Antes de entrar nos dados, um esclarecimento rápido para quem não está familiarizado com o termo: o que é a IA agêntica? Até agora, a maioria de nós usava a IA como um chatbot: fazemos uma pergunta, ela responde, e aí termina a interação. A IA agêntica é um passo além. Em vez de apenas responder, o sistema age por conta própria para completar uma tarefa do início ao fim: decide quais passos seguir, busca informações na internet se precisar, executa código, corrige os seus próprios erros no momento e encadeia várias ações sem que uma pessoa precise guiar cada etapa intermediária. É a diferença entre perguntar a alguém "como faço para reservar um voo?" e dizer-lhe "reserve-me um voo para Roma no próximo fim de semana" e que essa pessoa faça tudo sozinha.
Esta capacidade é o que está por trás dos novos "agentes" que começam a ser integrados em sistemas operativos, navegadores, ferramentas de programação e aplicações empresariais. E embora pareça uma vantagem pura, tem um custo que até agora mal havia sido medido: o energético.
Até há pouco tempo, falar do gasto energético da IA era falar de chatbots: perguntas e respostas, um consumo relativamente limitado e já bastante estudado. Esse quadro já não serve.
Nos últimos dois anos, o foco da indústria mudou. Já não basta que um modelo "responda bem": agora espera-se que aja. A isso chamamos IA agêntica, e está a tornar-se rapidamente o padrão de facto em assistentes de produtividade, copilotos de programação e automação empresarial.
O problema é que, enquanto a adoção se acelera, o custo real dessa autonomia mal havia sido medido com rigor. Um estudo do KAIST (Korea Advanced Institute of Science and Technology), liderado pelo professor Minsoo Rhu, foi o primeiro a quantificá-lo de forma sistemática, comparando o consumo de agentes reais com o de um chatbot convencional a resolver a mesma tarefa. O resultado: até 136,5 vezes mais energia por consulta.
Por que é que um agente consome tanto mais?
A chave não está num único passo "pesado", mas no efeito multiplicador da própria autonomia. Um chatbot resolve uma consulta com, em geral, uma única passagem pelo modelo. Um agente, por sua vez, pode precisar de dezenas de chamadas internas para completar a mesma tarefa: interpreta o objetivo, gera um plano, invoca uma ferramenta externa (motor de busca, interpretador de código, uma API), aguarda a resposta, reavalia se o resultado é suficiente, corrige o rumo se não for, e repete o ciclo tantas vezes quantas forem necessárias. Cada uma dessas voltas coloca novamente em funcionamento o modelo completo.
E aqui surge um paradoxo que os próprios investigadores apontam como um dos achados mais relevantes do estudo: grande parte desse custo adicional não se deve ao facto de a GPU estar "a pensar" mais, mas a estar à espera. Enquanto o agente aguarda a resposta de uma ferramenta externa, a GPU permanece reservada e a consumir energia, mas inativa. É uma ineficiência estrutural: paga-se por um recurso caríssimo que, boa parte do tempo, não está a fazer nenhum trabalho útil.
Os números, em detalhe:
Um agente baseado num modelo de 70 mil milhões de parâmetros (uma escala comparável aos serviços comerciais atuais) consome uma média de 348,41 Wh por consulta. Para ter uma ideia, é aproximadamente o que uma lâmpada LED consome se ficar ligada durante um dia inteiro.
Não é só energia: a latência também dispara. Os tempos de resposta podem chegar a ser 153,7 vezes mais longos.
E aqui está a parte mais incómoda: as GPU, esse hardware caríssimo e de altíssima procura, ficam inativas até 54,5% do tempo de execução, à espera que as ferramentas externas respondam. Paga-se por capacidade de computação que, grande parte do tempo, não está a ser utilizada.
