/var/www/html/public/pdf-html/article-25/index

Revista Científica Virtual da ESA OAB SP. Ed. 50. 2025. Este trabalho está licenciado sob a Licença
Creative Commons Atribuição 4.0 Internacional (CC BY 4.0).

185

INTELIGÊNCIA ARTIFICIAL E QUESTÕES CLIMÁTICAS

O IMPACTO AMBIENTAL DA INTELIGÊNCIA ARTIFICIAL

Resumo

A Inteligência Artificial (IA) é geralmente definida
como um campo da ciência da computação voltado
à criação de sistemas capazes de simular aspec-
tos do pensamento humano. Contudo, sua imagem
popular – associada à “nuvem” e à autonomia algorít-
mica – mascara sua natureza profundamente mate-
rial. O avanço recente da IA não decorre apenas de
inovações conceituais, mas da combinação entre o
acesso a grandes volumes de dados (Big Data) e o

desenvolvimento de hardware de alta performance,
como GPUs e TPUs, que viabilizam o

deep learning

Assim, uma definição crítica de IA deve ir além de
suas funções e incluir sua base física – a infraestru-
tura de data centers que consome enormes quan-
tidades de energia, água e minerais. A metáfora
da “nuvem” esconde esse sistema industrial, com-
posto por servidores, cabos e sistemas de refrige-
ração. A IA, portanto, deve ser entendida como um
sistema sociotécnico de larga escala, cuja existên-
cia depende de um alto custo ambiental. Compreen-

Adriano de Assis Ferreira

Possui graduação em Direito pela Universidade de São Paulo (1999), mestrado em Direito Político e Econômico
pela Universidade Presbiteriana Mackenzie (2004), mestrado em Letras (Teoria Literária e Literatura Comparada)
pela Universidade de São Paulo (2004), doutorado em Ciências Sociais pela Pontifícia Universidade Católica de
São Paulo (2012), doutorado em Literatura Brasileira pela Faculdade de Filosofia, Letras e Ciências Humanas -
USP (2010) e doutorado em direito pela Faculdade de Direito da USP (2015). Atualmente é coordenador geral da
Escola Superior de Advocacia da OAB Seção SP, coordenador do curso de direito da Faculdade Lumina, coorde-
nador do curso de direito da Faculdade Unida de São Paulo, diretor de regulatório - Galícia Educação e professor
associado da Universidade São Judas Tadeu.

https://orcid.org/0009-0008-0549-8190

186

Revista Científica Virtual da ESA OAB SP. Ed. 50. 2025. Este trabalho está licenciado sob a Licença
Creative Commons Atribuição 4.0 Internacional (CC BY 4.0).

der seus impactos requer desmistificar sua aparente
imaterialidade e reconhecer a infraestrutura que a
sustenta.

Palavras-chave:

Inteligência artificial, Sistemas

sociotécnico, Impacto ambiental.

Abstract

Artificial Intelligence (AI) is generally defined as a
field of computer science aimed at creating systems
capable of simulating aspects of human thought.
However, its popular image—associated with the
“cloud” and algorithmic autonomy—masks its deeply
material nature. The recent advancement of AI stems
not only from conceptual innovations but from the
combination of access to large volumes of data (Big
Data) and the development of high-performance
hardware, such as GPUs and TPUs, which enable
deep learning. Thus, a critical definition of AI must go
beyond its functions and include its physical base—
the data center infrastructure that consumes enor-
mous quantities of energy, water, and minerals. The
“cloud” metaphor hides this industrial system, com-
posed of servers, cables, and cooling systems. AI,
therefore, must be understood as a large-scale soci-
otechnical system whose existence depends on a
high environmental cost. Understanding its impacts
requires demystifying its apparent immateriality and
recognizing the infrastructure that sustains it.

Keywords:

Artificial intelligence, Sociotechnical

systems, Environmental impact.

Recebido em:

Setembro de 2025

Aprovado em:

Novembro de 2025

1. O que é inteligência artificial

1.1 Definição de IA: da Abstração Funcio-

nal à Realidade Material

A Inteligência Artificial (IA) é comumente definida em
termos funcionais: um campo abrangente da ciên-
cia da computação dedicado a criar sistemas que
podem processar informações e simular facetas do
pensamento humano. Em sua concepção popular
e midiática, a IA evoca imagens de cognição desen-
carnada, de algoritmos que aprendem, raciocinam,
preveem e criam de maneira autônoma, habitando
um espaço etéreo frequentemente referido como “a
nuvem” (cloud computing). Essa percepção é refor-
çada pela natureza de suas aplicações mais visí-
veis, como o Processamento de Linguagem Natu-
ral (PLN) em chatbots ou a visão computacional em
diagnósticos médicos, que parecem ser puramente
lógicos ou digitais.

Embora formas rudimentares de IA existam desde
a década de 1950, o “ritmo alucinante” de sua evo-
lução recente não se deve a um salto puramente
conceitual ou algorítmico. Pelo contrário, a explo-
são contemporânea da IA é um fenômeno decidida-
mente material, ancorado em dois desenvolvimentos
físicos que alteraram fundamentalmente sua viabili-
dade e escala. O primeiro é a disponibilidade de con-
juntos massivos de dados (Big Data), o “novo petró-
leo” que serve como matéria-prima indispensável
para o treinamento de modelos. O segundo, e talvez
mais determinante, é o avanço exponencial na capa-
cidade de computação, especificamente o desen-
volvimento de Unidades de Processamento Grá-
fico (GPUs) e hardware especializado (como TPUs)
capazes de realizar os trilhões de cálculos paralelos
necessários para o

deep learning

Portanto, uma definição de IA para o século XXI
que se pretenda crítica e analítica não pode limitar-

187

Revista Científica Virtual da ESA OAB SP. Ed. 50. 2025. Este trabalho está licenciado sob a Licença
Creative Commons Atribuição 4.0 Internacional (CC BY 4.0).

-se à sua função (o que ela faz). Ela deve, imperati-
vamente, incluir sua fundação (o que ela é e o que
ela consome). A metáfora da “nuvem” é, neste con-
texto, uma falácia tecnológica; ela obscurece delibe-
radamente a infraestrutura física massiva da qual a
IA depende. A “nuvem” não é etérea; ela é um com-
plexo industrial composto por milhões de servidores,
cabos submarinos, comutadores de rede e sistemas
de refrigeração, todos alojados em edifícios físicos
chamados

data centers

Esta infraestrutura física não é um detalhe téc-
nico, mas a própria condição de existência da IA
moderna. A escala dessa base material é o que
define a tecnologia atual: para que um modelo de lin-
guagem execute uma tarefa aparentemente simples,
como gerar uma resposta, ele mobiliza uma cadeia
de recursos que se estende desde os minerais crí-
ticos (como cobre, lítio e terras raras) extraídos para
construir seus chips, passando pelos gigawatts de
eletricidade (muitas vezes de origem fóssil) para ali-
mentar os servidores, até os milhões de litros de
água doce evaporados para seu resfriamento.

Neste artigo, portanto, a Inteligência Artificial é vista
não apenas como uma ferramenta cognitiva, mas
como um sistema sociotécnico de larga escala, cuja
operação é indissociável de seu imenso custo meta-
bólico em energia, água e minerais. Compreender
os impactos ambientais da IA exige, primeiramente,
desmistificar sua suposta imaterialidade e investigar
a estrutura física complexa e massiva que a sustenta.

1.2 O Salto Funcional: Da Automação Físi-

ca ao Processamento Cognitivo

Para compreender a profundidade da transforma-
ção impulsionada pela Inteligência Artificial, é cru-
cial diferenciá-la das revoluções tecnológicas que
a precederam. A história da automação, desde a
Revolução Industrial, foi, em essência, a história da

automação física.

Este paradigma centrou-se na

mecanização do trabalho braçal e na multiplica-
ção da força muscular humana ou animal. O motor a
vapor, o tear mecânico e, posteriormente, a linha de
montagem de Henry Ford são exemplos clássicos.
Essas inovações substituíram o esforço físico: uma
escavadeira realizava o trabalho de dezenas de ope-
rários; um trator arava o campo em uma fração do
tempo de uma junta de bois. O domínio dessa auto-
mação era a fábrica, a fazenda, o canteiro de obras.
Seu objetivo era mover, transformar ou montar a
matéria.

O “salto funcional” que a IA contemporânea repre-
senta é uma ruptura radical com esse paradigma. A
IA não automatiza primariamente a força física; ela
automatiza, em escala industrial, o

processamento

cognitivo.

