A transformação digital também precisa entrar na conta ambiental
1. Uma nova contradição para as universidades
As universidades ocupam historicamente posição de destaque na discussão sobre mudanças climáticas e sustentabilidade. Produzem conhecimento científico sobre o aquecimento global, desenvolvem tecnologias para a transição energética e, cada vez mais, estabelecem metas institucionais de redução de emissões e de neutralidade de carbono.
Campi universitários passaram a discutir eficiência energética, geração solar, redução de resíduos, mobilidade sustentável, alimentação, consumo de água, construções ambientalmente eficientes e até as emissões decorrentes das viagens aéreas de professores e pesquisadores.
Entretanto, uma nova fonte de impacto ambiental cresce rapidamente e ainda aparece pouco nas políticas universitárias de sustentabilidade:
o uso intensivo da Inteligência Artificial.
Essa questão ganha importância justamente quando universidades de todo o mundo aceleram a incorporação da IA ao ensino, à pesquisa e à administração.
A California State University anunciou em 2025 uma iniciativa que colocou ferramentas de IA à disposição de mais de 460 mil estudantes e 63 mil professores e funcionários distribuídos por 23 campi. (Universidade Estadual da Califórnia)
A Universidade de Oxford, após um projeto-piloto, disponibilizou ChatGPT Edu para seus estudantes e funcionários no ano acadêmico de 2025/2026. (Oxford University)
A Arizona State University também ampliou sua colaboração para disponibilizar ChatGPT Edu a estudantes, docentes, pesquisadores e funcionários. (ASU Enterprise Technology)
Em março de 2026, o MIT disponibilizou para toda a sua comunidade o Parley, plataforma institucional que permite acesso a diferentes modelos de IA generativa em ambiente administrado pela própria universidade. (MIT Organização)
Essas iniciativas mostram que estamos diante de uma transformação estrutural.
A questão não é mais saber se a IA chegará às universidades.
Ela já chegou.
A questão agora é:
como incorporá-la de maneira academicamente responsável, economicamente eficiente e ambientalmente sustentável?
2. A IA não existe apenas “na nuvem”
Existe uma percepção equivocada de que tecnologias digitais seriam essencialmente imateriais.
Não são.
Cada consulta feita a um sistema de IA depende de uma infraestrutura física composta por centros de processamento de dados, servidores, GPUs e outros aceleradores, sistemas de armazenamento, redes de telecomunicações, equipamentos de refrigeração e geração e transmissão de eletricidade.
A fabricação desses equipamentos também envolve matérias-primas, mineração, processos industriais, transporte e substituição periódica de hardware.
O MIT chama atenção exatamente para essa dimensão física da IA generativa: além da eletricidade necessária para treinamento e utilização dos modelos, há consumo de água para refrigeração e impactos ambientais associados à fabricação e ao transporte do hardware. (MIT Sustentabilidade)
Portanto, quando milhões de estudantes, professores e pesquisadores passam a utilizar IA diariamente, estamos também criando uma nova categoria de consumo de recursos naturais.
3. A dimensão energética
Os números ajudam a compreender a escala do problema.
Segundo a Agência Internacional de Energia — IEA —, o consumo mundial de eletricidade dos data centers poderá chegar a aproximadamente 945 TWh em 2030, mais que o dobro do nível de 2024.
Isso corresponderia a pouco menos de 3% do consumo mundial de eletricidade naquele ano.
Mais importante ainda: entre 2024 e 2030, o consumo elétrico dos data centers deverá crescer aproximadamente 15% ao ano, mais de quatro vezes o ritmo de crescimento do restante da demanda mundial de eletricidade. (IEA)
Os servidores acelerados, fortemente associados à expansão da IA, estão entre os principais responsáveis por esse crescimento.
A IEA estima que seu consumo de eletricidade poderá crescer aproximadamente 30% ao ano no período considerado. (IEA)
Isso não significa que a IA seja responsável por todo o consumo dos data centers.
Essa distinção é importante.
Data centers também sustentam armazenamento em nuvem, streaming, serviços empresariais, comércio eletrônico, redes sociais e inúmeras outras aplicações.
Mas a expansão da Inteligência Artificial tornou-se um dos principais vetores adicionais de crescimento dessa infraestrutura.
4. Treinar modelos é apenas parte do problema
Grande parte da discussão pública concentra-se na quantidade de energia necessária para treinar grandes modelos de linguagem.
Entretanto, depois de treinado, o modelo continua consumindo energia cada vez que é utilizado.
