IA ameaça os recursos naturais de bilhões de pessoas, alertam cientistas

Até 2030, o consumo de água da IA ​​será equivalente às necessidades de 1,3 bilhão de pessoas, enquanto seu consumo de energia triplicará o consumo anual de quase 650 milhões de pessoas, alertam cientistas da Universidade das Nações Unidas.

Prevê-se que, até 2030, os centros de dados globais que alimentam a inteligência artificial consumirão 945 terawatts-hora de eletricidade. Isso representa quase o triplo do consumo anual combinado de eletricidade do Paquistão, Bangladesh e Nigéria — países que, juntos, abrigam mais de 650 milhões de pessoas.

A pegada hídrica associada a esses centros será equivalente às necessidades básicas anuais de água potável de todos os 1,3 bilhão de habitantes da África Subsaariana, e sua área ocupada ultrapassará 14.500 quilômetros quadrados, aproximadamente o dobro da área metropolitana de Jacarta, que abriga mais de 32 milhões de pessoas. 

Essas descobertas alarmantes são detalhadas no novo relatório “Environmental Cost of AI’s Energy Use: Carbon, Water and Land Footprints “ , do Instituto de Água, Meio Ambiente e Saúde da Universidade das Nações Unidas ( UNU-INWEH ).

Pesquisadores já haviam alertado anteriormente sobre as emissões de gases de efeito estufa dos data centers. Mas os cientistas da ONU agora argumentam que os custos ambientais da IA ​​e dos data centers não podem ser compreendidos apenas pelas emissões de carbono. Em seu relatório, eles quantificam as pegadas de carbono, água e terra do uso de eletricidade da IA ​​em todo o mundo e destacam as grandes diferenças entre essas pegadas nos 20 maiores polos de data centers do planeta. 

“Este relatório não é uma crítica à inteligência artificial, uma transformação tecnológica que está melhorando a vida de bilhões de pessoas em todo o mundo”, disse  o Professor Kaveh Madani , Diretor da UNU-INWEH, que liderou a equipe de investigação. “É um apelo para que a utilizemos de forma responsável e abordemos proativamente seus impactos não intencionais, a fim de torná-la sustentável e equitativa. Temos uma janela de oportunidade estreita para garantir que a espinha dorsal da revolução tecnológica da nossa era se desenvolva dentro dos limites planetários e que as comunidades que fornecem os minerais críticos para o avanço da IA, bem como aquelas que abrigam sua infraestrutura e geram lixo eletrônico, estejam também entre as que se beneficiam dela.” 

Uma pegada que está sendo medida incorretamente 

O relatório constata que o custo ambiental da IA ​​está sendo sistematicamente mal avaliado. A maioria das avaliações existentes se concentra nas emissões de carbono associadas ao treinamento de grandes modelos. No entanto, cada quilowatt-hora de eletricidade usado para treinar ou executar um sistema de IA também carrega uma pegada hídrica, proveniente do resfriamento e da geração de energia, e uma pegada de uso da terra, proveniente da infraestrutura energética e das cadeias de suprimentos. Essas três pegadas não se movem na mesma direção. A transição do carvão para a bioenergia, por exemplo, pode reduzir, em média, a pegada de carbono da eletricidade em 70%, enquanto aumenta sua pegada hídrica em mais de trinta vezes e sua pegada de uso da terra em cem vezes.

O relatório conclui que “baixo carbono” não significa automaticamente “baixo consumo de água” ou “baixo uso da terra” e alerta que avaliar a sustentabilidade da IA ​​por meio de uma única métrica pode ocultar compensações e transferir os encargos ambientais para regiões que já enfrentam escassez hídrica ou de uso da terra. 

Os números se multiplicam rapidamente no nível da infraestrutura. Os centros de dados globais consumiram cerca de 448 terawatts-hora de eletricidade em 2025. Se considerados como uma nação, seriam o 11º maior consumidor de eletricidade do mundo, atrás da França e à frente da Arábia Saudita. 

