miniaturadaimagem|Uma Tensor Processing Unit (Unidade de Processamento de Tensor) do Google, um exemplo de unidades de processamento neural (NPUs) usadas para IA. O impacto ambiental da inteligência artificial inclui um consumo substancial de energia elétrica para o treinamento e o uso de modelos de aprendizado profundo (deep learning), bem como a pegada de carbono relacionada e o impacto do uso de água. Além disso, os data centers de inteligência artificial (IA) são materialmente intensos, exigindo uma grande quantidade de eletrônicos que utilizam metais extraídos especializados e que, eventualmente, serão descartados como lixo eletrônico.
À medida que o impacto ambiental da IA se torna mais aparente, os governos começaram a instituir políticas para melhorar a supervisão e a revisão das questões ambientais que podem estar associadas ao uso da IA e ao desenvolvimento de infraestrutura relacionada.
Pegada de carbono e uso de energia
Nível individual
Pesquisadores estimaram que uma consulta ao ChatGPT consome cerca de cinco vezes mais eletricidade do que uma simples pesquisa na web. Outros pesquisadores estimaram que uma solicitação feita via ChatGPT usa 10 vezes mais eletricidade do que uma Pesquisa Google. A Microsoft e a Meta tiveram aumentos semelhantes em sua pegada de carbono, também atribuídos à IA. Em junho de 2025, o executivo da OpenAI, Sam Altman, afirmou que uma consulta média do ChatGPT usava cerca de 0,34 Wh (1,2 kJ ) de eletricidade e de água.
De acordo com um estudo de Luccioni, Jernite e Strubell (2024), tarefas simples de classificação executadas por modelos de IA consomem em média 0,002 a 0,007 Wh por prompt (cerca de 9% da carga de um smartphone para 1.000 prompts). A geração e o resumo de texto requerem cerca de 0,05 Wh por prompt em média, enquanto a geração de imagens é a que consome mais energia, com média de 2,91 Wh por prompt. O modelo de geração de imagens menos eficiente usou 11,49 Wh por imagem, aproximadamente o equivalente à metade da carga de um smartphone.
Pesquisadores da Universidade de Michigan mediram o consumo de energia de vários modelos Llama 3.1 da Meta lançados em 2024 e descobriram que modelos de linguagem menores (8 bilhões de parâmetros) usam cerca de 114 joules (0,03167 Wh) por resposta, enquanto modelos maiores (405 bilhões de parâmetros) requerem até 6.700 joules (1,861 Wh) por resposta. Isso corresponde à energia necessária para ligar um forno de micro-ondas por cerca de um décimo de segundo e oito segundos, respectivamente.
De acordo com pesquisadores, o prompt de texto médio do Google Gemini em 2025 consome cerca de 0,24 Wh de eletricidade. As melhorias do Google na eficiência de software e sua aquisição de energia limpa reduziram o uso de energia por um fator de 33 e as emissões de carbono por um fator de 44 para um prompt típico ao longo de um ano. Em termos práticos, o prompt de texto médio do Gemini usa aproximadamente a mesma quantidade de energia que assistir a nove segundos de televisão.
Um estudo de 2024 da Scientific Reports comparou os impactos de carbono estimados de escritores e artistas humanos com os de sistemas de IA selecionados, e calculou que os humanos têm um impacto de carbono 130 a 2.900 vezes maior.Tomlinson, B., Black, R.W., Patterson, D.J. et al. The carbon emissions of writing and illustrating are lower for AI than for humans. Sci Rep 14, 3732 (2024). https://doi.org/10.1038/s41598-024-54271-x Um estudo de 2025 criticou essa comparação com base em diferenças na qualidade do resultado e encontrou um contraexemplo na conclusão de tarefas de programação com o GPT-4, que teve um impacto de carbono 5 a 19 vezes maior do que programadores humanos.