Esse processo é conhecido como inferência.
Quando um estudante pede a uma IA para resumir um artigo, quando um professor solicita a preparação inicial de material didático ou quando um pesquisador utiliza um modelo para analisar dados, servidores são acionados em algum lugar do mundo.
Individualmente, uma interação pode parecer insignificante.
Multiplicada por milhões ou bilhões de consultas diárias, entretanto, a escala muda completamente.
Por isso, à medida que a IA se torna uma infraestrutura cotidiana das universidades, o consumo associado à inferência pode adquirir importância crescente. O MIT destaca justamente que a expansão das aplicações de IA generativa faz com que a demanda energética continue muito depois da etapa de treinamento. (MIT Sustentabilidade)
5. Existe também uma pegada hídrica
Outro aspecto ainda menos discutido é o consumo de água.
Centros de processamento de dados geram grande quantidade de calor.
Dependendo da tecnologia utilizada e da localização da instalação, sistemas de refrigeração podem demandar volumes consideráveis de água.
Um estudo publicado na Nature Sustainability estimou que a expansão de servidores de IA nos Estados Unidos poderia produzir, dependendo dos cenários considerados, uma pegada hídrica anual entre aproximadamente 731 milhões e 1,125 bilhão de metros cúbicos, além de emissões adicionais entre 24 e 44 milhões de toneladas de CO₂ equivalente por ano no período 2024–2030. (Nature)
São estimativas sujeitas a importantes incertezas.
O impacto depende da eficiência dos equipamentos, da tecnologia de refrigeração, da matriz energética, da localização dos data centers e de inúmeros outros fatores.
Essa incerteza, entretanto, não deveria ser utilizada como argumento para ignorar o problema.
Não conhecer perfeitamente uma externalidade não significa que ela não exista.
6. O paradoxo das universidades sustentáveis
Surge, portanto, um paradoxo.
Uma universidade pode estabelecer metas rigorosas para reduzir consumo de papel, instalar painéis solares, restringir plásticos descartáveis, diminuir viagens aéreas e buscar certificações ambientais — e simultaneamente multiplicar exponencialmente seu consumo indireto de infraestrutura computacional sem incorporá-lo adequadamente às mesmas métricas ambientais.
A UNESCO chamou atenção recentemente para essa contradição entre a rápida adoção de grandes modelos de linguagem no ensino superior e os custos ambientais ainda pouco visíveis dessa infraestrutura. (UNESCO)
Isso não significa que universidades que adotam IA estejam necessariamente abandonando seus compromissos ambientais.
Significa que surgiu uma nova dimensão da sustentabilidade universitária que precisa ser medida e governada.
7. O problema da transparência
Há uma dificuldade adicional.
Ainda é extremamente complicado calcular quanto de energia, água ou emissões corresponde a uma determinada utilização de Inteligência Artificial.
Os resultados podem variar substancialmente dependendo do modelo, hardware utilizado, tamanho da solicitação, quantidade de tokens processados, localização do data center, eficiência energética, método de refrigeração e matriz elétrica.
Além disso, informações detalhadas sobre esses parâmetros nem sempre são publicamente disponibilizadas pelos fornecedores.
Consequentemente, universidades podem contratar serviços de IA sem conhecer plenamente sua pegada ambiental.
Isso precisa mudar.
8. O poder de compra das universidades
Universidades não são apenas usuárias de tecnologia.
São também grandes compradoras institucionais.
Individualmente, uma instituição pode possuir poder de negociação limitado.
Coletivamente, porém, sistemas universitários, governos, agências de financiamento e grandes redes acadêmicas representam um mercado extremamente relevante.
Esse poder de compra pode transformar-se em instrumento de política ambiental.
Editais e contratos de serviços de IA poderiam progressivamente solicitar indicadores como:
- consumo energético dos serviços;
- eficiência energética dos data centers;
- origem da eletricidade utilizada;
- intensidade de carbono;
- consumo e reposição de água;
- eficiência dos sistemas de refrigeração;
- vida útil e políticas de reciclagem do hardware;
- metas de redução de emissões;
- localização das infraestruturas computacionais;
- metodologia utilizada para cálculo dos indicadores.
Não se trata necessariamente de impedir a contratação de fornecedores que ainda não disponham de todas essas informações.
Trata-se de criar incentivos econômicos para que a transparência passe a fazer parte da competição entre fornecedores de IA.
9. IA maior nem sempre significa IA melhor
Outra discussão precisa entrar nas universidades.
