Os centros de dados que alimentam a inteligência artificial consumiram 415 terawatts-hora de eletricidade em 2024 – mais do que a Itália inteira. A Agência Internacional de Energia projeta que esse valor duplique até 2030. Em Portugal, mais de 12 mil milhões de euros de investimento em infraestrutura de inteligência artificial estão planeados para os próximos cinco anos. A questão já não é se a inteligência artificial tem impacto ambiental. É o que fazer com esse facto.
Há uma conversa que acontece com frequência crescente nas salas de reuniões de empresas tecnológicas, consultoras e organizações de sustentabilidade: a inteligência artificial consome muita energia? A resposta curta é sim. A resposta longa exige números, contexto e honestidade sobre o que ainda não sabemos.
A Agência Internacional de Energia (IEA), no seu relatório “Energy and AI” de 2025, estima que os centros de dados globais consumiram cerca de 415 terawatts-hora (TWh) de eletricidade em 2024 – o equivalente a aproximadamente 1,5% do consumo elétrico mundial e uma grandeza comparável ao consumo total de um país como a Itália. Esse consumo tem crescido a uma taxa média de 12% ao ano desde 2017, mais de quatro vezes acima do ritmo de crescimento do consumo elétrico total. E a perspetiva é de aceleração: a IEA projeta que o consumo dos data centers duplique até 2030, atingindo cerca de 945 TWh – o equivalente ao consumo anual atual do Japão.
A inteligência artificial é o principal motor desse crescimento. Em 2024, a IA representava entre 5% e 15% do consumo elétrico dos centros de dados; até 2030, essa fatia poderá atingir entre 35% e 50%, de acordo com estimativas preparadas para a própria IEA. Os servidores acelerados dedicados a IA – com unidades de processamento gráfico (GPU, da sigla em inglês Graphics Processing Unit) de alto desempenho – consomem até seis vezes mais energia por rack do que os servidores convencionais e exigem sistemas de arrefecimento significativamente mais intensivos.
Para tornar as dimensões mais concretas: estima-se que o treino do GPT-3 tenha consumido cerca de 1.287 megawatts-hora (MWh) e gerado perto de 552 toneladas de CO₂ equivalente – o mesmo impacto carbónico anual de 121 famílias americanas, de acordo com estudos citados pela Associação Portuguesa para o Desenvolvimento das Comunicações (APDC) e pelo Fórum Económico Mundial. Um hyperscaler típico focado em IA consome anualmente tanta eletricidade quanto 100 mil habitações. Os maiores projetos atualmente em construção poderão chegar a 20 vezes esse valor.
Os Estados Unidos lideram o consumo, com cerca de 45% do total global (183 TWh em 2024), seguidos da China (25%) e da Europa (15%). Mas a distribuição não é estática: as projeções apontam para um crescimento acelerado em todas as regiões, com a China a fazer investimentos massivos em renováveis e em infraestrutura de IA em simultâneo.
Treino versus inferência: onde está o peso real
A discussão sobre o impacto ambiental da IA divide-se habitualmente em duas fases: o treino dos modelos e a inferência, ou seja, o uso quotidiano. A distinção é relevante, mas a conclusão de que uma fase domina a outra é mais complexa do que parece.
Como explica Sandra Fazenda de Almeida, diretora-geral da APDC, o treino é normalmente a fase mais intensiva, porque envolve volumes massivos de dados, muitas interações e uso intensivo de aceleradores. Já João Bispo e Carla Gonçalves, professores do Departamento de Engenharia Informática da Faculdade de Engenharia da Universidade do Porto (FEUP), descrevem como um investimento de enorme magnitude: “Para o treino dos modelos maiores, a energia necessária é na ordem dos gigawatts-hora. No entanto, uma vez o modelo treinado, o modelo precisa de muito menos energia para ser usado”.
Esta lógica poderia levar a concluir que o treino é um custo pontual e que a inferência, por ser repetida à escala de milhões ou biliões de interações, acaba por dominar o impacto acumulado. É o argumento que Sandra Fazenda de Almeida articula com precisão: “A inferência pode tornar-se dominante ao longo do tempo, sobretudo em aplicações empresariais com utilização contínua, como sistemas de previsão, recomendação ou otimização logística”.