Nível do sistema Pegada de carbono A IA tem uma pegada de carbono significativa devido ao crescente consumo de eletricidade, especialmente devido ao treinamento e uso. Pesquisadores argumentaram que a pegada de carbono dos modelos de IA durante o treinamento deve ser considerada ao tentar entender o impacto da IA. Um estudo sugeriu que, até 2027, os custos de energia para IA poderiam aumentar para 85–134 TWh, quase 0,5% de todo o uso atual de eletricidade. Treinar grandes modelos de linguagem (LLMs) e outras formas de IA generativa geralmente requer muito mais eletricidade em comparação com a execução de uma única previsão no modelo treinado. No entanto, usar um modelo treinado repetidamente pode multiplicar facilmente os custos elétricos das previsões. O poder de computação necessário para treinar os modelos de IA mais avançados dobra em média a cada 3,4 meses, levando a um uso exponencial de energia e à consequente pegada de carbono.
Além disso, algoritmos de inteligência artificial executados em locais que usam predominantemente combustíveis fósseis para energia exercerão uma pegada de carbono muito maior do que locais com fontes de energia mais limpas. Esses modelos podem ser modificados para ter menos impactos ambientais à custa da precisão, enfatizando a importância de encontrar um equilíbrio entre precisão e impacto ambiental.
Pesquisas recentes mostraram que o desenvolvimento e o treinamento de grandes modelos de linguagem podem produzir impactos ambientais significativos, incluindo aproximadamente 493 toneladas métricas de emissões de dióxido de carbono e o uso de 2,77 milhões de litros de água ao considerar todo o ciclo de vida, desde a fabricação de hardware até o treinamento do modelo.
O BERT, um modelo de linguagem treinado em 2019, exigiu "a energia de um voo transcontinental de ida e volta" para ser treinado. O GPT-3 liberou 552 toneladas métricas de dióxido de carbono na atmosfera durante o treinamento, "o equivalente a 123 veículos de passeio movidos a gasolina dirigidos por um ano". Grande parte do custo de energia se deve a arquiteturas e processadores de modelos ineficientes. Um modelo chamado BLOOM, da Hugging Face, foi treinado com chips mais eficientes e, portanto, liberou apenas 25 toneladas métricas de CO2. A incorporação do custo de energia para fabricar os chips do sistema dobrou a pegada de carbono, para "o equivalente a cerca de 60 voos entre Londres e Nova York". Estimou-se que a operação diária do BLOOM liberava a pegada de carbono equivalente a dirigir 87 quilômetros (54 milhas).
Algoritmos que têm custos de energia mais baixos, mas são executados milhões de vezes por dia, também podem ter pegadas de carbono significativas. Pesquisas em 2024 sugeriram que a integração de IA em mecanismos de busca poderia multiplicar os custos de energia significativamente. Outra estimativa revelou que integrar o ChatGPT em todas as consultas da Pesquisa Google usaria 10 TWh por ano, o uso de energia anual equivalente a 1,5 milhão de residentes da União Europeia.
O aumento das demandas computacionais da IA causou um aumento no uso de água e energia, levando a demandas significativamente maiores na rede elétrica. Devido ao aumento da demanda de energia de projetos relacionados à IA, usinas termelétricas a carvão em Kansas City e na Virgínia Ocidental adiaram o seu fechamento. Outras usinas a carvão na região de Salt Lake City adiaram a aposentadoria de suas instalações em até uma década. Debates ambientais surgiram tanto na Virgínia quanto na França sobre se deveria ser declarada uma "moratória" para data centers adicionais. Em 2024, no Fórum Econômico Mundial, Sam Altman fez um discurso no qual afirmou que a indústria de IA só pode crescer se houver um grande avanço tecnológico para aumentar a geração de energia.
