Blog
O recém-lançado relatório Inovação para quem? Os custos socioambientais da IA no Nordeste, do IP.rec, aborda duas questões principais: os impactos ambientais associados à infraestrutura de IA, especialmente os data centers – infraestruturas físicas que reúnem servidores, processam dados, armazenam informações, entre outros; e a falta de estudos sobre a instalação de grandes infraestrutura de IA no Nordeste do país, região mais afetada pelos desastres climáticos, pela injustiça socioambiental e pelos longos períodos de seca. A pesquisa se propõe a olhar para este cenário a partir da análise tanto da infraestrutura quanto do ciclo de vida de modelos de inteligência artificial.
Apesar desse cenário, o Nordeste é uma das áreas mais visadas para a construção de data centers no país. Suas promessas de energia renovável atraem grandes projetos internacionais, mesmo com a falta de estudos sobre os prejuízos socioambientais causados por essas infraestruturas na região.
Os debates sobre os impactos da IA e dos data centers se tornaram um tema de grande debate em diversas partes do mundo, com protestos liderados muitas vezes por moradores que não querem conviver com o barulho incessante, a falta de água e/ou luz, ou o aumento da conta, entre outros possíveis efeitos colaterais desses grandes empreendimentos . Mas IA não é tudo igual, e precisamos jogar luz sobre algumas questões, especialmente seus aspectos técnicos, se quisermos avançar na formulação de políticas públicas que protejam as populações locais e o meio ambiente.
Quando falamos dos impactos da IA, geralmente nos referimos aos Large Language Models (LLM), ou Modelos de Linguagem de Grande Escala (Tradução Livre em Português do Brasil), modelos que demandam elevado poder computacional e, consequentemente, enorme consumo energético e, em muitos casos, hídrico. Figuram entre os LLMs algumas das IAs mais conhecidas, como o ChatGPT, da OpenAI, e o Gemini, do Google. No entanto, existem também os Pequenos Modelos de Linguagem (SLM, na sigla em inglês), menos conhecidos do público que os seus irmãos mais robustos. Eles são variantes mais leves, treinados para realizar tarefas com recursos computacionais reduzidos, sem as altas exigências de infraestrutura associadas aos modelos de linguagem de linguagem de grande porte .
Um exemplo é o BERT (Bidirectional Encoder Representations from Transformers), modelo de IA muito usado em buscadores, criado em 2018 pelo Google para ajudar os computadores a entenderem o sentido e a intenção das palavras em uma frase. Apenas o seu treinamento pode emitir tanto CO₂ quanto 5 carros ao longo de toda a sua vida útil. Contudo, pesquisadores alertam que os impactos socioambientais de uma IA não devem ser calculados levando-se em consideração apenas sua etapa de treinamento, sendo necessário incluir também as chamadas emissões incorporadas. Tais emissões se referem a todo o ciclo de vida da IA, e englobam, por exemplo, suas infraestruturas físicas como data centers, a fabricação de hardwares, o treinamento e a operação dos modelos, o resfriamento e consumo de água, transporte, lixo eletrônico e descarte de hardware .
Mas existem técnicas que possibilitam a redução dos recursos computacionais utilizados pelas IAs, como 1) poda: a remoção de componentes de pouca relevância ou repetitivos; 2) quantização: técnica de compressão que reduz a precisão numérica dos parâmetros, diminuindo o consumo de memória e o tamanho do modelo; e 3) destilação de conhecimentos: em que um modelo pequeno (SLM) aprende a imitar um modelo maior e mais capaz (LLM).
Os SLM nos mostram caminhos para a redução do consumo energético exigido pelos data centers de hiperescala, e as técnicas acima comprovam que há caminhos para a diminuição da demanda computacional e dos impactos ambientais de sistemas de IA.
Vale destacar que grande parte das empresas que estão apostando suas fichas na construção de data centers na América Latina são estrangeiras. Isso se deve a um contexto existente aqui de energia elétrica mais barata e de menor fiscalização ambiental em relação aos seus países de origem. Essa “exportação” de parte da infraestrutura revela um processo de assimetrias na geração e localização dos impactos destes empreendimentos. Enquanto os benefícios econômicos se concentram no norte global, os países que recebem essas infraestruturas arcam com os ônus socioambientais. Ganhos privatizados em algumas empresas, prejuízos socializados com territórios e populações inteiras que não veem nenhum benefício com a chegada de data centers em seus territórios.
