Conteúdo do artigo principal

Autores

No presente artigo, por meio de um estudo documental exploratório, identificam-se e analisam-se algumas implicações ambientais da inteligência artificial (IA) e suas possíveis repercussões no âmbito dos Objetivos de Desenvolvimento Sustentável (ODS ). Defende-se que a infraestrutura física que suporta a IA, o uso intensivo de poder computacional exigido pela aprendizagem automática (machine learning) e os processos de treinamento de modelos complexos exigem recursos energéticos para o seu desenvolvimento, operação e manutenção, tendo consequências diretas no ambiente. Inicialmente, explora-se a IA e seus possíveis impactos ambientais, juntamente com a pertinência de analisá-los na perspectiva dos ODS . Em seguida, abordam-se os fundamentos, o funcionamento, as utilizações, os processos de treinamento e os requisitos energéticos da IA com o objetivo de compreender as implicações ambientais decorrentes do seu desenvolvimento e aplicação. Posteriormente, expõem-se impactos específicos relacionados com o consumo energético, a pegada de carbono, a pegada territorial dos centros de dados, o consumo de água e a utilização de recursos materiais. Por fim, avaliam-se as repercussões ambientais da IA à luz dos ODS , dando lugar à seção de discussão, na qual são abordados os desafios, o alcance e os efeitos que a criação, o desenvolvimento e a utilização da IA implicam para o ambiente.

Gerardo Antonio Panchi Vanegas, Universidad Autónoma del Estado de México

Estudiante del Doctorado en Ciencias Sociales en la Universidad Autónoma del Estado de México (UAEMex), integrado al Programa Nacional de Posgrados de Calidad, Conahcyt, y en cotutela con la Universidad de Turín, Italia.  Doctor en Desarrollo Humano por la UAEMéx.

Durán Tellez, A., & Panchi Vanegas, G. A. (2026). O impacto ambiental da utilização da inteligência artificial e as suas repercussões no âmbito dos Objetivos de Desenvolvimento Sustentável. Anuario Electrónico De Estudios En Comunicación Social "Disertaciones". https://doi.org/10.12804/revistas.urosario.edu.co/disertaciones/a.16231

Abdelouahed, S. (2024). Large Language Models (LLMs): powerful AI, big energy challenges [Publicación en LinkedIn]. LinkedIn. https://www.linkedin.com/pulse/large-language-models-llms-powerful-ai-bigenergy-sabri-abdelouahed-jqvde

Abtew, M., & Selvaduray, G. (2000). Lead-free solders in microelectronics. Materials Science and Engineering: R: Reports, 27(5-6), 95-141. https://doi.org/10.1016/S0927-796X(00)00010-3 DOI: https://doi.org/10.1016/S0927-796X(00)00010-3

American Rivers. (2026). Rivers and data centers: What’s at stake for water supply, water quality, and energy. https://www.americanrivers.org/rivers-and-data-centers/

Appen. (2024). AI model maintenance: A guide to managing model performance. https://www.appen.com/blog/ai-model-maintenance-guide-to-managing-model

Berreby, D. (6 de febrero de 2024). As use of A.I. soars, so does the energy and water it requires. Yale Environment 360. https://e360.yale.edu/features/artificial-intelligence-climate-energy-emissions

Broadway, E., Lee, J., & Weiland, M. (2024). Sustainable AI: Experiences, challenges & recommendations. SC24-W: Workshops of the International Conference for High Performance Computing, Networking, Storage and Analysis. Atlanta, Estados Unidos. https://doi.org/10.1109/SCW63240.2024.00227 DOI: https://doi.org/10.1109/SCW63240.2024.00227

Cho, R. (9 de junio de 2023). AI’s growing carbon footprint. State of the planet. https://news.climate.columbia.edu/2023/06/09/ais-growing-carbon-footprint/

Crawford, K. (2021). Atlas of AI. Yale University Press eBooks. https://doi.org/10.12987/9780300252392 DOI: https://doi.org/10.12987/9780300252392

Deepchecks. (2024). Model retraining. https://www.deepchecks.com/glossary/model-retraining/

Objetivos de Desarrollo Sostenible. (2017). La Asamblea General adopta la Agenda 2030 para el Desarrollo Sostenible. https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-laagenda-2030-para-el-desarrollo-sostenible/

Comisión Europea. (2019). Directrices éticas para una IA fiable. Grupo de Expertos de Alto Nivel sobre Inteligencia Artificial. https://ec.europa.eu/newsroom/dae/document.cfm?doc_id=60419

Equipo editorial de IONOS. (2024). ¿Qué es el backend? https://www.ionos.mx/digitalguide/paginas-web/creacion-de-paginas-web/que-es-el-backend/

Foy, K. (22 de septiembre de 2023) AI models are devouring energy. Tools to reduce consumption are here if data centers will adopt. MIT Lincoln Laboratory. https://www.ll.mit.edu/news/ai-models-are-devouringenergy-tools-reduce-consumption-are-here-if-data-centers-will-adopt

Onstituto Nacional de Estadística y Geografía (inegi). (2024). Sala de prensa. https://www.inegi.org.mx/app/saladeprensa/noticia/9051

irena & fao . (2021). Renewable energy for agri-food systems: Towards the Sustainable Development Goals and the Paris agreement. https://doi.org/10.4060/cb7433en DOI: https://doi.org/10.4060/cb7433en