No caso português, mais de 80% da eletricidade gerada em 2025 teve origem renovável – um valor que, para operadores de centros de dados a procurar cumprir metas de descarbonização, é um argumento muito concreto
Mas os professores da FEUP introduzem uma nuance fundamental: os laboratórios de IA que desenvolvem estes modelos, para se manterem competitivos, têm de estar constantemente a criar novos modelos. “No contexto atual, isto quer dizer que o consumo energético da fase de treino tem um impacto a longo prazo maior do que o que seria de esperar, porque se estes laboratórios pararem de fazer este treino bastante caro, rapidamente ficam para trás”. O treino não é um custo único e amortizável; é um custo recorrente no modelo de negócio dos laboratórios de IA de ponta.
Isabel Cristóvão, head of Consumer Products, Retail and Distribution Sector da Capgemini, confirma a perspetiva prática: “Melhorar apenas o treino é insuficiente; a verdadeira alavanca de sustentabilidade está na eficiência operacional diária dos modelos em produção”. A otimização da inferência – através de técnicas como quantização, compressão de modelos ou seleção de arquiteturas mais leves – é, portanto, tão ou mais estratégica do que a eficiência do treino inicial.
Água: o recurso invisível da IA
A energia é o impacto mais discutido da infraestrutura de IA. Mas há um segundo recurso que começa a aparecer nas conversas sobre sustentabilidade: a água. Os centros de dados que alimentam os grandes modelos de IA exigem sistemas de arrefecimento intensivos e muitos desses sistemas utilizam arrefecimento evaporativo que consome – e evapora – grandes volumes de água.
Estima-se que treinar um único grande modelo de linguagem pode evaporar centenas de milhares de litros de água em sistemas de refrigeração. Google e Microsoft já enfrentam críticas públicas pelo alto consumo hídrico dos seus centros de dados em regiões com escassez de água. A questão foi suficientemente premente para que vários operadores começassem a desenvolver soluções de arrefecimento alternativas – incluindo arrefecimento líquido direto, em que tubagens de líquido circulam diretamente pelos bastidores onde estão os servidores, eliminando a dependência de grandes volumes de água evaporativa.
A Agência Internacional de Energia, no seu relatório “Energy and AI” de 2025, estima que os centros de dados globais consumiram cerca de 415 terawatts-hora (TWh) de eletricidade em 2024 – o equivalente a aproximadamente 1,5% do consumo elétrico mundial e uma grandeza comparável ao consumo total de um país como a Itália
Em Portugal, este tema ganha particular relevância dado o contexto climático. O país enfrenta períodos crescentes de stress hídrico, com secas que, nos últimos anos, afetaram múltiplas bacias hidrográficas. Projetos como o Atlas Edge Lisbon Data Center, em Carnaxide, e o Sines Data Campus da Start Campus têm sublinhado precisamente o não desperdício de água como característica diferenciadora. O Atlas Edge operará, segundo as especificações anunciadas, inteiramente com energias renováveis e sem consumo de água para arrefecimento – um argumento competitivo que é também uma resposta às preocupações ambientais.
Portugal: entre a oportunidade e a responsabilidade
Portugal reúne um conjunto invulgar de condições para se posicionar como hub europeu de infraestrutura de IA sustentável. A produção renovável atingiu 68% do consumo elétrico nacional em 2025, segundo a REN – Redes Energéticas Nacionais, com a solar a crescer 25% num único ano. O país eliminou a produção de eletricidade a carvão em 2021. Os custos de eletricidade são competitivos na escala europeia. E a posição geográfica, como ponto de ancoragem de cabos submarinos intercontinentais – com ligações à América, África e Ásia –, cria uma vantagem de conectividade que é crítica para operadores de centros de dados.