Seu domínio de atuação deslocou-se

do chão da fábrica para tarefas antes consideradas
exclusividade do intelecto humano: análise, inter-
pretação, predição e criação. A IA não é meramente
uma calculadora mais rápida – computadores já
automatizavam a aritmética. A IA moderna, baseada
em deep learning e redes neurais, automatiza a pró-
pria

inferência

Essa nova capacidade funcional se manifesta em
aplicações que estão redefinindo setores inteiros.
O Processamento de Linguagem Natural (PLN), por
exemplo, não se limita a registrar palavras; ele per-
mite que sistemas como o ChatGPT leiam, compre-
endam, resumam, traduzam e gerem textos com
coerência e complexidade, automatizando funções
de redatores, tradutores ou analistas de documen-
tos. Similarmente, a visão computacional vai além da
fotografia; ela confere a capacidade de “ver” e inter-
pretar o mundo visual, permitindo que uma máquina
diagnostique uma anomalia em uma chapa de radio-
logia com a precisão de um médico experiente, ou

188

Revista Científica Virtual da ESA OAB SP. Ed. 50. 2025. Este trabalho está licenciado sob a Licença
Creative Commons Atribuição 4.0 Internacional (CC BY 4.0).

que um veículo “leia” o ambiente e tome decisões de
direção.

Mais profundamente, o grande poder da IA reside
na sua habilidade de “detectar padrões nos dados,
como anomalias e semelhanças, e usar o conheci-
mento histórico para prever com precisão os resul-
tados futuros” (PNUMA, 2024). Esta é a essência do
trabalho analítico: um sistema de IA pode monitorar
emissões de metano em tempo real, prever o com-
portamento do mercado de ações ou otimizar o fluxo
de uma rede elétrica inteira.

É essa invasão da esfera cognitiva que posiciona
a IA como uma “tecnologia emergente com poten-
cial de transformar inúmeros setores da sociedade”
(Uninter, 2024). Ela é, de fato, uma ferramenta “ines-
timável” para inúmeras aplicações. Contudo – e este
é o ponto nevrálgico para este artigo – essa pode-
rosa capacidade funcional não é abstrata. O “salto
cognitivo” só é possível porque é sustentado por
um “salto” computacional de ordem exponencial. A
automação do pensamento, ao contrário da automa-
ção do braço, exige uma infraestrutura material de
processamento de dados de escala inédita, como
será detalhado a seguir.

1.3 A Escala Material da IA: A Necessidade

de Treinamento e Inferência

O salto funcional para o processamento cognitivo,
descrito anteriormente, não é gratuito. A capaci-
dade de um modelo de IA de “pensar” – de analisar,
prever e gerar linguagem – é um processo compu-
tacionalmente exaustivo. Diferente das tecnologias
convencionais, como o envio de e-mails ou buscas
simples, as “redes neurais complexas” da IA exigem
a movimentação de “vastos conjuntos de dados
entre milhares de componentes físicos” (Staccia-
rini & Gonçalves, 2025), resultando em um consumo
energético bem mais elevado.

Esse “custo energético enorme” (Vieira, 2025) que
define a escala material da IA deriva de duas fases
operacionais distintas, ambas com demandas inten-
sivas de recursos: o

Treinamento

e a

Inferência

Treinamento

é a fase de preparação, o processo

industrial de “ensinar” o cérebro artificial. Nesta
etapa, os modelos são alimentados com “conjun-
tos massivos de dados” (Vieira, 2025), forçando-
-os a processar essas informações “repetidamente
até que o sistema consiga aprender” a reconhecer
padrões e prever respostas (Vieira, 2025). Este é, de
longe, o processo “em que mais se consome eletri-
cidade” (Vieira, 2025). A indústria opera sob o para-
digma de que “quanto maior o modelo, melhor o
resultado” (Vieira, 2025), levando a uma escalada no
tamanho e, consequentemente, no custo energético.
Modelos de ponta não cabem em um único servidor;
eles exigem “vários servidores equipados com múl-
tiplas placas gráficas, que funcionam em paralelo
durante semanas ou até meses” (Vieira, 2025) para
completar um único ciclo de treinamento.

Inferência

, por sua vez, é “o momento da prá-

tica” (Vieira, 2025). É o que ocorre quando o usuário
final faz uma pergunta e a IA, já treinada, gera uma
resposta. Embora uma única inferência consuma
menos energia que o colossal processo de treina-
mento, seu impacto ambiental reside no “grande
volume de interações” (Vieira, 2025). Ferramentas
como o ChatGPT, por exemplo, processam “mais de
2,5 bilhões de prompts por dia” (Vieira, 2025). Essa
demanda global exige que “milhares de servidores
precisem estar sempre ativos, em funcionamento
contínuo” (Vieira, 2025), estabelecendo um patamar
de consumo de energia e recursos que é vasto, per-
manente e crescente.

Portanto, a escala material da IA é definida por este
ciclo duplo: picos de demanda energética extrema
para o

treinamento

de modelos cada vez maiores,

189

Revista Científica Virtual da ESA OAB SP. Ed. 50. 2025. Este trabalho está licenciado sob a Licença
Creative Commons Atribuição 4.0 Internacional (CC BY 4.0).

combinados com uma base de consumo contínua
e massiva para a

inferência

em volume global. Para

que esses dois processos possam ocorrer fisica-
mente, é necessária uma infraestrutura industrial
específica. Esta infraestrutura, como veremos, não é
a “nuvem” abstrata, mas o

data center

2. De onde vem a resposta da IA?

2.1. Desmistificação da “Nuvem” e a Estru-

tura Física Complexa

Os processos de treinamento e inferência, que defi-
nem a escala material da IA não ocorrem em uma
dimensão abstrata. Contudo, o léxico popular e cor-
porativo da tecnologia é dominado por termos que
sugerem o oposto: “nuvem” (cloud), “big data” e “vir-
tualização” (Stacciarini & Gonçalves, 2025). Essas
metáforas são funcionalmente convenientes, mas
analiticamente perigosas. Elas constituem uma “falá-
cia tecnológica” que obscurece a base industrial da
economia digital, desassociando a função cognitiva
da IA de seu custo metabólico.

A resposta a uma simples pergunta feita a um cha-
tbot não vem do éter; ela vem de um local físico, ter-
restre e industrial. O que chamamos de “nuvem” é, na
realidade, o

data center

O data center é a manifestação física e concreta da
nuvem; ele é o “cérebro” da internet (Mota, 2025),
funcionando como um “computador gigante de alta
performance” (Mota, 2025). Essas instalações não
são conceitos, mas edifícios reais. São “imensas
bibliotecas de computadores” (Borges, 2025), fre-
quentemente descritas como “imensos galpões cli-
matizados” (Vicente, 2025) que abrigam “corredores
cheios de armários de ferros com pilhas de servido-
res” (Mota, 2025). Esses servidores, por sua vez, são
o hardware que executa os trilhões de cálculos do
treinamento e da inferência.

É esta a “estrutura física complexa e massiva” (Stac-
ciarini & Gonçalves, 2025) da qual a IA depende.
Uma estrutura composta por “milhares de equipa-
mentos responsáveis pelo processamento e arma-
zenamento” (Stacciarini & Gonçalves, 2025), qui-
lômetros de cabos de fibra ótica e, crucialmente,
“sistemas de refrigeração que funciona sem parar
para impedir que elas superaqueçam” (Mota, 2025).
Esta infraestrutura é a “espinha dorsal das tecnolo-
gias digitais” (Stacciarini & Gonçalves, 2025).

Desmistificar a “nuvem” é, portanto, o primeiro passo
metodológico para uma análise ambiental da IA. Ao
substituir a imagem etérea da cloud pela imagem
industrial do

data center,

revelamos o elo entre a res-

posta cognitiva, aparentemente imaterial, e o con-
sumo massivo de energia, água e minerais necessá-
rios para produzi-la.

2.2. O Data Center como o Coração da

Economia Digital

O data center, uma vez despido de sua roupagem
metafórica e revelado como uma instalação indus-
trial, emerge como a infraestrutura central da eco-
nomia do século XXI. Se os dados são comumente
aceitos como o “novo petróleo”, os data centers são,
inequivocamente, as “novas refinarias” (Vicente,
2025). São o local onde a matéria-prima bruta
(bilhões de interações de usuários, imagens, textos)
é processada, armazenada e transformada no pro-
duto de maior valor da atualidade: inteligência predi-
tiva e respostas cognitivas geradas pela IA.

Embora essas “refinarias” já existissem em larga
escala para suportar a primeira onda de serviços
em

nuvem

(cloud computing), foi a explosão da Inte-

ligência Artificial que funcionou como o “catalisador
desse aumento gigantesco da demanda” (Takano,
citado em Vicente, 2025). A necessidade de pro-
cessar os ciclos de treinamento e inferência (item

190

Revista Científica Virtual da ESA OAB SP. Ed. 50. 2025. Este trabalho está licenciado sob a Licença
Creative Commons Atribuição 4.0 Internacional (CC BY 4.0).

