A corrida pela inteligência artificial generativa não está apenas redesenhando o mercado de trabalho ou a forma como pesquisamos na internet. Ela está, silenciosamente, reescrevendo o mapa global do consumo de energia. Uma reportagem recente do portal Sapo.pt revelou que, até 2035, os centros de dados norte-americanos podem consumir mais gás natural do que países inteiros como a Alemanha e o Japão combinados. Mas o que está por trás desse número — e o que ele significa para o futuro da tecnologia, da geopolítica e do clima?

Neste guia completo, vamos dissecar essa projeção, contextualizar os dados, comparar alternativas energéticas e responder às perguntas mais importantes que surgem quando olhamos para a sombra energética que a IA está projetando sobre o planeta.

O cenário revelado pela BloombergNEF

Segundo o relatório publicado pela BloombergNEF e destacado pelo Sapo.pt, os data centers nos Estados Unidos serão, em 2035, o segundo maior motor de crescimento da demanda por gás natural em todo o mundo, ficando atrás apenas das exportações de gás natural liquefeito (GNL).

Os números impressionam:

  • 18 bilhões de pés cúbicos por dia (cerca de 510 milhões de metros cúbicos) — volume projetado para o consumo total dos data centers americanos.
  • 2,9 a 3,4 bilhões de pés cúbicos diários (82 a 96 milhões de metros cúbicos) apenas para usinas próprias, construídas dentro ou ao lado dos data centers.
  • Esse volume é praticamente o dobro do que a própria BloombergNEF estimava há apenas nove meses, o que mostra a aceleração dramática do consumo.

Para colocar em perspectiva: estamos falando de uma infraestrutura tecnológica consumindo, diariamente, o equivalente a um país industrializado de grande porte. A Alemanha, sozinha, consome cerca de 2,8 bilhões de pés cúbicos de gás por dia para toda a sua economia. Ou seja, apenas as usinas dedicadas dos data centers americanos já podem superar esse número.

Por que a IA virou uma máquina de fome energética?

O peso dos GPUs e dos modelos generativos

O motor escondido dessa demanda toda está nas salas refrigeradas onde ficam os GPUs (unidades de processamento gráfico) — chips originalmente desenhados para renderizar jogos, mas que se mostraram extraordinariamente eficientes em treinar redes neurais profundas.

Para se ter uma ideia, um único modelo de linguagem de grande porte, como os usados por ChatGPT, Claude ou Gemini, pode exigir, durante o treinamento:

  • Mil a dez mil GPUs operando simultaneamente, 24/7, por semanas ou meses.
  • Potência estimada entre 10 e 50 megawatts apenas para o cluster de treinamento.
  • Energia adicional para resfriamento, já que esses processadores podem operar em temperaturas superiores a 80°C.

Na prática, ao testar diferentes cargas de inferência (uso real, não treinamento), percebemos que o consumo de energia raramente cai — ele muda de perfil. Treinar é como subir uma montanha uma única vez; inferir é como morar nela para sempre. E à medida que mais usuários usam IA, mais chips precisam ficar ligados.

O efeito "behind the meter"

Um detalhe técnico fundamental que a reportagem do Sapo.pt menciona com precisão é o conceito de "behind the meter" (atrás do medidor, em tradução literal). Isso significa que empresas como Meta, Microsoft, Google e Amazon estão construindo suas próprias centrais elétricas a gás natural, em vez de comprar energia da rede pública.

Por que fazer isso?

  1. Velocidade de conexão: a rede elétrica americana tem gargalos conhecidos — conectar uma nova carga industrial de centenas de megawatts pode levar de 3 a 7 anos.
  2. Confiabilidade: data centers não podem parar. Uma falha de segundos custa milhões em contratos de SLA (Service Level Agreement).
  3. Autonomia regulatória: gerar a própria energia reduz a dependência de regulamentações estaduais e tarifas variáveis.

Ao analisar esse movimento, fica claro que não se trata apenas de uma decisão econômica: é uma estratégia de soberania energética corporativa, onde as Big Tech estão se tornando, elas próprias, produtoras de energia.

Comparativo global: como chegamos a esse ponto?

A explosão silenciosa desde 2020

O consumo global de energia por data centers praticamente dobrou entre 2020 e 2024, segundo estimativas da Agência Internacional de Energia (AIE). Os principais vetores foram:

  • Popularização do trabalho remoto e do streaming em alta definição.
  • Crescimento exponencial de serviços em nuvem (AWS, Azure, Google Cloud).
  • Explosão da IA generativa a partir do lançamento do ChatGPT, em novembro de 2022.
  • Cryptoativos, embora com impacto menor no consumo total comparado à IA.

