Toda vez que você envia um prompt ao ChatGPT, Gera Imagem ou qualquer outro modelo de IA generativa, uma sequência de cálculos intensos é executada em servidores distantes. O que pouca gente percebe é que, além de eletricidade, essa operação consome água — e muita. Para profissionais e pequenas empresas que dependem dessas ferramentas no dia a dia, entender esse custo oculto é o primeiro passo para usar IA de forma mais estratégica e responsável.
O mecanismo: por que servidores de IA precisam de água
Modelos de linguagem grande (LLMs) e modelos de imagem funcionam a partir de data centers que abrigam milhares de processadores de alta performance, como GPUs e TPUs. Quando esses chips executam bilhões de operações matemáticas por segundo, eles geram calor em uma escala que precisa ser controlada para evitar falhas catastróficas nos equipamentos. A refrigeração é, portanto, um requisito operacional, não um luxo.
Existem dois métodos principais de resfriamento: ar condicionado e sistemas líquidos. O ar condicionado consome muita energia elétrica, o que indiretamente também impacta recursos hídricos nas usinas termelétricas. Já os sistemas líquidos circulam água (ou fluidos refrigerantes) pelas instalações para absorver o calor dos servidores. Essa água, ao longo do processo, evapora parcialmente em torres de resfriamento, o que significa que o volume precisa ser constantemente reposto com água potável ou tratada. É esse ciclo de evaporação e reposição que conecta diretamente o uso de IA ao consumo de água doce.
Além disso, a própria geração de energia elétrica que alimenta os data centers frequentemente depende de usinas hidrelétricas ou termelétricas que utilizam água em seus processos. Ou seja, o gasto hídrico da IA tem duas frentes: a direta, no resfriamento dos servidores, e a indireta, na matriz energética que os alimenta. Essa compreensão dupla é fundamental para dimensionar o problema com precisão.
Quanta água um prompt consome na prática
Estudos acadêmicos estimam que uma única requisição ao GPT-3 (modelo anterior ao atualmente em uso) consumia em média cerca de 500 ml de água — aproximadamente o equivalente a uma garrafa de 500 ml. Modelos mais recentes e capazes, como GPT-4 e equivalentes, tendem a consumir ainda mais por exigirem maior poder computacional. Quando você escala isso para milhões de usuários fazendo dezenas de consultas por dia, o volume se torna expressivo.
Para colocar em perspectiva, o treinamento de um único modelo grande pode consumir milhões de litros de água. A inferência — ou seja, o uso cotidiano que profissionais fazem ao gerar textos, traduzir documentos ou criar imagens — representa a maior fatia do consumo agregado, pois é repetida incansavelmente. Pequenas empresas que automatizam atendimentos com chatbots baseados em LLMs, por exemplo, podem estar vinculadas a um consumo hídrico contínuo sem sequer saber.
Por que o crescimento da IA pressiona o fornecimento de água
A expansão acelerada da inteligência artificial não é um fenômeno isolado — ela se soma a demandas crescentes de água por agricultura, abastecimento urbano e indústria convencional. Em regiões que já enfrentam estresse hídrico, como partes do Sudeste brasileiro, do sul dos Estados Unidos e de diversos países na África e na Ásia, a instalação de novos data centers pode competir diretamente com o consumo humano.
Empresas de tecnologia têm buscado locais estratégicos para instalar seus centros de dados, frequentemente escolhendo regiões com clima mais frio para reduzir a necessidade de refrigeração ativa. No entanto, a demanda por latência baixa (servidores próximos aos usuários) e a disponibilidade de energia limpa muitas vezes prevalecem sobre considerações hídricas locais. Isso cria tensões entre o avanço tecnológico e a sustentabilidade dos recursos naturais das comunidades onde esses centros operam. Como aponta a Universidade Federal de Santa Maria, é necessário ensinar que o uso de tecnologia tem custo ambiental e que escolhas mais conscientes devem ser incentivadas [1].
O ciclo completo: do servidor à torre de resfriamento
Para visualizar o processo com clareza, vale detalhar o caminho da água dentro de um data center típico:
- Geração de calor: GPUs executam inferências e geram calor intenso nos racks de servidores.
- Transferência térmica: Sistemas de refrigeração líquida ou ar frio absorvem esse calor dos componentes.
