Impacto ambiental da inteligência artificial: aula e dados

O impacto ambiental da inteligência artificial vem principalmente da infraestrutura que treina e executa modelos: data centers consomem eletricidade para processar, armazenar e resfriar equipamentos. A dimensão exata de uma atividade varia muito. Por isso, a escola deve trabalhar com dados agregados, fontes transparentes e incerteza, evitando repetir um número universal de água ou energia por comando.

Impacto ambiental da inteligência artificial: o que sabemos

O relatório Energy and AI, publicado pela Agência Internacional de Energia em 2025, analisa a relação entre expansão de IA, eletricidade, emissões, segurança energética e inovação. Sua afirmação básica é direta: não existe IA sem energia, especialmente a eletricidade usada em data centers.

O consumo não vem apenas do cálculo principal. Servidores precisam de redes, armazenamento, fontes de alimentação e resfriamento. Construção de equipamentos também envolve materiais e cadeias industriais. Ao mesmo tempo, aplicações de IA podem apoiar otimização de redes e descoberta de soluções energéticas. O saldo depende de uso e contexto.

Há ainda uma questão de distribuição. Benefícios digitais podem chegar a um lugar enquanto demanda elétrica, uso de água, construção e descarte se concentram em outro. O UNICEF incluiu impactos ambientais em sua orientação atualizada sobre IA e direitos das crianças. Em aula, sustentabilidade precisa incluir quem recebe vantagens, quem assume custos e quais grupos participam da decisão.

Impacto ambiental da IA é o conjunto de energia, água, materiais e emissões associados à infraestrutura e ao ciclo de vida dos sistemas, descontados os benefícios ambientais que usos comprovados possam gerar. Ele deve ser medido por contexto, não atribuído a toda interação por uma média fixa.

O relatório GEM da UNESCO recomenda avaliar tecnologia educacional por adequação, equidade, escala e sustentabilidade. Essa lente evita tanto entusiasmo automático quanto rejeição sem análise.

Por que números por pergunta costumam enganar

Uma pergunta curta e uma geração longa de imagem não exigem o mesmo processamento. Modelos, chips, quantidade de usuários, eficiência do data center, clima, matriz elétrica e método de alocação variam. Sistemas também mudam rapidamente.

Quando uma publicação afirma que “cada pergunta gasta X”, verifique:

• data e modelo analisado;
• se mede treinamento ou uso;
• tipo e tamanho de saída;
• energia do resfriamento e infraestrutura incluída;
• local e fonte de eletricidade;
• estimativa, medição ou extrapolação;
• intervalo de incerteza.

Sem esses elementos, o número serve pouco para decisão. A honestidade científica inclui dizer “não sabemos com precisão”. O guia para ensinar IA nas escolas reforça o papel da verificação no letramento.

Do comando ao data center: a cadeia em cinco etapas

1. O dispositivo envia dados pela rede.
2. O data center direciona a solicitação a servidores.
3. Processadores executam o modelo e geram a saída.
4. Sistemas armazenam ou descartam dados conforme configuração.
5. Energia e resfriamento mantêm a operação.

Essa cadeia ajuda o aluno a perceber que “nuvem” é infraestrutura física. Também abre questões de geografia: onde ficam data centers, que energia usam, como competem por redes e recursos locais e quem recebe benefícios.

Evite reduzir o debate ao comportamento individual. Escolhas de empresas, contratos, transparência, regulação e matriz energética têm escala maior. Ainda assim, hábitos escolares podem ensinar proporcionalidade e orientar compras.

Projeto de três aulas: vale a energia?

Indicado para 8º e 9º anos ou Ensino Médio, o projeto combina Ciências, Geografia, Matemática e cultura digital.

Aula 1 — mapa do sistema

Grupos desenham o percurso entre um comando e a resposta. Recebem cartões com dispositivo, rede, servidor, chip, resfriamento e fonte de energia. Identificam onde há consumo e quais dados faltam para quantificar.

Aula 2 — auditoria de afirmações

Entregue três trechos: um do relatório da AIE, uma notícia e uma postagem com número sem método. Alunos classificam fonte primária, interpretação e afirmação não verificável. Reescrevem o trecho fraco com limite explícito.

Aula 3 — decisão escolar

Apresente três usos hipotéticos: gerar imagens decorativas descartáveis, adaptar material para acessibilidade e produzir centenas de versões quase idênticas de exercício. Cada grupo avalia benefício, alternativa, escala e incerteza, e recomenda uma política.

A proposta da Academe para escolas permite integrar esse projeto a empreendedorismo e educação financeira, incluindo custo, externalidade e decisão.

Rubrica para avaliar o projeto

Use quatro critérios:

• sistema: identifica infraestrutura além do aplicativo;
• evidência: distingue medição, projeção e opinião;
• incerteza: explica variáveis que mudam a estimativa;
• decisão: compara benefício, custo e alternativa.

Peça uma recomendação de até 150 palavras. O grupo deve incluir uma condição que mudaria sua decisão, como evidência de acessibilidade ou dado de eficiência do fornecedor.

Isso evita respostas morais simplistas. Uma geração que permite acesso a um aluno pode ter valor diferente de centenas de imagens descartadas sem objetivo.

O que gestores podem perguntar a fornecedores

Sustentabilidade deve entrar na avaliação de tecnologia junto com aprendizagem, privacidade, acessibilidade e custo total.

• O fornecedor divulga metas e dados de consumo com metodologia?
• Que controles reduzem processamento desnecessário?
• A escola escolhe retenção e exclusão de dados?
• Há modelos menores ou recursos menos intensivos para a tarefa?
• Equipamentos existentes são compatíveis ou haverá descarte precoce?
• O recurso tem evidência de benefício pedagógico?

O relatório GEM alerta que custos de manutenção e sustentabilidade podem ficar ocultos na decisão inicial. Uma licença barata pode exigir conectividade, suporte, renovação de equipamento e formação.

Práticas proporcionais para a rotina escolar

Não transforme cada uso em culpa individual. Adote critérios simples:

• definir objetivo antes de abrir a ferramenta;
• reutilizar material validado quando atende à turma;
• preferir texto a mídia pesada quando ambos resolvem;
• limitar variações sem finalidade;
• comparar IA com busca, livro, planilha ou criação humana;
• incluir impacto ambiental na política de tecnologia.

Manter equipamento por mais tempo, planejar conectividade e reduzir descarte também importa. A pegada da IA faz parte de um sistema digital maior.

O Blog da Academe pode acompanhar novos dados sem cristalizar estimativas que envelhecem rápido.

A tecnologia melhora quando a escola faz perguntas difíceis

Ensinar sustentabilidade digital não exige resposta perfeita. Exige distinguir o que é conhecido, estimado e oculto. Essa competência protege o aluno de propaganda verde, números virais e decisões sem análise de custo.

A Academe se conecta ao tema ao tratar IA como objeto de letramento e projeto, não como solução automática. Quando o estudante calcula, compara fontes e justifica um uso, ele aprende a decidir onde a tecnologia produz valor suficiente para merecer recursos.

Fontes e leituras recomendadas

• Agência Internacional de Energia — Energy and AI
• UNESCO — Global Education Monitoring Report 2023
• UNICEF — Guidance on AI and Children
• OCDE — What should teachers teach and students learn in a future of powerful AI?