O mercado está a responder. A PortugalDC, associação que representa o sector, estima que mais de 12 mil milhões de euros de investimento em centros de dados estejam previstos para Portugal nos próximos cinco anos, com cerca de 80% do valor direcionado para infraestruturas adaptadas às exigências da IA. Um estudo da Copenhagen Economics, encomendado pela Start Campus, projeta que o sector possa contribuir com até 26,2 mil milhões de euros para o Produto Interno Bruto nacional entre 2025 e 2030, suportando mais de 48 mil empregos anuais.
O Sines Data Campus, o maior projeto de hiper escala em desenvolvimento no país, prevê uma capacidade máxima de 495 megawatts (MW), 100% alimentada por energia verde, distribuída por seis edifícios com conclusão prevista até 2030. A Microsoft anunciou um investimento de 10 mil milhões de dólares associado a este projeto, com a implementação de 12.600 GPU NVIDIA de última geração. Em Lisboa, o Atlas Edge e o projeto da Merlin Properties em Vila Franca de Xira somam dezenas de MW adicionais em construção ou licenciados.
Mas os professores da FEUP oferecem uma perspetiva que vai além do otimismo de mercado: “Portugal tem, nesse contexto, uma vantagem adicional, porque a sua produção elétrica incorpora uma percentagem muito elevada de renováveis”. Acrescentam, porém, que “a principal nuance é que esta é uma vantagem média: a pegada real depende da hora a que o sistema é executado, do data center concreto e da forma como a energia é contratada”. A mesma carga computacional pode ter intensidades carbónicas muito diferentes consoante o momento do dia e a disponibilidade das fontes renováveis nesse instante.
Sandra Fazenda de Almeida é precisa na quantificação da vantagem europeia: “Estudos mostram que o mesmo workload pode ter emissões até cinco a 10 vezes diferentes consoante o mix energético do país”. No caso português, mais de 80% da eletricidade gerada em 2025 teve origem renovável – um valor que, para operadores de centros de dados a procurar cumprir metas de descarbonização, é um argumento muito concreto.
O que distingue uma IA sustentável
Existe uma diferença fundamental entre um sistema de IA tecnicamente eficiente e um ineficiente, mas essa diferença raramente aparece nas conversas de aquisição de soluções tecnológicas. A métrica dominante é ainda a performance – a qualidade das respostas, a velocidade, a precisão. A eficiência energética, quando aparece, surge como argumento secundário.
Os professores da FEUP definem eficiência com rigor técnico: “Se um sistema de IA conseguir obter uma resposta razoavelmente equivalente com menor consumo de recursos (energia, tokens) será mais eficiente.” E identificam os ângulos de ataque possíveis: hardware (GPU mais eficientes), software (quantização, compressão dos modelos depois de treinados) e arquitetura dos próprios modelos.
Uma tendência particularmente promissora é o desenvolvimento de modelos mais pequenos e especializados, em contraste com os grandes modelos fundacionais generalistas. “Regra geral, modelos de IA mais generalistas serão sempre mais ineficientes para uma dada tarefa, quando comparados com modelos especializados na mesma”, explicam os académicos. Para muitas aplicações empresariais concretas – previsão de stocks, deteção de anomalias, recomendação de produtos – um modelo especializado de menor dimensão pode oferecer resultados equivalentes ou superiores com uma fração do consumo computacional.
“A IA pode (e deve) ser uma ferramenta poderosa de sustentabilidade no retalho. Mas isso só acontecerá quando a responsabilidade ambiental entra no projeto no momento certo, que deverá ser no início”
Sérgio Viana, managing partner da Xpand IT, traduz esta lógica para o contexto das implementações reais: “O problema surge quando se escolhe tecnologia por tendência e não por adequação e esse desperdício tem um custo real, financeiro e de recursos”. A escolha da ferramenta certa para o problema certo é, simultaneamente, a decisão mais sustentável e a mais eficiente em termos de negócio.
Arquiteturas híbridas: edge e cloud
Um dos tópicos que emerge com mais frequência nas conversas sobre IA sustentável é a arquitetura híbrida que combina processamento local (edge computing) com processamento centralizado na cloud. A lógica é simples: fazer localmente o que pode ser feito localmente, reservando a cloud para as tarefas que genuinamente a requerem.
