A sustentabilidade da inteligência artificial depende de seu tratamento como infraestrutura crítica sujeita a planejamento, regulação e accountability — e não como recurso de oferta abundante e custo marginal desprezível.
Por Ronaldo Ramos e Marcos Sampaio
“A IA será sustentável ou apenas eletrificará uma nova escassez?”
Em abril de 2026, a Agência Internacional de Energia (IEA) publicou o relatório Key Questions on Energy and AI, com um indicador que deveria orientar qualquer decisão de política tecnológica: o consumo elétrico global de data centers cresceu 17% em 2025 — mais de cinco vezes a taxa de expansão da demanda elétrica mundial. Nos data centers dedicados à IA, a variação foi ainda mais acentuada, alcançando 50% em um único ano. Não se trata de tendência emergente, mas de fenômeno em curso.
As projeções para 2030 confirmam a trajetória: o consumo total deve passar de 485 TWh em 2025 para aproximadamente 950 TWh — cerca de 3% da demanda elétrica global. Nos data centers de IA, o consumo deve triplicar no mesmo intervalo. Em paralelo, um único rack de servidor — que em 2020 já consumia o equivalente a uma residência — poderá apresentar demanda de pico equivalente à de 65 residências até 2027.
O debate público sobre inteligência artificial concentra-se em produtividade, inovação e disrupção, com pouca atenção à camada material que sustenta esses ganhos: eletricidade, água, capacidade de resfriamento, semicondutores e capital em escala sem precedentes. A omissão não é neutra — adia o enfrentamento de um dilema que já se materializa.
A armadilha da eficiência: o Paradoxo de Jevons
Diante desse cenário, é recorrente o argumento de que o avanço tecnológico tornará a IA progressivamente mais eficiente, neutralizando a pressão sobre o consumo. A hipótese, porém, esbarra em um princípio econômico bem documentado: o efeito rebote, ou Paradoxo de Jevons.
Formulado por William Stanley Jevons no século XIX a partir da observação do consumo de carvão na Inglaterra industrial, o princípio estabelece que ganhos de eficiência tecnológica não reduzem necessariamente o consumo agregado do recurso subjacente; ao contrário, ao baratear o uso, frequentemente induzem expansão da demanda em magnitude superior à economia obtida.
No setor de IA, o fenômeno se materializa de forma menos evidente na chamada fase de inferência — a operação cotidiana dos modelos já treinados em resposta a comandos de usuários. O treinamento inicial demanda volume expressivo de eletricidade, mas constitui evento delimitado no tempo. A inferência, ao contrário, é uma carga contínua e crescente, e já responde por 80% a 90% do consumo energético do setor.
É nesse ponto que o efeito rebote se manifesta. As inovações em hardware e software reduziram substancialmente a energia por consulta processada, permitindo às provedoras baratear a operação e repassar a economia em APIs, assinaturas de baixo custo e interfaces gratuitas.
O custo marginal próximo de zero para o usuário final estimula a geração massiva e contínua de imagens, vídeos e textos, frequentemente para finalidades de baixo valor agregado. A eficiência ganha em cada interação individual é, assim, integralmente absorvida pela expansão do volume de uso. O resultado agregado é um consumo absoluto superior ao que se observaria sob tecnologia menos eficiente.
Sob a ótica da governança global, essa distorção exige que conselhos de administração transcendam o ROI financeiro tradicional da IA; torna-se imperativo estabelecer KPIs de Eficiência de Capital Natural, mensurando o Retorno sobre Terawatt-hora para garantir que a inovação não destrua valor ambiental em escala sistêmica.
O que dizem os números
A sofisticação dos modelos altera a natureza do cálculo. Tarefas de geração de vídeo, raciocínio avançado e cadeias de agentes autônomos podem consumir centenas a milhares de vezes mais energia por interação do que uma consulta textual simples. O crescimento do consumo, portanto, não é função apenas do número de usuários: depende da intensidade computacional de cada operação.
A McKinsey estima que o investimento global em data centers pode alcançar US$ 7 trilhões até 2030. As cinco maiores empresas de tecnologia do mundo já ultrapassaram US$ 400 bilhões em capex em 2025, com previsão de expansão de 75% em 2026. Apenas a OpenAI projeta cerca de US$ 600 bilhões em gastos com infraestrutura computacional até 2030.
A camada física esquecida: resfriamento e água
O resfriamento responde por 20% a 40% do consumo energético total de um data center. Aplicando essa faixa aos 950 TWh projetados para 2030, o consumo associado apenas à refrigeração ficaria entre 190 e 380 TWh por ano — comparável à carga elétrica de grandes sistemas nacionais.
A água entra como segundo limite. A métrica WUE mede litros de água por kWh de energia de TI. Na Europa, data centers de colocation reportaram média de 0,31 litro por kWh, enquanto grandes operadores reportam números menores: 0,30 litro por kWh no caso da Microsoft e 0,15 litro por kWh no caso da Amazon, ambos em 2024. Em uma conta aproximada, com 950 TWh de consumo total e PUE médio de 1,2, a energia efetiva de TI seria perto de 792 TWh. Com WUE de 0,31 litro por kWh, isso implicaria cerca de 245 bilhões de litros de água por ano apenas para uso direto associado à operação. Outra forma de enxergar a mesma ordem de grandeza é observar a cadeia completa. A BNP Paribas, citando estimativas da IEA, indica que o consumo total de água na cadeia da IA poderia subir de 560 bilhões de litros em 2023 para cerca de 1,2 trilhão de litros em 2030 — dois terços ligados à geração de energia primária e aproximadamente um quarto ao resfriamento. A restrição crítica em médio prazo tende a não ser apenas elétrica, mas a combinação local entre eletricidade, água, clima e licença social para operar.
