A termodinâmica do capital

Inteligência artificial, crise energética e crise ecológica

Te Li (*)

Do código à matéria

Na primavera de 2023, a Microsoft anunciou um investimento bilionário na OpenAI, apresentando a parceria como um salto para uma civilização mais limpa, inteligente e eficiente. As imagens que acompanham tais anúncios são invariavelmente etéreas: redes neuronais luminosas, fluxos de dados sem peso e algoritmos a dançar num espaço digital sem atrito. A Inteligência Artificial (IA), no registo dominante de Silicon Valley e do seu ecossistema mediático, apresenta-se como a apoteose da desmaterialização — uma tecnologia tão refinada, tão puramente cognitiva, que finalmente escapou ao mundo sujo e entrópico das máquinas a vapor, das minas de carvão e das fábricas.

Este artigo defende que tais representações são ideológicas no sentido marxista preciso: invertem a realidade, apresentando como imaterial um processo que é profunda e consequentemente material. Estima-se que a formação do GPT-4 tenha consumido energia equivalente ao consumo anual de eletricidade de milhares de casas (1). Uma única consulta a um modelo de linguagem complexo requer aproximadamente dez vezes mais eletricidade do que uma pesquisa padrão na Internet (2). O consumo de água da Microsoft aumentou 34% num único ano, um aumento que o seu próprio relatório ambiental atribuiu diretamente à expansão da infraestrutura de IA (3). Estas não são ineficiências incidentais que aguardam correção técnica; são necessidades estruturais de uma tecnologia cujo substrato físico — semicondutores, centros de dados, sistemas de refrigeração e redes de transmissão — está entre as infraestruturas mais intensivas em recursos que a humanidade já construiu.

O mito da desmaterialização digital tem uma longa história. Desde a década de 1990 que os teóricos da “economia da informação” defendem que a transição da manufatura para os serviços, e dos átomos para os bits, desvincularia o crescimento económico da produção material (4). A ascensão da IA deu a esta tese uma nova e mais poderosa versão: se as tecnologias digitais anteriores apenas processavam informação, a IA — segundo este argumento — gera a própria inteligência, um recurso cuja abundância não esgota a natureza, mas transcende-a. Esta é a visão que anima a retórica da “IA para o clima”, da “IA para a sustentabilidade” e a afirmação mais abrangente de que o poder computacional pode substituir os recursos naturais na solução da crise ecológica.

A estrutura teórica desenvolvida neste artigo desafia esta visão nos seus fundamentos. Baseio-me na tradição termodinâmica da economia política ecológica, desde a obra fundamental de Nicholas Georgescu-Roegen, A Lei da Entropia e o Processo Económico, até à síntese ecossocialista desenvolvida por John Bellamy Foster e Brett Clark, para defender que a ascensão da IA sob o capitalismo representa não uma transcendência do mundo material, mas uma intensificação da relação entrópica do capital com ele (5). A segunda lei da termodinâmica é implacável na sua universalidade: toda a computação é um evento termodinâmico. Consome energia de baixa entropia — ordenada, utilizável, livre para realizar trabalho — e devolve resíduos de alta entropia à biosfera sob a forma de calor, dióxido de carbono e matéria degradada. Nenhum algoritmo, por mais elegante que seja, suspende esta lei. A questão não é se a IA produz entropia, mas sim quanta, a que taxa e quais são os ecossistemas que absorvem as consequências.

Karl Marx entendia a produção como um processo metabólico — uma troca contínua entre as sociedades humanas e o mundo natural, mediada pelo trabalho e pela tecnologia. Em O Capital, observou que as máquinas não criam energia, mas transformam e transmitem as forças naturais nelas incorporadas, e que esta transformação envolve sempre o consumo de matéria natural (6). O que não poderia ter previsto era uma forma de acumulação de capital em que a principal força produtiva é o poder computacional, e em que as exigências termodinâmicas desse poder exerceriam uma pressão sem precedentes sobre os sistemas energéticos planetários, as reservas de água doce e a estabilidade climática. A ascensão da IA ​​confronta-nos com a necessidade de estender a análise metabólica de Marx ao domínio digital.

A dinâmica da acumulação — IA como motor de alta entropia

A crise ecológica da IA ​​​​não é, em primeira instância, um problema termodinâmico. É um problema social e histórico. Os processos específicos que geram o ónus ecológico da IA— a corrida armamentista competitiva entre um punhado de monopólios tecnológicos, o imperativo de escalar a capacidade computacional independentemente da utilidade social e a externalização sistemática dos custos ecológicos para as comunidades e ecossistemas do Sul Global — são produtos de uma formação histórica particular: o capitalismo na sua fase monopolista-digital. A termodinâmica não provoca estes processos; ela regista as suas consequências. A segunda lei da termodinâmica diz-nos que toda a computação degrada energia. Ela não nos diz porque é que a computação está organizada a esta escala, a esta velocidade, para estes fins e à custa de quem. Para isso, precisamos de uma análise social e histórica. O que o enquadramento termodinâmico fornece, e o que o torna indispensável, é uma explicação precisa para o facto de o dano ecológico gerado por estes processos sociais não ser incidental, mas estrutural; não é corrigível por melhorias de eficiência, mas sim cumulativo; e não é reversível pelos mecanismos de mercado, mas sim permanente.

Para compreender porque é que a IA é termodinamicamente dispendiosa de uma forma estruturalmente necessária, e não contingente, é essencial examinar a relação entre a escala computacional, a acumulação de capital e o consumo de energia. Esta relação é regida por dinâmicas que tornam o fardo ecológico da IA ​​sob o capitalismo não só grande, mas também auto-reforçador e expansivo.