Os investigadores foram mais longe e simularam o que aconteceria se esses agentes gerissem um volume de tráfego equivalente ao das pesquisas diárias do Google (13.700 milhões de consultas por dia). A infraestrutura necessária rondaria os 199 gigawatts, perto de metade do consumo elétrico médio de todos os Estados Unidos. É um cenário hipotético, não uma previsão a curto prazo, mas serve para dimensionar algo que hoje passa despercebido: os planos de expansão dos centros de dados e as previsões de procura elétrica da Agência Internacional de Energia continuam a ser calculados, em grande medida, com base no padrão de consumo dos chatbots. Se a adoção de agentes autónomos escalar ao ritmo que o mercado antecipa, essas previsões poderão estar a ficar aquém da realidade.
Por que é que isto importa agora?
Porque a IA agêntica não é uma promessa distante: já está a ser integrada em sistemas operativos, navegadores, suites de produtividade e plataformas cloud, e as principais empresas tecnológicas estão a apresentá-la como o próximo salto de produtividade. A conversa sobre sustentabilidade da IA centrou-se primeiro no treino dos grandes modelos; depois, na inferência dos chatbots em produção. Agora abre-se um terceiro capítulo, o da autonomia, e traz uma fatura energética de uma ordem de grandeza diferente das duas anteriores.
Para as empresas que já estão a implementar ou a avaliar agentes nas suas operações, isto tem uma leitura muito prática: não basta orçamentar "consultas" ou "tokens", como se fez até agora. É preciso orçamentar tarefas concluídas, com tudo o que implicam: as novas tentativas, as chamadas a ferramentas, os tempos de espera e o hardware reservado mesmo quando inativo. É uma forma de medir o custo real muito diferente da que usávamos com os chatbots, e muitas organizações ainda não a incorporaram nos seus cálculos.
Convém matizar algo importante: 136,5x é o pico observado no estudo (com a técnica Reflexion), não uma média universal. Outra configuração analisada (LATS) apresentou um valor de 62,1x. São cifras obtidas num benchmark específico (HotpotQA, com modelos Llama-3.1), não uma lei geral aplicável a qualquer agente em qualquer tarefa. Mas mesmo como intervalo, a mensagem de fundo não muda: a diferença entre "responder" e "agir de forma autónoma" é enorme.
A conclusão da própria equipa de investigação é clara: o desafio já não é apenas conceber modelos mais potentes, mas repensar de raiz o hardware, a arquitetura dos modelos e o design dos centros de dados para que esta nova forma de IA seja energeticamente viável. Otimizar o software já não é suficiente.
Na prática, isto aponta para várias linhas de trabalho que provavelmente veremos desenvolver-se nos próximos anos: modelos mais pequenos e especializados para as tarefas intermédias de um agente (nem todo o passo precisa do modelo maior e mais caro), sistemas de orquestração que reduzam o número de chamadas redundantes, hardware capaz de libertar ou redistribuir capacidade de computação enquanto aguarda respostas externas, e centros de dados concebidos a pensar em cargas de trabalho intermitentes e não em fluxos constantes como os que os chatbots geravam. Nenhuma destas soluções é trivial, e todas exigem investimento e I&D a um ritmo que hoje não está garantido.
A pergunta que deveríamos estar a fazer no setor não é apenas "o que pode fazer um agente", mas "a que custo energético o faz, quem assume essa fatura e quem vai poder suportá-la à escala". É uma questão de negócio, de infraestrutura e, cada vez mais, de política energética.
Fontes:
Kim, J., Shin, B., Chung, J., Rhu, M. — "The Cost of Dynamic Reasoning: Demystifying AI Agents and Test-Time Scaling from an AI Infrastructure Perspective", KAIST (arXiv), julho de 2026.
The Korea Times — "Advanced AI uses 136.5 times more electricity than standard chatbots, study warns" (5 jul. 2026)
Gizmodo — "When It Comes to Energy Use, AI Agents Could Make Chatbots Look Like Pocket Calculators"
Digital Trends — "AI's energy tax was already concerning. Research says AI agents are over hundred times worse"
Forbes — "AI Agents Don't Use 136 Times More Power. The Truth Costs More" (contextualiza e matiza a cifra viral)