No retalho, este modelo tem aplicações concretas e imediatas. Câmaras de loja com visão computacional para deteção de filas ou gestão de prateleiras podem processar os dados localmente, sem enviar continuamente grandes volumes de vídeo para a cloud. Sensores de temperatura nos expositores de frio podem tomar decisões de ajuste em tempo real no próprio dispositivo. O resultado é menor latência, menor largura de banda consumida e, potencialmente, menor consumo energético total.
Os professores da FEUP contextualizam as vantagens e os limites desta abordagem: “Este modelo pode ser mais eficiente se conseguir reduzir significativamente a quantidade de dados que é preciso transmitir, e trocar uso continuado de modelos grandes na cloud por modelos e dispositivos mais especializados”. Mas ressalvam que a vantagem não é automática: “Irá depender muito do problema em causa”.
Na Capgemini, Isabel Cristóvão confirma que a arquitetura híbrida responde a vários objetivos. “Embora, em muitos casos, a motivação principal continue a ser o desempenho, a latência e o custo, a componente da sustentabilidade tem vindo a ganhar peso nas decisões de arquitetura”, indica, dando um exemplo concreto: num projeto de fábrica inteligente que a consultora está a desenvolver, a eficiência energética foi considerada crítica e está presente nas decisões desde a fase de desenho da arquitetura.
Nuno Barreto, também managing partner da Xpand IT, é mais cauteloso quanto à motivação real do mercado nacional: tecnicamente, sim, é possível medir e otimizar o consumo por arquitetura, mas não é um tema que os clientes coloquem. “Não temos um único caso em que um projeto de IA tenha sido desenhado, ajustado ou questionado com base no seu consumo energético”. Uma admissão honesta que, combinada com a previsão de regulação crescente, sugere que a mudança virá mais da obrigação do que da convicção.
A ZERO tem defendido publicamente que a IA deve operar “dentro dos limites planetários”, com a eliminação progressiva dos combustíveis fósseis em toda a cadeia de abastecimento e transparência pública significativa sobre os impactos sociais e ambientais da infraestrutura antes de ela ser construída ou ampliada
Como medir o consumo?
Antes de gerir o impacto ambiental de uma ferramenta de IA, é preciso medi-lo. E aqui reside um dos problemas centrais do debate: a medição é tecnicamente possível em alguns contextos, mas estruturalmente difícil na maioria dos casos de uso empresarial.
Sandra Fazenda de Almeida sistematiza os três níveis de medição possíveis: o consumo do hardware onde o modelo corre, o consumo do sistema como um todo e a conversão desse consumo elétrico em emissões, que depende do mix energético do local e do momento. A métrica mais útil para uma empresa, defende, “não é quanto gasta a IA em abstrato, mas sim quanto consome por tarefa útil: por exemplo, watt-hora por mil previsões de stock, por plano logístico gerado ou por mil recomendações”.
Esta abordagem está alinhada com metodologias internacionais como a Software Carbon Intensity (SCI), promovida pela ISO/IEC 21031:2024 e pela Green Software Foundation. A ISO/IEC 21031:2024 fornece um quadro para medir e comparar a eficiência de sistemas de software em termos de carbono, permitindo que as empresas avaliem e comparem fornecedores com base em métricas padronizadas.
O problema prático, como confirmam a Capgemini e a Xpand IT, é que a maioria das empresas acede aos modelos de IA através de cloud, onde não têm visibilidade sobre o consumo real. “É comum hoje em dia usarmos estes modelos na cloud, através de laboratórios de IA como a Anthropic ou a OpenAI, em que não é possível ter acesso a essa informação”, explicam os professores da FEUP. Os grandes fornecedores de cloud disponibilizam algumas métricas de consumo por workload, mas a granularidade é variável e a imputação específica às cargas de IA raramente está disponível de forma direta.