A pesquisa conduzida para o relatório Inovação para quem? mostra a invisibilização do debate sobre os impactos das infraestruturas de IA no Nordeste brasileiro. A infraestrutura de IA se intensifica em uma região marcada pelo clima semiárido e por longos períodos de seca, sem que haja um incremento proporcional nas pesquisas sobre seus impactos nessas localidades. Um exemplo é o município de Caucaia, no Ceará, que tem chamado particular atenção de empresas do setor devido ao seu potencial de produção de energias renováveis (solar e eólica) combinado com a presença de cabos submarinos de fibra ótica. Reflexo disso é o projeto de implementação do que seria o maior data center da América Latina, que ignora a crise hídrica enfrentada pelos moradores da região.
A construção de data centers nessas localidades reforçam as violências históricas enfrentadas por grupos sociais vulnerabilizados. Populações indígenas de Caucaia já vivem os efeitos do projeto, e “temem que o consumo de energia e água para manutenção dessas estruturas agravem a crise hídrica local”. Em Sergipe, outro projeto prevê um consumo de energia elétrica maior que o total consumido pelo estado todo atualmente.
Sem estudos que se debruçam sobre os efeitos dos data centers nestes locais, os moradores e o meio ambiente são deixados à deriva. Mais do que isso, subtrai-se a capacidade de desenvolvimento de políticas públicas baseadas em evidências. “Fica demonstrado, portanto, que os projetos de implementação de centros de dados atualmente em marcha na região carecem de base científica orientativa a dar sustentação ao seu desenvolvimento ecologicamente orientado” .
Referências
INSTITUTO DE PESQUISA EM DIREITO E TECNOLOGIA DO RECIFE (IP.rec). Inovação para quem? Os custos socioambientais da IA no Nordeste. Recife: IP.rec, 2026. Disponível em: https://ip.rec.br/wp-content/uploads/2026/11/INOVACAO-PARA-QUEM.pdf.
GUITARRARA, Paloma. Data center. Brasil Escola, 2026. Disponível em: <https://brasilescola.uol.com.br/informatica/data-center.htm>. Acesso em: 11 nov. 2026.
INSTITUTO DE PESQUISA EM DIREITO E TECNOLOGIA DO RECIFE (IP.rec). op. cit.
MARTINS, Laís; CHIAVERINI, Tomás. Moradores se unem para barrar data center do TikTok no Ceará. Intercept Brasil, 17 set. 2025. Disponível em: <https://www.intercept.com.br/2025/09/17/moradores-se-mobilizam-contra-data-center-tiktok-ceara/>. Acesso em: 14 nov. 2026.
STERLING, Toby. Ativistas invadem canteiro de obras de data center da Microsoft em Amsterdã. CNN Brasil, 6 nov. 2026. Disponível em: <https://www.cnnbrasil.com.br/economia/money/inteligencia-artificial/ativistas-invadem-canteiro-de-obras-de-data-center-da-microsoft-em-amsterda/>. Acesso em: 17 nov. 2026.
CHEN, Mike. What Are Small Language Models (SLMs)? How Do They Work? Oracle Brasil, 5 nov. 2025. Disponível em: <https://www.oracle.com/br/artificial-intelligence/small-language-models/>. Acesso em: 13 nov. 2026.
Wang, F., Zhang, Z., Zhang, X., Wu, Z., Mo, T., Lu, Q., Wang, W., Li, R., Xu, J., Tang, X., He, Q., Y., Huang, M. S., & Wang, S. (2025). A Comprehensive Survey of Small Language Models in the Era of Large Language Models: Techniques, Enhancements, Applications, Collaboration with LLMs, and Trustworthiness. ACM Transactions on Intelligent Systems and Technology, 16, 1-87. https://doi.org/10.1145/3768165.
