Neste guia
A IA assenta numa infraestrutura física
Um modelo de IA pode surgir como software num ecrã, mas o seu funcionamento exige uma longa cadeia física. As minas e refinarias fornecem matérias-primas; as fábricas de semicondutores produzem processadores e memória; os fabricantes de equipamentos montam servidores; e os centros de dados asseguram a alimentação elétrica, a ligação em rede e o arrefecimento.
Esta distinção é importante porque a eletricidade consumida durante o funcionamento representa apenas uma parte do ciclo de vida. Antes de um servidor processar o seu primeiro prompt, já foram utilizados energia e materiais para fabricar os seus chips, placas de circuitos, fontes de alimentação, unidades de armazenamento e equipamentos de arrefecimento, bem como o edifício que os alberga.
Nenhum valor isolado representa toda esta pegada. As fronteiras variam entre estudos: alguns contabilizam apenas o equipamento informático, enquanto outros incluem edifícios, infraestrutura elétrica, água, redes, ciclos de substituição ou tratamento em fim de vida. Uma estimativa credível deve indicar o que inclui.
Os chips avançados têm uma pegada a montante
Os aceleradores de IA combinam processadores, memória de elevada largura de banda, placas de circuitos, componentes de arrefecimento e técnicas de encapsulamento complexas. A sua produção exige condições de fabrico extremamente controladas, etapas de processamento repetidas, água ultrapura, eletricidade, gases especiais e produtos químicos.
Os nós de fabrico de semicondutores mais pequenos podem proporcionar um maior desempenho de cálculo, mas o fabrico não fica isento de impactos. A análise do The Shift Project assinala que os impactos em termos de energia, água e emissões de gases com efeito de estufa por unidade de área de silício podem aumentar à medida que os processos de fabrico se tornam mais avançados, enquanto os dados públicos sobre os produtos continuam incompletos.
A eficiência deve, por isso, ser considerada em dois níveis. Um acelerador mais recente pode executar a mesma carga de trabalho com menos eletricidade, mas substituir equipamentos prematuramente também cria uma nova pegada de fabrico. O melhor resultado depende da eficiência na execução da carga de trabalho, da vida útil, da taxa de utilização e do destino do hardware substituído.
O hardware de IA utiliza muitos metais e cadeias de fornecimento concentradas
Os servidores contêm aço, alumínio, cobre e silício, além de quantidades muito menores de materiais especializados utilizados em componentes eletrónicos, baterias, ímanes, conectores e sistemas de alimentação. A investigação da ADEME sintetizada pelo The Shift Project indica que podem estar presentes mais de 50 metais no conjunto dos equipamentos digitais.
A questão não se resume à massa de cada material. A extração mineira, a refinação e a produção de componentes ocorrem em diferentes países, com condições que podem variar muito em termos de energia, água, poluição, trabalho e governação. Uma pequena quantidade de um material difícil de refinar pode ter um impacto que não é visível no peso final do servidor.
As cadeias de fornecimento também estão geograficamente concentradas. O AI Index de Stanford destaca a concentração do fabrico de semicondutores avançados e da capacidade de cálculo para IA num pequeno número de países. Esta concentração pode criar estrangulamentos industriais e distribuir de forma desigual os benefícios e os encargos ambientais.
O edifício que alberga os servidores também conta
A infraestrutura de IA exige mais do que bastidores de aceleradores. Os centros de dados utilizam betão, aço estrutural, subestações elétricas, sistemas de reserva, baterias, transformadores, aparelhagem de manobra e proteção, cabos, bombas, permutadores de calor, torres de arrefecimento e equipamentos de rede.
As emissões incorporadas no fabrico e na construção são frequentemente inferiores às emissões operacionais quando a rede elétrica depende fortemente de combustíveis fósseis, mas não são negligenciáveis. A sua importância relativa aumenta quando a eletricidade tem menor intensidade carbónica, porque o betão, o aço, os componentes eletrónicos e os equipamentos de substituição continuam a fazer parte do ciclo de vida.
As instalações e os equipamentos informáticos também envelhecem a ritmos diferentes. Uma declaração de 2026 relativa ao centro de dados Agate da Google, no Nebraska, descreve uma vida útil de projeto típica das instalações superior a 25 anos e de 30 a 50 anos para a estrutura do edifício, enquanto os subsistemas internos de computação, eletricidade e arrefecimento são substituídos ou modernizados por módulos. Trata-se da descrição de um operador para um centro de dados específico, não de uma regra universal do setor.

A substituição do hardware cria uma segunda pegada
A procura de aceleradores mais rápidos pode encurtar os ciclos efetivos de substituição, mesmo quando o hardware mais antigo ainda funciona. Os novos equipamentos podem melhorar o desempenho por watt, mas o seu fabrico exige uma nova utilização de materiais, energia industrial, transporte e instalação.
O hardware retirado de serviço não se torna automaticamente um resíduo. Alguns servidores e componentes podem ser reafetados a cargas de trabalho menos exigentes, recondicionados, revendidos ou utilizados como peças sobresselentes. O tratamento seguro dos dados, a compatibilidade, a eficiência energética e os custos de manutenção determinam se a reutilização é viável.
O que não pode ser reutilizado entra no sistema de gestão de resíduos eletrónicos. O relatório da UNU-INWEH cita uma projeção de até 2.5 milhões de toneladas de resíduos eletrónicos relacionados com a IA por ano até 2030. Trata-se de uma estimativa futura, e não de um total atual medido, que depende fortemente dos pressupostos de implantação e substituição.
É possível reduzir a pegada material da IA?
As medidas mais diretas são prolongar a vida útil do hardware, manter uma elevada taxa de utilização dos servidores, adotar sistemas reparáveis e modulares, dar prioridade à reutilização antes da reciclagem, recorrer a um fabrico mais limpo e melhorar a recuperação de materiais valiosos. Os operadores podem também publicar a pegada de cada produto e as políticas de substituição, para que as melhorias possam ser verificadas.
As decisões sobre software também contam. Modelos mais pequenos e adequados ao objetivo, inferência eficiente, processamento por lotes, quantização e encaminhamento de tarefas simples para sistemas mais leves permitem obter trabalho útil do hardware existente. A eficiência só reduz a pegada total quando o crescimento da procura não anula as poupanças.
Melhorar a medição é essencial. Os relatórios devem separar a eletricidade consumida durante o funcionamento das emissões incorporadas, identificar as fronteiras do ciclo de vida e distinguir as médias de toda a empresa dos dados de cada instalação. O objetivo não é atribuir um valor material exato a cada prompt, mas tornar as decisões sobre infraestruturas mais transparentes e comparáveis.
Leituras complementares e referências
- United Nations University — Environmental Cost of AI's Energy Use
- The Shift Project — AI, data and computing infrastructure
- Stanford AI Index 2026
- International Energy Agency — Energy and AI
- US EPA — Electrical and electronic components manufacturing
- Nebraska Data Center 2026 Annual Report — Agate LLC