A base física da computação de IA é o processamento de vastas quantidades de operações numéricas — multiplicações, adições e comparações — realizadas por hardware especializado a velocidades extraordinárias. A energia necessária para realizar estas operações não é trivial. O estudo pioneiro de Emma Strubell, Ananya Ganesh e Andrew McCallum, de 2019, estimou que o treino de um único modelo de processamento de linguagem natural de grande porte, com busca de arquitetura neural, produz emissões de dióxido de carbono comparáveis ​​às emissões totais de cinco automóveis norte-americanos médios ao longo de toda a sua vida útil (7). As gerações de modelos subsequentes têm sido substancialmente maiores. Embora as empresas tecnológicas se tenham recusado a publicar dados abrangentes sobre o consumo de energia dos seus sistemas mais recentes, análises independentes sugerem que o treino de modelos de topo, como o GPT-4, consumiu energia na ordem das dezenas de gigawatts-hora, o suficiente para abastecer uma pequena cidade durante semanas (8).

A relação entre a dimensão do modelo e a exigência computacional não é linear, mas sim superlinear. A investigação sobre leis de dimensionamento em grandes modelos de linguagem estabeleceu que o desempenho do modelo escala aproximadamente como uma função da potência do produto, dos parâmetros do modelo e dos dados de treino (9). Isto significa que melhorias incrementais na capacidade do modelo exigem aumentos desproporcionais no investimento computacional. Para melhorar o desempenho de um modelo numa percentagem fixa, o orçamento computacional — e, portanto, o consumo de energia — deverá aumentar numa percentagem significativamente mais elevada. Esta é a expressão termodinâmica dos retornos decrescentes: à medida que os sistemas de IA de ponta se aproximam dos limites de desempenho em tarefas de referência, cada incremento adicional de extração de capacidade requer uma entrada de energia exponencialmente maior. O custo entrópico da inteligência, sob os paradigmas tecnológicos atuais, aumenta mais rapidamente do que a própria inteligência.

Esta dinâmica é ainda mais amplificada pela lógica da acumulação de capital. A indústria da IA ​​está organizada em torno de um pequeno número de grandes empresas — Google, Microsoft, Amazon, Meta (Facebook) e as suas congéneres chinesas — cuja posição competitiva depende da manutenção da superioridade algorítmica. Neste contexto, a capacidade computacional não é meramente um insumo de produção, mas um ativo estratégico: a empresa com maiores recursos computacionais pode treinar modelos de maior dimensão, atrair mais utilizadores e acumular mais dados, reforçando assim o seu domínio de mercado. Isto cria o que se poderia chamar uma corrida ao armamento computacional, na qual cada empresa é obrigada a expandir a sua infraestrutura de IA não porque o benefício social marginal da computação adicional justifique o custo marginal, mas porque a lógica competitiva da acumulação de capital torna a contenção equivalente à saída do mercado (10). Nenhuma empresa individual pode limitar voluntariamente o seu consumo de energia sem ceder terreno aos rivais. O resultado é uma falha de ação coletiva de proporções históricas: a indústria como um todo expande a sua pegada energética muito para além do que qualquer avaliação racional da necessidade social exigiria.

O mecanismo através do qual esta dinâmica opera é elucidado pelo Paradoxo de Jevons, identificado pela primeira vez pelo economista inglês William Stanley Jevons na sua análise de 1865 sobre o consumo de carvão britânico. Jevons observou que as melhorias na eficiência das máquinas a vapor — reduções na quantidade de carvão necessária para realizar uma determinada unidade de trabalho — não reduziram o consumo total de carvão, mas aceleraram-no, porque os custos mais baixos da utilização de energia estimularam a expansão da atividade económica intensiva em energia (11). Este paradoxo não é uma particularidade da economia política vitoriana; é uma característica estrutural da acumulação de capital, operante sempre que os ganhos de eficiência reduzem o custo de um recurso e, assim, estimulam a procura pela sua utilização.

No setor da IA, o Paradoxo de Jevons opera com particular força. Gerações sucessivas de chips de IA — desde o A100 da NVIDIA ao H100 e às arquiteturas da Blackwell — proporcionaram melhorias drásticas na eficiência computacional, medida em operações por watt. No entanto, o consumo total de energia pela infraestrutura de IA tem aumentado de forma contínua e acentuada, porque os ganhos de eficiência reduziram o custo da computação de IA, estimularam a proliferação de aplicações de IA, expandiram o volume de operações de inferência e aceleraram o desenvolvimento de modelos cada vez maiores. A análise da própria OpenAI constatou que os requisitos computacionais das sessões de treino de IA de ponta duplicaram aproximadamente a cada 3,4 meses entre 2012 e 2018 — uma taxa de aumento que excede em muito as melhorias de eficiência proporcionadas pelos avanços de hardware (12). A Agência Internacional de Energia projetou, em 2024, que o consumo de eletricidade dos centros de dados poderia ultrapassar os 1.000 terawatts-hora anualmente até 2026, o que equivale aproximadamente à procura nacional de eletricidade do Japão (13).

São estes processos sociais e históricos concretos — a corrida aos armamentos monopolista, a dinâmica de Jevons e a impossibilidade estrutural da contenção voluntária sob a acumulação competitiva — que a termodinâmica regista, mas não consegue explicar por si só. A termodinâmica de não equilíbrio de Ilya Prigogine, desenvolvida mais plenamente na sua obra Order Out of Chaos (A Ordem a Partir do Caos), fornece a ponte conceitual entre a lógica social do capital e as suas consequências físicas (14). Prigogine demonstrou que os sistemas complexos que estão longe do equilíbrio termodinâmico — as chamadas estruturas dissipativas — mantêm a sua ordem interna importando continuamente energia de baixa entropia do meio ambiente e exportando resíduos de alta entropia. A célula viva, o furacão e a chama são todos exemplos de estruturas dissipativas neste sentido: sustentam a sua complexidade interna à custa do aumento da entropia na sua envolvente. Mas a perceção mais profunda de Prigogine, e a mais relevante para os propósitos deste texto, é a de que os processos que levam as estruturas dissipativas para longe do equilíbrio são irreversíveis. A entropia gerada no ambiente não pode ser recuperada; a degradação do ambiente é permanente. Esta irreversibilidade não é um efeito colateral da ineficiência, mas sim a assinatura termodinâmica dos próprios processos dissipativos.