“O que mais nos surpreendeu foi a frequência com que as escolhas que parecem mais ecológicas do ponto de vista do carbono acabam sendo piores para a água ou para a terra”, disse  a Dra. Miriam Aczel , pesquisadora da UNU-INWEH e principal autora do relatório. “Se continuarmos a avaliar a sustentabilidade da IA ​​apenas pelo carbono, podemos pensar que as energias renováveis ​​tornam a infraestrutura da IA ​​limpa, mas isso resolve um problema enquanto cria outros, muitas vezes em locais que não os solicitaram.” 

Inferência, eficiência e o efeito rebote 

O debate público tem se concentrado principalmente na energia necessária para treinar modelos massivos. Estimou-se que o treinamento do GPT-3 exigisse 1,3 gigawatts-hora (GWh) de eletricidade, enquanto as estimativas sugerem que o GPT-4 consumiu entre 50 e 70 GWh. No entanto, o relatório revela que essa perspectiva está desatualizada. Uma vez que um modelo é implantado, a inferência — a execução contínua de modelos para responder a solicitações cotidianas de usuários — torna-se o custo dominante, representando de 80% a 90% do consumo total de energia da IA. Estima-se que o ChatGPT, sozinho, processe cerca de 2,5 bilhões de solicitações por dia, o que se traduz em aproximadamente 383 GWh de eletricidade por ano para um único produto. Para compensar as emissões de carbono associadas, seriam necessárias 2,6 milhões de mudas de árvores cultivadas por 10 anos, árvores suficientes para cobrir uma área do tamanho de Manhattan. A pegada hídrica é equivalente às necessidades mínimas anuais de água potável de aproximadamente 500.000 pessoas na África Subsaariana, e a pegada de terra é igual a mais de 800 campos de futebol. 

A geração de vídeo como uma crise ambiental emergente 

O consumo de energia por consulta varia em várias ordens de magnitude, dependendo da tarefa. Uma consulta típica em um chat conversacional consome cerca de 200 vezes mais energia do que uma classificação básica de texto. Gerar uma única imagem gerada por IA pode exigir cerca de 1.450 vezes esse consumo. Um único vídeo curto gerado por IA pode consumir tanta energia quanto 200.000 classificações de spam. A escolha do modelo, o tamanho da solicitação, o formato de saída e a resolução influenciam significativamente o consumo de energia. No entanto, a maioria dessas decisões é tomada de forma invisível, por meio de configurações padrão do produto que o usuário nunca vê. 

O relatório invoca o efeito rebote (o Paradoxo de Jevons), alertando que, à medida que os modelos se tornam mais eficientes, eles se tornam mais baratos e são usados ​​com mais frequência. Sem limites explícitos para tokens, resolução ou comprimento de saída padrão, as melhorias no nível de cada consulta são facilmente anuladas pelo crescimento exponencial do volume. 

“Muitas pessoas pensam que a pegada ambiental da IA ​​diminui à medida que a tecnologia melhora e os processos se tornam mais eficientes. Mas essa é apenas uma visão parcial do problema geral”, disse o professor  Madani , coautor do relatório e recentemente nomeado  vencedor do Prêmio da Água de Estocolmo de 2026. “IA e energia mais eficientes e acessíveis significam maior consumo de IA, tornando a pegada ambiental geral muito maior do que a economia que obtemos com os ganhos de eficiência.” 

Custos locais, benefícios distantes 

Os benefícios e os encargos da expansão global massiva da IA ​​são extremamente desiguais. Vários casos locais apresentados no relatório mostram como os serviços de IA distribuídos globalmente criam intensas pressões locais. Na Irlanda, os centros de dados representaram 21% do consumo total de eletricidade medida em 2023, superando o consumo de todas as residências urbanas. A operadora da rede elétrica nacional suspendeu novas aprovações nos arredores de Dublin até 2028, tornando a Irlanda um exemplo concreto e documentado do que acontece quando o crescimento da infraestrutura de IA supera o planejamento energético — e uma prévia do que outros países estão enfrentando. 