Wang, F., Zhang, Z., Zhang, X., Wu, Z., Mo, T., Lu, Q., Wang, W., Li, R., Xu, J., Tang, X., He, Q., Y., Huang, M. S., & Wang, S. (2025). A Comprehensive Survey of Small Language Models in the Era of Large Language Models: Techniques, Enhancements, Applications, Collaboration with LLMs, and Trustworthiness. ACM Transactions on Intelligent Systems and Technology, 16, 1-87. https://doi.org/10.1145/3768165.
Wang, F., Lin, M., Y., Liu, H., He, Q., Tang, X., Tang, J., Pei, J., & Wang, S. (2025). A Survey on Small Language Models in the Era of Large Language Models: Architecture, Capabilities, and Trustworthiness. ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD), 6173-6183. https://doi.org/10.1145/3711896.3736563.
LUNA, Javier Canales. O que é o BERT? Introdução aos modelos BERT. DataCamp, 23 abr. 2024. Disponível em: <https://www.datacamp.com/pt/blog/what-is-bert-an-intro-to-bert-models>. Acesso em: 12 nov. 2026.
STRUBELL, Emma; GANESH, Ananya; MCCALLUM, Andrew. Energy and Policy Considerations for Deep Learning in NLP. 2019.
GÖRÜCÜ, Sinem; MORAIS, Luiz A.; PANAGIOTIDOU, Georgia. A Critical Analysis of Machine Learning Eco-feedback Tools through the Lens of Sustainable HCI. Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems. 2025. p. 1-18.
JIANG, Peng et al. Preventing the immense increase in the life-cycle energy and carbon footprints of LLM-powered intelligent chatbots. Engineering, v. 40, p. 202-210, 2024.
RÓŻYCKI, Rafał; SOLARSKA, Dorota Agnieszka; WALIGÓRA, Grzegorz. Energy-aware machine learning models—a review of recent techniques and perspectives. Energies, v. 18, n. 11, p. 2810, 2025.
VURUMA, Sai Krishna Revanth et al. From cloud to edge: rethinking generative AI for low-resource
design challenges. arXiv preprint arXiv:2402.12702, 2024.
REGILME, Salvador Santino F. Artificial intelligence colonialism: Environmental damage, labor
exploitation, and human rights crises in the Global South. SAIS Review of International Affairs, v. 44, n. 2, p. 75-92, 2024.
GÖRÜCÜ, Sinem; MORAIS, Luiz A.; PANAGIOTIDOU, Georgia. op. cit.
INSTITUTO DE PESQUISA EM DIREITO E TECNOLOGIA DO RECIFE (IP.rec). op. cit.
FURTADO, Fabrina. De zonas de sacrifício à luta por justiça ambiental: a cidade é feita pra quem?
Coletiva, Recife, n. 24, fev./mai. (2019). Disponível em: https://www.coletiva.org/dossie-direito-a-cidade-n24-artigo-de-zonas-de-sacrificio-a-lutas-por-justica-ambiental.
INSTITUTO DE PESQUISA EM DIREITO E TECNOLOGIA DO RECIFE (IP.rec). op. cit., p. 21.
MARTINS, Laís. CHIAVERINI, Tomás. ‘ÁGUA PARA O POVO, NÃO PARA DATA CENTERS’ Moradores se unem para barrar data center do TikTok no Ceará, Intercept Brasil, 2025. https://www.intercept.com.br/2025/09/17/moradores-se-mobilizam-contra-data-center-tiktok-ceara/
relatório IP.rec, pag 26.
Imagem destacada: Hanna Barakat & Archival Images of AI + AIxDESIGN / https://betterimagesofai.org / https://creativecommons.org/licenses/by/4.0/
Gabriela Nardy
Mestra em Antropologia Social pela Universidade Estadual de Campinas (Unicamp), com formação em Governança da Internet pelo Advanced Diploma da DiploFoundation e pela Escola de Governança da Internet do . Pesquisa e atua há mais de quinze anos com temas ligados a direitos digitais, gênero, acesso e conectividade. Nos últimos anos, tem voltado parte dos seus esforços a entender como essas áreas se cruzam com os debates sobre IA, data centers e justiça ambiental.