Há, porém, uma categoria de modelos que permite medição direta: os chamados open weights ou modelos de acesso aberto – como Qwen, DeepSeek e LLaMA –, que podem ser executados localmente em servidores controlados pela empresa. Nestes casos, o consumo pode ser medido diretamente ao nível do hardware. A troca é que estes modelos, embora cada vez mais competitivos, ficam geralmente abaixo dos modelos de ponta em capacidade generalista.
O outro lado da equação
A narrativa sobre o impacto ambiental da IA seria incompleta – e desonesta – se ignorasse o outro lado da equação: a IA como ferramenta de sustentabilidade, capaz de reduzir consumos, otimizar sistemas e acelerar a transição ecológica em múltiplos sectores.
No sector elétrico, a investigação portuguesa nesta área é expressiva. Os professores da FEUP e a APDC destacam o INESC TEC como referência nacional, com trabalho em previsão de consumo e produção de energia renovável, integração de renováveis variáveis e gestão de redes inteligentes. O projeto InovGrid, em Évora, é um dos exemplos de aplicação concreta de IA na gestão da rede. A E-REDES descreve a rede inteligente portuguesa como uma infraestrutura com sensores, controlo em tempo real e capacidade de balanceamento de cargas – um ecossistema em que a IA tem um papel crescente.
A Capgemini identifica quatro áreas de aplicação com maior impacto positivo no retalho e no consumo: o combate ao desperdício alimentar, através da previsão da procura, gestão de stocks em tempo real e pricing dinâmico; a cadeia de abastecimento inteligente, com otimização de rotas e cargas para reduzir emissões de transporte; o passaporte digital do produto, com códigos QR e etiquetas eletrónicas que reforçam a rastreabilidade; e a experiência de compra orientada para escolhas mais sustentáveis, com sistemas de personalização que sugerem alternativas de menor impacto ambiental.
A investigação académica portuguesa sustenta este potencial. Uma dissertação de mestrado do ISCTE-IUL, de Luís Graça Amaral, publicada em 2022, investigou o impacto da IA na sustentabilidade ambiental de empresas de manufatura, concluindo que o maior potencial reside na otimização de recursos energéticos e na análise preditiva de impactos ambientais. A investigação identificou que as empresas precisam de analisar a organização como um todo – e não apenas as áreas de logística e produção – para capturar os ganhos de sustentabilidade que a IA pode proporcionar.
Sérgio Viana resume a tese mais pragmática que permeia o debate: “A IA pode (e deve) ser uma ferramenta poderosa de sustentabilidade no retalho: redução de desperdício alimentar, otimização e previsão de stocks, eficiência logística. Mas isso só acontecerá quando a responsabilidade ambiental entra no projeto no momento certo, que deverá ser no início”.
Os compromissos das gigantes tecnológicas: credíveis ou convenientes?
Google, Microsoft e Amazon fizeram compromissos públicos de neutralidade carbónica que abrangem as suas operações de cloud e IA. Esses compromissos são reais? E são alcançáveis face ao crescimento exponencial da procura? A resposta honesta é parcialmente.
Os grandes operadores de cloud têm feito investimentos concretos e significativos em energia renovável – através de Power Purchase Agreements (contratos de compra de energia a longo prazo, ou seja, acordos através dos quais uma empresa se compromete a comprar eletricidade diretamente a um produtor de energia, geralmente renovável, por um período prolongado e a um preço previamente definido), construção de capacidade renovável própria e aquisição de Certificados de Energia Renovável (REC). A Microsoft comprometeu-se a alimentar 100% dos seus centros de dados com energia renovável e desenvolve projetos de circularidade – como a taxa de reutilização e reciclagem de 90,9% de servidores e componentes atingida em 2024. Em países nórdicos, data centers da Microsoft estão a fornecer calor residual a redes de aquecimento urbano, transformando um subproduto em recurso.
Mas Francisco Ferreira, presidente da ZERO – Associação pelo Desenvolvimento Sustentável, coloca o dedo na fraqueza central: “Para a ZERO os REC não são suficientes, por si só, para sustentar alegações sérias de neutralidade carbónica”, sublinha. Os certificados de energia renovável permitem que uma empresa declare que consumiu energia de origem renovável equivalente ao que utilizou, mas não garantem que, no momento exato do consumo, a rede estava a ser alimentada por renováveis. Quando servem principalmente para “mascarar aumento do consumo, ausência de cortes absolutos ou dependência continuada de um sistema elétrico ainda parcialmente fóssil, podem realmente funcionar como greenwashing”, afirma o responsável.