1.3) impulsionou uma corrida global por investimen-
tos bilionários em infraestrutura física. No Brasil, por
exemplo, gigantes da tecnologia como Amazon
(AWS), Microsoft (Azure) e Google Cloud investiram
dezenas de bilhões de reais para expandir suas ope-
rações (Vicente, 2025), multiplicando o número de
instalações no país, que hoje já somam 162 (Mota,
2025).

A centralidade econômica dessa infraestrutura é
tão absoluta que ela redefiniu a própria métrica de
sua escala. O poder de um data center não é mais
medido primariamente por sua área física ou capa-
cidade de armazenamento (petabytes), mas sim por
sua fome de energia. A potência dessas instalações
“é medida em energia”, especificamente a eletrici-
dade consumida pela infraestrutura computacional,
calculada em

megawatts (MW)

(Vicente, 2025).

A IA alterou dramaticamente essa métrica. Se os
grandes data centers da era

cloud

(pré-IA) já atin-

giam a casa das dezenas de MW, a IA exige “uma
densidade maior ainda” (Arnaud, citado em Vicente,
2025). A capacidade instalada no Brasil, por exem-
plo, já gira em torno de 750-800 MW, o “consumo
de energia de uma cidade de cerca de dois milhões
de habitantes” (Mota, 2025). E as projeções futuras,
impulsionadas pela IA, indicam uma demanda de
17.716 MW até 2038 (Mota, 2025).

Portanto, o data center é o coração da economia
digital: um ativo industrial de alto custo, um polo de
atração de investimentos trilionários (Vicente, 2025)
e o nexo onde o capital digital se converte direta-
mente em demanda física por energia. Contudo,
essa infraestrutura não é monolítica; ela possui tipo-
logias distintas, projetadas para atender às diferen-
tes fases do processamento da IA.

2.3. A Tipologia da Infraestrutura para IA:

Treinamento vs. Inferência

A infraestrutura de data centers que sustenta a IA
não é homogênea. Embora ambos os processos
(treinamento e inferência) exijam hardware denso
em energia (como GPUs e TPUs), a natureza distinta
de suas cargas de trabalho resulta em duas tipolo-
gias de infraestrutura física com arquiteturas, escalas
e, crucialmente, localizações geográficas diferentes.

1. Data Centers de Treinamento (Machine Lear-
ning):

Esta é a infraestrutura do “serviço pesado”

(Vicente, 2025), onde os modelos sofisticados de IA
são, de fato, construídos. O treinamento (item 1.3) é
um processo assíncrono que pode levar semanas
ou meses; ele exige o máximo poder computacional
possível, mas não exige velocidade de resposta ime-
diata ao usuário. Como resultado, “não há necessi-
dade de rapidez” (Vicente, 2025), o que significa que
“a posição geográfica por si só não é determinante
para definir onde esses prédios são construídos”
(Vicente, 2025).

Isso permite que essas instalações sejam “colos-
sos que esticam os limites da rede elétrica” (Weise
& Metz, 2025), construídos em locais remotos onde
a energia é abundante e barata (muitas vezes de
fontes fósseis) ou onde o clima frio reduz custos de
refrigeração. Exemplos desta vanguarda são o “Pro-
jeto Rainier” da Amazon/Anthropic, um complexo no
estado de Indiana (EUA) projetado para consumir
2,2 gigawatts e funcionar como uma “única máquina
gigante destinada apenas à inteligência artificial”
(Weise & Metz, 2025), ou o “The Citadel Campus” em
Nevada (EUA), que ocupa 669 mil m² (Stacciarini &
Gonçalves, 2025). Esta é a “vanguarda desse setor,
porque resulta em desenvolvimento de tecnologia”
(Vicente, 2025).

2. Data Centers de Inferência:

Esta tipologia é

radicalmente diferente, pois é construída para a

inte-

191

Revista Científica Virtual da ESA OAB SP. Ed. 50. 2025. Este trabalho está licenciado sob a Licença
Creative Commons Atribuição 4.0 Internacional (CC BY 4.0).

ração

com o usuário. A inferência é o local “onde a

IA gera uma resposta ou resultado” final (Vicente,
2025). Neste caso, a “latência, ou seja, rapidez, é
essencial” (Vicente, 2025). O usuário não pode
esperar longos períodos pela resposta de um cha-
tbot ou pela rota de um aplicativo de trânsito.

Por essa razão, os data centers de inferência “pre-
cisam estar próximos às pessoas que vão utilizar
o serviço” (Vicente, 2025). Eles são geografica-
mente distribuídos, localizados perto de grandes
centros urbanos e hubs populacionais para minimi-
zar o atraso na resposta. É este o tipo de infraestru-
tura que o Brasil tem atraído predominantemente:
instalações projetadas não para criar os modelos
de IA, mas para “hospedar os primeiros racks 100%
dedicados à inferência” (Takano, citado em Vicente,
2025), servindo como um ponto de entrega rápido
para os usuários da América Latina.

Compreender essa divisão é fundamental. Os data
centers de

treinamento

representam uma nova

forma de indústria pesada, concentrando uma
demanda energética extrema em locais específi-
cos. Os data centers de

inferência

distribuem essa

demanda por centros urbanos, aumentando a pres-
são sobre as redes elétricas locais. Ambos, como
veremos, têm impactos ambientais massivos e dis-
tintos.

3. O consumo energético e de recursos
naturais do datacenter

3.1. A Voracidade Energética da IA: O Con-

sumo Global e o Paradoxo dos Fósseis

O data center, a “refinaria” física da economia digital
(Vicente, 2025), é um “verdadeiro glutão energético”.
O “salto cognitivo” da IA é diretamente movido por
um consumo de eletricidade que é vasto, crescente
e, paradoxalmente, sujo.

A escala dessa voracidade é mais bem compreen-
dida em termos comparativos. Uma única interação
com um chatbot de IA, como o ChatGPT, consome
“dez vezes mais energia que uma busca similar feita
no Google” (Correa, 2025; PNUMA, 2024). Essa dife-
rença de magnitude, multiplicada pelos bilhões de
interações diárias (Vieira, 2025), eleva o consumo
agregado a um patamar de crise.

Globalmente, a infraestrutura de Tecnologia da Infor-
mação (TIC) já responde por cerca de 7% de toda a
eletricidade consumida no mundo (Correa, 2025).
Dentro disso, os data centers, criptomoedas e a IA já
consumiam aproximadamente 460 TWh em 2022,
o equivalente a 2% do consumo global de energia
(Stacciarini & Gonçalves, 2025). A Agência Interna-
cional de Energia (AIE) projeta que a demanda ener-
gética desses centros pode mais que dobrar nos
próximos anos (PNUMA, 2025; Vieira, 2025), alcan-
çando um consumo “equivalente ao do Japão atu-
almente” (PNUMA, 2025). Nos EUA, epicentro do
treinamento de IA, estima-se que os data centers
saltem de 4% da demanda elétrica nacional para
9,1% até 2030 (Stacciarini & Gonçalves, 2025).

Esse consumo massivo se traduz diretamente em
emissões de carbono. Em 2020, data centers e
redes de transmissão já respondiam por 1% das
emissões globais de gases de efeito estufa (GEE)
ligadas à energia (PNUMA, 2025). Um estudo da

Nature Climate Change

projeta um cenário ainda

mais alarmante: a IA poderá representar “10% das
emissões globais de gases de efeito estufa até o ano
de 2040” (Kolbe Junior, 2024).

Aqui emerge o

Paradoxo dos Fósseis

. A indústria

de tecnologia cultiva uma imagem pública de sus-
tentabilidade, investindo em fontes renováveis (Stac-
ciarini & Gonçalves, 2025). Contudo, a demanda
energética da IA cresce em um ritmo tão “alucinante”
(PNUMA, 2024) e exige um fornecimento de ener-

192

Revista Científica Virtual da ESA OAB SP. Ed. 50. 2025. Este trabalho está licenciado sob a Licença
Creative Commons Atribuição 4.0 Internacional (CC BY 4.0).

gia tão estável – 24 horas por dia, 7 dias por semana
– que está sobrecarregando as redes e forçando o
retorno aos combustíveis fósseis.

O caso do “Projeto Rainier” (item 2.3) é emblemático.
O complexo de 2,2 gigawatts da Amazon/Anthro-
pic, destinado apenas à IA, será alimentado por uma
concessionária local que “esperava usar usinas de
gás natural para fornecer cerca de três quartos da
energia adicional que seria necessária” (Weise &
Metz, 2025). A IA, portanto, “impulsiona a queima de
combustíveis fósseis e atrasa o declínio das emis-
sões” (Neves, 2025). Em vez de acelerar a transição
verde, a demanda incessante dos data centers con-
tribui para “prolongar a operação de usinas fósseis já
existentes” (Neves, 2025), pois as empresas enxer-
gam no “gás natural a fonte mais abundante e de
acesso imediato” (Neves, 2025). O resultado é uma
pressão crescente sobre as redes elétricas, levando
os custos de energia a recordes históricos em mer-
cados como o da Virgínia (EUA), o “corredor de cen-
tros de dados” (Muir, 2025).

