Como o software pode reduzir a energia por tarefa em data centers de IA

Software pode atuar no consumo de energia de data centers de duas formas: reduzir a energia necessária para uma tarefa ou deslocar cargas flexíveis para outro horário ou região. Um artigo da ACM relata que o sistema Perseus reduziu em até 30% a energia do treinamento de modelos grandes sem perda de throughput — a quantidade de trabalho processada por unidade de tempo — nem alteração de hardware. Já o agendamento de cargas muda quando ou onde a eletricidade é usada; não significa, por si só, que o consumo total cairá.

O que o software pode mudar no consumo de energia

Uma tarefa pode gastar menos energia quando o software ajusta como o modelo é executado. Entre as opções estão usar menor precisão numérica, armazenar em cache respostas a solicitações repetidas, encaminhar pedidos rotineiros a modelos menores e melhorar o agrupamento de tarefas (batching) e os compiladores. Também é possível dimensionar melhor instâncias na nuvem e limitar o tamanho dos comandos e das respostas.

Essas medidas atuam sobre o trabalho computacional: procuram reduzir a energia por tarefa. O planejamento de cargas flexíveis segue outra lógica. Ele adia o processamento ou o transfere para um lugar com capacidade disponível e eletricidade de menor intensidade de carbono. Nesse caso, muda o momento ou a localização do consumo, não necessariamente a energia exigida para concluir cada tarefa.

Resultados em treinamento e perfis de GPU

O artigo da ACM sobre Perseus relata até 30% menos energia no treinamento de modelos grandes, sem perda de throughput e sem modificações no hardware. O sistema organiza o uso de energia durante o treinamento para reduzir desperdícios. O resultado se refere à avaliação descrita no artigo, não a uma redução garantida para qualquer modelo ou data center.

A NVIDIA, por sua vez, descreve perfis de potência para GPUs Blackwell voltados a treinamento de IA, inferência e computação de alto desempenho (HPC). Em uma publicação técnica de 4 de dezembro de 2025, a empresa afirmou que a primeira fase dos perfis pode economizar até 15% de energia, mantendo níveis de desempenho acima de 97% para aplicações críticas.

Os números variam conforme o perfil e a carga de trabalho. Na comparação da NVIDIA com GPUs B200, o escalonamento de frequência aparece associado a 5% de economia de energia no data center e uma queda de 10% no desempenho. O perfil de treinamento indica 5% de economia e queda de 1%; o de inferência, 8% de economia e queda de 3%. São medidas distintas dos máximos anunciados pela empresa.

A NVIDIA também afirma que, em uma instalação limitada pela potência disponível, a economia pode permitir a instalação de mais GPUs e elevar em até 13% o throughput total do data center. Esse número descreve a capacidade de processamento da instalação nesse cenário, não uma economia adicional de energia.

Como o agendamento pode acompanhar a rede elétrica

Cargas em lote que não precisam terminar imediatamente podem ser programadas para períodos de menor demanda ou encaminhadas a uma região com capacidade disponível e eletricidade de menor intensidade de carbono. O planejamento pode ocorrer com antecedência, para o dia seguinte, ou em tempo real, de acordo com sinais da rede e as exigências de desempenho da tarefa.

A transferência entre regiões tem limites práticos. Regras de soberania de dados podem exigir que certas informações permaneçam em uma jurisdição, e deslocar grandes conjuntos de dados também dá trabalho. Assim, nem toda carga pode ser transferida com facilidade; o agendamento depende da flexibilidade da tarefa, da localização dos dados e da capacidade disponível.

Eficiência é parte da resposta

Reduzir a energia por tarefa não garante que um data center passe a consumir menos eletricidade no total. Se a eficiência tornar mais barata a geração de tokens, por exemplo, a instalação poderá executar mais tarefas e usar parte da economia nessa computação adicional. Esse possível efeito rebote é associado ao paradoxo de Jevons.

Por isso, software e escalonamento complementam melhorias de hardware e a expansão da infraestrutura elétrica; não substituem essas frentes. O tema também faz parte de um quadro maior de limites de infraestrutura de IA, como discutido no AI Infra Summit 2026.

O que a AIE projeta para 2030

A Agência Internacional de Energia (AIE) estima que os data centers consumiram cerca de 415 TWh de eletricidade em 2024, aproximadamente 1,5% do consumo mundial. No cenário-base da agência, o consumo global de eletricidade de todos os data centers chega a cerca de 945 TWh em 2030. A previsão não se refere apenas a instalações de IA; a adoção de IA aparece separadamente como um dos principais motores do crescimento no uso de servidores acelerados.