IA que economiza energia
Quase tudo o que se escreve sobre IA e energia trata da IA gastando mais. A previsão do tempo é um caso que vai no sentido contrário. Uma previsão tradicional resolve a física da atmosfera num supercomputador com milhares de processadores. Um modelo de IA, depois de treinado, produz uma previsão comparável em minutos, com muito menos hardware: o modelo de IA do ECMWF consegue produzir uma previsão global de 10 dias em cerca de 2 minutos e 30 segundos numa única GPU.
As economias que as agências informam são grandes. O ECMWF diz que o seu modelo de IA traz uma redução de aproximadamente 1.000 vezes na energia usada para fazer uma previsão, e que o seu ensemble de IA roda mais de 10 vezes mais rápido que o sistema físico. A agência meteorológica nacional dos EUA, que lançou os seus modelos de IA em 17 de dezembro de 2025, diz que o seu principal modelo de IA usa cerca de 0,3% dos recursos de computação do modelo padrão para uma previsão de 16 dias e termina em aproximadamente 40 minutos, e que o seu ensemble de IA com 31 membros usa 9% da computação do ensemble físico.
Os números publicados
Cada número é uma declaração do próprio órgão que o publica, e cada um mede algo um pouco diferente:
- Cerca de 1.000 vezes menos energia
- Quem declara
- ECMWF, sobre o seu modelo de IA (2025)
- O que cobre
- Fazer uma previsão, contra o seu modelo físico
- O que deixa de fora
- O treinamento; o sistema físico que fornece as condições iniciais
- Cerca de 0,3% da computação
- Quem declara
- Agência meteorológica nacional dos EUA (dez/2025)
- O que cobre
- Uma previsão de 16 dias, contra o modelo padrão
- O que deixa de fora
- É computação, não energia medida; o treinamento
- 9% da computação
- Quem declara
- Agência meteorológica nacional dos EUA (dez/2025)
- O que cobre
- Um ensemble de IA de 31 membros, contra o ensemble físico
- O que deixa de fora
- O mesmo que acima
- 21 a 1.273 vezes menos energia
- Quem declara
- Um estudo de ciclo de vida de 2026 com 7 modelos de IA
- O que cobre
- Treinamento mais um ano de previsões, contra o modelo físico do ECMWF
- O que deixa de fora
- Só previsões de baixa resolução; rodadas de desenvolvimento antes do treinamento final
O que os números deixam de fora
O treinamento é a primeira lacuna. As economias de destaque contam a rodada de previsão, e um modelo de IA precisa ser treinado antes de fazer uma. O estudo de ciclo de vida de 2026, que comparou 7 modelos de IA com o modelo físico do ECMWF, concluiu que o treinamento custa bem mais que uma única previsão física, mas é compensado rapidamente: ao longo de um ano de uso, os modelos de IA usariam de 21 a 1.273 vezes menos energia. A economia resiste à conta, mas a faixa é larga, e o piso fica muito longe de 1.000.
O desenvolvimento é a segunda. Uma revisão de setembro de 2026 feita por um centro espanhol de supercomputação constatou que, de 12 modelos de IA de ponta para tempo e clima, 3 não informam nenhum número de computação e os demais informam só a rodada final de treinamento. Ela argumenta que uma rodada final pode subestimar o esforço de desenvolvimento em cerca de 4 a 10 vezes, estimativa tirada dos gastos de uma empresa de IA, não de modelos de tempo. A mesma revisão observa que o mesmo experimento pode gerar até 30 vezes mais emissões de carbono conforme a rede elétrica em que roda.
A terceira lacuna é que as previsões de IA não substituem a física. O ECMWF diz que o seu ensemble de IA depende da assimilação de dados feita com física para as condições iniciais, e que o seu ensemble físico continua indispensável para campos de alta resolução. Os modelos de IA também foram treinados com décadas de tempo passado reconstruído com modelos físicos. Os supercomputadores continuam ligados.
Mais barato não é o mesmo que melhor na sua praia
A economia de energia é real, mas é paga em parte com resolução. O modelo de IA do ECMWF tem espaçamento de grade de 28 km e o seu ensemble de IA, 31 km, contra 9 km dos modelos físicos. As agências informam ganhos no tempo de grande escala, de até 20% em algumas medidas, e a agência dos EUA informa que a primeira versão do seu modelo de IA é pior na intensidade de ciclones tropicais. Nenhum desses números trata de uma brisa marítima, que é menor do que uma grade de 28 km consegue resolver.