A voracidade energética da IA, portanto, não é ape-
nas um custo operacional; é uma força geoeconô-
mica que está reconfigurando mercados de energia
e ameaçando metas climáticas globais.

3.2. A Crise Hídrica: O Uso de Água em

Data Centers e a Tensão em Regiões de

Estresse Hídrico

A imensa quantidade de eletricidade consumida
pelos data centers gera um outro efeito: ela é con-
vertida em calor. Manter as pilhas de servidores
operando em temperatura ideal exige “sistemas de
refrigeração que funciona sem parar” (Mota, 2025)
e o método de resfriamento mais comum e de alto
desempenho para instalações de hiperescala é a

evaporação

. Em “torres de resfriamento” (Mota,

2025), a água circula pelo sistema, absorve o calor
dos servidores e depois é evaporada, dissipando

o calor na atmosfera. Esse processo exige uma
“adição de água pura constantemente ao sistema”
(Mota, 2025), transformando o data center em um
consumidor voraz não apenas de energia, mas tam-
bém de água doce.

A escala desse consumo é alarmante. Um data
center de tamanho médio (1 MW), uma fração dos
gigantes da IA, pode consumir “até 25,5 milhões de
litros de água por ano apenas para resfriamento”
(PNUMA, 2025). Instalações maiores, de hiperes-
cala, podem utilizar “de 3 a 5 milhões de litros de
água por dia”, um consumo “comparável ao con-
sumo diário de uma cidade com 30.000 habitan-
tes” (Cortez, 2025). Em nível agregado, o Programa
das Nações Unidas para o Meio Ambiente (PNUMA)
alerta que a infraestrutura global de IA poderá, em
breve, “consumir seis vezes mais água do que a
Dinamarca” (PNUMA, 2024).

Essa “pegada hídrica secreta” (Ren et al., 2023) pode
ser rastreada diretamente aos processos de IA. Um
estudo seminal (Ren et al., 2023) estimou que ape-
nas o treinamento do modelo GPT-3 da Microsoft,
em seus data centers nos EUA, “evaporou quase
700 mil litros de água doce limpa”. A inferência tam-
bém tem um custo hídrico direto: uma simples inte-
ração para gerar 100 palavras no ChatGPT pode
demandar o equivalente a “519 ml” de água (Mota,
2025) – essencialmente, uma garrafa de água por
consulta.

O cerne da crise, no entanto, é o nexo entre onde a
água é consumida e onde ela é escassa. A indústria
de data centers tem se expandido agressivamente
em regiões que já sofrem de “estresse hídrico”. O
caso mais emblemático é o “boom dos data centers
no deserto” (MIT Tech Review, 2025). Em estados
áridos como Nevada e Arizona, nos EUA, a chegada
dessas instalações “insaciáveis” criou uma “batalha
pela água”, colocando a indústria de tecnologia em

193

Revista Científica Virtual da ESA OAB SP. Ed. 50. 2025. Este trabalho está licenciado sob a Licença
Creative Commons Atribuição 4.0 Internacional (CC BY 4.0).

competição direta com a agricultura e o abasteci-
mento residencial.

A presença desses “consumidores intensivos de
água” (Andrade, citado em Borges, 2025) em zonas
áridas agrava as “secas severas e eventos climáticos
extremos” (Borges, 2025). Mesmo em localidades
com aparente “potencial hídrico” (Borges, 2025), a
demanda concentrada dos data centers pode gerar
“sérios desafios” (PNUMA, 2025), transformando a
IA de uma ferramenta virtual em um vetor direto de
escassez de recursos no mundo físico.

3.3. A Pegada Mineral e o E-Lixo: Extração

de Matérias-Primas e Poluição

O impacto ambiental da IA não se resume ao seu
consumo operacional de energia (item 3.1) e água
(item 3.2). A própria “estrutura física complexa e
massiva” (Stacciarini & Gonçalves, 2025) – os data
centers, servidores, cabos e, fundamentalmente, os
chips semicondutores – depende de um ciclo indus-
trial de extração mineral intensiva e gera um volume
crescente de resíduos tóxicos.

1. A Pegada Mineral (Extração):

A manufatura do

ecossistema de hardware da IA exige uma “ampla
variedade de minerais e metais” (Stacciarini & Gon-
çalves, 2025). Os microchips que alimentam os pro-
cessos de

deep learning

dependem de “elementos

de terras raros” (PNUMA, 2024) e outros minerais
estratégicos como gálio, germânio e grafite (Gon-
çalves, 2025). A extração e, principalmente, o refino
desses materiais são processos “muitas vezes (...)
destrutivos para o meio ambiente” (PNUMA, 2024) e
altamente concentrados geopoliticamente (Gonçal-
ves, 2025).

Além dos chips, a própria construção dos data cen-
ters gera uma nova demanda extrativa. O

cobre

, por

exemplo, é um “insumo necessário para a fabricação
de equipamentos de resfriamento” e para a eletrifica-

ção massiva dessas instalações (Lovisi, 2025). Essa
demanda é tão concreta que a mineradora Vale
Base Metals já anunciou planos para “acelerar seu
plano de extração de cobre”, visando principalmente
suas operações no Pará, na Amazônia, para “aten-
der à crescente demanda provocada (...) pelo cresci-
mento da inteligência artificial” (Lovisi, 2025).

A intensidade material desse processo é gritante:
para fabricar um único computador de 2 kg, “são
necessários 800 kg de matérias-primas” (PNUMA,
2024). A IA, ao demandar hardware cada vez mais
potente, intensifica essa pressão extrativa em escala
global.

2. A Pegada do E-Lixo (Descarte):

Na outra ponta

do ciclo de vida, encontra-se o descarte. A indústria
de IA opera sob uma lógica de obsolescência tec-
nológica acelerada. A corrida por desempenho –
exemplificada pela rápida sucessão de gerações de
GPUs da Nvidia (Mota, 2025) – impõe um “curto ciclo
de vida dos equipamentos”, que são “muitas vezes
substituídos em apenas dois a cinco anos” (Staccia-
rini & Gonçalves, 2025).

Essa “rápida rotatividade de servidores” (Tzachor,
citado em Deutsche Welle, 2024) está levando a um
“aumento descontrolado do e-lixo gerado pela IA”
(Deutsche Welle, 2024). Um estudo publicado na
revista

Nature Computational Science

calculou que

o lixo eletrônico (e-lixo) gerado especificamente por
servidores de IA pode “aumentar drasticamente”,
prevendo um crescimento de “mil vezes” entre 2023
e 2030 (Deutsche Welle, 2024).

Este e-lixo é particularmente problemático. Ele
“representa 70% do total de resíduos tóxicos produ-
zidos em todo o mundo” (Deutsche Welle, 2024) e
“geralmente contém substâncias perigosas, como
mercúrio e chumbo” (PNUMA, 2024). O descarte
inadequado desses materiais “prejudica os ecossis-

194

Revista Científica Virtual da ESA OAB SP. Ed. 50. 2025. Este trabalho está licenciado sob a Licença
Creative Commons Atribuição 4.0 Internacional (CC BY 4.0).

temas e a saúde humana” (Gupta, citado em Deuts-
che Welle, 2024).

Assim, a IA se revela uma indústria que não apenas
consome energia e água em sua operação (itens 3.1
e 3.2), mas que também depende da extração des-
trutiva de recursos finitos para sua construção e con-
tribui para a poluição tóxica em seu descarte. A tota-
lidade desse impacto, no entanto, permanece difícil
de calcular devido a um problema central: a opaci-
dade corporativa.

4. A falta de transparência das empresas

4.1. O Data Center como “Caixa-Preta” e o

Segredo Corporativo

A quantificação precisa dos vastos impactos ener-
géticos, hídricos e materiais detalhados no capítulo
anterior é sistematicamente obstruída por um obs-
táculo que não é técnico, mas político-corporativo:
a opacidade deliberada. As mesmas corporações
de tecnologia que promovem a IA como uma ferra-
menta onisciente e transparente operam sua própria
infraestrutura sob um regime de sigilo industrial.

Neste contexto, o conceito de “caixa-preta”, fre-
quentemente utilizado para descrever a inexplica-
bilidade dos

algoritmos

de IA (o porquê de uma IA

tomar certa decisão), deve ser aplicado também à
sua fundação material. O próprio data center – o edi-
fício, o hardware, a infraestrutura de resfriamento – é
tratado como uma “caixa preta” (De Vries, citado em
Mota, 2025).