O complexo capitalista da IA é uma estrutura dissipativa deste tipo, mas cuja dimensão, taxa de crescimento e irreversibilidade são determinadas não pela dinâmica natural, mas pelos imperativos da acumulação de capital. Mantém a ordem interna do lucro empresarial, da otimização algorítmica e do domínio do mercado, consumindo continuamente os estoques de baixa entropia da biosfera — combustíveis fósseis, água doce e minérios — e devolvendo-os como resíduos de alta entropia: dióxido de carbono, poluição térmica e lixo eletrónico. O dióxido de carbono emitido pelos centros de dados acumula-se na atmosfera em escalas de tempo de séculos. Os aquíferos esgotados por sistemas de refrigeração reabastecem-se em escalas de tempo de milénios, se é que se reabastecem de todo. Os ecossistemas perturbados pela extração mineral na Bacia do Congo ou no Deserto do Atacama não regressam aos seus estados anteriores quando as minas fecham. O que o capitalismo faz, através da lógica competitiva da acumulação de IA, é impulsionar estes processos dissipativos a um ritmo e escala que sobrecarregam a capacidade regenerativa dos sistemas naturais, consolidando danos ecológicos que nenhuma solução tecnológica futura poderá desfazer. A ordem do algoritmo é adquirida ao preço da desordem permanente na atmosfera, nas bacias hidrográficas e no solo.

Esta perspetiva permite-nos ver o que a narrativa tecno-otimista oculta: que a “inteligência” produzida pelos sistemas de IA não é uma dádiva gratuita da tecnologia da informação, mas um produto termodinâmico, extraído da natureza a um custo que o mercado sistematicamente deixa de registar. Os balanços financeiros das empresas tecnológicas registam as receitas geradas pelos serviços de IA; não registam o fardo entrópico imposto aos ecossistemas, às comunidades e aos sistemas climáticos pelos fluxos de energia e materiais que tornam estes serviços possíveis. Não se trata de um erro contabilístico, mas de uma característica estrutural da relação do capitalismo com a natureza — aquilo a que Foster, Clark e Richard York chamaram uma “fenda ecológica”: a separação sistemática dos custos de produção dos locais e dos sujeitos que os suportam (15).

Uma dimensão adicional da análise termodinâmica diz respeito à relação entre o treino e a inferência da IA. O treino, o processo de otimização dos parâmetros de um modelo em grandes conjuntos de dados, é computacionalmente intensivo, mas ocorre apenas uma vez. A inferência, o processo de execução de um modelo treinado para gerar resultados, é individualmente menos intensiva, mas ocorre continuamente, milhares de milhões de vezes por dia, em toda a implantação global de sistemas de IA. À medida que a IA é integrada em motores de busca, software de produtividade, diagnóstico de saúde, inquéritos jurídicos, análises financeiras e sistemas de mira militar, a procura energética agregada da inferência cresce proporcionalmente à escala de implantação. A Goldman Sachs Research estimou que a procura energética da inferência de IA poderá exceder a do treino na década atual, à medida que a implantação se expande (16). Isto significa que o impacto ecológico da IA não é um custo único de construção do sistema, mas um imposto contínuo e crescente sobre os orçamentos de energia e água do planeta — um imposto cuja taxa aumenta a cada nova aplicação, a cada novo utilizador e a cada nova ronda de acumulação de capital no setor da IA.

O quadro que emerge é aquele em que a crise ecológica da IA não é produzida pela termodinâmica em si, mas pelos processos sociais e históricos específicos de acumulação de capital — a corrida armamentista competitiva, a dinâmica de Jevons e a externalização sistemática dos custos ecológicos — que, juntos, impulsionam processos dissipativos de irreversibilidade prigoginiana à escala planetária. A entropia é a medida do dano; a acumulação de capital é a sua causa.

A Rutura energética: energia, água e extração mineral

A análise termodinâmica da secção anterior estabelece a lógica estrutural das exigências energéticas da IA. Esta secção examina a realidade material destas procuras em três dimensões: eletricidade, água e minerais críticos. Em conjunto, estes três vetores de extração constituem aquilo a que podemos chamar, adaptando o conceito de rutura metabólica de Foster e Clark, uma “ruptura energética” específica da era digital: uma rutura sistemática da relação metabólica entre os sistemas tecnológicos humanos e os ciclos naturais que os sustentam, mediada pelas desigualdades espaciais e sociais do capitalismo global (17).

Eletricidade: a rede sob ataque

A dimensão mais imediatamente visível da pegada ecológica da IA é a sua procura de energia elétrica. Os centros de dados — a infraestrutura física da IA, que alberga os servidores que treinam modelos e processam pedidos de inferência — estão entre as instalações que mais consomem eletricidade na economia moderna. Um grande centro de dados hiperescalável, como os operados pela Google, Microsoft ou Amazon, pode consumir entre 100 e 500 megawatts de energia continuamente — comparável à procura de eletricidade de uma cidade de média dimensão. A expansão da IA acelerou drasticamente a construção destas instalações. Só a Microsoft anunciou planos em 2024 para investir 100 mil milhões de dólares em novas infraestruturas de centros de dados a nível global, com compromissos semelhantes a existirem por parte da Google, Amazon e Meta (18).

