« Um verdadeiro círculo vicioso»: porque a IA já põe em risco a nossa transição energética

A inteligência artificial (IA) generativa tornou-se, em apenas três anos, a nova revolução global. No entanto, por trás das respostas aparentemente simples de serviços como o ChatGPT, existem centros de dados de dimensão gigantesca a consumir tanta electricidade que a sua pegada de carbono pode, em breve, aproximar-se da de países inteiros. O problema não é apenas a escala dessa poluição: é também a enorme dificuldade em medi-la com rigor. Estamos a caminhar para um ponto de ruptura?

IA generativa e centros de dados: porque é que o consumo de energia dispara

A razão para a IA generativa consumir tanta energia está na sua base industrial: uma cadeia pesada, intensiva em recursos e altamente exigente em electricidade. Um estudo abrangente publicado em Outubro pela associação The Shift Project deixa o alerta: a vaga da IA está a criar uma necessidade colossal de infra-estruturas e de GPU, cuja fabricação, alimentação eléctrica e arrefecimento fazem crescer a pegada de carbono de forma acelerada.

Um dos principais factores são os dados de treino, o “combustível” destes modelos. Quanto maior for o volume de dados, mais o modelo é considerado “inteligente” - mas, em contrapartida, a energia necessária para o treinar aumenta de forma explosiva. Os valores referidos são impressionantes: “Trabalhamos com volumes de dados que ultrapassam os 100 terabytes, por vezes mais de 1.000”, recorda Ludovic Moulard, membro do Shift Project e director de sustentabilidade da consultora fifty-five, numa entrevista ao Presse-citron. Para comparação, muitos sistemas mais antigos de machine learning operavam frequentemente com apenas alguns gigabytes, ou, no máximo, 10 a 20 terabytes.

Depois de o modelo estar em produção, cada resposta gerada - a chamada inferência - activa processadores muito potentes, que aquecem e exigem grande capacidade de arrefecimento. Isto volta a amplificar o consumo de electricidade. Para agravar, este equipamento está frequentemente instalado em regiões onde a electricidade tem uma elevada intensidade carbónica, como acontece nos Estados Unidos.

Um impacto enorme, mas quase impossível de quantificar com precisão

Mesmo quando existe vontade de medir a pegada de carbono da IA, a tentativa esbarra num obstáculo central: falta informação. O relatório do Shift Project dedica, aliás, um capítulo inteiro à escassez de dados fiáveis, que impede uma avaliação correcta das emissões reais associadas à IA generativa.

Uma parte do problema vem da opacidade das empresas de IA. “A maioria dos fornecedores é privada e não partilha quantas vezes um modelo foi treinado, em que máquinas, nem com que mistura de electricidade”, lamenta Agathe Gourhannic, consulting manager na fifty-five.

A própria fase de treino - que concentra perto de metade da energia necessária para a IA generativa - está, na prática, fechada ao escrutínio público. “Mesmo nos modelos de código aberto, não é simples, porque não sabemos necessariamente quantas versões anteriores foram treinadas, nem o que consumiram”, explica a especialista. O mesmo vale para a inferência: quando um utilizador envia um pedido para um serviço como o ChatGPT, ninguém consegue medir, de forma efectiva, o que acontece dentro do centro de dados.

Esta falta de transparência pode também existir ao nível do Estado. “Em França, nem sequer conseguimos recensear com precisão os centros de dados que temos no território”, aponta Ludovic Moulard. Como quantificar, então, o impacto real da IA num cenário tão pouco claro?

A rede eléctrica já está sob pressão

O desafio torna-se ainda mais sério devido à adopção extremamente rápida desta tecnologia. Em apenas dois meses, o ChatGPT ultrapassou os 100 milhões de utilizadores activos, tornando-se a aplicação de consumo com crescimento mais rápido da História - superando o recorde que até então era atribuído ao TikTok. “Isto mostra bem que estamos perante um entusiasmo do público sem precedentes”, observa Ludovic Moulard.

Do lado das empresas, ficar de fora é visto como um risco estratégico: o receio de “perder o comboio” pesa nas decisões. “Muitas não querem falar do impacto ambiental, com receio de isso travar a adopção da IA”, confirma Agathe Gourhannic. O resultado é uma implementação em massa que, por vezes, avança sem uma reflexão clara sobre o “porquê”.