Em Querétaro, no México, a expansão da infraestrutura de computação está consumindo recursos hídricos em meio a secas prolongadas. No Uruguai, os planos para um centro de dados com alto consumo de água coincidiram com uma seca em 2023 que esgotou as reservas de água doce de Montevidéu, tornando a água da torneira imprópria para consumo. 

Além disso, a infraestrutura de IA poderá gerar até 2,5 milhões de toneladas de lixo eletrônico por ano até 2030, grande parte do qual será processado em economias de baixa renda com salvaguardas limitadas, enquanto  minerais críticos  serão extraídos em jurisdições com fraca fiscalização ambiental. 

“Se você mapear onde os centros de dados estão sendo construídos em relação aos locais onde o estresse hídrico é mais grave, tende a ver as mesmas regiões em alguns casos”, disse  o Dr. Mir Matin , gerente do Programa de Análise Geoespacial, Climática e de Infraestrutura da UNU-INWEH e coautor do relatório. “E as comunidades que vivem perto desses locais não são necessariamente as que usam a IA que está sendo executada ali. Essa assimetria é o problema. Sem corrigi-la, estaremos apenas repetindo padrões antigos, onde alguns lugares arcam com os custos e outros com os benefícios.” 

A divisão digital: a computação de IA está 90% concentrada em dois países. 

Embora a infraestrutura de IA acarrete custos ambientais, ela também oferece grandes vantagens econômicas, de segurança e de soberania, incentivando os países mais ricos a construir mais centros de dados. Apenas 32 países no mundo abrigam centros de dados especializados em IA, e 90% dessa capacidade está concentrada em dois países, enquanto mais de 150 países têm pouco ou nenhum acesso a computação de IA soberana. O relatório enquadra isso não apenas como uma divisão econômica, mas também como uma questão de justiça ambiental: os países excluídos arcam com os custos da extração de minerais críticos e do lixo eletrônico, enquanto os benefícios estratégicos fluem para outros lugares.  

“O sistema global que constrói inteligência artificial também deve governá-la de forma sustentável e justa”, afirmou  o Professor Tshilidzi Marwala , Reitor da Universidade das Nações Unidas e Subsecretário-Geral das Nações Unidas. “O desenvolvimento concentrado da infraestrutura de IA nas áreas privilegiadas do mundo está criando uma grande divisão digital que representa desafios profundos para o desenvolvimento equitativo da IA. A IA certamente pode promover a prosperidade e o bem-estar humano. Se isso ocorrerá de forma equitativa é agora uma questão de governança, e não técnica.” 

Um roteiro para a sustentabilidade e a equidade 

O relatório defende um ecossistema de IA responsável, construído sobre seis princípios: transparência; eficiência desde a concepção; equidade e justiça ambiental; responsabilidade pelo ciclo de vida; cooperação global; e uso sustentável. Recomendações práticas são direcionadas a cada um dos principais grupos de partes interessadas: 

• Os governos devem integrar a infraestrutura de IA no planejamento energético, na gestão da água e no licenciamento do uso da terra, além de exigir relatórios padronizados sobre a pegada ambiental. 

• Os desenvolvedores da indústria e de IA devem considerar a seleção de modelos, as saídas padrão e as decisões de roteamento como determinantes da pegada de memória e melhorar a eficiência desde a concepção. 

• Usuários e organizações responsáveis ​​pela implantação devem adotar uma utilização adequada à finalidade, selecionando o modelo mais leve e o formato de menor consumo de energia que atenda à tarefa. 

• Operadores de data centers e concessionárias de serviços públicos devem tratar a localização e a aquisição de energia como decisões relativas à pegada ambiental e aplicar a avaliação de impacto cumulativo. 

• Os investidores devem considerar o consumo de eletricidade, as emissões de carbono, o consumo de água e a pegada ecológica como riscos relevantes em portfólios de infraestrutura de IA. 

• As comunidades e a sociedade civil devem ser envolvidas desde o início nas decisões sobre a localização de centros de dados, com mecanismos de transparência e de reclamação que sejam aplicáveis. 