As corporações que controlam esta infraestrutura
(como Google, Microsoft, Meta e Amazon) tratam
os dados operacionais como “segredos corporati-
vos rigorosamente guardados”. Informações críti-
cas, como a “escala total” do consumo de energia, a
localização exata dos servidores, a “pegada hídrica
secreta” (Ren et al., 2023) e as métricas de eficiên-

cia no uso de água (WUE) e energia (PUE), são infor-
mações que as empresas possuem, mas ativamente
sonegam do escrutínio público e acadêmico.

Como afirma categoricamente o pesquisador Alex
de Vries: “As empresas sabem exatamente quanto
de energia seus sistemas de IA estão usando, eles
apenas optam por não publicar essa informação”
(citado em Mota, 2025).

Essa retenção de dados não é acidental. É uma
estratégia corporativa que perpetua a “falácia tec-
nológica” da “nuvem” imaterial, (discutida no item
2.1), desvinculando a imagem pública da IA de sua
pesada pegada industrial. Ao manter o data center
como uma “caixa-preta” física, as empresas impe-
dem que a sociedade realize um “cálculo acurado”
(Mota, 2025) dos seus custos reais, tornando impos-
sível “confrontar os custos e benefícios da inteligên-
cia artificial” (De Vries, citado em Mota, 2025).

4.2. A Omissão de Dados Cruciais para a

Medição do Impacto

A opacidade do data center, tratada como “caixa-
-preta” corporativa, não é apenas uma postura filo-
sófica de sigilo; ela se manifesta na omissão con-
creta de indicadores-chave de desempenho que
são “cruciais” para qualquer avaliação ambiental
séria. Cientistas e pesquisadores que tentam calcu-
lar a pegada real da IA afirmam repetidamente que
“a quantidade de informações compartilhadas pelas
empresas de tecnologia e operadores de data cen-
ters não é suficiente para fazer um cálculo acurado”
(Mota, 2025).

Essa escassez de dados impede o cálculo da efici-
ência e do impacto real. Entre os dados cruciais sis-
tematicamente omitidos pelas

Big Techs

estão:

1. A Capacidade Operacional Real:

As empre-

sas divulgam, por vezes, a capacidade

instalada

potencial máximo de consumo energético), mas

195

Revista Científica Virtual da ESA OAB SP. Ed. 50. 2025. Este trabalho está licenciado sob a Licença
Creative Commons Atribuição 4.0 Internacional (CC BY 4.0).

“não se sabe, por exemplo, em que capacidade os
data centers operam” (Mota, 2025) – ou seja, se con-
somem a totalidade dessa energia ou uma fração
dela.

2. A Diferenciação de Carga (Treinamento vs.
Inferência):

Como discutido (itens 1.3 e 2.3), o treina-

mento é energeticamente mais intensivo que a infe-
rência. No entanto, as empresas não divulgam “qual
percentual dos servidores é usado para treinar os
modelos e para a operação de fato dos chatbots”
(Mota, 2025). Sem essa divisão, é impossível calcular
o custo real de cada novo modelo lançado no mer-
cado.

3. Localização Geográfica e Fonte Energética:

A pegada de carbono de um data center depende
inteiramente da matriz energética que o abastece
(seja ela fóssil ou renovável). A indústria obscurece
esse cálculo, pois, como aponta Alex de Vries, é
impossível rastrear “em que parte do mundo estão
os servidores que estão processando a chamada”
(citado em Mota, 2025).

4. Métricas de Eficiência Hídrica (WUE):

impacto hídrico (item 3.2) depende drasticamente
de “quando” e “onde” um modelo é treinado – por
exemplo, se durante o dia ou a noite, no verão ou
inverno, e em qual bacia hidrográfica (Ren et al.,
2023). As empresas não publicam esses dados
de Eficiência no Uso da Água (WUE), tornando a
“pegada hídrica secreta” (Ren et al., 2023) quase
impossível de medir externamente.

Essa omissão deliberada de dados granulares asse-
gura que a materialidade da IA permaneça em uma
zona de sombra. Ela paralisa a ciência indepen-
dente e a regulação pública, permitindo que a indús-
tria opere em um vácuo de responsabilidade e abra
espaço para a prática generalizada do

greenwa-

shing

4.3. A Crítica ao Greenwashing e a Urgên-

cia da Mensuração Objetiva

O vácuo de dados criado pela opacidade corpora-
tiva não é apenas um problema acadêmico; ele é a
condição que permite a proliferação do

greenwa-

shing

– a prática de promover discursos e alegações

de sustentabilidade que não correspondem aos
impactos reais. Na ausência de dados auditáveis,
as corporações de tecnologia “vendem sustenta-
bilidade, mas não dão conta do cenário real” (Pinha,
citada em Vicente, 2025).

Esta “lavagem verde” prospera em terminologias
vagas. Como critica o pesquisador Lourenço Faria,
as empresas divulgam termos como “fontes reno-
váveis de energia”, “arquitetura verde” ou “baixo
consumo de água” sem, no entanto, fornecer “indi-
cadores-chave de desempenho ambiental (key
performance indicators, KPIs)” que sejam precisos
e mensuráveis pela sociedade (citado em Borges,
2025).

Um exemplo claro dessa prática é o debate sobre o
consumo de água. Uma empresa pode alegar que
utiliza “resfriamento a ar” (uma tecnologia suposta-
mente mais “seca”) e, portanto, não sobrecarrega
o suprimento hídrico local. Contudo, essa alegação
omite o consumo

indireto

de água. O resfriamento a

ar é mais intensivo em eletricidade, e se essa eletri-
cidade adicional for fornecida por uma usina de gás
natural ou hidrelétrica – ambas grandes consumido-
ras de água em seus próprios processos – o ganho
hídrico pode ser nulo ou até negativo. Sem métricas
padronizadas que abranjam todo o ciclo, a alegação
de “eficiência hídrica” torna-se uma ferramenta de
marketing enganosa.

Diante desse cenário, emerge uma urgência pela
“mensuração objetiva”. O Programa das Nações Uni-
das para o Meio Ambiente (PNUMA) tem sido enfá-
tico ao defender que os países estabeleçam “pro-

196

Revista Científica Virtual da ESA OAB SP. Ed. 50. 2025. Este trabalho está licenciado sob a Licença
Creative Commons Atribuição 4.0 Internacional (CC BY 4.0).

cedimentos padronizados para medir o impacto
ambiental da IA” (PNUMA, 2024), pois “no momento,
há uma escassez de informações confiáveis”
(PNUMA, 2024). Esta padronização (AI ACTION
SUMMIT, 2025) é o pré-requisito para qualquer
regulação eficaz.

No Brasil, o debate legislativo sobre data centers já
começa a refletir essa preocupação, com propostas
de “verificação independente e certificação” (IP.rec,
2025) para evitar o

greenwashing

e garantir que as

alegações ambientais sejam “auditáveis e baseadas
em critérios objetivos e mensuráveis” (IP.rec, 2025).
A insistência de alguns setores em focar apenas na
“eficiência energética” como sinônimo de susten-
tabilidade (Alves, citado em Pincer, 2025), ignora os
impactos hídricos, minerais e de emissões fósseis
(discutidos no Item 3), reforçando a necessidade de
uma abordagem regulatória holística, baseada em
dados abertos e não em segredos corporativos.

5. Olhando mais a fundo: a IA é uma
força produtiva (tecnologia) que passa a
determinar as demais

A análise dos capítulos anteriores demonstrou
a escala da pegada material da IA: o consumo
massivo de energia, muitas vezes fóssil (item 3.1),
a demanda por recursos hídricos em zonas de
estresse (item 3.2), a extração de minerais (item 3.3)
e a opacidade corporativa que oculta esses custos
(Item 4).

Uma análise crítica, contudo, não pode parar na
constatação desses impactos. É preciso questionar
a lógica que impulsiona essa voracidade. Por que
a sociedade, apesar da emergência climática, está
investindo trilhões em uma infraestrutura que pro-
longa a operação de usinas de gás (Neves, 2025;
Weise & Metz, 2025) e acelera a mineração na Ama-
zônia (Lovisi, 2025)?

A resposta reside na compreensão do papel quali-
tativamente novo que a IA desempenha no sistema
produtivo. A IA não é apenas mais uma ferramenta
ou um setor industrial. Como argumentado em

Inte-

ligência Artificial e Sociedade

(Ferreira, 2025), a IA

deve ser compreendida como um salto qualitativo:
a manifestação da

Força Produtiva Tecnológica

(FPT)

hegemônica de nossa era.

5.1. A Supremacia da IA como Força Pro-

dutiva Tecnológica (FPT)

A supremacia da IA como FPT (Ferreira, 2025)
define-se por características únicas que a diferen-
ciam fundamentalmente das forças produtivas ante-
riores (como a máquina a vapor ou a eletricidade).

