Uma análise detalhada do uso do Claude Code sugere que agentes de IA podem consumir muito mais eletricidade do que os prompts de chat simples frequentemente usados para descrever a pegada energética da IA. O cientista climático Zeke Hausfather acompanhou sua própria atividade com um agente de programação por oito semanas e estimou cerca de 170 quilowatts-hora de eletricidade de data center para 1.138 entradas digitadas.

Isso equivale a cerca de 150 watts-hora por entrada — aproximadamente 600 vezes os 0,24 a 0,34 watt-hora citados para uma consulta de texto típica pelo Google e pela OpenAI. A comparação não é uma medição universal de toda carga de trabalho de agente, mas destaca quanta energia pode ficar escondida por trás de uma única solicitação do usuário quando agentes de software fazem chamadas repetidas ao modelo, processam grandes contextos e trabalham de forma autônoma.

O que Hausfather mediu no Claude Code

Hausfather divulgou suas descobertas por meio do The Climate Brink, com cobertura do The Decoder. Seus logs locais do Claude Code registraram contagens de tokens e chamadas ao modelo ao longo de oito semanas de uso. Os 1.138 prompts acionaram mais de 14.000 chamadas ao modelo — cerca de 12 chamadas por entrada — e processaram aproximadamente 3,2 bilhões de tokens.

A maior parte desse processamento veio do gerenciamento de contexto, e não do texto exibido ao usuário. Segundo a análise, cerca de 96% dos tokens foram leituras de cache, porque o agente relia repetidamente seu contexto acumulado em etapas sucessivas. A saída do modelo visível na tela representou apenas cerca de 0,4% dos tokens processados.

Hausfather estimou o consumo total em 170 kWh, mas deu uma ampla faixa de incerteza de 70 a 330 kWh. As contagens de tokens vieram dos logs do Claude Code; converter essas contagens em uso de eletricidade exigiu três métodos de estimativa separados e suposições sobre a energia consumida por token.

A carga de trabalho resultante foi desigual. Uma sessão mediana usou cerca de 0,6 kWh, enquanto o consumo diário médio chegou a 3,0 kWh, com faixa de 1,2 a 5,9 kWh. O dia mais intensivo, envolvendo vários agentes paralelos trabalhando em uma análise de geodados, foi estimado em 11 kWh.

Por que comparações simples de prompts ficam aquém

O Google disse que um prompt de texto mediano do Gemini usa 0,24 watt-hora. O CEO da OpenAI, Sam Altman, estimou uma consulta média do ChatGPT em 0,34 watt-hora. Esses números descrevem tipos estreitos de consultas e não são necessariamente comparáveis a um agente de codificação que raciocina sobre uma tarefa em muitas etapas.

A distinção importa porque “um prompt” é um evento de interface do usuário, não uma unidade consistente de computação. Uma conversa de chat convencional pode envolver cerca de mil tokens, segundo a comparação de Hausfather. As entradas do Claude Code dele somaram, em média, cerca de 2,9 milhões de tokens processados, incluindo contexto repetido e chamadas intermediárias.

Modelos de raciocínio, buscas na web, processamento de imagem e áudio, geração de código e fluxos de trabalho com múltiplos agentes podem alterar a quantidade de computação por trás de uma solicitação. Um agente também pode tentar novamente operações, inspecionar arquivos, executar testes, revisar código e chamar ferramentas antes de retornar um resultado. Um painel de produto que mostra apenas o prompt inicial pode, portanto, ocultar a carga de trabalho real.

Isso não estabelece que todo uso de agentes de IA consuma 600 vezes mais eletricidade do que uma solicitação de chat. O número é uma estimativa baseada no padrão de uso intenso de um único usuário do Claude Code, comparado com estimativas públicas de baixo consumo para consultas. Ainda assim, mostra por que números médios por prompt não devem ser tratados como uma contabilidade completa da IA baseada em agentes.

Evidência, incerteza e a questão do carbono

A análise fornece dados de uso incomumente concretos, mas não mede diretamente a eletricidade no data center. A faixa de incerteza de Hausfather é substancial, e as suposições de energia por token não podem ser verificadas de forma independente fora das empresas de IA. O The Decoder também observa que pessoas de fora não sabem o custo exato de energia por token dos principais modelos comerciais.