Existe tendência de utilizar o modelo computacionalmente mais poderoso disponível mesmo para tarefas relativamente simples.
Isso nem sempre é necessário.
Resumir um pequeno documento, classificar textos, revisar ortografia ou realizar determinadas tarefas administrativas pode não exigir modelos de fronteira com centenas de bilhões de parâmetros.
Modelos menores, especializados ou executados localmente podem ser suficientes em determinadas aplicações.
Surge assim um princípio importante:
utilizar capacidade computacional proporcional à complexidade do problema.
Esse conceito poderia ser chamado de sobriedade computacional.
Não significa limitar a pesquisa científica.
Significa evitar desperdício computacional quando modelos menos intensivos conseguem entregar resultados equivalentes.
10. O Brasil possui uma condição particular
A discussão internacional não pode ser simplesmente reproduzida no Brasil.
Nossa matriz elétrica possui participação significativa de fontes renováveis, o que pode reduzir a intensidade de carbono da eletricidade consumida por determinadas infraestruturas digitais.
Isso pode representar uma vantagem competitiva para o país na economia da IA.
Mas energia renovável não significa impacto ambiental zero.
Data centers continuam demandando infraestrutura elétrica, transmissão, equipamentos, território e, em determinadas configurações, volumes significativos de água.
Além disso, a rápida expansão desse setor pode criar disputas locais por energia e recursos hídricos.
O Brasil deveria, portanto, aproveitar sua matriz energética relativamente limpa não como justificativa para ignorar o problema, mas como oportunidade para desenvolver uma infraestrutura de Inteligência Artificial ambientalmente competitiva.
11. A oportunidade para as universidades brasileiras
USP, UNICAMP, UNESP, universidades federais, institutos federais, universidades comunitárias e instituições privadas provavelmente ampliarão rapidamente o uso institucional de IA nos próximos anos.
Esse movimento é desejável.
A Inteligência Artificial pode contribuir para personalização da aprendizagem, apoio aos professores, inclusão educacional, pesquisa científica, análise de grandes bases de dados, gestão universitária e redução de atividades burocráticas.
Mas justamente porque a adoção será grande, o momento de estabelecer princípios ambientais é agora.
Não depois que toda a infraestrutura estiver consolidada.
12. Proposta do IVEPESP
O IVEPESP propõe que as instituições brasileiras de ensino superior desenvolvam uma:
Política Institucional de Inteligência Artificial Sustentável
Essa política poderia estar estruturada em dez princípios.
1. Mensuração
Incluir progressivamente a infraestrutura digital e os serviços de IA nos inventários ambientais das universidades.
2. Transparência
Solicitar aos fornecedores informações sobre energia, carbono, água e infraestrutura utilizada na prestação dos serviços.
3. Proporcionalidade computacional
Utilizar modelos e recursos computacionais compatíveis com a complexidade da tarefa.
4. Eficiência
Priorizar arquiteturas, equipamentos e data centers com melhores indicadores de eficiência energética.
5. Energia limpa
Considerar a matriz elétrica e a utilização de fontes renováveis nos critérios de contratação.
6. Gestão hídrica
Incorporar consumo de água e condições locais de disponibilidade hídrica às avaliações de sustentabilidade.
7. Ciclo de vida
Avaliar também fabricação, vida útil, substituição, reutilização e reciclagem de servidores, GPUs e equipamentos associados.
8. Educação
Ensinar estudantes e professores que a Inteligência Artificial possui uma infraestrutura física e ambiental.
9. Pesquisa
Estimular pesquisas brasileiras sobre eficiência computacional, Green AI, novos semicondutores, refrigeração, data centers sustentáveis e mensuração ambiental da IA.
10. Avaliação benefício-impacto
Projetos computacionalmente intensivos deveriam considerar não apenas o custo financeiro, mas também o benefício científico, educacional ou social produzido em relação aos recursos consumidos.
13. Criar um indicador de sustentabilidade da IA
O IVEPESP considera ainda que universidades e agências brasileiras poderiam desenvolver metodologias para um futuro:
Índice de Sustentabilidade Computacional e de Inteligência Artificial — ISCIA
Esse indicador poderia considerar, entre outras variáveis:
energia + carbono + água + eficiência computacional + ciclo de vida do hardware + transparência do fornecedor.
Inicialmente, não seria necessário utilizar o índice como mecanismo punitivo.
Sua primeira função seria produzir informação.