A escala desta expansão está a exercer uma forte pressão sobre as redes elétricas nas regiões onde se concentra a construção de centros de dados. No norte da Virgínia, região que alberga a maior concentração de centros de dados do mundo, as operadoras de rede alertaram que o crescimento planeado destes centros ameaça ultrapassar a capacidade de geração e transmissão de eletricidade da região, podendo exigir a construção de novas centrais a combustíveis fósseis para satisfazer a procura (19). Na Irlanda, os centros de dados já representam aproximadamente 21% do consumo total de eletricidade do país — um número que a operadora da rede nacional projeta que poderá subir para 32% até 2031, reduzindo as capacidades de energia renovável destinadas à descarbonização de casas e indústrias (20). Em Singapura, o governo impôs uma moratória à construção de novos centros de dados entre 2019 e 2022, alegando restrições energéticas, antes de a revogar sob pressão das empresas tecnológicas.

A relação entre a procura de eletricidade pela IA e a transição energética é profundamente contraditória. As empresas tecnológicas assumiram compromissos de alto perfil para alimentar as suas operações com energia renovável e investiram substancialmente em contratos de compra de energia para a eletricidade eólica e solar. Mas estes compromissos são sistematicamente comprometidos por três dinâmicas estruturais. Em primeiro lugar, a discrepância temporal entre a disponibilidade de energia renovável — que é intermitente, dependente das condições de vento e sol — e a procura dos centros de dados, que é contínua e não pode ser interrompida, significa que os contratos de compra de energia renovável não correspondem frequentemente aos padrões reais de consumo de eletricidade. A eletricidade que flui pelos circuitos de um centro de dados em qualquer momento pode ser gerada por centrais a gás natural, carvão ou nucleares, independentemente dos contratos de energia renovável que a empresa tenha assinado (21).

Em segundo lugar, e mais fundamentalmente, o crescimento da procura de eletricidade para a IA está a ultrapassar a expansão da capacidade de energia renovável. Uma análise de 2024 da Agência Internacional de Energia constatou que o crescimento projetado da procura de eletricidade para os centros de dados consumiria uma parte substancial da nova geração de energia renovável em vários mercados importantes, prejudicando efetivamente a descarbonização noutros setores (22). Construir capacidade de energia renovável para alimentar a IA não aumenta a oferta de energia limpa disponível para a economia em geral; absorve energia limpa que, de outra forma, substituiria os combustíveis fósseis noutros sectores.

Em terceiro lugar, as exigências de fiabilidade da infraestrutura de IA têm levado as empresas tecnológicas a procurar contratos de longo prazo para a geração de eletricidade a gás natural. O acordo da Microsoft com a Constellation Energy para reabrir a central nuclear de Three Mile Island atraiu uma considerável atenção mediática, mas menos notado foi o padrão mais amplo de empresas tecnológicas que assinam contratos de abastecimento com geradores a gás, para garantir um fornecimento estável de energia (23). A lógica ecológica é clara: a expansão da IA está a prolongar diretamente a vida económica da infraestrutura de combustíveis fósseis, consolidando as emissões de carbono durante as próximas décadas.

Água: o metabolismo oculto

Se a eletricidade é a face visível das exigências ecológicas da IA, a água é o seu metabolismo oculto. Os centros de dados requerem grandes quantidades de água doce para arrefecimento, seja através de sistemas de arrefecimento evaporativo direto que consomem água sob a forma de vapor, seja através do arrefecimento das centrais termoelétricas que fornecem a eletricidade. Esta procura de água é estruturalmente invisível na maioria dos relatórios públicos sobre o impacto ambiental da IA, mas representa uma das dimensões mais sérias e localmente agudas da pegada ecológica desta tecnologia.

O estudo de Pengfei Li e seus colegas, de 2023, forneceu as primeiras estimativas sistemáticas do consumo de água da IA, calculando que o treino do GPT-3 exigiu aproximadamente 700.000 litros de água doce — o suficiente para produzir 370 automóveis da BMW ou 320 veículos elétricos da Tesla (24). Para a inferência, o cenário é igualmente impressionante: o estudo estimou que uma conversa de vinte a cinquenta perguntas com o ChatGPT consome aproximadamente 500 mililitros de água. Multiplicado por milhões de utilizadores diários, isto representa uma procura agregada de água doce de uma escala extraordinária.

Os dados divulgados pelas empresas confirmam a tendência. O relatório ambiental da Microsoft de 2022 revelou um aumento de 34% no consumo global de água em relação ao ano anterior, atribuindo explicitamente o aumento à expansão da infraestrutura de IA (25). A Google reportou um aumento de 20% no consumo de água no mesmo período (26). Estas não são flutuações marginais; representam uma mudança estrutural na procura de água doce do setor tecnológico, impulsionada diretamente pela escalada dos sistemas de IA.

A geografia deste consumo de água não é neutra. Os centros de dados são frequentemente instalados em regiões escolhidas pelos seus terrenos baratos, regimes fiscais favoráveis e condições meteorológicas adequadas para a refrigeração, critérios que levam rotineiramente as empresas tecnológicas a instalarem-se em áreas com carências hídricas já existentes ou emergentes. No sudoeste dos E.U.A., os centros de dados competem pela água com a agricultura e os sistemas municipais, numa região que já enfrenta condições de seca severa, agravadas pelas alterações climáticas. No Chile, as empresas tecnológicas estabeleceram instalações de centros de dados na região do Atacama e arredores, utilizando recursos hídricos num dos ecossistemas mais secos do mundo — recursos dos quais as comunidades indígenas atacamenas e os pequenos agricultores dependem para sobreviver (27). Nos estados de Telangana e Andhra Pradesh, na Índia, os parques de centros de dados propostos enfrentaram resistência local devido a preocupações com o esgotamento das águas subterrâneas em áreas que já sofrem com a escassez de água para a agricultura.