A IEA confirma o paradoxo estrutural: até 2030, as renováveis deverão responder a cerca de metade do crescimento da procura elétrica dos centros de dados, mas carvão e gás natural juntos cobrirão mais de 40% do crescimento adicional. Os compromissos de neutralidade carbónica dos grandes operadores coexistem, portanto, com o facto de o boom da IA estar a ser, em parte, alimentado por combustíveis fósseis – não porque os operadores o escolham, mas porque o sistema elétrico global não tem ainda renováveis suficientes para absorver a procura adicional em tempo real.
Isabel Cristóvão é equilibrada na avaliação: “Os compromissos de neutralidade carbónica dos grandes fornecedores de cloud e IA são cruciais e, em geral, credíveis. Estes operadores têm vindo a investir de forma consistente em energias renováveis e eficiência dos data centers, o que torna os seus objetivos relevantes”. A responsável acrescenta que “o desafio é significativo. Com o crescimento exponencial do volume de dados e da capacidade computacional, mesmo quando a intensidade carbónica por unidade diminui, as emissões totais podem continuar a aumentar”.
Existe uma diferença fundamental entre um sistema de IA tecnicamente eficiente e um ineficiente, mas essa diferença raramente aparece nas conversas de aquisição de soluções tecnológicas. A métrica dominante é ainda a performance – a qualidade das respostas, a velocidade, a precisão. A eficiência energética, quando aparece, surge como argumento secundário
O que diz a regulação?
O AI Act europeu, que entrou em vigor em 2024, inclui a sustentabilidade ambiental como objetivo declarado, mas Francisco Ferreira, da ZERO, é crítico da sua eficácia real: “O regulamento prevê essa preocupação no plano dos princípios e incentiva códigos de conduta, mas, em larga medida, isso fica do lado voluntário, em vez de impor deveres claros de medição, transparência e redução do impacto ambiental”.
No que respeita a obrigações de reporte, a situação europeia é de fragmentação. A Diretiva da Eficiência Energética criou um regime de monitorização do desempenho energético dos centros de dados – consumo de energia, uso de água, indicadores associados –, mas esse regime incide sobre o data center como unidade, não sobre as cargas de trabalho específicas de IA. Não existe, hoje, uma obrigação geral que imponha às empresas o reporte do consumo energético imputável especificamente a tarefas de IA, como treino ou inferência de modelos.
Para as empresas sujeitas ao reporte ESG obrigatório – como as abrangidas pela Diretiva de Reporte de Sustentabilidade Empresarial –, o tema aparece de forma indireta. Francisco Ferreira explica: “Se as emissões indiretas associadas a serviços comprados de cloud computing e centros de dados forem materiais, elas devem ser consideradas no âmbito do Scope 3”. Para uma empresa de retalho que use IA em logística, stocks ou personalização, a pegada pode e deve ser refletida no relatório de sustentabilidade quando tiver relevância material. O que não existe ainda é uma obrigação específica e autónoma para reportar “consumo de IA” como categoria própria.
Sandra Fazenda de Almeida sistematiza o que as empresas deveriam exigir já hoje: métricas de consumo por tarefa útil, separação entre custos de treino e de inferência, transparência sobre onde o modelo corre e em que hardware, prova de que o sistema foi otimizado para o uso real e possibilidade de comparar versões ou alternativas mais leves. “Já não basta perguntar se o sistema funciona; é preciso perguntar quanto custa energeticamente cada resultado útil que entrega”, advoga.
Para Francisco Ferreira, a medida mais urgente seria um regime obrigatório de transparência e desempenho ambiental para IA e centros de dados: consumo elétrico, uso de água, intensidade carbónica, origem da energia e critérios de adicionalidade renovável. A ZERO tem defendido publicamente que a IA deve operar “dentro dos limites planetários”, com a eliminação progressiva dos combustíveis fósseis em toda a cadeia de abastecimento e transparência pública significativa sobre os impactos sociais e ambientais da infraestrutura antes de ela ser construída ou ampliada.