- Torres de resfriamento: A água aquecida é enviada a torres onde parte dela evapora, dissipando o calor para a atmosfera.
- Reposição: A água evaporada precisa ser reposta frequentemente com água tratada, frequentemente proveniente do abastecimento público local.
- Descarte: Eventualmente, a água acumula sais e minerais e precisa ser descartada ou tratada novamente, gerando efluentes.
Esse ciclo é contínuo enquanto os servidores operam, e a eficiência do sistema varia enormemente entre instalações mais modernas e mais antigas. Data centers construídos há cinco anos tendem a ser significativamente menos eficientes no uso hídrico do que instalações de última geração.
Comparativo de consumo hídrico por tipo de uso de IA
A tabela abaixo apresenta estimativas comparativas de consumo de água para diferentes operações com IA, baseadas em dados disponíveis de pesquisas sobre eficiência hídrica de data centers. Os valores são aproximados e variam conforme o modelo, a infraestrutura do data center e a região climática.
| Tipo de operação | Consumo estimado por requisição | Frequência típica de uso profissional |
|---|---|---|
| Prompt simples de texto (GPT-3) | Dezenas por dia | |
| Prompt complexo com GPT-4 ou superior | ~700 ml a 1 L | 5 a 20 por dia |
| Geração de uma imagem (ex.: DALL-E, Midjourney) | ~2 a 3 L | 3 a 10 por dia |
| Treinamento fino (fine-tuning) de modelo pequeno | Centenas de milhares de litros | Eventual |
| Chatbot de atendimento ativo (24/7, mil interações/dia) | ~500 a 1000 L/dia | Contínuo |
Esses números mostram que o uso aparentemente leve e invisível de IA tem uma pegada hídrica concreta, especialmente quando multiplicado por milhares de profissionais e empresas fazendo o mesmo simultaneamente.
Impacto diferente para freelancers, agências e pequenas empresas
Um criador de conteúdo independente que usa IA para gerar roteiros de vídeo e legendas provavelmente não vai esgotar um reservatório municipal sozinho. No entanto, uma pequena agência de marketing que automatiza a produção de conteúdo para 50 clientes com pipelines de IA — geração de texto, imagem, áudio e revisão — opera em uma escala diferente. Quando essa agência integra chatbots de atendimento ao cliente rodando 24 horas por dia, o consumo agregado se torna relevante.
Para pequenas empresas de e-commerce que usam IA para recomendações de produtos, descrições automáticas e atendimento via WhatsApp, o impacto é proporcional ao volume de requisições. A diferença é que, ao contrário de uma indústria que monitora seu consumo de água diretamente, o gasto hídrico da IA é totalmente invisível para o usuário final. Não há hidrômetro, não há fatura, não há indicador no painel da ferramenta. Essa invisibilidade é parte do problema: sem medição, não há consciência.
O que as grandes empresas de tecnologia estão fazendo
As principais provedoras de infraestrutura de IA — Google, Microsoft, Meta, Amazon — publicam relatórios de sustentabilidade que incluem métricas de uso hídrico. Algumas medidas adotadas incluem: uso de água reciclada ou cinza nos sistemas de resfriamento, investimento em tecnologias de resfriamento imersão (onde os servidores ficam submersos em fluido dielétrico, reduzindo drasticamente a evaporação), e compensação hídrica por meio de projetos de restauração de bacias hidrográficas.
No entanto, especialistas e organizações ambientais apontam que essas medidas, embora relevantes, não acompanham a velocidade de expansão da demanda por IA. O rápido crescimento da IA pressiona o fornecimento de água, exigindo maior consumo nos data centers [3]. A compensação ambiental não equivale à redução do consumo no ponto de origem, e projetos de restauração levam anos para ter efeito real. Para o profissional que usa essas ferramentas, isso significa que a responsabilidade compartilhada começa pela forma como ele decide usar a tecnologia.
Estratégias práticas para reduzir o impacto hídrico ao usar IA
Não é realista propor que profissionais parem de usar IA — ela é, de fato, uma ferramenta de produtividade valiosa. Mas é perfeitamente viável adotar práticas que reduzam o desperdício sem comprometer a qualidade do trabalho:
- Consolide prompts: em vez de fazer cinco perguntas separadas, elabore um único prompt mais completo e estruturado que cubra todas as necessidades de uma vez. Isso reduz o número de inferências necessárias.