Previsão barata também convida a fazer mais previsões. A agência dos EUA agora roda um ensemble híbrido de 62 membros, metade físico e metade IA, que supera qualquer um dos dois sozinho na maioria das medidas. Isso é uma previsão melhor, não uma conta de energia menor. Se a energia total cai depende do que as agências fazem com a economia.
O que isso significa para quem veleja, e para a AYON Ecosystem
Uma previsão é uma das coisas de menor energia que a IA faz, e está ficando mais barata. Isso faz do tempo um contraexemplo útil no debate sobre a pegada da IA, ao lado dos custos descritos na nossa análise de um único prompt. Mas um custo de energia baixo não diz a um kitesurfista se o número do vento está certo.
A AYON Ecosystem não alega nenhuma economia de energia própria. O AYON Wind e o AYON Wave leem uma combinação de modelos físicos públicos e não declaram previsão por IA, como a nossa auditoria de apps de previsão registrou. O nosso próximo estudo testa um modelo de IA e um modelo físico contra estações de vento reais em praias de kite, e vai informar o acerto e, onde for publicada, a energia por trás de cada previsão.
O que tornaria esta análise errada
Os números por previsão são declarações das próprias agências, não medições independentes, e os números dos EUA descrevem recursos de computação, não energia medida. Lemos o resumo do estudo de ciclo de vida, não o texto completo, então o seu método e as suas exclusões aparecem aqui só como o resumo os declara. Nenhum número publicado que encontramos dá a energia de uma previsão em termos absolutos para os dois tipos de modelo. Os modelos de IA de tempo mudam rápido, por isso cada número é datado pela sua fonte e esta análise será atualizada quando surgirem medições melhores.
Isto é análise de pesquisa sobre fontes publicadas, não uma auditoria. Números de empresas são divulgações das próprias empresas; resultados de laboratório descrevem suas condições de teste, não todo produto; projeções não são medições. Os números deste campo mudam rápido, por isso cada um é datado pela sua fonte.
Referências e dados
- 1.ECMWF — ECMWF's AI forecasts become operational (2025) — Modelo de IA em operação: aproximadamente 1.000 vezes menos energia para fazer uma previsão; grade de 28 km contra 9 km do modelo físico; ganhos de até 20% em algumas medidas; mesmas condições iniciais do modelo físico.
- 2.ECMWF — ECMWF's ensemble AI forecasts become operational (Jul 2025) — Ensemble de IA em operação, 1 de julho de 2025: mais de 10 vezes mais rápido; energia reduzida em aproximadamente 1.000 vezes; 31 km contra 9 km; depende da assimilação de dados com física; o ensemble físico continua indispensável para campos de alta resolução.
- 3.HPCwire — NOAA deploys new generation of AI-driven global weather models (Dec 2025) — Modelos de IA dos EUA anunciados em 17 de dezembro de 2025: cerca de 0,3% dos recursos de computação para uma previsão de 16 dias, em aproximadamente 40 minutos; ensemble de IA de 31 membros com 9% da computação; ensemble híbrido de 62 membros supera os dois; intensidade de ciclones tropicais pior na primeira versão.
- 4.Rieutord et al. — Energy and carbon footprint considerations for data-driven weather forecasting models (2026) — Comparação de ciclo de vida de 7 modelos baseados em dados com o modelo físico do ECMWF: o treinamento custa mais que uma previsão física, mas é compensado rapidamente; de 21 a 1.273 vezes menos energia ao longo de um ano de uso; previsões de baixa resolução.
- 5.A checklist to assess the energy and carbon impacts of ML/AI applications in Earth system modeling (arXiv 2609.00847, Sep 2026) — Revisão de um centro espanhol de supercomputação: de 12 modelos de ponta, 3 não informam número de computação e os demais só a rodada final; rodadas finais podem subestimar a computação de desenvolvimento em cerca de 4 a 10 vezes; até 30 vezes mais emissões conforme a rede; uma previsão de 10 dias em cerca de 2 minutos e 30 segundos numa única GPU.
- 6.AYON Ecosystem — Which forecast is your app using? — Auditoria de apps de previsão da AYON Ecosystem: o AYON Wind e o AYON Wave nomeiam a fonte, não declaram previsão por IA e ainda não publicam números de acerto do vento.
- 7.AYON Ecosystem — The hidden cost of a prompt — Análise da AYON Ecosystem sobre o custo de energia de um único prompt de IA e o que o multiplica.