O que não medimos dificilmente conseguimos administrar.
Com amadurecimento metodológico, entretanto, critérios dessa natureza poderiam futuramente integrar editais, compras públicas, avaliações ESG e grandes projetos de infraestrutura científica.
14. As agências de financiamento também têm um papel
CNPq, CAPES, FINEP e fundações estaduais de amparo à pesquisa, como a FAPESP, poderiam estimular a discussão.
Grandes projetos envolvendo treinamento de modelos, supercomputação ou uso intensivo de GPUs poderiam progressivamente informar:
- recursos computacionais necessários;
- consumo energético estimado;
- infraestrutura utilizada;
- medidas de eficiência adotadas.
Novamente, o objetivo não deveria ser criar burocracia capaz de prejudicar a pesquisa.
O objetivo deveria ser incentivar boa engenharia computacional e científica.
Um modelo que obtém resultado semelhante utilizando dez vezes menos recursos representa também inovação.
15. A sustentabilidade pode impulsionar a própria inovação
Existe ainda uma dimensão frequentemente esquecida.
Restrições ambientais podem estimular novas tecnologias.
A necessidade de reduzir o consumo computacional pode acelerar pesquisas em modelos menores, quantização, arquiteturas especializadas, chips mais eficientes, processamento distribuído, novos sistemas de refrigeração e algoritmos energeticamente eficientes.
Nesse sentido, sustentabilidade e inovação não são necessariamente forças opostas.
Podem ser complementares.
A próxima fronteira tecnológica talvez não seja simplesmente construir modelos cada vez maiores.
Pode ser produzir mais inteligência com menos energia, menos água e menos recursos materiais.
16. Não se trata de ser contra a Inteligência Artificial
O IVEPESP considera fundamental deixar esse ponto absolutamente claro.
A resposta aos impactos ambientais da IA não deve ser impedir sua utilização nas universidades.
Seria um erro histórico.
A Inteligência Artificial provavelmente será uma das tecnologias mais importantes para educação, ciência e inovação nas próximas décadas.
Universidades que simplesmente rejeitarem essas ferramentas poderão comprometer sua capacidade científica e a formação de seus estudantes.
Mas existe enorme diferença entre adotar tecnologia e adotá-la sem governança.
Por isso, defendemos uma terceira posição:
nem tecnofobia, nem adoção tecnológica acrítica.
Defendemos inovação responsável.
17. Uma nova missão para a universidade
As universidades possuem uma oportunidade singular.
Podem simultaneamente:
produzir conhecimento sobre os impactos ambientais da IA;
formar profissionais capazes de desenvolver sistemas computacionalmente eficientes;
utilizar seu poder de compra para exigir maior transparência das empresas;
desenvolver novas métricas ambientais;
e demonstrar que transformação digital e sustentabilidade podem caminhar juntas.
A universidade sempre foi um espaço onde novas tecnologias são estudadas, questionadas, aperfeiçoadas e transformadas.
Com a Inteligência Artificial não deveria ser diferente.
Conclusão
A revolução da Inteligência Artificial está apenas começando.
Seu potencial para transformar educação, pesquisa científica, medicina, indústria, administração pública e produtividade é extraordinário.
Mas toda revolução tecnológica possui custos.
Durante muito tempo imaginamos o mundo digital como algo quase imaterial.
A Inteligência Artificial está mostrando exatamente o contrário.
Por trás de cada algoritmo existe infraestrutura.
Por trás da infraestrutura existe energia.
Existe água.
Existem materiais.
Existem emissões.
E existem escolhas.
As universidades, justamente por produzirem conhecimento e formarem as próximas gerações, possuem responsabilidade especial nessa discussão.
Não devemos utilizar menos Inteligência Artificial simplesmente porque ela consome recursos.
Devemos desenvolver e utilizar uma Inteligência Artificial melhor, mais eficiente, transparente e sustentável.
E talvez essa seja uma das grandes contribuições que as universidades possam oferecer à próxima etapa da revolução tecnológica:
produzir mais conhecimento utilizando melhor os recursos do planeta.
Prof. Dr. Helio Dias
Presidente do IVEPESP — Instituto para a Valorização da Educação e da Pesquisa do Estado de São Paulo
https://ivepesp.org.br/membro/helio-dias/
Helio Henrique Villela Dias
Engenheiro de Computação • Cientista de Dados
IVEPESP / Lello Lab / UNIFESP
https://ivepesp.org.br/membro/helio-henrique-villela-dias/