Uso responsável da IA e o meio ambiente

A Inteligência Artificial já faz parte da rotina dos negócios. Nos próximos anos, desafios exigirão um olhar mais crítico a fatores que vão além dos investimentos na implantação da IA, pois cada interação tem custo com licenças, além do impacto ambiental. Esse artigo visa destacar a necessidade do uso responsável de IA com relação ao Meio Ambiente, além de trazer dicas práticas para redução de custos sem perda de qualidade.
​
As prioridades corporativas atuais para a IA devem incluir: (1) políticas e guias de uso (privacidade, segurança etc.), (2) engenharia de contexto e padronização de prompts, (3) escolha de modelos e arquiteturas alinhadas ao caso de uso, e (4) indicadores de energia e água por volume de uso. Essa agenda conecta governança à redução de OPEX e à sustentabilidade.

Com o avanço da IA generativa, o consumo energético dos data centers disparou, especialmente considerando o uso combinado com criptomoedas. O impacto da IA é físico e financeiro, além de cultural e ambiental. Use as boas práticas a seguir como diretrizes internas e para seus fornecedores:

ENERGIA — CRESCIMENTO E ORDEM DE GRANDEZA
Falando de IA generativa, cada acesso, cada consulta ou prompt mais elaborado consume um pouco de energia, o ponto é que são feitas muitas consultas todos os dias, o que torna esse consumo um fator crítico que deve ser monitorado. Só como exemplo, números da Open AI informam aproximadamente 700 milhões de usuários por semana, que resultam em mais de 2 bilhões de prompts por dia.
• O que mais eleva consumo: prompts prolixos, cadeias de raciocínio desnecessárias, temperatura/decodificação mal ajustadas, ausência de cache ou de reuso de contexto, e uso sistemático de modelos maiores quando não são necessários.

ÁGUA — PEGADA HÍDRICA EM OPERAÇÃO
A operação e o treinamento de IA consomem água direta ou indiretamente, especialmente em resfriamento e na matriz de geração elétrica local. A métrica WUE (Water Usage Effectiveness) varia por região, horário e tecnologia. Para governança, cobre-se transparência hídrica e, quando possível, escalonamento de tarefas para horários/locais menos críticos.
• Diretriz prática: inclua a dimensão hídrica na escolha de provedor/região e na priorização de cargas. Empresas líderes vêm publicando compromissos envolvendo eficiência hídrica e energética; clientes corporativos devem solicitar indicadores por volume de uso.

TOKENS & CUSTOS — PROMPTS OTIMIZADOS SÃO MELHORES
Os serviços comerciais de LLM tarifam por milhão de tokens (entrada e saída). Isso significa que prolixidade — inclusive cortesias automáticas e rodeios (como agradecer para a IA). Como os ambientes chegam a centenas de milhões de interações mensais, pequenas adições de tokens por interação somam milhares de dólares e centenas de kWh no conjunto de operações.
• O papel do design de prompts: definir objetivos de saída, limitar comprimento (palavras/itens), reciclar instruções fixas e usar modelos adequados à tarefa reduz tokens e Wh por entrega, preservando a qualidade percebida.

QUALIDADE × EFICIÊNCIA — O LIMIAR ÓTIMO
Estudos recentes indicam que o tom do prompt (p. ex., polidez) influencia tanto o desempenho quanto, em alguns casos, o comprimento das respostas. O limiar ótimo varia por idioma e modelo; ser educado e direto costuma ser melhor do que ríspido ou excessivamente cerimonioso.
• Para a empresa, isso reforça a diretriz de concisão com cortesia essencial, evitando tokens supérfluos.

OPEX & RISCO — VISÃO DE NEGÓCIO
Quanto mais padronizado e enxuto o fluxo de IA, menor o custo por resultado e menor a pressão sobre infraestrutura. Do outro lado, respostas sem revisão e políticas fracas elevam o risco reputacional (desinformação, conteúdo sensível, vieses).
• Uso responsável é um vetor de eficiência e de mitigação de risco. Gestão responsável inclui políticas internas, revisão humana proporcional ao risco,
rastreabilidade quando houver exigência regulatória e critérios de publicação claros.

O caso das imagens “Ghibli”
Em 2025, observamos a popularização de imagens “estilo Ghibli”. Naquela ocasião, o recurso foi responsável por um aumento de 11% no download do App do Chat GPT e aumento de 5% no número de clientes da OpenAI, além de ter gerada uma grande reflexão sobre seu impacto ambiental. Não temos acesso a dados específicos daquela situação, mas se considerarmos que a geração de imagens com uso de IA é de aproximadamente 35 Milhões de imagens/dia, onde cada operação consome 0,0032 kWh/imagem, podemos chegar ao impacto diário aproximado de emissão de 50 toneladas de CO₂e, 110 MWh de energia, e 100 mil Litros de Água. Somente para geração de imagens!
Por isso, tais situações viraram um ponto de inflexão na cultura popular digital e seguem como referências históricas para discutir os impactos ambientais da massificação e do encantamento popular com uso de tecnologia.
Nas empresas, a tomada de decisão deve se apoiar em indicadores operacionais e ambientais, visando uso consciente dos recursos.

