Sistemas de inteligência artificial também “sentem sede”. Estimativas indicam que cada conversa curta de um utilizador com a versão GPT-3 do ChatGPT, da OpenAI, pode consumir até 500 mililitros de água - o equivalente a uma garrafa individual. Em volume semelhante, a IA também pode gastar água para redigir um e-mail de 100 palavras.
Esse número inclui tanto a água usada para arrefecer os servidores no centro de dados quanto a água consumida nas centrais elétricas que geram a eletricidade necessária para os operar.
O mesmo estudo que chegou a essas estimativas também ressalta que o uso de água pelos sistemas de IA pode variar bastante, dependendo de onde e em que momento o computador que responde à consulta está a funcionar.
Para mim, como bibliotecário académico e professor de educação, compreender a IA não é apenas saber escrever prompts. Também passa por entender a infraestrutura, as trocas (trade-offs) e as escolhas cívicas que existem ao redor da IA.
Muita gente parte do pressuposto de que a IA é inerentemente prejudicial, especialmente diante de manchetes que destacam o seu enorme consumo de energia e água. Esses impactos são reais - mas não são toda a história.
Quando as pessoas deixam de ver a IA apenas como um “ralo de recursos” e passam a compreender a sua pegada real - de onde vêm os efeitos, como variam e o que pode ser feito para reduzi-los - ficam muito mais aptas a tomar decisões que equilibrem inovação e sustentabilidade.
2 fluxos ocultos
Por trás de cada consulta feita a uma IA, existem dois fluxos de uso de água.
O primeiro é o arrefecimento local dos servidores, que geram quantidades enormes de calor. Com frequência, isso é feito com torres de arrefecimento evaporativo - grandes sistemas de nebulização que borrifam água sobre tubulações quentes ou bacias abertas. A evaporação dissipa o calor, mas essa água deixa de estar disponível no abastecimento local, como um rio, um reservatório ou um aquífero. Há sistemas alternativos que podem gastar menos água, porém exigem mais eletricidade.
O segundo fluxo está nas centrais que produzem a eletricidade que alimenta o centro de dados. Usinas a carvão, gás e nucleares usam grandes volumes de água em ciclos de vapor e em processos de arrefecimento.
A energia hidrelétrica também “consome” quantidades relevantes de água, que evapora dos reservatórios. Já as centrais solares de concentração - que funcionam mais como as usinas tradicionais a vapor - podem exigir muita água se dependerem de arrefecimento úmido.
Em contrapartida, turbinas eólicas e painéis solares praticamente não utilizam água depois de instalados, tirando limpezas ocasionais.
O clima e o momento fazem diferença
O consumo de água muda de forma acentuada conforme a localização. Um centro de dados numa Irlanda fresca e húmida muitas vezes consegue apoiar-se no ar externo ou em chillers e operar durante meses com uso mínimo de água. Já um centro de dados no Arizona, em julho, pode depender fortemente do arrefecimento evaporativo. O ar quente e seco torna esse método altamente eficaz - mas também exige grandes volumes de água, já que a evaporação é o mecanismo que remove o calor.
O horário também pesa. Um estudo da University of Massachusetts Amherst constatou que um centro de dados pode usar apenas metade da água no inverno em comparação com o verão. E, ao meio-dia durante uma onda de calor, os sistemas de arrefecimento trabalham no limite. À noite, a procura é menor.
Abordagens mais recentes oferecem alternativas promissoras. Um exemplo é o arrefecimento por imersão, que submerge servidores em líquidos que não conduzem eletricidade, como óleos sintéticos, reduzindo quase totalmente a evaporação de água.
Além disso, um novo desenho da Microsoft afirma usar zero água para arrefecimento, ao circular um líquido especial por tubulações seladas diretamente sobre os chips. O líquido absorve o calor e depois o libera num sistema de circuito fechado, sem precisar de evaporação. Esses centros de dados ainda usariam alguma água potável para casas de banho e outras instalações de pessoal, mas o arrefecimento deixaria de retirar água dos recursos locais.
Essas soluções, contudo, ainda não se tornaram padrão - principalmente por causa do custo, da complexidade de manutenção e da dificuldade de converter centros de dados existentes para novos sistemas. A maioria dos operadores segue a depender de sistemas evaporativos.
Uma habilidade simples que você pode usar
O tipo de modelo de IA consultado também influencia. Isso ocorre por causa de diferenças de complexidade - e do hardware e da potência de processamento exigidos. Alguns modelos podem consumir muito mais recursos do que outros. Por exemplo, um estudo concluiu que certos modelos podem gastar mais de 70 vezes mais energia e água do que modelos ultraeficientes.
