--- title: "Agentes de IA gastam energia demais ao reler os próprios registros" author: "André Iglesias" date: "2026-09-17 08:15:00-03" category: "Inteligência Artificial & Dados" url: "http://desbugados.scale.press/portal/desbugados/post/2026/09/17/agentes-de-ia-gastam-energia-demais-ao-reler-os-proprios-registros/md" --- ## Resumo - Estudo de oito semanas com o Claude Code estimou consumo diário médio entre 1,2 e 5,9 kWh. - O gasto é comparável ao de manter duas geladeiras ligadas o dia inteiro. - Cerca de 96% dos tokens processados foram leituras de cache, enquanto 0,4% formaram a resposta final. - 1.138 prompts geraram mais de 14 mil chamadas ao modelo e processaram 3,2 bilhões de tokens. - Um prompt de agente consumiu em média 150 Wh, contra 0,24 a 0,34 Wh em prompts simples de chat. - A análise anual estimou 1,1 MWh de consumo e 370 kg de CO2 equivalente. - A correlação entre tokens e energia é uma estimativa, limitada pela falta de dados detalhados dos laboratórios. --- O bug aparece antes mesmo de a resposta chegar à tela: um agente de inteligência artificial pode gastar energia equivalente à de **duas geladeiras ligadas o dia inteiro** enquanto trabalha em uma tarefa. A estimativa foi produzida pelo cientista climático **Zeke Hausfather** após oito semanas acompanhando o uso do Claude Code, da Anthropic, e aponta um consumo diário médio entre **1,2 e 5,9 kWh**. O motivo está no modo como esse tipo de sistema opera: a cada etapa, ele processa novamente o próprio contexto de trabalho, incluindo registros já lidos anteriormente. A seguir, o estudo ajuda a desbugar por que a resposta visível é apenas uma pequena parte da energia consumida. ## O número por trás das duas geladeiras A faixa estimada por Hausfather descreve uma média diária observada durante as sessões monitoradas, e não uma medida fixa para toda tarefa ou para todo agente de IA. Mesmo assim, a comparação doméstica torna o resultado fácil de entender: o uso do Claude Code analisado se aproximou do consumo necessário para manter **duas geladeiras** funcionando continuamente. O estudo publicado pela [Futurism](https://futurism.com/future-society/ai-agents-electricity-study-energy-refrigerator) também informa que, quando o consumo é projetado para um ano, o resultado se aproxima da energia usada por uma **secadora de roupas elétrica**. A analogia traduz um custo que normalmente fica escondido atrás de uma interface de texto. Esse resultado ganha dimensão quando se observa o volume de processamento registrado nas oito semanas. A análise contabilizou **3,2 bilhões de tokens**, termo usado para as unidades de conteúdo processadas pelo modelo, a partir de **1.138 prompts** que geraram mais de 14 mil chamadas ao modelo. Prompt é o comando ou a solicitação enviada ao agente, enquanto cada chamada corresponde a uma nova operação do modelo durante o trabalho. A diferença entre o número de prompts e o total de chamadas mostra que uma solicitação pode desencadear várias etapas internas, e é justamente essa repetição que leva a discussão para além do texto final entregue ao usuário. ## O gasto escondido nos próprios registros O dado mais revelador da análise está na distribuição dos tokens processados. Cerca de **96% dos tokens** corresponderam a leituras de cache, ou seja, informações já armazenadas que voltaram a ser consultadas durante a execução, enquanto apenas **0,4%** representaram a saída final mostrada ao usuário. A imagem é parecida com um assistente que precisa reler uma pilha inteira de anotações antes de concluir cada pequena tarefa. A resposta pode parecer curta, mas o caminho até ela inclui uma quantidade muito maior de leitura e reorganização interna, o que explica por que o consumo não deve ser medido apenas pelo tamanho do texto exibido. Essa releitura acontece porque o agente processa repetidamente o próprio contexto de trabalho a cada passo. Em uma tarefa com várias etapas, o sistema precisa consultar novamente informações que permanecem relevantes para continuar operando, e o estudo associa esse comportamento ao alto consumo observado. O ponto não é que cada token armazenado produza uma nova resposta visível, mas que ele participe do trabalho necessário para manter o agente orientado ao longo da tarefa. Quando a conta é feita dessa maneira, o gasto deixa de parecer ligado apenas à frase digitada pelo usuário e passa a incluir todo o histórico que o sistema revisita antes de avançar. ## Por que agentes gastam mais que chats simples A comparação com um chatbot convencional ajuda a dimensionar a diferença. A análise indica que um prompt de agente consumiu, em média, **150 Wh**, enquanto prompts simples do Gemini ou do ChatGPT ficaram entre **0,24 e 0,34 Wh**. Em outra forma de apresentar o resultado, o autor afirma que agentes modernos consomem cerca de **600 vezes mais energia por prompt** do que consultas simples de chat. A diferença não vem apenas da resposta que aparece na conversa: ela está ligada ao número de operações e às leituras de contexto que acontecem antes da