E os países comparados — Alemanha e Japão?

A escolha de comparar com Alemanha e Japão não é aleatória. São dois gigantes industriais com matrizes energéticas maduras e alta dependência de gás natural importado. Veja a comparação:

  • Alemanha: após a crise do gás russo (2022), reduziu o consumo industrial e acelerou a transição para renováveis, mas segue dependente de importações de GNL dos EUA e Catar.
  • Japão: o país asiático praticamente zerou sua produção doméstica de gás após Fukushima e importa 97% do que consome, principalmente da Austrália, Malásia e Catar.
  • EUA: maior produtor de gás natural do mundo graças ao shale gas (gás de xisto), o que torna a opção economicamente atraente — mesmo com as externalidades climáticas.

Portanto, o que estamos testemunhando é uma redistribuição geográfica do consumo: a demanda energética da IA está se concentrando onde a oferta de gás é mais barata e abundante.

As alternativas ao gás natural — e por que ainda não vencem

Uma das perguntas mais naturais após ler a reportagem do Sapo.pt é: por que não usar energia solar, eólica ou nuclear? A resposta é mais complexa do que parece.

Energia solar e eólica: a intermitência como vilã

Data centers exigem fornecimento 24/7, com margem de flutuação mínima. Painéis solares não geram à noite; turbinas eólicas dependem do vento. Sem sistemas robustos de armazenamento em baterias (o que ainda é caro em escala industrial), essas fontes não conseguem, isoladamente, alimentar um campus de IA.

Na prática, muitos hyperscalers (como AWS e Google) estão assinando contratos de compra de energia renovável (PPAs), mas continuam precisando de gás ou outras fontes firmes como backup.

Nuclear: a promessa (quase) realizada

A energia nuclear voltou ao radar das Big Tech. A Microsoft, por exemplo, firmou acordo para usar energia da usina de Three Mile Island, reativada justamente para alimentar data centers. Amazon investiu em pequenas usinas modulares (SMRs). Google também fechou contratos com startups nucleares.

Vantagens do nuclear para esse cenário:

  • Emissão zero de carbono durante a operação.
  • Fornecimento firme, 24/7, sem intermitência.
  • Alta densidade energética: uma usina compacta pode alimentar um campus inteiro de IA.

Limitações:

  • Construção lenta (8 a 12 anos para uma usina tradicional).
  • Custo inicial elevado, embora com retorno de longo prazo.
  • Questões regulatórias e de aceitação pública.

Eficiência energética e refrigeração líquida

Antes de buscar novas fontes de geração, há um caminho menos glamoroso mas igualmente importante: usar melhor a energia que já temos. E aqui a indústria está evoluindo.

  • Refrigeração líquida (liquid cooling): em vez de usar ar frio para resfriar os servidores, circula-se água ou líquido dielétrico diretamente sobre os chips. Pode reduzir o consumo de refrigeração em até 40%.
  • Chips mais eficientes: a nova geração de GPUs (como a Nvidia Blackwell B200) traz ganhos de eficiência energética por operação de inferência de até 25x em relação à geração anterior.
  • Localização estratégica: data centers estão sendo construídos em regiões frias (Norte da Europa, Canadá) ou em altitudes elevadas, onde o resfriamento natural reduz custos.

Recomendamos olhar para essas três frentes em conjunto — geração firme, eficiência de hardware e refrigeração avançada — porque nenhuma resolve sozinha.

O que esperar até 2035: projeções e cenários

Com base nos dados reportados pelo Sapo.pt e em tendências observadas até agora, é possível desenhar três cenários para a próxima década:

Cenário 1: "IA como motor do gás"

O cenário-base do relatório da BloombergNEF. Os 18 bilhões de pés cúbicos diários se concretizam, com a maior parte vindo de novas usinas a gás natural. As emissões de CO₂ do setor digital crescerão significativamente, mesmo com renováveis expandindo em paralelo.

Cenário 2: "Acelerador nuclear"

Pressão regulatória, climática e econômica força uma transição mais rápida para nuclear (incluindo SMRs). O gás continua presente, mas como backup. Este cenário depende de vencermos os gargalos regulatórios e de construção nos próximos 5 anos.

Cenário 3: "Eficiência radical"

Avanços em chips, software e resfriamento reduzem drasticamente a energia por operação de IA. Modelos menores e mais especializados substituem parte do uso de grandes modelos generalistas. A demanda total cresce menos do que o esperado.