A maioria das empresas acede aos modelos de IA através de cloud, onde não têm visibilidade sobre o consumo real
Impacto no retalho
Face a este quadro – crescimento do impacto ambiental da IA, regulação emergente, mas ainda fragmentada, pressão ESG crescente e oportunidades reais de eficiência –, qual é a posição estratégica mais inteligente para uma empresa do retalho ou do grande consumo?
A resposta que emerge do conjunto dos especialistas ouvidos tem uma consistência notável, apesar de virem de perspetivas diferentes. O primeiro princípio é começar pelo problema, não pela tecnologia. Nuno Barreto é direto: “Os projetos com menor desperdício, seja energético e/ou financeiro, são aqueles onde o caso de uso é claro antes de se escrever qualquer linha de código”. A escolha da ferramenta mais pesada e generalista, quando uma solução mais leve e especializada resolveria igualmente o problema, é, ao mesmo tempo, a decisão menos eficiente e a menos sustentável.
O segundo princípio é exigir transparência técnica dos fornecedores. Sérgio Viana define a fasquia: “Perceber que modelo estão a usar, onde corre e qual a alternativa mais eficiente para o caso específico que procuram implementar. São perguntas legítimas e um bom parceiro tecnológico deve conseguir respondê-las sem hesitar”. A Capgemini, por sua vez, defende a incorporação de princípios de sustainable by design desde o início dos projetos, garantindo que todo o ciclo de vida da IA é concebido para minimizar o impacto ambiental.
O terceiro princípio é medir desde o primeiro dia. Não porque a regulação imponha, mas porque a informação sobre consumo de recursos torna as decisões seguintes melhores. Os grandes fornecedores de cloud disponibilizam cada vez mais ferramentas de medição do consumo por workload; o desafio é criar a camada analítica que converte esses dados em informação útil para a gestão e para o reporte ESG.
Quanto ao reporte de sustentabilidade, a regra é de materialidade: se a pegada ambiental das ferramentas de IA adotadas tiver relevância material para as emissões totais da empresa, deve ser incluída – tipicamente no Scope 3, como emissão indireta associada a serviços comprados. À medida que a utilização de IA escala nas operações – logística, gestão de stocks, personalização, otimização de preços –, essa materialidade tenderá a crescer.
Isabel Cristóvão enquadra a trajetória de maturação que o mercado deverá percorrer: “Numa primeira fase, a pegada da IA é integrada no IT footprint; numa perspetiva de três a cinco anos, deverá evoluir para um reporte mais específico de Green AI”. O mercado está, em suma, numa fase de transição e as empresas que construírem hoje a infraestrutura de medição e as práticas de procurement responsável estarão mais bem posicionadas quando a regulação tornar estas práticas obrigatórias.
Impacto global da IA
415 TWh: consumo elétrico global dos data centers em 2024 (IEA), cerca de 1,5% do consumo mundial;
945 TWh: projeção IEA para 2030, equivalente ao consumo anual atual do Japão;
12% ao ano: taxa de crescimento do consumo energético dos data centers desde 2017, quatro vezes acima do total;
35%-50%: quota da IA no consumo dos data centers em 2030 (vs. 5%-15% em 2024);
552 tCO2e: emissões estimadas do treino do GPT-3 (equivalente a 121 famílias americanas por ano);
45%: quota dos Estados Unidos no consumo elétrico global dos data centers em 2024; China 25%; Europa 15%;
>40%: quota de carvão e gás no crescimento da procura adicional dos data centers até 2030 (IEA);
+12 mil milhões euros: investimento previsto em data centers em Portugal nos próximos cinco anos (PortugalDC);
68%: quota de renováveis no consumo elétrico português em 2025 (REN);
495 MW: capacidade planeada do Sines Data Campus – 100% energia verde–, o maior projeto de hiper escala em Portugal.
Publicidade