Primeiro, como estabelecido no item 1.2, a IA rompe
a barreira da automação física e consolida a

auto-

mação do cognitivo

(Ferreira, 2025). Ela invade o

domínio do trabalho intelectual (análise, predição,
comunicação) em escala industrial, redefinindo o
valor e a função do trabalho humano no processo
produtivo.

Segundo, a IA atua como uma

“meta-tecnologia”

de gerenciamento

(Ferreira, 2025). Sua função pri-

mordial não é apenas produzir um bem específico,
mas atuar como um “sistema nervoso central” (Fer-
reira, 2025) que otimiza, coordena e gerencia todas
as

outras

forças produtivas – o trabalho, a energia e

as matérias-primas. Ela é a tecnologia que decide
como as outras tecnologias e recursos devem ser
alocados para maximizar a eficiência de todo o
ecossistema produtivo.

Terceiro, a IA Generativa representa um salto qualita-
tivo para uma

tecnologia que cria

(Ferreira, 2025).

Ela move-se da análise (o que é) e da predição (o
que

será

) para o domínio da inovação (o que

pode

ser

). A IA é capaz de gerar “soluções fundamental-

mente novas” (Ferreira, 2025), como projetar molé-

197

Revista Científica Virtual da ESA OAB SP. Ed. 50. 2025. Este trabalho está licenciado sob a Licença
Creative Commons Atribuição 4.0 Internacional (CC BY 4.0).

culas para novos medicamentos, criar materiais
inéditos ou desenhar os “chips de última geração”
(Gonçalves, 2025) que alimentarão a si mesma, ini-
ciando um ciclo de autodesenvolvimento tecnoló-
gico.

É essa tripla capacidade – cognitiva, gerencial e cria-
tiva – que estabelece a supremacia da IA como FPT
(Ferreira, 2025). Ela não é apenas

mais uma força

produtiva; ela é a força produtiva que, como vere-
mos a seguir, passa a

determinar

a lógica e o ritmo de

todas as demais.

5.2. A Determinação da IA sobre as Forças

Materiais (Energia e Matéria-Prima)

A supremacia da IA como Força Produtiva Tecno-
lógica (FPT) não é um exercício de poder abstrato.
Ela se manifesta em sua capacidade concreta de
impor sua lógica de eficiência e acumulação sobre
as forças produtivas materiais – a Energia e a Maté-
ria-Prima – criando contradições e novas dependên-
cias que explicam a voracidade detalhada no Capí-
tulo 3.

Determinação sobre a Energia:

A força produ-

tiva da Energia é profundamente determinada pela
IA (Ferreira, 2025). Por um lado, a IA é a ferramenta
indispensável para a racionalização energética, via-
bilizando redes inteligentes (

smart grids

) capazes de

gerenciar a intermitência de fontes renováveis. Con-
tudo, esta é apenas metade da história.

O paradoxo é que o desenvolvimento e a operação
da própria FPT criam uma nova e voraz fronteira
de consumo energético (conforme item 3.1). A IA
dita a localização de data centers, atraindo-os para
locais com energia barata ou climas frios. Mais cri-
ticamente, a demanda avassaladora da IA por for-
necimento contínuo de eletricidade (24 horas por
dia) subordina a matriz energética às suas necessi-
dades. Isso cria o “Paradoxo dos Fósseis” (item 3.1):

para garantir a estabilidade exigida pelos data cen-
ters de IA, empresas de tecnologia e concessioná-
rias estão “prolongando a operação de usinas fós-
seis já existentes” (Neves, 2025). O caso do “Projeto
Rainier”, que recorrerá massivamente ao gás natural
para suprir sua demanda de 2,2 gigawatts (Weise &
Metz, 2025), é a prova de que a FPT (IA) está

deter-

minando

a manutenção da energia fóssil, atrasando

o declínio das emissões.

Determinação sobre a Matéria-Prima:

Da mesma

forma, a IA reconfigura a relação com a Matéria-
-Prima (Ferreira, 2025). Ela passa de um paradigma
de extração em massa para um de precisão cirúr-
gica e design inteligente (ex: descobrindo novos
materiais). No entanto, a própria infraestrutura física
que sustenta a FPT aumenta a pressão sobre a
extração de minerais essenciais (conforme item 3.3).

A IA

determina

quais minerais se tornam estratégi-

cos na geopolítica global, como o silício, o gálio, o
germânio e as terras raras, essenciais para os “chips
de última geração” (Gonçalves, 2025). Além disso,
sua infraestrutura de data centers exige vastas quan-
tidades de cobre, “insumo necessário para a fabri-
cação de equipamentos de resfriamento” (Lovisi,
2025). Essa determinação tem consequências geo-
gráficas diretas, como o plano da Vale de “acelerar
seu plano de extração de cobre [...] principalmente
do Pará, visando atender à crescente demanda” da
IA (Lovisi, 2025).

Portanto, a FPT não apenas “consome” recursos; ela
ativamente

determina

a política energética e a estra-

tégia extrativa, subordinando os limites biofísicos do
planeta à sua própria lógica de expansão computa-
cional.

198

Revista Científica Virtual da ESA OAB SP. Ed. 50. 2025. Este trabalho está licenciado sob a Licença
Creative Commons Atribuição 4.0 Internacional (CC BY 4.0).

5.3. A Nova Lógica de Acumulação de Ca-

pital e Concentração de Poder

A consequência estrutural da supremacia da IA
como Força Produtiva Tecnológica (FPT) é uma
reconfiguração fundamental na lógica de acumula-
ção de capital e na geografia do poder. O controle
sobre esta “meta-tecnologia” torna-se o principal
vetor de poder econômico, eclipsando os modos de
produção anteriores.

Primeiro, o “centro de gravidade da acumulação de
capital” está a deslocar-se decisivamente de ativos
físicos tradicionais (como fábricas, máquinas ou fro-
tas) para ativos intangíveis: a posse dos algoritmos
de IA e, acima de tudo, o controlo sobre os “vastos
conjuntos de dados” (Stacciarini & Gonçalves, 2025)
que os alimentam (Ferreira, 2025). Os dados emer-
gem como o “novo petróleo” (Vicente, 2025), a maté-
ria-prima essencial que permite à FPT otimizar, gerir
e prever a totalidade do ecossistema produtivo.

Além disso, essa nova lógica de acumulação con-
duz, inevitavelmente, a um nível de “concentração de
poder” sem precedentes (Ferreira, 2025). O desen-
volvimento, treino e implementação de modelos de
IA de ponta (conforme discutido nos itens 1.3 e 2.3)
exigem um investimento de capital que é proibitivo
para quase todos os atores. A construção de com-
plexos de gigawatts, como o “Projeto Rainier” (Weise
& Metz, 2025), a mobilização de “centenas de biliões
de dólares” (Weise & Metz, 2025) e o domínio sobre
os “gargalos” geopolíticos dos “chips de última gera-
ção” (Gonçalves, 2025) são empreendimentos ao
alcance de um oligopólio de corporações de tecno-
logia.

Esse custo colossal assegura que a infraestru-
tura fundamental do século XXI – os data centers
de treino e os algoritmos de ponta – seja proprie-
dade de poucas “Big Techs” (Ferreira, 2025), como
a Amazon (AWS), Google, Microsoft e Meta (Vicente,

2025; Muir, 2025). Tais empresas “capturam” a infra-
estrutura (Ferreira, 2025) e estabelecem uma nova
forma de dependência global. O Brasil, por exem-
plo, atrai investimentos para data centers de

inferên-

cia

(Vicente, 2025) (o ponto de entrega), mas per-

manece um consumidor da tecnologia de treino
(Vicente, 2025) (o ponto de criação), que ocorre
maioritariamente nos EUA (Neves, 2025). Este fenó-
meno é descrito como uma forma de “colonialismo
digital” (Ferreira, 2025), onde os recursos mate-
riais locais (energia, água e minerais) são mobiliza-
dos para gerar valor que é acumulado centralizada-
mente.

Finalmente, esta lógica de acumulação redefine o
próprio trabalho. A FPT não extrai valor apenas do
trabalho assalariado; ela depende da extração de
um “trabalho digital gratuito” (Ferreira, 2025) – cada
clique, busca, postagem e interação do utilizador
que é capturado e transformado na matéria-prima
(dados) para treinar os modelos. A atividade coletiva
da sociedade é, assim, convertida em capital finan-
ceiro para poucos, solidificando a concentração de
poder que define a era da IA.

5.4 Controle e Riqueza

A análise estrutural dos capítulos anteriores leva a
uma conclusão incontornável: os impactos ambien-
tais da IA, detalhados no Capítulo 3 (o consumo
energético, hídrico e mineral) e a opacidade corpora-
tiva que os oculta (Capítulo 4), não são falhas aciden-
tais, custos imprevistos ou “externalidades” a serem
corrigidas com ajustes técnicos. São, pelo contrário,
a consequência lógica e necessária da estrutura de
poder que controla esta tecnologia.