Li, P., Yang, J., Islam, M. A., & Ren, S. (2023). Making AI Less «Thirsty»: Uncovering and Addressing the Secret Water Footprint of AI Models. Communications of the ACM, 68(7), 54-61. https://doi.org/10.1145/3724499 DOI: https://doi.org/10.1145/3724499

Lilia, V. S. A., Omar, N. C., Héctor, F. M., Lilia, V. S. A., Omar, N. C., & Héctor, F. M. (2020). Huella hídrica manufacturera. Una comparación entre países ricos y pobres. Análisis económico, 35(88). https://doi.org/10.24275/uam/azc/dcsh/ae/2020v35n88/Valderrama DOI: https://doi.org/10.24275/uam/azc/dcsh/ae/2020v35n88/Valderrama

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539 DOI: https://doi.org/10.1038/nature14539

Madden, J., Tursich, T., & Williamson, B. (24 de junio de 2024). Energy Crunch Opportunities: Balancing AI Innovation and Data Center Demands. Calamos Investments. https://www.calamos.com/blogs/voices/energy-crunch-opportunities-balancing-ai-innovation-and-data-center-demands/?utm_source=chatgpt.com

Martineau, K. (2023). What is AI inferencing? IBM Research. https://research.ibm.com/blog/AI-inference-explained

Mehta, S. (6 de marzo de 2024). How Much Energy Do LLMs Consume? Unveiling the Power Behind AI. Association of Data Scientists (ADaSci). https://adasci.org/how-much-energy-do-llms-consume-unveiling-thepower-behind-ai/

Mejía, C., & Patiño, J. (11 de abril de 2025). La polémica por la creación de imágenes de Studio Ghibli con inteligencia artificial golpea a los ilustradores mexicanos. El País. https://elpais.com/mexico/2025-04-11/la-polemica-por-la-creacion-de-imagenes-de-studio-ghibli-con-inteligencia-artificial-golpea-a-losilustradores-mexicanos.html

Organización para la Cooperación y el Desarrollo Económicos (ocde). (2021). Recommendation of the Council on Artificial Intelligence. OECD Legal Instruments. https://legalinstruments.oecd.org/en/instruments/OECD-LEGAL-0449

Organización de las Naciones Unidas. (2015). Transformar nuestro mundo: la Agenda 2030 para el Desarrollo Sostenible. https://sdgs.un.org/2030agenda

Organización para la Cooperación y el Desarrollo Económicos (ocde). (2020). Inteligencia artificial: una guía para los profesionales del sector público. Observatorio de Innovación del Sector Público. https://oecd-opsi.org/wp-content/uploads/2020/11/OPSI-AI-Primer-Spanish.pdf

Pigman, A. (3 de septiembre de 2023). Tech’s carbon footprint: can AI revolutionize responsibly? Techxplore. https://techxplore.com/news/2023-09-tech-carbon-footprint-ai-revolutionize.html#google_vignette

Quintanilla, V., Cañas, D., & Oviedo, J. (2025). ¿Por qué la minería de litio en salares andinos es llamada también “minería de agua”? Asociación Interamericana para la Defensa del Ambiente. https://aida-americas.org/es/blog/por-que-la-mineria-de-litio-en-salares-andinos-es-llamada-tambien-mineria-de-agua

Ren, S., & Luers, A. (10 de septiembre de 2025). The real story on AI’s water use and how to tackle it. IEEE Spectrum. https://spectrum.ieee.org/ai-water-usage

Rojahn, M., & Grum, M. (2025). Green AI: A systematic review and meta-analysis of its definitions, lifecycle models, hardware and measurement attempts. arXiv. https://doi.org/10.48550/arXiv.2511.07090

Russell, S. J., Norvig, P., & Davis, E. (2010). Artificial intelligence: A modern approach (3.a ed). Prentice Hall.

Stacciarini, J. H. S., & Gonçalves, R. J. A. F. (2025). Data Centers, Critical Minerals, Energy, and Geopolitics: The Foundations of Artificial Intelligence. Sociedade & Natureza, 37(1), e77215. https://doi.org/10.14393/SN-v37-2025-77215 DOI: https://doi.org/10.14393/SN-v37-2025-77215

Unesco. (2026). India AI Impact Summit: UNESCO champions ethical and human-centered AI. https://www.unesco.org/en/articles/india-ai-impact-summit-unesco-champions-ethical-and-human-centered-ai

Valdivia, A. (2022). Silicon Valley and the Environmental Costs of AI - Political Economy Research Centre. Political Economy Research Centre. https://www.goldperc.uk/project_posts/silicon-valley-and-theenvironmental-costs-of-ai/

Learning Tree International. (2019). What is the carbon footprint of AI and deep learning? https://www.learningtree.com/blog/carbon-footprint-ai-deep-learning/

Xu, Y., Liu, X., Cao, X., Huang, C., Liu, E., Qian, S., … & Zhang, L. (2021). Artificial intelligence: A powerful paradigm for scientific research. The Innovation, 2(4), 100179. https://doi.org/10.1016/j.xinn.2021.100179 DOI: https://doi.org/10.1016/j.xinn.2021.100179

Downloads

Não há dados estatísticos.