- Evite regenerações desnecessárias: se o primeiro resultado de texto está 90% bom, edite manualmente os 10% restantes em vez de clicar em “regenerar” várias vezes até encontrar a versão perfeita.
- Escolha modelos adequados à tarefa: nem toda tarefa exige o modelo mais potente disponível. Um modelo menor e mais eficiente pode resolver tarefas simples de classificação ou formatação com muito menos recurso computacional.
- Automatize com critério: antes de conectar uma API de IA a um fluxo automatizado que dispara milhares de requisições, pergunte-se se todas são realmente necessárias ou se alguma etapa pode ser resolvida com lógica programática simples.
- Monitore seu uso: algumas plataformas já oferecem dashboards de uso por API. Acompanhar quantas requisições são feitas por dia é o primeiro passo para otimizar.
Como destaca a reportagem da BBC reproduzida em vídeo pela jornalista Camilla Veras Mota, é fundamental compreender por que a IA “bebe” tanta água para então buscar alternativas mais eficientes [2]. A otimização de tarefas e o uso excessivo são pontos centrais dessa discussão [1].
IA e água: um custo que vai aparecer na sua operação
Regulamentações sobre transparência do impacto ambiental de IA estão em desenvolvimento na União Europeia, nos Estados Unidos e em outros mercados. É razoável esperar que, nos próximos anos, empresas que oferecem serviços de IA precisem reportar com mais detalhes seu consumo hídrico, e que parte desse custo possa ser repassada ou pelo menos sinalizada aos usuários finais. Pequenas empresas que hoje dependem de IA como infraestrutura básica precisam estar atentas a essa tendência.
Além da pressão regulatória, há uma dimensão de reputação. Consumidores e clientes estão cada mais atentos à sustentabilidade das empresas com que se relacionam. Uma marca que se posiciona como sustentável mas opera com processos automatizados extremamente ineficientes em termos de IA pode enfrentar contradições perceptíveis. Antecipar-se a esse cenário, adotando práticas eficientes desde já, é tanto uma questão ambiental quanto estratégica.
Perguntas frequentes
É verdade que cada prompt de IA consome uma garrafa de água?
Essa é uma estimativa aproximada baseada em pesquisas sobre modelos como o GPT-3, que indicavam cerca de 500 ml por requisição. Modelos mais recentes podem consumir mais ou menos dependendo da infraestrutura do data center e da complexidade da tarefa. Não é uma medição exata para cada interação individual, mas a ordem de magnitude está correta: o consumo por prompt é medido em centenas de mililitros.
A água usada em data centers é a mesma que vai para o abastecimento humano?
Em muitos casos, sim. Data centers frequentemente utilizam água tratada do abastecimento público para reposição nas torres de resfriamento. Algumas instalações mais avançadas utilizam água reciclada, água cinza ou até água do mar com tratamento, mas isso não é a regra geral e depende fortemente da localização e das regulamentações locais.
Usar IA na nuvem é pior do que rodar um modelo localmente?
Depende. Rodar um modelo localmente em seu próprio computador elimina o gasto hídrico direto do data center, mas transfere o custo para a eletricidade que você consome (que também tem impacto hídrico indireto). Além disso, modelos locais são geralmente menores e menos capazes. Para a maioria dos profissionais, a nuvem continua sendo a opção viável, mas a escolha consciente do modelo e a otimização dos prompts fazem mais diferença do que tentar migrar tudo para o ambiente local.
Pequenas empresas podem realmente fazer diferença nesse cenário?
Individualmente, o impacto de uma pequena empresa é limitado. Coletivamente, porém, milhões de pequenas empresas e profissionais autônomos representam uma fatia enorme do uso global de IA. Se cada um reduzir em 30% o número de requisições desnecessárias, o impacto agregado é significativo. Além disso, empresas que adotam práticas eficientes hoje estarão melhor preparadas para regulamentações futuras e para demandas de consumidores por transparência ambiental.
Fontes
[1] Universidade Federal de Santa Maria — Como o uso de inteligências artificiais consome água?
[2] BBC Brasil / YouTube — A água potável ‘perdida’ em data centers de Inteligência Artificial
[3] WaterTech Solutions — A inteligência artificial está usando uma tonelada de água