• As instituições internacionais devem apoiar padrões de medição harmonizados, reduzir os incentivos para a transferência transfronteiriça de encargos e desenvolver capacidade computacional em regiões excluídas. 

Em números 

945 TWh	A demanda global projetada de eletricidade para data centers até 2030 representa quase três por cento do consumo mundial projetado de eletricidade e aproximadamente o dobro do consumo da França em 2025 (Seção 2.4).
9,3 trilhões de litros	A pegada hídrica associada à eletricidade dos centros de dados em 2030 é equivalente às necessidades básicas anuais de água potável de 1,3 bilhão de pessoas na África Subsaariana (Seção 2.4).
14.500 km²	A área ocupada pelos centros de dados elétricos em 2030 será cerca de duas vezes maior que a área metropolitana de Jacarta, que abriga mais de 32 milhões de pessoas (Seção 2.4).
80 a 90%	Estimativa da parcela total do consumo de energia da IA ​​destinada à inferência, ou seja, à execução de modelos implantados, em vez do treinamento (Capítulo 3).
2,5 bilhões	Estimativa de solicitações diárias do ChatGPT, o que se traduz em aproximadamente 383 GWh de eletricidade por ano para um único produto (Seção 3.3).
1.450×	Demanda energética de uma imagem típica gerada por IA em relação à classificação básica de texto (Seção 3.2).
>90%	A participação da computação em nuvem especializada em IA está concentrada em dois países, os Estados Unidos e a China (Seção 1.5).
2,5 milhões de toneladas	A projeção para o volume anual de resíduos eletrônicos relacionados à inteligência artificial até 2030 é equivalente ao descarte de quase 250 Torres Eiffel por ano (Pontos-chave).

RELATÓRIO EM RESUMO 

O custo ambiental da IA ​​está sendo medido de forma incorreta. A maioria das avaliações atuais se concentra nas emissões de carbono do treinamento. O relatório argumenta que isso ignora uma parte substancial do problema. Cada quilowatt-hora de eletricidade gerada por IA também carrega uma pegada hídrica, proveniente do resfriamento e da geração, e uma pegada de uso da terra, proveniente da infraestrutura e das cadeias de suprimentos. Essas três pegadas podem se mover em direções opostas, de modo que reduzir uma pode ampliar a outra. 

Os centros de dados estão se tornando consumidores de eletricidade, água e terra em escala nacional. O consumo global de eletricidade por centros de dados, estimado em 448 TWh em 2025, poderá atingir 945 TWh em 2030. A pegada hídrica associada é projetada em 9,3 trilhões de litros e a pegada de terra associada em mais de 14.500 quilômetros quadrados. 

A inferência, e não o treinamento, é o principal fator que consome energia em IA. Uma vez que um modelo é implantado, bilhões de interações diárias de usuários consomem cerca de 80 a 90% de sua energia total. Estima-se que o ChatGPT, sozinho, processe cerca de 2,5 bilhões de solicitações por dia. 

O consumo de energia por consulta varia em várias ordens de magnitude entre as tarefas. Uma consulta típica em um chat utiliza cerca de 200 vezes mais energia do que uma classificação básica de texto. Uma imagem gerada por IA utiliza cerca de 1.450 vezes mais energia. Um único vídeo curto gerado por IA pode corresponder a 200.000 classificações de spam. A escolha do modelo e as configurações padrão do produto são decisões que impactam a pegada energética. 

Melhorias na eficiência por si só não serão suficientes para conter o crescimento. O relatório cita o efeito rebote, também conhecido como Paradoxo de Jevons, para explicar por que os ganhos por consulta são normalmente absorvidos pelo aumento do volume. Limites para tokens, resolução e comprimento da saída são necessários juntamente com a eficiência. 

A capacidade computacional de IA está geograficamente concentrada. Apenas 32 países abrigam centros de dados especializados em IA. Mais de 90% da capacidade está concentrada em dois países. Mais de 150 países atualmente não possuem infraestrutura computacional de IA própria. 