A pegada de carbono dos modelos de IA depende da fonte de energia utilizada, com data centers que usam energia renovável reduzindo sua pegada. Muitas empresas de tecnologia afirmam compensar o uso de energia comprando energia de fontes renováveis, embora alguns especialistas argumentem que as concessionárias simplesmente substituem a energia renovável reivindicada por fontes não renováveis adicionais para seus outros clientes. A análise da pegada de carbono dos modelos de IA continua difícil de determinar, pois eles são agregados como parte das pegadas de carbono dos data centers, e alguns modelos podem ajudar a reduzir a pegada de carbono de outras indústrias, ou devido a diferenças nos relatórios das empresas.
Algumas aplicações de aprendizado de máquina, como para descoberta e exploração de combustíveis fósseis, podem agravar as mudanças climáticas. O uso de IA para marketing personalizado online também pode levar ao aumento do consumo de mercadorias, o que pode aumentar as emissões globais. Críticos destacaram que empresas de IA também estão assinando contratos com grandes poluidores para expandir sua produção, aumentando assim seu impacto ambiental.
Um relatório bibliográfico de 2023 do Inria e CEA-Leti enfatiza que a pegada de carbono da IA deve ser avaliada usando uma análise de ciclo de vida (ACV) completa, incluindo a fabricação de hardware, a energia de treinamento e as fases de implantação, em vez de focar apenas nas emissões operacionais.
Uso e eficiência de energia
miniaturadaimagem|Melhoria da eficiência dos chips de computador relacionados à IA, 2008–2023. Índice de intensidade de energia dos chips de computador de IA (2008=100, escala logarítmica). Os chips de IA (ou seja, as GPUs) usam mais energia e emitem mais calor do que os chips de CPU tradicionais. Modelos de IA com arquiteturas implementadas de forma ineficiente ou treinados em chips menos eficientes podem usar mais energia. Desde a década de 1940, a eficiência energética da computação tem dobrado a cada 1,6 anos.
A Agência Internacional de Energia (AIE) lançou sua Análise e Previsão de Eletricidade de 2025 em fevereiro de 2025, projetando um crescimento de 4% na demanda global de eletricidade nos três anos seguintes devido ao crescimento de data centers, aumento da produção industrial, aumento da eletrificação e maior uso de ar-condicionado. Até 2027, espera-se que o consumo de energia nos EUA cresça em uma quantidade equivalente a todo o uso anual de energia da Califórnia, impulsionado em grande parte por data centers que consomem muita energia e operações de manufatura. Em 2024, a geração de eletricidade nos EUA aumentou 3%, com os data centers surgindo como uma força dominante por trás do aumento. Espera-se que a demanda cresça à medida que as instalações de fabricação de semicondutores e baterias aumentem a produção.
Em 2024, um grupo de políticas públicas dos EUA relatou que a inteligência artificial e outras indústrias emergentes com potencial influência econômica global são marcadas por um alto consumo de eletricidade. Como resultado, espera-se que a política energética dos EUA se concentre em garantir um fornecimento de eletricidade confiável e suficiente para apoiar setores-chave considerados importantes para manter a competitividade econômica e tecnológica.
O rápido crescimento da inteligência artificial levou a um aumento acentuado na demanda de eletricidade, impondo desafios à expansão contínua do setor. No norte da Virgínia, um grande polo de data centers de IA, o tempo de espera para conectar grandes instalações (aquelas que exigem mais de 100 megawatts) à rede elétrica aumentou para sete anos, refletindo a pressão sobre a infraestrutura de energia existente. Em todos os Estados Unidos, as concessionárias de energia estão experimentando o aumento mais substancial na demanda elétrica em décadas. Essa sobrecarga está contribuindo diretamente para tempos de espera mais longos para conexões à rede, complicando os esforços para manter a liderança tecnológica do país em IA. A importância desses desafios energéticos se estende além da logística. Um editorial do New York Times enfatizou o papel crítico da infraestrutura de energia, afirmando que "A eletricidade é mais do que apenas um serviço público; é a base da era digital. Se os Estados Unidos realmente querem garantir sua liderança em IA, devem investir igualmente nos sistemas de energia que a alimentam."