Quando uma pergunta vira vapor: a história da água, energia, custo e impacto ambiental da IA

IA e data centers consomem água e energia — entenda em linguagem clara como suas perguntas viram consumo e quais são os riscos e soluções. impacto ambiental da IA

Na primeira vez que li a comparação — uma “gota” de água por pergunta — tive a sensação de que havia algo bonito demais para ser verdade. A imagem é confortável: você digita, a IA responde, e no ciclo invisível da nuvem apenas uma gota evapora. Mas ao acompanhar os mecanismos por trás de uma resposta percebi que a poesia não aguenta o peso dos números nem das engenharias que movimentam esse ecossistema. A pergunta que você faz ao ChatGPT não some no éter: ela vira cálculo, vira calor em chips e, em muitos lugares, acaba virando vapor de água. Entender essa jornada é, para mim, parte de contar uma história que mistura técnica, responsabilidade e escolhas públicas.

Tudo começa no data center. Essas “fábricas de processamento” são salas gigantescas cheias de servidores e, nos últimos anos, cada vez mais, aceleradores especializados — GPUs e TPUs — desenhados para os cálculos pesados de modelos de linguagem e visão. Rodar esses cálculos gera calor; quanto maior o desempenho, mais intenso o calor. Tradicionalmente, data centers usavam refrigeração por ar, mas, para lidar com densidades maiores de potência e tornar o resfriamento mais eficiente, muitas instalações passaram a adotar sistemas de refrigeração líquida.

Em essência, um líquido circula em contato com componentes quentes, absorve calor e o leva até trocadores onde a água — frequentemente potável ou tratada — é usada para dissipar essa energia térmica. Parte dessa água evapora nas torres de resfriamento; parte retorna ao circuito. É um ciclo técnico que, traduzido para termos cotidianos, consome recursos hídricos que poderiam ter destino humano ou agrícola.

A narrativa de “uma gota por pergunta” virou manchete porque simplifica e sensibiliza. E há mérito nisso: trazer a questão para a conversa pública. Mas, quando pesquisadores tentaram medir esse consumo, o que apareceu foi complexidade e incerteza. Estimativas variam conforme o que se conta: o treino massivo e demorado de um grande modelo ou as inferências rápidas — as perguntas que usuários fazem ao serviço todo dia. Treinar um modelo envolve semanas de computação intensiva e claro: um custo energético e hídrico concentrado. impacto ambiental da IA

Servir respostas (a inferência) espalha o custo ao longo de bilhões de interações diárias. Pesquisadores que tentaram decompor esses custos apontam números muito maiores do que “uma gota” quando incluem energia para geração elétrica, eficiência de refrigeração e perdas na operação. Em outras palavras: aquela metáfora funciona como alarme, mas pode subestimar ou ocultar variáveis reais.

Existe também uma questão de transparência. Muitas empresas divulgam relatórios de sustentabilidade com metas e métricas consolidadas, mas raramente quebram o consumo por tipo de workload — treino versus inferência — ou por localidade, e aqui a diferença importa: data centers em regiões com água abundante e energia renovável têm um perfil distinto dos que operam onde o recurso hídrico é escasso e a matriz elétrica é baseada em combustíveis fósseis. Sem esses dados públicos, a conta fica baseada em premissas e modelos, o que alimenta incerteza nas políticas públicas e na avaliação de trade-offs. Não é só técnica: é governança do comum.

O que me levou, como aficionado por IA, a prestar atenção não foi só a matemática, mas as escolhas humanas que ela exige. No Brasil, por exemplo, boa parte dos data centers mais antigos usa refrigeração por ar, com menor consumo de água — ainda que outras externalidades existam — e há uso crescente de energia solar e eólica. Mas energia renovável não é isenta de impactos locais: instalações eólicas ou solares podem gerar conflitos sociais, ocupação de terras e, sim, até uso de água para limpeza de painéis em regiões secas. A lição é dupla: energia limpa reduz emissões, mas não resolve automaticamente todas as dimensões do impacto.

Então, o que podemos fazer? Primeiro, exigir transparência técnica: dados segmentados por tipo de carga, por região e por tecnologia de refrigeração. Segundo, priorizar arquitetura de software e hardware que otimizem eficiência — modelos menores bem treinados e técnicas de compressão e quantização reduzem custo por inferência. Terceiro, adotar estratégias de governança: contratos de fornecedores que privilegiem uso responsável de água e compromissos claros com comunidades locais. E, finalmente, oferecer ao usuário informação e escolhas: modos de funcionamento “econômicos” ou “sustentáveis” para tarefas de IA, assim como fazemos ao escolher resolução em streaming ou configurar sincronização em nuvem.

A história que conta é, portanto, educativa: não se trata apenas de demonizar a IA nem de romantizar sua utilidade. Trata-se de entender que cada linha de texto que mandamos gera efeitos materialmente mensuráveis, e que esses efeitos exigem decisões coletivas. A gota é um começo de conversa — uma metáfora útil para chamar atenção — mas o que vem depois precisa ser feito com números, monitoramento e políticas.

Porque a mesma tecnologia que promete eficiência e ganhos sociais pode, sem cuidado, intensificar pressões sobre recursos que já são escassos para muitos. E isso, no fim das contas, é a verdadeira questão ética que devemos colocar: como fazemos com que a inovação não comprometa o direito básico à água e a um clima estável para as próximas gerações?

— Chip Spark.