O ciclo de vida do hardware é a próxima fronteira. A infraestrutura de IA poderá gerar até 2,5 milhões de toneladas de lixo eletrônico por ano até 2030. Os minerais críticos necessários para o hardware de IA estão concentrados em regiões com menor fiscalização ambiental, frequentemente no Sul Global. 

Uma estrutura de governança de seis princípios. O relatório propõe um “ecossistema de IA responsável” construído sobre transparência, eficiência desde a concepção, equidade e justiça ambiental, responsabilidade pelo ciclo de vida, cooperação global e uso sustentável, com responsabilidades específicas atribuídas em todo o ecossistema de IA. 

PRINCIPAIS MENSAGENS DE POLÍTICA 

Métricas baseadas exclusivamente em carbono já não são suficientes para a IA. Os padrões de divulgação do impacto ambiental da IA ​​devem exigir a inclusão conjunta das pegadas de carbono, água e terra, em unidades padronizadas, tanto no treinamento quanto na inferência, e em diferentes jurisdições, para que reguladores e investidores possam comparar dados semelhantes. 

A inferência merece a mesma atenção política que o treinamento recebeu. Como o uso operacional representa a maior parte da demanda de energia da IA, a governança deve se concentrar nas configurações padrão do produto, na seleção de modelos e nas alavancas comportamentais, e não apenas nas maiores execuções de treinamento. 

As decisões de localização são decisões ambientais. Onde os centros de dados são construídos e de qual rede elétrica eles obtêm energia determina o perfil de carbono, água e solo da mesma carga de trabalho. O licenciamento, a avaliação de impacto ambiental e a consulta à comunidade devem refletir essa realidade. 

O planejamento de capacidade local precisa acompanhar a geografia global da computação. Os casos da Irlanda, México e Uruguai descritos no relatório mostram o que acontece quando os sistemas de rede elétrica e de água são solicitados a absorver cargas de trabalho que atendem usuários em outros locais. Mitigação transparente e compartilhamento de benefícios devem acompanhar a expansão. 

Os ganhos de eficiência exigem mecanismos de controle da demanda. Sem orçamentos de recursos, limites de tokens por solicitação, configurações padrão de baixa resolução e mecanismos de controle semelhantes, as melhorias de eficiência serão absorvidas pelo crescimento do volume. 

O acesso à computação de IA é, em si, uma questão de equidade. Mais de 150 países atualmente não possuem computação de IA soberana. Instituições internacionais podem ajudar apoiando o desenvolvimento de capacidades, harmonizando a divulgação de informações e reduzindo os incentivos para a transferência transfronteiriça de responsabilidades. 

Toda a cadeia de valor exige governança. A extração de minerais críticos na etapa inicial e o descarte de resíduos eletrônicos na etapa final são partes integrantes do impacto da IA ​​e, atualmente, recaem sobre comunidades que se beneficiam minimamente da situação. 

Investidores e instituições financeiras podem ser os primeiros a agir. Tratar as pegadas de carbono, água e terra como riscos materiais na due diligence de portfólios de infraestrutura de IA é descrito no relatório como uma das alavancas mais rápidas disponíveis. 

A inteligência artificial dentro dos limites planetários é alcançável. O argumento central do relatório é construtivo. Capacidade e gestão podem crescer juntas, mas apenas com mensuração, transparência e responsabilidade compartilhada em todo o ecossistema. 

Referência: United Nations University Institute for Water, Environment and Health (UNU-INWEH)

Aczel, M., Chamanara, S., Matin, M., Farsi, A., Marwala, T., Madani, K. (2026). Environmental Cost of AI’s Energy Use: Carbon, Water and Land Footprints. United Nations University Institute for Water, Environment and Health (UNU-INWEH), Richmond Hill, Ontario, Canada. doi: 10.53328/INR26RMA002 

 
in EcoDebate, ISSN 2446-9394
 

[ Se você gostou desse artigo, deixe um comentário. Além disso, compartilhe esse post em suas redes sociais, assim você ajuda a socializar a informação socioambiental ]