Dá para estimar a pegada hídrica da IA por conta própria em apenas três passos, sem precisar de matemática avançada.
Passo 1 – Procure pesquisas credíveis ou divulgações oficiais. Análises independentes estimam que uma resposta de comprimento médio do GPT-5 - cerca de 150 a 200 palavras de saída, ou aproximadamente 200 a 300 tokens - usa cerca de 19.3 watt-horas. Uma resposta de comprimento semelhante do GPT-4o usa cerca de 1.75 watt-horas.
Passo 2 – Use uma estimativa prática da quantidade de água por unidade de eletricidade, somando o consumo para arrefecimento e para geração.
Investigadores independentes e relatórios da indústria sugerem que uma faixa razoável hoje é de cerca de 1.3 a 2.0 mililitros por watt-hora. O limite inferior reflete instalações eficientes, com arrefecimento moderno e redes elétricas mais limpas. O limite superior representa locais mais típicos.
Passo 3 – Agora é juntar as peças. Pegue o valor de energia encontrado no Passo 1 e multiplique pelo fator de água do Passo 2. O resultado é a pegada hídrica de uma única resposta de IA.
A fórmula, em uma linha, é esta:
Energia por prompt (watt-horas) × Fator de água (mililitros por watt-hora) = Água por prompt (em mililitros)
Para uma consulta de comprimento médio ao GPT-5, esse cálculo deve usar os valores de 19.3 watt-horas e 2 mililitros por watt-hora. 19.3 x 2 = 39 mililitros de água por resposta.
Para uma consulta de comprimento médio ao GPT-4o, o cálculo é 1.75 watt-horas x 2 mililitros por watt-hora = 3.5 mililitros de água por resposta.
Se você assumir que os centros de dados são mais eficientes e usar 1.3 mililitros por watt-hora, os valores caem: cerca de 25 mililitros para o GPT-5 e 2.3 mililitros para o GPT-4o.
Um relatório técnico recente da Google afirmou que o prompt de texto mediano do seu sistema Gemini usa apenas 0.24 watt-horas de eletricidade e cerca de 0.26 mililitros de água - aproximadamente o volume de cinco gotas. No entanto, o relatório não informa o comprimento desse prompt, então não dá para comparar diretamente com o uso de água dos modelos GPT.
Essas estimativas distintas - de 0.26 mililitros a 39 mililitros - mostram o quanto a eficiência, o modelo de IA e a infraestrutura de geração elétrica fazem diferença.
Comparações ajudam a dar contexto
Para entender de facto quanta água essas consultas consomem, pode ser útil colocá-las ao lado de outros usos familiares de água.
Quando multiplicado por milhões, o gasto de água por consulta de IA torna-se significativo. A OpenAI reporta cerca de 2.5 bilhões de prompts por dia. Esse total inclui consultas aos sistemas GPT-4o, GPT-4 Turbo, GPT-3.5 e GPT-5, sem detalhamento público de quantas consultas vão para cada modelo.
Ao combinar estimativas independentes com a divulgação oficial da Google, dá para ter uma noção do intervalo possível:
- Todos os prompts medianos do Google Gemini: cerca de 650,000 litros por dia.
- Todos os prompts médios do GPT 4o: cerca de 8.8 milhões de litros por dia.
- Todos os prompts médios do GPT 5: cerca de 97.5 milhões de litros por dia.
Para comparar, nos EUA as pessoas usam cerca de 34 bilhões de litros por dia ao regar relvados e jardins residenciais. Um litro equivale a cerca de um quarto de galão.
A IA generativa, sim, usa água - mas, pelo menos por enquanto, os seus totais diários são pequenos quando comparados com outros usos comuns, como relvados, duchas e lavagens de roupa.
Esse consumo, porém, não é imutável. A divulgação da Google mostra o que é possível quando os sistemas são otimizados, com chips especializados, arrefecimento eficiente e gestão inteligente de carga de trabalho. Reciclar água e instalar centros de dados em regiões mais frescas e chuvosas também pode ajudar.
Transparência também conta: quando as empresas publicam os seus dados, o público, formuladores de políticas e pesquisadores conseguem ver o que é viável e comparar fornecedores de forma justa.
Leo S. Lo, Diretor de Bibliotecas; Assessor do Reitor para Literacia em IA; Professor de Educação, University of Virginia
Este artigo foi republicado de The Conversation sob uma licença Creative Commons. Leia o artigo original.
Comentários
Ainda não há comentários. Seja o primeiro!
Deixar um comentário