IA e clima: data centers consomem 415 TWh por ano, e os benefícios ainda estão nas projeções

A pergunta soa quase como slogan político: a IA vai queimar o planeta ou ajudar a salvá-lo? Os números dão uma resposta menos vistosa, mas mais útil. Segundo a Agência Internacional de Energia (AIE), os data centers consumiram cerca de 415 TWh em 2024, aproximadamente 1,5% da eletricidade mundial. Pelo cenário-base da AIE, esse valor pode chegar a 945 TWh em 2030, o que é comparável ao consumo anual do Japão. Ainda assim, os data centers respondem por menos de 1% das emissões de CO2 do setor de energia, ou seja, hoje o problema é local, não global. O que preocupa é a velocidade do crescimento.

Quanto a IA realmente consome

Os números mais visíveis estão ligados ao treinamento de modelos e, sobretudo, à inferência: quando as consultas chegam à casa dos bilhões, pequenos gastos se somam em megawatts. As estimativas por consulta variam muito e dependem da metodologia. O Google informou em 2025 que uma consulta mediana ao Gemini consome 0,24 Wh, enquanto a OpenAI citou cerca de 0,34 Wh para o ChatGPT. Para um único usuário, isso é irrisório. Mas cenários pesados, como geração de vídeo, raciocínios longos e agentes que fazem dezenas de chamadas ao modelo para uma só tarefa, puxam a média para cima.

Referências que sustentam a discussão:

• Data centers no mundo, 2024: cerca de 415 TWh, aproximadamente 1,5% da eletricidade global (AIE).
• Projeção para 2030: cerca de 945 TWh no cenário-base.
• Estados Unidos, 2023: 4,4% do consumo nacional de eletricidade; em 2028, de 6,7% a 12%, segundo estimativa do Lawrence Berkeley National Laboratory.
• As emissões do Google em 2024 estão 48% acima do nível de 2019; na Microsoft, o aumento desde 2020 é de cerca de 29%.
• Consulta mediana ao Gemini: 0,24 Wh, segundo dados da própria Google.

Cada consulta individual ficou bem mais eficiente. O problema é que o número de consultas cresceu de forma desproporcional, e a carga se concentra em poucas regiões: Virgínia, Texas, Irlanda e arredores de Singapura. Nesses lugares, as redes chegam ao limite antes de surgir nova geração de energia.

O que a IA pode oferecer ao clima

A outra metade da pergunta também tem fundamento. Modelos de previsão do tempo baseados em redes neurais, como o GraphCast e similares, calculam a previsão global em minutos em um único acelerador, enquanto os métodos numéricos clássicos exigem supercomputadores. Algoritmos ajudam a balancear a carga em redes com grande participação de energia solar e eólica, a encontrar vazamentos de metano em imagens de satélite, a otimizar aquecimento e refrigeração de prédios e a selecionar materiais para baterias. A AIE observa que, com adoção ampla, essas aplicações podem potencialmente reduzir mais emissões do que os próprios data centers acrescentam. A palavra-chave aqui é "potencialmente": não há efeito automático, e a adoção avança de forma lenta e desigual.

Há também o outro lado. Os mesmos modelos são usados por petrolíferas para prospectar e desenvolver jazidas, e essa contribuição para as emissões muitas vezes fica de fora dos cálculos comparativos. Ganhos de eficiência com frequência levam a mais demanda: quando a computação fica mais barata, as pessoas gastam mais com ela. Os economistas conhecem esse efeito desde o século XIX como paradoxo de Jevons.

O que acompanhar daqui para frente

Para não se perder nas manchetes, vale observar alguns pontos. Primeiro: de onde vem a eletricidade dos novos campi. Contratos de geração nuclear e geotérmica têm efeito de longo prazo, e a extensão da vida útil de usinas a carvão e a gás o anula.

Segundo: se as empresas divulgam o consumo por hora e por unidade, e não apenas médias anuais acompanhadas de certificados verdes. Terceiro: se os relatórios contabilizam a água e as emissões dos equipamentos, e não só a eletricidade. Para as empresas, a conclusão é prática: escolher a região e o horário de execução das tarefas pesadas, considerar a intensidade de carbono da rede e medir a energia por unidade de resultado, e não por consulta.

Para os reguladores, o mais importante são dados transparentes. Sem eles, qualquer conversa sobre IA "boa" ou "ruim" continua sendo uma disputa de fé.