Este padrão espacial reproduz, no domínio específico da infraestrutura digital, a lógica mais ampla daquilo a que Rob Nixon chama “violência lenta” — as formas graduais, dispersas e temporalmente atenuadas de danos ecológicos que não são registadas como acontecimentos nos mass media ou nos sistemas de decisão política, dominados pelas catástrofes dramáticas e instantâneas (28). O esgotamento de um aquífero regional pelas operações de arrefecimento de centros de dados ocorre ao longo de anos e décadas, afetando comunidades cuja insegurança hídrica é já crónica e cuja voz política é limitada. Não gera manchetes. Não aparece nos relatórios de sustentabilidade das empresas tecnológicas. Mas é materialmente real, termodinamicamente necessário e estruturalmente determinado pela lógica competitiva da acumulação de IA.

Minerais: a base extrativa

A terceira dimensão da rutura energética da IA ​​é a base extrativa do seu hardware. Os semicondutores, servidores, sistemas de armazenamento e equipamentos de rede que constituem a infraestrutura de IA requerem uma complexa gama de minerais críticos — lítio, cobalto, tântalo, neodímio, disprósio, índio, gálio e outros — cuja extração envolve danos ecológicos severos e concentrados, suportados de forma desproporcional pelas comunidades do Sul Global.

A geografia da extração de minerais críticos coincide quase precisamente com a geografia da extração colonial histórica. A República Democrática do Congo fornece aproximadamente 70% da produção mundial de cobalto, grande parte dela proveniente de minas artesanais que operam em condições de grave degradação ambiental e exploração laboral, incluindo a utilização generalizada de trabalho infantil (29). A Bolívia, o Chile e a Argentina — o “triângulo do lítio” — detêm a maior parte das reservas mundiais de lítio, e a sua extração envolve o esgotamento de aquíferos salinos em ecossistemas de altitude com uma sensibilidade ecológica excecional. Os elementos de terras raras, essenciais para os ímanes permanentes utilizados nos ventiladores de refrigeração dos centros de dados e sistemas de energia, estão concentrados na China, Myanmar e República Democrática do Congo, com operações de processamento que geram fluxos de resíduos radioativos e tóxicos.

A aceleração do desenvolvimento de hardware de IA agrava estas pressões extrativas através da lógica da obsolescência programada. A dinâmica competitiva da corrida ao armamento em IA exige que as empresas tecnológicas atualizem continuamente o seu hardware — substituindo as gerações anteriores de GPUs e aceleradores de IA personalizados por modelos mais recentes e poderosos em ciclos de dois a três anos. Isto gera enormes quantidades de lixo eletrónico: servidores descartados, GPUs, módulos de memória e equipamento de rede contendo materiais tóxicos, incluindo chumbo, mercúrio, cádmio e retardadores de chama bromados. A geração global de lixo eletrónico atingiu 62 milhões de toneladas métricas em 2022 e a projeção é de que atinja 82 milhões de toneladas métricas até 2030 (30). Uma parcela substancial deste lixo é exportada, frequentemente em violação da Convenção de Basileia, para instalações de processamento na África Ocidental, no Sul da Ásia e no Sudeste Asiático, onde é manuseada em condições de grave risco para a saúde e o ambiente.

O conceito de troca ecológica desigual tem uma longa e controversa história, enraizada na tradição mais vasta da troca desigual e na crítica marxista ao imperialismo. Baseando-se nesta rica linhagem intelectual — que se estende das teorias clássicas do imperialismo à teoria da dependência e às análises da escola do Sitema-Mundo — os estudiosos têm progressivamente incorporado dimensões ecológicas na análise das assimetrias Norte-Sul (31). O contributo de Clark e Foster para esta análise assenta sobretudo na crítica ao imperialismo ecológico: o reconhecimento de que a relação metabólica entre o Norte Global e o Sul Global não é meramente uma assimetria económica, mas sim ecológica, em que a periferia absorve os custos ambientais da acumulação no centro (32). Esta análise fornece a base teórica para a compreensão da economia política global do metabolismo material da IA.

Estes três vetores de extração — eletricidade, água e minerais — não são independentes; são dimensões interligadas de um único sistema metabólico organizado pelos imperativos da acumulação de capital. Os centros de dados requerem eletricidade, que requer infraestruturas energéticas, que por sua vez requerem minerais e água. Os sistemas de refrigeração necessitam de água, que compete com a agricultura e o abastecimento municipal, afetando os sistemas alimentares e a saúde humana. A produção de hardware requer minerais e extração mineral, gerando resíduos, o que apresenta problemas de eliminação que causam ainda mais danos ecológicos. A rutura energética da IA ​​​​não é uma quebra isolada no metabolismo da natureza, mas uma perturbação em cascata em múltiplos sistemas ecológicos, coordenada pela mão invisível do capital e tornada invisível pelo aparato ideológico da desmaterialização digital.

Os limites termodinâmicos do capital

As provas materiais recolhidas na secção anterior apontam para além da escala da crise para a sua estrutura. O que o registo empírico da procura de eletricidade, do esgotamento da água e da extração mineral revela não é uma série de falhas de mercado independentes, mas uma única lógica sistémica — uma que requer explicação teórica, e não meramente técnica.

A crise ecológica gerada pelo capitalismo da IA não se reduz a um problema de aumento dos custos de produção ou a restrições à acumulação do lado da oferta. Representa, antes, um ataque sistemático às capacidades regenerativas do próprio mundo natural. Como argumentou Foster, a relação do capitalismo com a natureza é definida por um antagonismo estrutural: a lógica da acumulação infinita é inconciliável com os limites regenerativos finitos dos sistemas naturais (33). O capital não se limita a explorar a natureza como condição de produção; rompe metabolicamente os ciclos e as relações através dos quais a natureza se reproduz. Paul Burkett aprofunda esta análise ao recuperar de Marx uma conceção da natureza que recusa a redução ao valor instrumental (34). Os sistemas naturais possuem valores de uso que são irredutíveis ao seu papel no processo produtivo, e a destruição sistemática desses valores de uso pelo capitalismo — a sua conversão de ecossistemas vivos em insumos e depósitos de resíduos — constitui uma crise ecológica no seu sentido mais lato: não uma crise de rentabilidade, mas uma crise das condições biofísicas da própria vida.