conclusão. É essa camada invisível de trabalho que separa uma solicitação direta de um agente encarregado de executar uma tarefa mais longa. O contraste também muda a maneira de avaliar a eficiência de uma ferramenta. Um chatbot simples pode responder a uma pergunta em uma interação direta, enquanto o agente analisado foi observado durante tarefas que geraram milhares de chamadas internas ao modelo. Por isso, comparar apenas a quantidade de caracteres da resposta seria insuficiente para entender o custo energético descrito pela pesquisa. O estudo coloca no centro uma pergunta prática: quantas vezes o sistema precisou consultar informações anteriores antes de finalizar o pedido? A resposta para essa pergunta passa pelos tokens processados, pelo uso de cache e pela quantidade de chamadas, três elementos que aparecem reunidos na medição de Hausfather. ## O que a estimativa permite concluir A análise anual apresentada em dados complementares estima um consumo de **1,1 MWh** e emissões de aproximadamente **370 kg de CO2 equivalente**. Esses números correspondem à projeção do uso acompanhado no estudo, e não a uma promessa de que todo agente ou todo usuário produzirá exatamente o mesmo resultado. A utilidade da conta está em mostrar como uma rotina individual de uso intenso pode acumular energia ao longo do tempo, mesmo quando cada interação parece pequena na tela. A secadora de roupas volta a aparecer como referência porque o consumo anualizado do agente foi comparado a esse eletrodoméstico, conectando uma atividade digital a uma despesa energética facilmente reconhecível. O registro diário também apresentou um pico de **11 kWh** durante uma tarefa complexa de análise de geodados. Na publicação de Hausfather, o consumo anualizado é comparado ainda à metade de uma viagem aérea de ida e volta entre São Francisco e Nova York. Essas referências não substituem a medição, mas ajudam a visualizar a variação entre a média diária e um dia de uso mais intenso. Para interpretar os dados corretamente, é preciso manter a distinção entre a média de 1,2 a 5,9 kWh, o pico de 11 kWh e as projeções anuais. Cada número descreve uma parte diferente da mesma investigação. ## O limite da conta e o próximo passo da pesquisa Hausfather reconhece que a correlação entre tokens processados e energia não é perfeita. Segundo a [Fast Company](https://www.fastcompany.com/91600746/how-much-energy-does-agentic-ai-actually-use-one-scientist-tracked-every-prompt-he-sent), ele considera essa relação a melhor estimativa disponível porque os laboratórios de IA não fornecem dados suficientemente granulares sobre o consumo de cada operação. Em outras palavras, a pesquisa transforma o volume de tokens em uma aproximação para um custo que as empresas ainda não detalham por tarefa. Essa limitação não elimina o valor do levantamento, mas impede que a estimativa seja tratada como uma medição universal aplicável a qualquer sistema, modelo ou tipo de trabalho. A falta de transparência também aparece na avaliação do pesquisador de sustentabilidade em IA **Boris Gamazaychikov**. A Wired relata que ele considerou o cálculo de Hausfather um esforço positivo, embora baseado em dados que podem estar desatualizados, e informou que novas pesquisas sobre a pegada ambiental dos agentes deveriam ser publicadas em **setembro de 2026**. A mesma reportagem observa que números de eficiência divulgados por laboratórios, incluindo a OpenAI, podem subestimar o custo de operações complexas. O próximo passo, portanto, é obter medições mais detalhadas, capazes de separar o consumo da resposta final do gasto provocado por todas as releituras e chamadas anteriores. ## Como ler esse resultado sem cair no bug da simplificação A principal ferramenta para interpretar a pesquisa é separar três perguntas: quanto o usuário escreveu, quanto o agente processou e quantas vezes o sistema chamou o modelo durante a tarefa. O estudo mostra que essas medidas podem ser muito diferentes, porque **0,4% dos tokens** chegaram à forma de saída final enquanto uma parcela muito maior foi dedicada à leitura de cache. Para quem escolhe ou avalia uma ferramenta, essa distinção ajuda a evitar a impressão de que uma resposta curta sempre significa uma operação barata. O tamanho da mensagem é visível; o volume de contexto revisitado fica nos bastidores. O dado mais seguro para levar desta análise é que agentes de IA exigem uma contabilidade diferente da usada para chats simples. A estimativa de **600 vezes mais energia por prompt**, a média diária comparável a duas geladeiras e o pico de 11 kWh formam uma sequência coerente dentro do recorte estudado, mas não devem ser transformados em uma regra para qualquer sistema. Até que os laboratórios publiquem dados mais granulares e as novas pesquisas sejam divulgadas, a pergunta prática continua sendo a mais útil: quanto trabalho interno é necessário para produzir aquela resposta? É nessa diferença entre o que aparece na tela e o que o agente relê nos próprios registros que a conta de energia realmente começa.