Esta lógica é conhecida no sector digital: o efeito de oferta e o efeito de uso. Quanto mais os gigantes da IA aumentam a capacidade disponível, mais criam novos usos - e, por consequência, mais infra-estruturas passam a ser necessárias. “É um verdadeiro círculo vicioso”, resume a especialista.

A rede eléctrica, contudo, não cresce ao mesmo ritmo. Segundo o Shift Project, os centros de dados podem representar, até 2035, emissões equivalentes a até duas vezes as emissões anuais de França. E há países que já bateram no limite: a Irlanda, por exemplo, enfrentou restrições e tensão na rede em 2023. Nos Estados Unidos, parte da subida do custo da energia tem sido associada ao aumento acelerado da procura ligada à IA.

Há ainda um efeito colateral crítico: esta corrida ao cálculo pode desviar electricidade de baixo carbono que é essencial para sectores decisivos na transição energética - como a indústria, os transportes ou a produção de aço descarbonizado. “Para sair dos combustíveis fósseis, precisamos de electricidade de baixo carbono”, reforça Ludovic. Se a IA absorver uma fatia cada vez maior desse recurso, pode atrasar - ou mesmo dificultar - os esforços climáticos a nível mundial.

Será inevitável abdicar de alguns usos da IA generativa?

O diagnóstico do Shift Project é directo: é muito provável que tenhamos de renunciar a certos usos da IA. Prompts enviados mecanicamente, produção de conteúdos em série e tarefas sem benefício real podem fazer disparar o consumo energético para ganhos mínimos. “A verdadeira pergunta é: porquê? Que problema é que quer resolver?”, lembra Agathe Gourhannic.

Para apoiar essa triagem, a fifty-five, a Brandtech Group e a Scope3 publicaram uma calculadora open source (de código aberto). A ferramenta permite introduzir uma tarefa e estimar a sua pegada de carbono consoante o modelo utilizado. “Isto pode ajudar os utilizadores a perceber o impacto real do que estão a fazer e a usar a tecnologia de forma mais ponderada”, explica Agathe.

Ainda assim, é importante sublinhar que a IA também pode trazer avanços em áreas onde os benefícios sociais compensam o custo energético - como a saúde, o clima ou a investigação científica. Mas os modelos precisam de ser calibrados, ajustados ao propósito e treinados em condições adequadas.

O Shift Project propõe igualmente definir orçamentos de electricidade para os centros de dados. “Podíamos estabelecer o nível de electricidade disponibilizada e não ultrapassar esse limite”, sintetiza Ludovic Moulard. Para tal, é necessário que o tema seja analisado com seriedade pelos decisores, num momento em que os investimentos em infra-estruturas crescem a um ritmo acelerado.

Para além do carbono: água, calor e o custo material das infra-estruturas

Mesmo quando a discussão se centra na pegada de carbono, há impactos adjacentes que tendem a ficar fora do radar. Um exemplo é o arrefecimento: muitos centros de dados recorrem a sistemas que podem consumir grandes volumes de água (directa ou indirectamente), o que se torna particularmente sensível em regiões com stress hídrico e períodos de seca mais frequentes.

Há também o lado material: a multiplicação de GPU e servidores implica extracção de matérias-primas, cadeias logísticas longas e uma pressão crescente sobre a gestão de resíduos electrónicos. Mesmo que a electricidade usada seja progressivamente mais limpa, o impacto de fabrico e renovação acelerada do equipamento continua a pesar no balanço ambiental total.

Transparência e regras: o que pode tornar o impacto mensurável (e comparável)

Para que a avaliação deixe de ser um exercício de adivinhação, a transparência tem de passar a ser uma exigência prática: divulgação do número de treinos, do tipo de hardware, do consumo associado, do perfil horário de utilização e do mix eléctrico real por localização. Métricas operacionais (como eficiência energética e necessidades de arrefecimento) só são úteis se vierem acompanhadas de dados verificáveis e comparáveis.

Sem requisitos claros - seja por via regulatória, por compromissos sectoriais ou por contratação pública - continuará a ser difícil saber, com rigor, quanto custa cada modelo e cada utilização. E, nesse cenário, a expansão da IA generativa tenderá a acontecer mais depressa do que a capacidade de a gerir de forma responsável.