Em junho de 2026, uma equipa do Boston Children's Hospital resolveu 18 casos de crianças com doenças raras que há anos aguardavam diagnóstico. Fizeram-no com a ajuda de um sistema de IA desenvolvido pela OpenAI, e os resultados foram publicados na revista científica NEJM AI. Não é um caso isolado nem futurista, é a fotografia de uma mudança que já está a acontecer em hospitais de todo o mundo.
No Johns Hopkins, modelos preditivos alertam os clínicos para o risco de sépsis antes de os sintomas aparecerem, cruzando historial clínico, genética e dados de monitorização contínua. No início de 2026, a Google lançou o MedGemma 1.5, um modelo capaz de superar sistemas fechados nos exames de licenciatura médica, que os hospitais podem executar nos seus próprios servidores, sem enviar dados de doentes para a nuvem. Em radiologia, os algoritmos já priorizam automaticamente os estudos com sinais de hemorragia, AVC ou tumor para que o especialista os reveja em primeiro lugar.
O resultado: mais de 900 dispositivos e algoritmos médicos com IA têm aprovação da FDA nos Estados Unidos, e o número na Europa (EMA) ultrapassa os 200. Na América Latina, inquéritos recentes indicam que 81% dos profissionais de saúde já utilizam alguma ferramenta de IA na sua prática diária.
A parte que não aparece na fotografia: o data center
Todo esse diagnóstico "instantâneo" tem um custo físico raramente mencionado na mesma conversa: eletricidade, chips e arrefecimento a uma escala que começa a preocupar governos e operadoras elétricas em igual medida.
Segundo a Agência Internacional de Energia, o consumo elétrico mundial dos centros de dados rondou os 415 TWh em 2024 e poderá quase duplicar até aos 945 TWh em 2030, uma cifra já comparável ao consumo elétrico total do Japão. A Goldman Sachs Research projeta um crescimento de 165% na procura energética dos data centers até essa mesma data, impulsionado quase exclusivamente pela IA generativa. Nos Estados Unidos, só os centros de dados consumiram 183 TWh em 2024, 4,4% de toda a eletricidade do país, com estimativas que apontam para mais de 400 TWh em 2030, e isso antes de a IA a agêntica entrar no cálculo.
Um modelo de diagnóstico clínico não funciona com uma consulta pontual: precisa de ser treinado com volumes massivos de imagens, históricos e dados genómicos, e depois responder em tempo real, 24 horas por dia, a milhares de pedidos simultâneos em dezenas de hospitais.
O treino de um modelo grande pode rondar os 1.300 MWh. Cada inferência médica, ler uma ressonância, cruzar variantes genéticas, gerar um relatório, corre em GPUs de alto consumo que necessitam de arrefecimento constante. E esse arrefecimento é, muitas vezes, tão dispendioso em energia como o próprio cálculo.
O que implica isto para um hospital que quer adotar IA de diagnóstico a sério?
Não é um detalhe técnico menor. A adoção séria de IA clínica obriga a responder a quatro questões de infraestrutura:
Capacidade de cómputo dedicada: GPUs de nível clínico, com redundância suficiente para não interromper um serviço de urgências.
Infraestrutura energética estável: picos de procura que muitos edifícios hospitalares, concebidos para outra época, não estavam dimensionados para suportar.
Arrefecimento eficiente: a Alemanha já exige aos novos centros de dados um PUE (rácio de eficiência energética) máximo de 1,2 a partir de julho de 2026.
Onde vive o modelo: executar a IA localmente, como permite o MedGemma 1.5, reduz a dependência da nuvem e reforça a privacidade do dado clínico, mas transfere para o próprio hospital a responsabilidade e o custo de manter essa infraestrutura.
O dado que muda o cálculo: modelos pequenos e especializados
Nem tudo aponta para um beco sem saída energético. A UNESCO indica que os modelos mais pequenos, treinados para uma tarefa específica em vez de serem generalistas, podem reduzir o consumo energético até 90% sem perder desempenho clínico.
É uma pista de por onde pode passar a próxima geração de IA hospitalar: não um único modelo gigante a fazer tudo, mas sistemas mais pequenos e especializados — um para imagem, outro para variantes genéticas, outro para triagem —, a funcionar de forma eficiente e localizada.
Um caso concreto: Madrid conseguiria suportá-lo?
A Comunidade de Madrid concentra quase 8 milhões de habitantes, uma população envelhecida, uma rede de mais de 35 hospitais públicos e o programa Senior Plus especificamente para maiores de 70 anos. Tem a infraestrutura para suportar IA de diagnóstico à escala?
O que joga a favor. Madrid já é, de longe, o maior hub de data centers de Espanha. Concentra cerca de 70% de toda a potência instalada do país, com aproximadamente 613 MW operacionais em 2026 e previsão de multiplicar várias vezes até 2030, apoiada em mais de 6.000 milhões de euros de investimento anunciado. A isso acresce um orçamento de saúde regional que em 2026 ultrapassou pela primeira vez os 11.000 milhões de euros, com verbas já destinadas à telemedicina e à digitalização assistencial.
O que não encaixa tão bem. Esses quase 70% da potência de dados madrilena não foram concebidos para diagnóstico clínico, servem bancos, telecomunicações, comércio eletrónico e, cada vez mais, o treino de modelos genéricos de IA. Destinar uma parcela significativa e estável dessa capacidade, com os níveis de disponibilidade e redundância que um hospital exige, onde uma falha de sistema não é um inconveniente mas um risco para um doente, implicaria uma negociação de recursos muito diferente da que hoje faz qualquer cliente corporativo de um data center.
Além disso, o verdadeiro limite já não é o investimento: é a licença de ligação elétrica. Conseguir 50 a 100 MW dedicados e garantidos a curto prazo tornou-se o principal estrangulamento, mesmo para projetos já financiados.
E uma população envelhecida não reduz a carga de cómputo — multiplica-a. Mais comorbilidades, mais exames de imagem, mais monitorização contínua de doentes crónicos, mais algoritmos de previsão de reinternamentos e de sépsis a funcionar em paralelo sobre milhares de doentes com mais de 70 anos. É exatamente o perfil de procura constante, de alto volume e sensível ao tempo de resposta que mais eletricidade e arrefecimento consome.
A conclusão honesta
Não existe nenhum estudo público que calcule com precisão os MW exatos que a IA de diagnóstico implementada à escala em toda a rede hospitalar madrilena necessitaria. Mas com os números em cima da mesa, a resposta razoável é: tecnicamente viável, economicamente exigente, e só funciona se for planeada como infraestrutura crítica — e não como mais um serviço de nuvem.
A pergunta que o setor já não pode continuar a ignorar
A IA já diagnostica doenças raras, prioriza tomografias e antecipa sépsis em hospitais reais, hoje. Isso já não está em discussão. O que permanece em aberto é se estamos a dimensionar a infraestrutura energética com a mesma velocidade com que estamos a dimensionar as expectativas clínicas.
Um hospital pode ter o melhor modelo do mundo — mas se não tiver a energia, o hardware e o arrefecimento para o sustentar de forma fiável 24 horas por dia, esse modelo não serve na sala de urgências às três da manhã.
A conversa sobre IA na saúde não pode continuar separada da conversa sobre energia. São, cada vez mais, a mesma conversa.