A economia da IA representa uma intensificação aguda desta dinâmica. Os centros de dados, os sistemas de refrigeração e as cadeias de abastecimento de minerais que sustentam a infraestrutura da IA não estão simplesmente a esgotar os recursos naturais no sentido económico de aumentar os custos de produção. Participam numa degradação cumulativa e em grande parte irreversível dos sistemas hídricos, das ecologias energéticas e das paisagens extrativas das quais depende a vida humana e não humana. Esta degradação não aparece nos balanços das empresas tecnológicas, não porque seja economicamente marginal, mas porque o sistema contabilístico do capital é estruturalmente incapaz de registar a destruição de valores que nunca foram mercantilizados. A crise ecológica da IA não é, portanto, uma falha de mercado que aguarda uma correção; é uma expressão do que o capitalismo faz à natureza quando opera sem limites.

A resposta dominante a esta contradição dentro da estrutura de governança capitalista é o discurso da IA verde e da computação sustentável — a alegação de que a crise ecológica da IA pode ser resolvida através da inovação tecnológica, dos mecanismos de mercado e do compromisso corporativo voluntário. Esta resposta merece uma séria atenção analítica, não porque seja convincente, mas porque a compreensão do seu fracasso ilumina o carácter estrutural do problema.

O discurso da IA verde baseia-se em três afirmações: que a energia renovável pode suprir a procura de eletricidade da IA sem causar danos ecológicos líquidos; que as melhorias na eficiência do hardware reduzirão o custo ecológico por unidade de computação o suficiente para compensar o crescimento da procura total; e que a própria IA irá gerar benefícios ambientais — através da modelação climática, da otimização energética e da ciência dos materiais — que irão superar os seus custos ecológicos. Cada uma destas afirmações é minada pela dinâmica estrutural da acumulação de capital.

A afirmação sobre a energia renovável falha, como referido acima, porque a procura de eletricidade pela IA está a crescer mais rapidamente do que a capacidade de geração renovável, porque as discrepâncias temporais entre a oferta de energia renovável e a procura dos centros de dados exigem a geração de energia de reserva a partir de combustíveis fósseis e porque as empresas tecnológicas estão a contratar ativamente capacidade de geração a gás para garantir a fiabilidade. A afirmação sobre a eficiência falha devido ao Paradoxo de Jevons: as melhorias na eficiência do hardware reduzem o custo da computação e, portanto, estimulam uma maior procura, produzindo um consumo total de energia maior em vez de menor. A afirmação sobre o benefício líquido falha porque trata os custos e benefícios ecológicos da IA como comensuráveis ​​e negociáveis, quando, na realidade, os custos ecológicos são concentrados, locais e suportados por comunidades vulneráveis. No entanto, os benefícios são difusos, especulativos e apropriados pelos acionistas e consumidores dos países ricos. Não existe nenhum mecanismo de mercado capaz de agregar estes efeitos distribuídos assimetricamente numa contabilidade social racional (35).

Os mecanismos de compensação em carbono e de compromisso com emissões líquidas zero, através dos quais as empresas tecnológicas gerem a sua contabilidade ecológica pública, estão sujeitos a críticas análogas. As compensações em carbono — pagamentos a projetos que alegam reduzir as emissões noutros locais, compensando as emissões da própria empresa — são afetadas por problemas de adicionalidade, permanência e verificação, o que torna muitas delas ecologicamente fictícias (36). Os compromissos com emissões líquidas zero que dependem substancialmente de compensações em vez de reduções absolutas de emissões são, em termos termodinâmicos, manobras contabilísticas em vez de intervenções físicas: não reduzem a entropia gerada pelas operações dos centros de dados; compram direitos com base em reduções de entropia noutros locais, muitas das quais não se concretizam. Como Clark e York demonstraram na sua análise do metabolismo do carbono, a rutura biosférica gerada pelo capitalismo dos combustíveis fósseis não é uma externalidade a ser apreçada e gerida, mas uma característica estrutural da relação do capital com o ciclo do carbono — uma relação que a expansão da infraestrutura de IA está agora a aprofundar e a acelerar (37).

Uma crítica mais fundamental diz respeito à relação entre eficiência e escala. A história do capitalismo industrial é uma história de melhorias de eficiência que foram consistentemente ultrapassadas pela expansão de escala, uma história que Georgescu-Roegen analisou como a consequência inevitável da aplicação da lógica termodinâmica a um sistema económico organizado em torno do crescimento ilimitado (38). Não há melhoria de eficiência, por mais drástica que seja, que possa tornar um sistema em expansão exponencial sustentável num planeta finito com um orçamento de entropia fixo. A questão não é se a IA pode ser tornada mais eficiente — pode, e as melhorias são reais — mas se as melhorias de eficiência podem superar o crescimento da procura impulsionado pela acumulação competitiva. As evidências da última década sugerem que não. A lógica termodinâmica da acumulação de capital fornece a razão estrutural para tal.

Isto leva-nos ao que poderíamos chamar o limite termodinâmico do capital: o ponto em que a entropia gerada pela acumulação de capital excede a capacidade da biosfera de a absorver sem provocar uma rutura catastrófica dos sistemas — clima, hidrologia, biodiversidade e fertilidade do solo — dos quais a civilização humana depende. Este limite não é um limiar preciso que possa ser identificado antecipadamente; Trata-se de uma zona de crise crescente, já vivida em diversas dimensões (concentração de carbono na atmosfera, esgotamento de água doce e perda de biodiversidade) e que se aproxima em outras. A expansão da IA ​​sob o atual regime de acumulação de capital não está a afastar a civilização deste limite, mas sim a aproximá-la, a um ritmo acelerado.