O impacto líquido em carbono exige uma conta menos emocional. No cenário base da IEA, a geração elétrica para data centers cresce de 460 TWh em 2024 para mais de 1.000 TWh em 2030 e 1.300 TWh em 2035. As emissões associadas atingiriam cerca de 320 milhões de toneladas de CO₂ em 2030 e depois recuariam levemente para perto de 300 milhões em 2035. Mesmo assim, parte relevante do crescimento até 2030 ainda viria de gás natural e carvão, especialmente nas regiões onde a rede elétrica não descarboniza no mesmo ritmo da demanda digital.
O balanço de carbono exige rigor analítico
A IEA estima que aplicações de IA já existentes, se adotadas em larga escala, poderiam evitar cerca de 1,4 bilhão de toneladas de CO₂ até 2035 — por ganhos de eficiência em energia, indústria, transporte e operação de redes elétricas. Descontadas as emissões dos próprios data centers no cenário base, o benefício líquido potencial aproxima-se de 1,1 bilhão de toneladas.
Esse saldo positivo, contudo, não é automático — como recorda o Paradoxo de Jevons. Pressupõe que a IA seja efetivamente direcionada à otimização de sistemas físicos e à redução de desperdícios sistêmicos. Caso a expansão do setor permaneça dominada por aplicações de baixa produtividade social — publicidade sintética, agentes redundantes, modelos generativos de grande porte aplicados a problemas triviais —, o ganho líquido tende a ser integralmente anulado pela expansão da demanda.
A agenda de governança e a posição brasileira
A próxima disputa competitiva entre países pode depender menos da qualidade dos algoritmos e mais da capacidade de sustentar eletricidade confiável em escala.
O dilema energético da IA não se resolverá por dinâmica de mercado. A mitigação do efeito rebote requer uma agenda estruturada, articulando inovação tecnológica, regulação baseada em evidências e mudanças nos padrões de consumo. O Brasil ocupa, nesse contexto, posição singular: simultaneamente vulnerável e estrategicamente privilegiado.
Vulnerável porque a expansão não coordenada de data centers já pressiona sistemas elétricos regionais e porque o ordenamento brasileiro carece de marcos regulatórios que imponham obrigações de transparência sobre o consumo energético e hídrico dessas infraestruturas.
Privilegiado porque reúne, de forma rara no plano internacional, condições estruturais convergentes: matriz elétrica predominantemente renovável, disponibilidade hídrica e indústria de dados em expansão. Esse conjunto posiciona o país como potencial polo global de computação de baixo carbono — desde que existam coordenação institucional e visão estratégica para capturar a vantagem.
Referências como o EU AI Act e os compromissos climáticos de Microsoft, Google e Amazon — que condicionam a expansão de data centers à contratação adicional de energia renovável — sinalizam o caminho regulatório. Cabe ao Brasil construir seus próprios instrumentos: zoneamento energético para data centers, obrigações de transparência hídrica, incentivos fiscais condicionados a indicadores de eficiência e metas de proporcionalidade computacional nos modelos contratados pelo setor público.
Seis frentes são incontornáveis para uma agenda nacional de governança da IA:
- Oferta de eletricidade adicional de baixa emissão;
- Localização inteligente dos data centers;
- Transparência obrigatória sobre energia e água;
- Adoção de modelos proporcionais à complexidade do problema, desincentivando o uso de grandes modelos generativos em tarefas de baixa complexidade — instrumento direto de mitigação do efeito rebote;
- Prioridade para aplicações de impacto real em produtividade, saúde e sustentabilidade.
- Sobriedade Computacional (Computational Sobriety): Promoção da adoção de modelos proporcionais à complexidade do problema, desincentivando o uso de grandes modelos generativos em tarefas de baixa complexidade — o que constitui um instrumento direto de mitigação do efeito rebote.
A IA não colapsará o planeta. Pode, contudo, comprometer redes elétricas locais, pressionar tarifas de energia para o consumidor final, tensionar comunidades e erodir as margens de empresas que confundiram capacidade computacional ilimitada com estratégia de negócio.
O Brasil dispõe de uma janela de oportunidade para evitar os erros de outras economias. Aproveitá-la exige que a governança da IA deixe a condição de tema setorial e assuma centralidade nas decisões de política energética, industrial e digital.
Para conselhos de administração, a pergunta central não deveria ser apenas “quanto vamos usar de IA?”. A pergunta mais madura é: “qual unidade de valor econômico, ambiental ou estratégico estamos criando por kWh consumido, por litro de água utilizado e por dólar investido em computação?”. Essa será uma métrica decisiva da próxima década.
Marcos Sampaio é Conselheiro Independente (IBGC CCA+) e Instrutor de Governança no IBGC. Chairman de plataforma de geração eólica e de empresa de governança de IA, acumula mais de duas décadas em setores intensivos em capital — mineração, metalurgia, florestal, energia e tecnologia —, com experiência em conselhos de companhias abertas (B3). LinkedIn:
Ronaldo Ramos é fundador do CEOlab, conselheiro e mentor de CEOs, acionistas, executivos C Level e famílias empresárias. Sua atuação combina experiência executiva, prática de conselho, governança, estratégia, desenvolvimento de lideranças e apoio a decisões críticas em ambientes de crescimento, sucessão, transformação e complexidade. Saiba mais!