O problema central não é a tecnologia em si – a IA
como ferramenta cognitiva (item 1.2). O problema é a
sua subordinação a uma lógica irrestrita de acumula-
ção de capital (Ferreira, 2025).

199

Revista Científica Virtual da ESA OAB SP. Ed. 50. 2025. Este trabalho está licenciado sob a Licença
Creative Commons Atribuição 4.0 Internacional (CC BY 4.0).

Quando uma Força Produtiva Tecnológica (FPT) de
tal magnitude é propriedade privada e controlada
por um oligopólio de

Big Techs

, o seu imenso poder

de “determinação” sobre as forças materiais será,
inevitavelmente, orientado para os interesses desse
oligopólio. A “eficiência” buscada não é a eficiência
ecológica ou social, mas a eficiência para a acumu-
lação.

Nessa lógica, a aceleração da extração de cobre na
Amazônia (Lovisi, 2025) ou a queima de gás natural
em larga escala para alimentar um data center em
Indiana (Weise & Metz, 2025) não são vistos como
desastres ambientais, mas como custos operacio-
nais justificados para garantir a expansão da FPT
e a vantagem competitiva. A opacidade (Capítulo
4) não é um lapso, mas uma ferramenta de poder; o
“segredo corporativo” (Mota, 2025) é a estratégia
para impedir a fiscalização pública sobre essa lógica
de acumulação.

A ascensão da IA como FPT (Ferreira, 2025) trans-
forma, portanto, os debates sobre tecnologia em
debates fundamentalmente sobre poder. A ques-
tão central que define o século XXI, e que este artigo
procura sublinhar, não é técnica (como tornar a IA
mais eficiente), mas política: “quem controla essa
força produtiva determinante e, consequentemente,
quem se beneficia de sua imensa capacidade de
gerar riqueza e de organizar a sociedade?” (Ferreira,
2025).

Manter a IA sob o controle privado e concentrado
garante a perpetuação dos impactos socioambien-
tais, subordinando os limites biofísicos do planeta
à lógica da acumulação. Isso nos leva diretamente
à discussão sobre as únicas soluções possíveis, a
serem exploradas no capítulo final.

6. A Questão do Controle: Da Regulação
Paliativa à Socialização

6.1. A Urgência das Soluções Paliativas:

Regulação Ambiental e Fiscalização

Diante da voracidade energética e material da infra-
estrutura de IA e da “caixa-preta” corporativa que
oculta essa realidade, a implementação de meca-
nismos robustos de regulação e fiscalização emerge
como a solução paliativa mais urgente e indispen-
sável a curto prazo. Embora, como se argumentará
adiante, a regulação por si só seja insuficiente para
alterar a lógica de acumulação que impulsiona o pro-
blema, ela é a única ferramenta imediata capaz de
“mitigar danos” e impor um mínimo de responsabili-
dade socioambiental.

A primeira e mais crítica frente regulatória é o com-
bate direto à opacidade. A prática do

greenwashing

só prospera no vácuo de dados auditáveis. Portanto,
a ação governamental é crucial para “preencher a
lacuna regulatória existente” (PNUMA, 2025). O Pro-
grama das Nações Unidas para o Meio Ambiente
(PNUMA) tem sido claro ao instar os governos a
“estabelecer procedimentos padronizados para
medir o impacto ambiental da IA”, dada a atual
“escassez de informações confiáveis” (PNUMA,
2024).

Isso se materializa na exigência de transparência
radical. Os gestores públicos devem exigir que as
empresas de tecnologia divulguem “indicadores-
-chave de desempenho ambiental (KPIs)” (Borges,
2025) que sejam “objetivos e mensuráveis” (IP.rec,
2025). As novas “Diretrizes de Compras Sustentá-
veis” do PNUMA (2025) e os debates sobre padro-
nização internacional (AI ACTION SUMMIT, 2025) já
fornecem a base técnica, focando em métricas cla-
ras de “eficácia do uso de energia (PUE)”, “eficácia

200

Revista Científica Virtual da ESA OAB SP. Ed. 50. 2025. Este trabalho está licenciado sob a Licença
Creative Commons Atribuição 4.0 Internacional (CC BY 4.0).

do uso de água (WUE)” e o percentual real de “uso
de energia renovável” (PNUMA, 2025).

No Brasil, propostas como o “Plano Nacional de
Data Centers (Redata)” (Vicente, 2025) e deba-
tes legislativos no Senado (PL 3018/2024, citado
em Borges, 2025 e Pincer, 2025) já apontam para
a necessidade de condicionar incentivos fiscais
a “contrapartidas” (Vicente, 2025; Borges, 2025).
Isso deve incluir a exigência de “estudos de impacto
ambiental sérios” (Borges, 2025) que contemplem o
ciclo de vida completo da infraestrutura – incluindo
o impacto na rede elétrica local e nos recursos hídri-
cos.

Para garantir que essas métricas não sejam apenas
mais uma forma de

greenwashing

, a regulação deve

ser acompanhada de “mecanismos de verificação
independente e certificação” (IP.rec, 2025). A fiscali-
zação deve ter o poder de auditar as alegações das
empresas, combatendo a cultura do “segredo cor-
porativo” (item 4.1) e garantindo que o custo ambien-
tal da IA seja, pela primeira vez, publicamente conhe-
cido e politicamente gerenciado.

6.2. Limites da Regulação e a Urgência da

Mudança Estrutural

As medidas paliativas de regulação e fiscalização
são indispensáveis para mitigar os danos imediatos.
Contudo, é fundamental reconhecer os seus limites
estruturais. Estas medidas atuam sobre os

sintomas

da crise ambiental da IA – o consumo de energia, a
pegada hídrica, a opacidade – mas falham em ende-
reçar a

causa

fundamental do problema: a lógica de

acumulação e a estrutura de poder que controla esta
tecnologia.

O limite da regulação reside no facto de que ela não
altera a natureza da IA como uma Força Produtiva
Tecnológica (FPT) hegemónica, nem a sua proprie-
dade concentrada nas mãos de um oligopólio de

Big

Techs

. As mesmas corporações (Amazon, Google,

Microsoft) que seriam alvo da regulação são as que
detêm o poder económico e de

lobby

para moldar

essa mesma regulação aos seus interesses, muitas
vezes focando-a em metas de “eficiência” (Pincer,
2025) que não prejudicam a sua expansão.

Mesmo a regulação mais bem-intencionada opera
dentro da lógica do sistema que ela tenta corrigir. Ela
pode taxar o carbono, multar pela poluição hídrica
ou exigir transparência (IP.rec, 2025). No entanto,
ela não impede a

determinação

da FPT sobre as

forças produtivas e sobre a sociedade. Para as cor-
porações que controlam a IA, o custo de “prolongar
a operação de usinas fósseis” (Neves, 2025) ou de
“acelerar a extração de cobre na Amazônia” (Lovisi,
2025) é simplesmente um custo de negócio a ser
absorvido ou repassado, desde que a acumulação
de capital seja mantida.

Além disso, o foco regulatório na “eficiência energé-
tica” (Pincer, 2025) muitas vezes ignora o

Paradoxo

de Jevons:

à medida que a IA se torna mais efi-

ciente e barata, as suas aplicações multiplicam-se,
levando a um

aumento

do consumo agregado de

energia, anulando os ganhos de eficiência.

A regulação, portanto, encontra o seu limite na pró-
pria estrutura de propriedade. Ela tenta gerir os
danos de um sistema cuja lógica intrínseca é a
expansão ilimitada. A constatação dos “limites da
regulação” (Ferreira, 2025) revela a “urgência da
mudança estrutural”. Se o problema é o “controle
e riqueza” concentrados, a única solução definitiva
não pode ser a gestão desse controle, mas sim a sua
transformação.

6.3. A Solução Estrutural: Socialização e

Democratização da IA

Se a regulação é paliativa e seus limites são defini-
dos pela lógica da acumulação privada, a única solu-

201

Revista Científica Virtual da ESA OAB SP. Ed. 50. 2025. Este trabalho está licenciado sob a Licença
Creative Commons Atribuição 4.0 Internacional (CC BY 4.0).

ção definitiva e estruturalmente coerente é aquela
que ataca a raiz do problema: a “questão do con-
trole” (Ferreira, 2025). A solução definitiva é “demo-
cratizar o controle da IA como força produtiva tec-
nológica, transferindo sua propriedade para a
sociedade como um todo”.

Esta proposta não é meramente ideológica; é uma
conclusão prática diante da escala do poder desta
FPT e dos seus impactos.

