Versão 0.1.0 · Atualização: Jun 2026
Metodologia
Transparência total sobre como calculamos emissões e consumo de água do uso de IA generativa.
Visão geral
O AI Carbon Tracker estima emissões de gases de efeito estufa (GEE) e consumo de água associados ao uso de ferramentas de IA generativa. A metodologia é baseada em fatores públicos de energia por interação, literatura técnica especializada e premissas conservadoras com grau de confiança indicado para cada variável.
O que é medido
- Energia estimada de inferência (execução do modelo) por interação
- Emissões de CO₂ equivalente (kgCO₂e) com base no fator de emissão da eletricidade
- Overhead de data center via PUE (Power Usage Effectiveness)
- Consumo estimado de água via WUE (Water Usage Effectiveness)
- Projeção mensal e anual baseada em frequência e número de usuários
O que não está no MVP
- Emissões de treinamento dos modelos (Scope 3 upstream)
- Fabricação e descarte de hardware (ciclo de vida)
- Emissões de rede e transporte de dados
- Energia dos dispositivos dos usuários finais
- Fatores específicos por país, região, cloud ou provedor
- Cálculo por tokens (previsto em versões futuras)
- Impacto de geração de áudio e vídeo (dados limitados)
Fórmulas base
Energia total estimada
kWh = (prompts × Wh/interação × mult_intensidade × mult_modalidade) ÷ 1000
Emissões de carbono
kgCO₂e = kWh × PUE × fator_emissão_elétricidade (kgCO₂e/kWh)
Consumo de água
Litros = kWh × PUE × WUE (L/kWh)
Parâmetros ambientais
| Parâmetro | Valor | Descrição |
|---|---|---|
| PUE | 1.3 | Power Usage Effectiveness — overhead típico de data centers |
| Grid CO₂e | 0.367 kgCO₂e/kWh | Fator médio de emissão da eletricidade (referência global) |
| WUE | 1.9 L/kWh | Water Usage Effectiveness — consumo estimado de água por kWh |
Fatores por ferramenta
| Ferramenta | Wh/interação | Confiança | Observação |
|---|---|---|---|
| ChatGPT | 0.34 | Médio | Estimativa para interação textual padrão |
| Gemini | 0.24 | Médio | Estimativa para interação textual padrão |
| Claude | 0.35 | Baixo | Proxy baseado em benchmarks e inferências públicas |
| Perplexity | 0.43 | Baixo | Pode incluir overhead de busca/retrieval |
| Manus | 0.6 | Baixo | Proxy para uso agente/autonomia; dado público limitado |
| Copilot | 0.35 | Baixo | Proxy até haver dado mais específico |
| Outra | 0.4 | Baixo | Fator genérico configurável |
Multiplicadores de intensidade
| Intensidade | Multiplicador |
|---|---|
| Baixa | 0.7 |
| Média | 1 |
| Alta | 1.8 |
Multiplicadores por modalidade
| Modalidade | Multiplicador |
|---|---|
| Texto simples | 1 |
| Código | 1.2 |
| Análise de documentos | 1.6 |
| Pesquisa profunda | 2 |
| Agentes / automações | 2.5 |
| Geração de imagem | 8 |
| API / integração | 1 |
Limitações
Esta metodologia usa estimativas por interação/prompt. Dados precisos de consumo energético por modelo não são publicamente disponibilizados pelos provedores. Manus e ferramentas de agentes têm grau de confiança baixo por ausência de dados técnicos públicos robustos. Geração de imagem, vídeo e agentes têm maior incerteza. Fatores regionais de emissão e dados específicos de cloud não estão incluídos no MVP.
Versionamento metodológico
A metodologia segue versionamento semântico (MAJOR.MINOR.PATCH). Fatores são revisados periodicamente com base em publicações técnicas, dados de provedores e feedback da comunidade científica.
- Versão atual
- v0.1.0
- Última atualização
- 2026-06-03
- Próxima revisão
- Trimestral ou com publicação relevante
Referências
- GHG Protocol Corporate Value Chain (Scope 3) Standard — World Resources Institute & WBCSD
- Programa Brasileiro GHG Protocol — FGV EAESP / MCTI
- MCTI/SIRENE — Fatores de Emissão da Eletricidade Brasileira
- ICVCM Core Carbon Principles (CCP)
- VCMI Claims Code of Practice
- Patterson et al. (2021). "Carbon Emissions and Large Neural Network Training." arXiv:2104.10350
- Luccioni et al. (2023). "Power Hungry Processing: Watts Driving the Cost of AI Deployment?" arXiv:2311.16863
- OWASP Top 10 / OWASP ASVS — padrões de segurança da aplicação