“Obrigado, IA” – educação faz diferença?
A cortesia é bem-vinda; a redundância não. Cada palavra enviada vira tokens e há cobrança por milhão de tokens. Em alto volume, cumprimentos automáticos, assinaturas e rodeios ampliam custo e consumo de energia sem agregar valor.
Em estudos divulgados recentemente, a polidez do prompt demonstrou impacto estatisticamente relevante no comportamento de LLMs: pedidos impolidos degradaram a performance (com erros, vieses e recusas), ao passo que a polidez ‘máxima’ nem sempre otimizou resultados; o nível ideal variou por idioma — evidência de alinhamento cultural dos modelos.
Em benchmarks, foram observadas estabilidade relativa do GPT-4 e queda acentuada em níveis de polidez mínimos (e.g., GPT-3.5 em MMLU). Na construção de resumos, a extensão e o estilo das saídas oscilaram com o tom do pedido. Quanto a viés, o menor índice ocorreu em polidez moderada (p.ex., nível 6 no GPT-4), com aumento nos extremos e mais recusas em prompts ríspidos.
Tais estudos reforçam que o design de prompts deve considerar nuances culturais e buscar um tratamento e educação suficientes — nem áspero, nem bajulador — um tom direto e orientação quanto ao formato da resposta pode ser ideal para maximizar qualidade e reduzir viés, com consciência ambiental.

Adote prompts objetivos, limite de tamanho de resposta e templates que evitem repetição de instruções. Foco na polidez direta e moderada, que mantém qualidade e previsibilidade dos resultados.

Boas práticas orientadas a impacto:
✓ Seja objetivo e otimize seus prompts
✓ Limite as respostas
✓ Defina objetivo e formato de saída (ex.: “5 bullets, até 120 palavras”).
✓ Padronize instruções fixas em templates e memórias (evite duplicação de informações).
✓ Selecione o modelo pelo caso de uso (nem sempre o maior).
✓ Escolha provedores em regiões com maior participação renovável; cobre transparência de indicadores de impacto ambiental.


Referências:

International Energy Agency (IEA). AI set to drive surging electricity demand from data centres (10/04/2025). Link: https://www.iea.org/news/ai-is-set-to-drive-surging-electricity-demand-from-data-centres-while-offering-the-potential-to-transform-how-the-energy-sector-works
IEA. Energy and AI — Energy demand from AI (2025). Link: https://www.iea.org/reports/energy-and-ai
Kamiya, G.; Coroamă, V.C. Data Centre Energy Use: Critical Review of Models and Results. IEA 4E/EDNA (26/03/2025). Link: https://www.iea-4e.org/wp-content/uploads/2025/05/Data-Centre-Energy-Use-Critical-Review-of-Models-and-Results.pdf
Epoch AI (07/02/2025). How much energy does ChatGPT use? Link: https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use
OpenAI — API Pricing (consulta 13/10/2025). Link: https://openai.com/api/pricing/
Samsi, S. et al. (2023). Benchmarking the Energy Costs of LLM Inference. Link: https://arxiv.org/pdf/2310.03003
NAACL 2025. Insights from Benchmarking Inference Energy. Link: https://aclanthology.org/2025.naacl-long.632.pdf
Li, P. et al. (2023–2025). Making AI Less 'Thirsty'. arXiv / CACM 2025. Links: https://arxiv.org/abs/2304.03271 | https://dl.acm.org/doi/10.1145/3724499
SICon 2024. Should We Respect LLMs? A Cross‑Lingual Study on the Influence of Prompt Politeness on LLM Performance. (Arquivo fornecido pelo cliente: 2024.sicon-1.2.pdf)
MIT TECHNOLOGY REVIEW BRASIL. A inteligência artificial está faminta por energia. Disponível em: https://mittechreview.com.br/ia-e-consumo-de-energia/
ÉPOCA NEGÓCIOS. Criar imagens com IA generativa consome tanta energia quanto carregar o celular, revela estudo. Disponível em: https://epocanegocios.globo.com/inteligencia-artificial/noticia/2023/12/criar-imagens-com-ia-generativa-consome-tanta-energia-quanto-carregar-o-celular-revela-estudo.ghtml.
IT INSIGHT PORTUGAL. Utilização de IA aumenta consumo de energia global. Disponível em: https://www.itinsight.pt/news/sustentabilidade/utilizacao-de-ia-aumenta-consumo-de-energia-global.
 
Parte da redação e revisão foi assistida por IA generativa. A IA foi utilizada para: (i) organizar argumentos, (ii) condensar referências e (iii) aprimorar clareza e concisão. As decisões editoriais, verificação de dados e responsabilidade pelo conteúdo final são de Marco Valadares/DC-DinsmoreCompass.