Socialização

implica “retirar a IA do controle

exclusivo das grandes corporações privadas” e tra-
tá-la como uma “infraestrutura pública essencial”.
Assim como uma nação não deveria entregar sua
rede elétrica ou seus reservatórios de água ao con-
trole irrestrito de um oligopólio focado no lucro, ela
não pode entregar a infraestrutura cognitiva cen-
tral do século XXI – os data centers de treinamento
e os modelos de linguagem fundamentais – a esse
mesmo destino.

Democratização

é o mecanismo de gestão

dessa socialização. Significa “submeter seu desen-
volvimento a mecanismos democráticos e participa-
tivos”. Em vez de ter o desenvolvimento da IA ditado
pela corrida de mercado (que exige modelos cada
vez maiores e mais vorazes em energia), a socie-
dade poderia “decidir coletivamente quais são os
objetivos prioritários que a IA deve atender”.

Uma FPT sob controle democrático mudaria sua
função: em vez de otimizar o consumo e a acumu-
lação, poderia ser reorientada para gerir a escas-
sez e o “bem comum”. Uma IA pública, por exemplo
na saúde, poderia ser orientada para a “prevenção
e o bem-estar coletivo” em vez do lucro com paten-
tes. Uma IA ambiental poderia ser focada em gerir os
“limites biofísicos do planeta”, em vez de ser a força
que “acelera a extração de cobre na Amazônia”
(Lovisi, 2025).

Esta proposta responde diretamente à questão cen-
tral do “controle e riqueza”. A socialização é a única
forma de garantir que os benefícios da “imensa
capacidade de gerar riqueza” da IA sejam reverti-
dos para a coletividade, e que sua operação respeite
os ecossistemas dos quais todos dependemos.
Diante de uma tecnologia com poder de determina-
ção sobre todas as outras, a socialização não é uma
escolha radical, mas a “condição indispensável” para
um futuro ecologicamente viável e socialmente justo.

Referências

AI ACTION SUMMIT.

Standardization for AI Envi-

ronmental Sustainability

. Green Digital Action

track at COP30, Belém, Brazil, 2025. Disponível em:

https://www.sustainableaicoalition.org/wp-con-
tent/uploads/Standardization_AI_Sustainability.pdf

Acesso em: 18 out. 2025.

BORGES, Diélen. Cientistas alertam: data cen-
ters podem causar crise de água e energia.

Comu-

nica UFU

, Uberlândia, 22 set. 2025. Disponível em:

https://comunica.ufu.br/noticias/2025/09/cientis-
tas-alertam-data-centers-podem-causar-crise-de-
-agua-e-energia

. Acesso em: 18 out. 2025.

CORREA, Gabriel. Especialistas alertam para os
impactos ambientais do uso da IA.

Radioagência

Nacional

, São Luís, 21 mar. 2025. Áudio. Disponível

em:

https://agenciabrasil.ebc.com.br/radioagencia-

-nacional/meio-ambiente/audio/2025-03/especia-
listas-alertam-para-os-impactos-ambientais-do-u-
so-da-ia

. Acesso em: 18 out. 2025.

CORTEZ, Henrique. Emergência hídrica e energé-
tica: O impacto ambiental dos data centers.

Instituto

Humanitas Unisinos (IHU)

, 2025. Disponível em:

https://ihu.unisinos.br/categorias/651676-emergen-
cia-hidrica-e-energetica-o-impacto-ambiental-dos-
-data-centers-artigo-de-henrique-cortez

. Acesso

em: 18 out. 2025.

202

Revista Científica Virtual da ESA OAB SP. Ed. 50. 2025. Este trabalho está licenciado sob a Licença
Creative Commons Atribuição 4.0 Internacional (CC BY 4.0).

DEUTSCHE WELLE. Estudo alerta para aumento
descontrolado do e-lixo gerado pela IA.

Istoé

Dinheiro

, 31 out. 2024. Disponível em:

https://istoe-

dinheiro.com.br/estudo-alerta-para-aumento-des-
controlado-do-e-lixo-gerado-pela-ia

. Acesso em: 18

out. 2025.

FERREIRA, Adriano.

Inteligência artificial e socie-

dade

. [S.l.]: Editora Foco, 2025.

GONÇALVES, Reynaldo José Aragon. A geopolí-
tica dos semicondutores: a guerra dos chips.

Brasil

247

, Blog, 16 out. 2025. Disponível em:

https://www.

brasil247.com/blog/a-geopolitica-dos-semicondu-
tores-a-guerra-dos-chips

. Acesso em: 18 out. 2025.

IP.REC.

IA, data centers e os impactos ambien-

tais:

por um debate multissetorial, transparente e

baseado em evidências sobre a regulação de data
centers no Brasil. Policy Paper. Recife: IP.rec, 2025.
Disponível em:

https://ip.rec.br/wp-content/uplo-

ads/2025/05/Policy-Paper-Data-Centers.pdf

Acesso em: 18 out. 2025.

KOLBE JUNIOR, Armando. Inteligência Artificial e o
desafio da poluição ambiental.

UNINTER Notícias

11 jan. 2024. Disponível em:

https://www.uninter.com/

noticias/inteligencia-artificial-e-o-desafio-da-polui-
cao-ambiental

. Acesso em: 18 out. 2025.

LOVISI, Pedro. Vale quer acelerar extração de cobre
na Amazônia para atender crescimento da IA.

Folha

de S.Paulo

, Toronto, 6 mar. 2025. Disponível em:

https://www1.folha.uol.com.br/mercado/2025/03/
vale-quer-acelerar-extracao-de-cobre-na-amazo-
nia-para-atender-crescimento-da-ia.shtml

. Acesso

em: 18 out. 2025.

MIT TECH REVIEW. O boom dos data centers no
deserto.

MIT Technology Review Brasil

, 2025. Dis-

ponível em:

https://mittechreview.com.br/boom-da-

ta-centers-nevada-impactos-ambientais/

. Acesso

em: 18 out. 2025.

MOTA, Camilla Veras. Quanta água o ChatGPT
‘bebe’ para responder sua pergunta?.

BBC News

Brasil

, São Paulo, 8 ago. 2025. Disponível em:

https://www.bbc.com/portuguese/articles/cy4dvly-
g5j3o

. Acesso em: 18 out. 2025.

MUIR, Martha. Demanda por IA faz custos de ener-
gia atingirem recorde no maior mercado dos EUA.

Folha de S.Paulo

(Financial Times), Nova York, 23

jul. 2025. Disponível em:

https://folha.com/v8c7jo6x

Acesso em: 18 out. 2025.

NEVES, Ernesto. IA impulsiona queima de combus-
tíveis fósseis e atrasa o declínio das emissões.

Veja

Agenda Verde, 15 abr. 2025. Disponível em:

https://

veja.abril.com.br/agenda-verde/ia-impulsiona-quei-
ma-de-combustiveis-fosseis-e-atrasa-o-declinio-
-das-emissoes/

. Acesso em: 18 out. 2025.

PINCER, Pedro. Preocupações ambientais são
levantadas em debate sobre regulamentação de
data centers de IA.

Rádio Senado

, 21 maio 2025.

Transcrição. Disponível em:

https://www12.senado.

leg.br/radio/1/noticia/2025/05/21/preocupacoes-
-ambientais-sao-levantadas-em-debate-sobre-re-
gulamentacao-de-data-centers-de-ia

. Acesso em:

18 out. 2025.

PNUMA. A IA gera um problema ambiental. Veja
o que o mundo pode fazer a respeito.

Programa

das Nações Unidas para o Meio Ambiente

(PNUMA), Reportagem, 21 set. 2024. Disponível em:

https://www.mercadolivre.com.br/fonte-dell-195v-
-667a-130w-45x30mm-da130pm130-original/up/
MLBU899571558

. Acesso em: 18 out. 2025.

PNUMA. PNUMA divulga diretrizes para reduzir o
impacto ambiental dos data centers.

Programa das

Nações Unidas para o Meio Ambiente (PNUMA),

Nairóbi, Paris, 12 jun. 2025. Disponível em:

https://

www.unep.org/pt-br/destaque-tecnico/pnuma-di-

203

Revista Científica Virtual da ESA OAB SP. Ed. 50. 2025. Este trabalho está licenciado sob a Licença
Creative Commons Atribuição 4.0 Internacional (CC BY 4.0).

vulga-diretrizes-para-reduzir-o-impacto-ambiental-
-dos-data-centers

. Acesso em: 18 out. 2025.

REN, Shaolei et al.

Making AI Less “Thirsty”

: Unco-

vering and Addressing the Secret Water Footprint of
AI Models. arXiv:2304.03271 [cs.LG], 2023. Dispo-
nível em:

https://arxiv.org/pdf/2304.03271

. Acesso

em: 18 out. 2025.

STACCIARINI, João; GONÇALVES, Ricardo Assis.
Geopolítica, minerais críticos e energia: o invisível
que alimenta a IA.

UOL Tilt

(The Conversation), 26