A economia política desta trajetória é clara. Os custos da aproximação ao limite termodinâmico do capital não são suportados por aqueles que impulsionam a acumulação, ou seja, os acionistas, executivos e investidores institucionais das empresas tecnológicas cuja dinâmica competitiva determina o ritmo da expansão da IA. São suportados por comunidades em regiões com escassez hídrica, cujos aquíferos são esgotados pelo arrefecimento dos centros de dados, por trabalhadores em minas artesanais cuja saúde é prejudicada pela extração mineral, por populações em países vulneráveis ​​às alterações climáticas, cuja segurança alimentar é ameaçada pelas emissões de carbono, e pelas gerações futuras que herdarão um planeta com capacidade reduzida de autorregulação ecológica. Esta é a economia política da entropia: a privatização dos benefícios do consumo de baixa entropia e a socialização dos custos do desperdício de alta entropia (39).

Nenhuma inovação técnica pode resolver esta economia política, porque não se trata de um problema técnico. É um problema de poder — de quem controla os meios de computação, de quem determina os fins para os quais a capacidade computacional é utilizada e de quem suporta os custos ecológicos dessa utilização. Para o resolver, não são necessários melhores algoritmos ou chips mais eficientes, mas sim uma transformação fundamental das relações sociais de produção na economia digital. Em suma, é necessária uma política adequada aos desafios termodinâmicos do momento atual.

Conclusão

A análise social e histórica desenvolvida neste artigo conduz a uma conclusão que o discurso dominante sobre a IA e a sustentabilidade sistematicamente ignora: a crise ecológica da IA não é um problema de inovação insuficiente ou de responsabilidade corporativa inadequada, mas antes uma expressão estrutural da tensão insolúvel do capitalismo com os limites biofísicos do planeta. Os processos específicos que impulsionam esta crise — a corrida aos armamentos monopolista, a dinâmica de Jevons e a deslocação sistemática dos custos ecológicos para o Sul Global — não são falhas técnicas à espera de soluções de engenharia. São as operações normais da acumulação de capital na sua fase monopolista-digital, registadas em termos termodinâmicos como processos dissipativos de irreversibilidade prigoginiana: permanentes, cumulativos e para além do alcance das correções de mercado.

A tradição ecossocialista oferece o ponto de partida teoricamente mais coerente para uma alternativa. Como argumentou Foster, a rutura metabólica entre o capital e a natureza não pode ser reparada dentro da própria estrutura institucional do capitalismo; exige uma reorganização fundamental das relações sociais de produção, que subordine os imperativos da acumulação aos limites regenerativos do mundo natural. Uma lógica ecossocialista da computação assentaria em três compromissos fundamentais. Em primeiro lugar, dependeria do controlo democrático da infraestrutura computacional: os centros de dados, as plataformas de IA e as redes que os ligam constituem infraestruturas sociais críticas, cuja governação não pode ser deixada aos imperativos competitivos do capital privado. Tal como as redes elétricas e os sistemas de água, exigem responsabilidade democrática: formas de controlo social que permitam às comunidades determinar os fins para os quais a capacidade computacional é utilizada e os termos em que os seus custos ecológicos são distribuídos. Em segundo lugar, isto exigiria uma reorientação das prioridades de investigação e desenvolvimento, afastando-as das aplicações que visam a maximização do lucro — otimização da publicidade, transação financeira e vigilância laboral — e direcionando-as para aplicações que satisfaçam genuinamente as necessidades sociais. Isto inclui a gestão de energias renováveis, a saúde pública, a monitorização ecológica e a educação. Em terceiro lugar, e mais fundamentalmente, exigiria a aceitação de que a escala da atividade computacional deve ser limitada por restrições ecológicas. A suficiência - que significa computar o suficiente, e não computar mais do que isso - deve tornar-se um princípio organizador, substituindo o imperativo de crescimento que impulsiona a atual corrida ao armamento em IA.

Nenhuma destas transformações está iminente, e nenhuma pode ser alcançada apenas por meios técnicos. A irreversibilidade que Prigogine identificou nos sistemas dissipativos tem o seu análogo social nas dependências de trajetória da infraestrutura capitalista: os centros de dados já construídos, os contratos de combustíveis fósseis já assinados e as paisagens de extração já degradadas. O que a política ecossocialista pode realizar não é a reversão dos danos passados, mas a interrupção dos processos que geram danos futuros — uma rutura na lógica social da acumulação que a termodinâmica regista, mas não pode produzir por si só. A questão que se nos coloca não é se os limites do capital se imporão, mas se serão confrontados nos termos estabelecidos por sociedades democráticas comprometidas com a sobrevivência ecológica, ou nos termos impostos pelas crises em cascata de uma biosfera levada para além da sua capacidade regenerativa. O algoritmo não decide aqui. A política sim.

(*) Te Li é professor assistente na Escola de Economia e Gestão da Universidade Aberta de Yunnan, na República Popular da China. A sua investigação centra-se na matematização das instituições e na Economia Política. Este ensaio foi publicado em língua inglesa no Vol. 78 n.º 2 (junho de 2026) de Monthly Review. Todos os direitos reservados. A tradução é da responsabilidade de Ângelo Novo.

_____________

NOTAS:

(1) Sasha Luccioni, Alexandre Viguier e Anne-Laure Ligozat, “Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model”, Journal of Machine Learning Research 24, n.º 253 (2023): pp. 1–15.

(2) Goldman Sachs Research, “AI Is Poised to Drive 160% Increase in Data Center Power Demand”, May 14, 2024.

(3) Microsoft, 2022 Environmental Sustainability Report (Redmond, Washington: Microsoft Corporation, 2022), p. 17.

