Cada vez que alguém pede a um chatbot para escrever um e-mail, gerar uma imagem ou criar um vídeo curto, está a acionar, algures no mundo, um centro de dados que consome eletricidade, água e território. É esta a mensagem central de Environmental Cost of AI’s Energy Use: Carbon, Water and Land Footprints, relatório publicado em 2026 pelo Instituto para a Água, Ambiente e Saúde das Nações Unidas (UNU-INWEH) que assinala os 30 anos da instituição.
O documento, elaborado por uma equipa liderada por Miriam Aczel e Kaveh Madani, propõe-se ir além da habitual contabilidade do carbono para mostrar que a expansão da IA tem também uma pegada hídrica e territorial significativa e que estas três dimensões nem sempre andam de mãos dadas.
Um mercado em explosão
O crescimento da IA generativa tem sido vertiginoso. Desde o lançamento do ChatGPT em 2022, a ferramenta ultrapassou o milhão de utilizadores em apenas cinco dias e, em meados de 2025, contava já com cerca de 700 milhões de utilizadores semanais, trocando 18 mil milhões de mensagens por semana. O mercado global de IA, avaliado em 189 mil milhões de dólares em 2023, poderá atingir quase 5 biliões de dólares até 2033, um crescimento de 25 vezes numa década.
Mas este boom tecnológico está longe de ser distribuído de forma equitativa: apenas 32 países (16% do total) alojam centros de dados especializados em IA, e mais de 90% dessa capacidade concentra-se nos Estados Unidos e na China. Mais de 150 países, incluindo a quase totalidade de África e da América do Sul, não têm qualquer infraestrutura de computação soberana para IA, um fosso digital que se soma às desigualdades já existentes.
Treinar um modelo consome o equivalente a uma pequena cidade
Os números associados ao treino dos grandes modelos de linguagem são impressionantes. O GPT-3, lançado em 2020, consumiu cerca de 1,3 GWh de eletricidade ao longo de 34 dias. Estima-se que o GPT-4 tenha necessitado entre 50 e 70 GWh (40 a 55 vezes mais), um valor equivalente ao consumo elétrico residencial anual de mais de 460 mil pessoas na África Subsariana. A pegada de carbono do treino do GPT-4, cerca de 25 mil toneladas de CO₂e, exigiria o plantio e crescimento de 420 mil árvores durante uma década para ser compensada, aproximadamente o número de árvores existentes em 105 parques Hyde Park de Londres. Já a pegada hídrica ronda os 600 milhões de litros, o suficiente para encher 237 piscinas olímpicas.
Para modelos da próxima geração, como o GPT-5, as projeções apontam para consumos na ordem dos 100 GWh de eletricidade, com uma pegada de carbono a rondar as 42 mil toneladas de CO₂e e uma pegada hídrica de mil milhões de litros.
A utilização diária pesa mais do que o treino
Um dos dados mais relevantes do relatório é que, ao contrário do que se pensa frequentemente, o treino dos modelos representa apenas uma fração do problema. A fase de “inferência”, ou seja, a utilização quotidiana dos modelos já treinados para responder a milhares de milhões de pedidos, é responsável por 80% a 90% do consumo energético total da IA.
Só o ChatGPT processa cerca de 2,5 mil milhões de pedidos por dia. Considerando um consumo conservador de 0,42 Wh por interação de texto (estimativa conservadora utilizada pelos autores), isto traduz-se em aproximadamente 383 GWh de eletricidade por ano, energia suficiente para abastecer quase 3 milhões de pessoas na África Subsariana.
E as diferenças entre tipos de tarefa são enormes: uma consulta típica de texto consome cerca de 200 vezes mais energia do que uma simples classificação de spam; gerar uma imagem consome cerca de 60 vezes mais do que uma resposta curta de texto; e um vídeo gerado por IA, no limite superior, pode consumir tanta eletricidade como 200 mil classificações de spam nos modelos mais complexos. A geração de vídeo surge, assim, como a nova fronteira energética da IA, com um único vídeo de alta qualidade a poder consumir mais de 415 Wh, o suficiente para manter uma lâmpada LED de 10 watts acesa durante 42 horas.