O impacto de carbono depende de mais do que apenas o volume de eletricidade. Hausfather projetou que manter esse nível de uso por um ano exigiria cerca de 1,1 megawatt-hora de eletricidade de data center, com faixa de 0,4 a 2,2 MWh. Usando a matriz elétrica média dos EUA, ele estimou cerca de 370 quilogramas de dióxido de carbono equivalente por ano.

Esse valor seria menor em uma rede majoritariamente limpa e maior onde a energia vem de geração intensiva em carbono. Hausfather estima que executar a mesma carga de trabalho com eletricidade amplamente limpa poderia reduzir sua pegada de carbono em cerca de 90%. Sua conclusão é que a fonte de eletricidade pode ser um fator mais importante do que pedir a um pequeno número de usuários pesados que parem de usar agentes.

Ele também argumenta que modelos menores são úteis para tarefas rotineiras porque consomem cerca de cinco a sete vezes menos energia por token do que modelos de fronteira, segundo sua análise. Essa é uma recomendação de direção, e não uma regra universal de compra: eficiência do modelo, qualidade, latência, hardware e número de tentativas afetam o resultado final.

O que os resultados significam para construtores e compradores de IA

Para os desenvolvedores, a lição imediata é medir execuções completas de agentes em vez de contar prompts de usuário. As equipes devem acompanhar chamadas ao modelo, tokens de entrada e saída, leituras de cache, invocações de ferramentas, tentativas repetidas, trabalhadores paralelos e o tempo total gasto em uma tarefa. Essas métricas podem revelar que um recurso aparentemente barato está gerando trabalho substancial no backend.

Os resultados também tornam estratégias de roteamento mais importantes. Um modelo menor poderia lidar com classificação, busca de arquivos, formatação ou mudanças simples de código, enquanto um modelo mais capaz é reservado para tarefas que realmente exigem raciocínio mais profundo. Podas de contexto, design de recuperação, cache e limites em loops autônomos podem reduzir tanto custo quanto uso de eletricidade, embora limites agressivos também possam reduzir a confiabilidade.

Compradores corporativos devem perguntar aos fornecedores como calculam as alegações de energia e carbono. Um número por consulta pode excluir raciocínio oculto, contexto em cache, chamadas de ferramentas ou sobrecarga de data center. Compradores que avaliam assistentes de codificação ou implantações de agentes de fluxo de trabalho precisam de estimativas específicas da carga de trabalho, não apenas médias de tráfego leve de chat.

A análise também levanta uma questão de implantação para produtos projetados para rodar por dias ou semanas. Tarefas autônomas mais longas podem multiplicar a demanda de energia muito além do padrão de uso que Hausfather registrou. Essa possibilidade não é uma previsão, mas um motivo para incluir controles de energia, custo e encerramento na arquitetura do agente antes de escalar o uso em uma organização.

O que observar a seguir

O próximo sinal útil será a medição independente de energia por token entre famílias de modelos, configurações de hardware e estruturas de agentes. Relatórios mais claros dos laboratórios de IA poderiam tornar as alegações dos fornecedores mais comparáveis, especialmente se as empresas divulgarem se os números incluem raciocínio, cache, chamadas de ferramentas e sobrecarga de resfriamento.

As equipes de produto também devem observar controles práticos, como roteadores de modelos, configurações de orçamento de contexto, limites de etapas do agente e painéis de energia no nível da carga de trabalho. Na infraestrutura, a parcela da nova energia de data centers fornecida por gás natural, juntamente com investimentos em energia limpa, expansão da rede, energia geotérmica ou geração nuclear, determinará quanto da eletricidade adicional se transforma em emissões.

Perspectiva da Creati.ai

A análise de Hausfather não mostra que agentes de IA sejam inerentemente desperdiçadores, nem invalida estimativas mais baixas de energia para chat simples. Ela mostra que a unidade medida importa. Para um agente, o prompt do usuário pode ser apenas o começo de um longo fluxo de trabalho computacional.

Para construtores e compradores corporativos, a resposta prática é uma contabilidade melhor: medir a tarefa completa, rotear o trabalho para o menor modelo capaz e projetar limites em torno da execução autônoma. O debate sobre energia ficará mais útil quando os relatórios em nível de produto refletirem o que os agentes realmente fazem, em vez do que os usuários digitam.