(4) Jeremy Rifkin, The Zero Marginal Cost Society: The Internet of Things, the Collaborative Commons, and the Eclipse of Capitalism (New York: Palgrave Macmillan, 2014), pp. 11–14.

(5) Nicholas Georgescu-Roegen, The Entropy Law and the Economic Process (Cambridge: Harvard University Press, 1971), pp. 3–4; John Bellamy Foster, Brett Clark e Richard York, The Ecological Rift: Capitalism’s War on the Earth (New York: Monthly Review Press, 2010), pp. 54–76.

(6) Karl Marx, Capital: A Critique of Political Economy, vol. 1, trad. Ben Fowkes (London: Penguin, 1976), pp. 493–94.

(7) Emma Strubell, Ananya Ganesh e Andrew McCallum, “Energy and Policy Considerations for Deep Learning in NLP,” Proceedings of the Fifty-Seventh Annual Meeting of the Association for Computational Linguistics (2019): pp. 3645–50.

(8) David Patterson et al., “Carbon Emissions and Large Neural Network Training”, (2021), pp. 1–9.

(9) Jordan Hoffmann et al., “Training Compute-Optimal Large Language Models”(2022), pp. 1–19.

(10) John Bellamy Foster, “The Ecology of Marxian Political Economy”, Monthly Review 63, n.º 4 (September 2011): pp. 1–16.

(11) William Stanley Jevons, The Coal Question: An Inquiry Concerning the Progress of the Nation, and the Probable Exhaustion of Our Coal Mines (London: Macmillan, 1865), pp. 152–53.

(12) “AI and Compute,” OpenAI (blog).

(13) International Energy Agency, Electricity 2024: Analysis and Forecast to 2026 (Paris: IEA, 2024), p. 14.

(14) Ilya Prigogine e Isabelle Stengers, Order Out of Chaos: Man’s New Dialogue with Nature (New York: Bantam Books, 1984), pp. 143–45.

(15) Foster, Clark e York, The Ecological Rift, ob. cit., pp. 73–76.

(16) Goldman Sachs Research, “AI Is Poised to Drive 160% Increase in Data Center Power Demand”.

(17) Brett Clark e John Bellamy Foster, “Ecological Imperialism and the Global Metabolic Rift: Unequal Exchange and the Guano/Nitrates Trade”, International Journal of Comparative Sociology 50, n.º 3–4 (2009): pp. 311–34.

(18) Arsheeya Bajwa, “Microsoft, OpenAI Plan $100 Billion Data-Center Project, Media Report Says”, Reuters, March 29, 2024.

(19) International Energy Agency, Electricity 2024, p. 27.

(20) EirGrid, Tomorrow’s Energy Scenarios 2023 (Dublin: EirGrid, 2023), p. 34.

(21) Benjamin K. Sovacool et al., “Sustainable Minerals and Metals for a Low-Carbon Future”, Science 367, n.º 6473 (2020): pp. 30–33.

(22) International Energy Agency, Electricity 2024, pp. 27–29.

(23) Kim Crawford e Vladan Joler, “Anatomy of an AI System” ( 2018).

(24) Pengfei Li et al., “Making AI Less ‘Thirsty’: Uncovering and Addressing the Secret Water Footprint of AI Models” (2023), pp. 1–10.

(25) Microsoft, 2022 Environmental Sustainability Report, p. 17.

(26) Google, 2023 Environmental Report (Mountain View, California: Google, 2023), p. 22.

(27) Peter Dauvergne, AI in the Wild: Sustainability in the Age of Artificial Intelligence (Cambridge: MIT Press, 2020), pp. 78–79.

(28) Rob Nixon, Slow Violence and the Environmentalism of the Poor (Cambridge, Massachusetts: Harvard University Press, 2011), pp. 2–3.

(29) Guillaume Pitron, The Rare Metals War: The Dark Side of the Clean Energy and Digital Technologies, trad. Bianca Jacobsohn (London: Scribe, 2023), pp. 45–67.

(30) United Nations Institute for Training and Research, The Global E-waste Monitor 2024 (Bonn: UNITAR, 2024), p. 3.

(31) John Bellamy Foster e Hannah Holleman, “The Theory of Unequal Ecological Exchange: A Marx-Odum Dialectic”, Journal of Peasant Studies 41, n.º 2 (2014): pp. 199–233.

(32) John Bellamy Foster e Brett Clark, “Introduction to the Updated Edition of Arghiri Emmanuel’s Unequal Exchange”, Monthly Review Vol. 77, n.º 8 (January 2026): pp. 1–19.

(33) John Bellamy Foster, “Capitalism and Ecology: The Nature of the Contradiction”, Monthly Review Vol. 54, n.º 4 (September 2002): pp. 6–16.

(34) Paul Burkett, “Fusing Red and Green”, Monthly Review Vol. 50, n.º 9 (February 1999): pp. 47–56; Paul Burkett, Marx and Nature: A Red and Green Perspective (New York: St. Martin’s Press: 1999).

(35) John Bellamy Foster e Brett Clark, “The Robbery of Nature: Capitalism and the Metabolic Rift”, Monthly Review Vol. 70, n.º 3 (July–August 2018): pp. 1–20.

(36) Benjamin K. Sovacool et al., “Sustainable Minerals and Metals for a Low-Carbon Future,” Science 367, n.º 6473 (2020): pp. 30–33.

(37) Brett Clark e Richard York, “Carbon Metabolism: Global Capitalism, Climate Change, and the Biospheric Rift,” Theory and Society Vol. 34, n.º 4 (2005): pp. 391–428.

(38) Georgescu-Roegen, The Entropy Law and the Economic Process, ob. cit., pp. 276–78.

(39) John Bellamy Foster, Marx’s Ecology: Materialism and Nature (New York: Monthly Review Press, 2000), pp. 141–77.