Nem toda a eletricidade “limpa” é igual
Uma das contribuições mais interessantes do relatório é o alerta de que reduzir a pegada de carbono não significa automaticamente reduzir os impactos ambientais globais. No Brasil, por exemplo, onde a hidroeletricidade domina a rede elétrica, a pegada de carbono é 77% inferior à média mundial, mas as pegadas hídrica e territorial são quase o triplo. Trocar carvão por bioenergia pode reduzir a pegada de carbono em 72%, mas a pegada hídrica associada é mais de 30 vezes superior, e a territorial, 100 vezes superior.
Esta descoberta é particularmente relevante para o debate sobre localização de centros de dados: regiões que hospedam esta infraestrutura tendem a captar benefícios económicos (emprego, receitas fiscais), mas também suportam desproporcionadamente os custos ambientais locais, como aconteceu na Irlanda, onde os centros de dados já representam 21% do consumo elétrico metrado do país, levando o operador da rede a suspender novas ligações na região de Dublin até 2028.
Os centros de dados como nova infraestrutura crítica
Em 2025, os centros de dados a nível mundial consumiram cerca de 448 TWh de eletricidade. Significa isto que, se fossem um país, ocupariam o 11.º lugar do ranking mundial de consumo elétrico. Projeta-se que este valor possa quase duplicar até 2030, ultrapassando os 945 TWh, o que colocaria os centros de dados no 6.º lugar mundial, à frente de países como o Reino Unido ou a Coreia do Sul.
Só a IA foi responsável por cerca de 20% do consumo elétrico dos centros de dados em 2025, uma fatia que se projeta atingir os 40% até 2030. Nessa altura, a pegada de carbono associada à eletricidade da IA poderá exceder as 158 milhões de toneladas de CO₂e por ano.
E o fim de vida do hardware?
O relatório sublinha ainda que o impacto ambiental da IA não se esgota no consumo elétrico. A produção do hardware necessário, como GPUs, baterias e servidores, depende de minerais críticos como o lítio, o cobalto e terras raras, cuja extração é intensiva em água, energia e território, frequentemente em regiões com fraca proteção ambiental. No fim do ciclo de vida, prevê-se que a infraestrutura de IA possa gerar até 2,5 milhões de toneladas métricas de lixo eletrónico por ano até 2030, o equivalente ao peso de quase 250 Torres Eiffel descartadas anualmente.
Seis princípios para uma IA mais responsável
Perante este cenário, os autores do relatório propõem seis princípios orientadores para um ecossistema de IA mais sustentável: transparência (divulgação padronizada dos impactos energéticos e ambientais); eficiência desde a conceção; equidade e justiça ambiental; responsabilidade ao longo de todo o ciclo de vida; cooperação internacional na harmonização de métodos de medição; e uso sustentável, que passa por escolhas quotidianas simples, como preferir motores de pesquisa convencionais ou modelos mais leves para tarefas rotineiras.
O relatório insiste, contudo, num alerta importante: os ganhos de eficiência tecnológica, por si só, não bastam. À medida que a IA se torna mais barata e mais rápida, tende a ser usada com mais frequência e para mais tarefas, um fenómeno conhecido como “paradoxo de Jevons”, o que pode anular, ou até inverter, as poupanças energéticas conseguidas através da inovação.
Fica claro, no final da leitura, que a inteligência artificial não é “apenas código”: é também betão, cobre, silício, lítio, água, território e carbono. Conclusão: é necessário ter presente que decisões aparentemente inócuas como que modelo escolher, que definições de vídeo usar, quantas vezes repetir um pedido, se multiplicam, à escala global, em impactos que já rivalizam com os de nações inteiras.