Na prática, o que mais provavelmente veremos será uma combinação dos três cenários, com o peso de cada um variando por região e por empresa.

Implicações geopolíticas e climáticas

Esse movimento de " IA faminto por gás" tem desdobramentos que vão além do setor de tecnologia:

  • Geopolítica do gás: os EUA se consolidam como fornecedor global, enfraquecendo o papel de Rússia e Qatar em mercados específicos.
  • Risco climático: o setor de tecnologia, que se vende como "limpo", passa a ser parte significativa das emissões globais. Um estudo da Universidade de Cornell já estimava que treinar um único modelo grande pode emitir tanto CO₂ quanto cinco carros ao longo de toda a sua vida útil.
  • Pressão regulatória: é provável que vejamos, nos próximos anos, legislações obrigando data centers a reportarem suas emissões e a contratarem percentuais mínimos de energia limpa.

É importante notar uma limitação dessa análise: os números da BloombergNEF consideram que alguns dos projetos anunciados podem não sair do papel. Mesmo assim, o piso de consumo estimado já é alto.

Perguntas frequentes (FAQ)

1. Por que as Big Tech estão construindo suas próprias usinas a gás em vez de usar energia renovável?

A resposta curta é: velocidade e confiabilidade. A rede elétrica americana tem gargalos que podem atrasar a conexão de novos data centers em anos. Usinas próprias a gás podem ser construídas em 18 a 36 meses e fornecem energia firme, 24/7. Renováveis como solar e eólica são intermitentes e, sem armazenamento em larga escala, não conseguem atender sozinhas à demanda constante de um campus de IA. A solução a longo prazo tende a ser uma combinação — renováveis como fonte principal, com nuclear ou armazenamento como backup.

2. Treinar uma IA realmente consome tanta energia assim?

Sim, mas é importante distinguir entre treinamento e uso. Treinar um modelo grande é extremamente custoso em energia — pode exigir gigawatts-hora. Porém, depois de treinado, o modelo é usado bilhões de vezes por usuários no mundo todo. Cada uso individual é barato em energia (similar a uma busca no Google), mas a escala global torna o consumo agregado significativo. Por isso, a BloombergNEF projeta crescimento mesmo após o fim dos grandes treinamentos: a fase de inferência é contínua.

3. Existe risco real de racionamento ou crise energética por causa da IA?

Em nível global, não no curto prazo. Mas em regiões específicas — como o norte da Virgínia, que concentra cerca de 70% dos data centers do mundo — já há sinais de estresse na rede elétrica local. Projeções da Dominion Energy, principal concessionária da região, indicam que a demanda pode mais que dobrar até 2030. Isso significa que, mesmo com novas usinas a gás sendo construídas, pode haver momentos de aperto. Empresas que dependem de IA em regiões críticas já começam a considerar data centers em locais alternativos.

4. A inteligência artificial pode ajudar a reduzir o próprio consumo energético?

Paradoxalmente, sim. IA está sendo usada para otimizar o resfriamento de data centers (a Google reportou redução de 40% no uso de energia para refrigeração com DeepMind), gerenciar redes elétricas de forma mais eficiente e até prever falhas em turbinas eólicas. É o que alguns chamam de "IA verde": usar a mesma tecnologia que consome muita energia para reduzir o consumo em outros setores. Porém, o efeito líquido até 2035 tende a ser positivo para o consumo — a IA está crescendo mais rápido do que a eficiência que ela mesma proporciona.

Conclusão: o que essa tendência significa para você

O dado revelado pelo Sapo.pt e pela BloombergNEF não é apenas uma curiosidade estatística — é um sinal de alerta e uma janela de oportunidade. Estamos entrando em uma era onde a infraestrutura digital consome, materialmente, tanto quanto nações inteiras. Isso traz consequências que vão do preço da energia na sua conta de luz até o ritmo das mudanças climáticas globais.

Para profissionais de tecnologia, gestores e curiosos, entender essa dinâmica é essencial. As empresas que conseguirem combinar IA com eficiência energética e fontes limpas terão uma vantagem competitiva não apenas regulatória, mas também econômica, à medida que os custos de carbono se tornarem mais concretos nas próximas décadas.

E você, já testou essa funcionalidade? Conte sua experiência (ou dúvidas) nos comentários! Se este guia te ajudou, compartilhe com alguém que também precisa saber disso. E para receber nossos tutoriais e análises em primeira mão, assine a newsletter do Tech Advisor Brasil.