA e da China revela que nenhuma das três grandes potências trata adequadamente o impacto ambiental da IA.

Para que a governança de IA seja genuinamente eficaz, ela precisa incorporar pelo menos cinco dimensões ambientais:

1. Transparência operacional completa: relatórios obrigatórios de consumo energético, hídrico e emissões de CO₂ que abranjam todo o ciclo de vida — treinamento, inferência e descarte de hardware.
2. Padrões de eficiência computacional: requisitos mínimos de eficiência energética por operação de inferência, atualizados periodicamente conforme a evolução tecnológica.
3. Planejamento territorial: diretrizes para localização de data centers que considerem disponibilidade hídrica, matriz energética local e impacto em comunidades vizinhas.
4. Incentivos para aplicações climáticas: mecanismos fiscais e regulatórios que direcionem capacidade computacional para problemas ambientais — modelagem climática, otimização energética, monitoramento de desmatamento.
5. Contabilidade de carbono líquido: metodologias padronizadas que permitam avaliar se uma aplicação específica de IA gera mais benefício ambiental do que custo — superando a contabilidade parcial que hoje permite greenwashing.

O Brasil, com sua matriz energética predominantemente renovável, tem uma oportunidade estratégica singular. Data centers operando no país podem ter uma pegada de carbono significativamente menor que nos EUA, Europa ou Ásia — se a infraestrutura for planejada com governança adequada. Mas essa vantagem não é automática: sem regulação, a tendência é que data centers se concentrem próximos a centros urbanos com redes elétricas já sobrecarregadas, anulando o benefício da matriz limpa.

O custo ambiental da IA não é um problema técnico com solução técnica. É um problema de governança que exige escolhas políticas: sobre quem paga o custo ambiental da computação, sobre quais aplicações merecem prioridade no uso de recursos escassos e sobre como distribuir os benefícios de uma tecnologia que pode tanto acelerar quanto mitigar a crise climática.

Quer acompanhar análises sobre o impacto ambiental, regulatório e social da inteligência artificial? Inscreva-se na newsletter do IBGIA para receber conteúdo independente sobre governança de IA. E se você atua na área — como pesquisador, profissional de tecnologia, gestor público ou empresarial — conheça as formas de se associar ao IBGIA e contribuir para uma IA mais sustentável no Brasil.