Resumo Técnico: Certificados sem Elétrons? Teoria e Evidências sobre os Impactos da Demanda de Energia Impulsionada pela IA

1. Definição do Problema

A rápida expansão da inteligência artificial (IA) elevou o consumo de eletricidade dos centros de dados nos Estados Unidos de 1,9% para 4,4% da demanda total em seis anos. Embora os hiperescaladores utilizem Certificados de Energia Renovável (RECs) e Acordos de Compra de Energia (PPAs) para reivindicar a neutralidade de carbono, a eficácia desses mecanismos no nível da rede elétrica permanece incerta. Especificamente, há uma carência de evidências causais sobre como o lançamento de modelos de IA afeta:

1. Qualidade da Energia Local: Incluindo estabilidade de tensão, regulação de frequência e distorção harmônica.
2. Demanda de Combustíveis Fósseis: A extensão em que as cargas de trabalho de IA deslocam a geração renovável ou necessitam do despacho de combustíveis fósseis.
3. Preços de Eletricidade no Atacado: A magnitude dos aumentos de preços nos mercados locais devido aos choques de demanda da IA.
4. Confiabilidade: A frequência e a severidade de interrupções e a degradação de equipamentos.

A literatura existente baseia-se em avaliações tecnoeconômicas ou estudos de desempenho energético em nível micro, mas falha em isolar as externalidades causais que a IA impõe a outros usuários da rede. Além disso, existe um "hiato temporal" (timing wedge) onde o consumo (cargas de trabalho de IA) e a geração renovável creditada (via RECs) são desconectados no tempo e no espaço, o que pode degradar a confiabilidade mesmo quando o consumo anual está teoricamente coberto por renováveis.

2. Metodologia

Os autores empregam um arcabouço econométrico rigoroso para lidar com a escassez de dados operacionais granulares (ex: horários exatos de início de treinamento) e a natureza escalonada dos lançamentos de modelos de IA.

2.1. Estrutura Teórica

Um modelo de teoria dos jogos é desenvolvido onde os operadores de centros de dados escolhem entre RECs, PPAs e colocação atrás do medidor (behind-the-meter colocation), enquanto os geradores tomam decisões de entrada sob custos de financiamento endógenos. O modelo identifica um hiato temporal (timing wedge) — o descompasso entre o consumo e a geração creditada — como o mecanismo central através do qual a demanda de IA degrada a confiabilidade e aumenta as emissões, mesmo com cobertura de 100% de RECs.

2.2. Estratégia Econométrica: Diferenças em Diferenças (DiD) Escalonadas

Para superar a falta de janelas de treinamento específicas e o lançamento escalonado de modelos, os autores utilizam uma abordagem de DiD Empilhado com Múltiplos Horizontes (Stacked DiD with Multiple Horizons).

• Definição de Tratamento: O tratamento é definido em relação à data de lançamento ($r_m$) de grandes modelos de IA.
  • Janela de Treinamento: $[r_m - \tau_{train}, r_m)$
  • Janela de Inferência: $[r_m, r_m + \tau_{infer}]$
• Design Empilhado: Para evitar o viés de heterogeneidade do efeito de tratamento (onde unidades já tratadas contaminam os grupos de controle em modelos padrão de Efeitos Fixos de Duas Vias), os autores constroem "subexperimentos" separados para cada coorte de lançamento de modelo. Cada subexperimento utiliza apenas unidades que estão genuinamente não tratadas no momento da adoção daquela coorte específica.
• Equação: O efeito dinâmico do tratamento é estimado como:
  $$Y_{i,t,m} = \sum_{k=-K}^{K} \beta_k \cdot D^k_{ut} + \delta_t + \gamma_u + X'_{ut}\theta + \varepsilon_{ut}$$
  Onde $D^k_{ut}$ indica o horizonte de tempo do evento $k$ relativo ao lançamento.

2.3. Abordagem de Endogeneidade e Confundidores

• Demanda de Fósseis: Uma abordagem de Mínimos Quadrados em Dois Estágios (2SLS) é utilizada para abordar a endogeneidade de preços.
  • Primeiro Estágio: Os preços de eletricidade são instrumentados usando deflatores de custo do lado da oferta (taxas de calor de geradores e preços de mercado à vista de gás natural).
  • Segundo Estágio: A demanda de combustíveis fósseis é regredida sobre os preços previstos e indicadores de tratamento.
• Efeitos de Preço: Os impactos nos preços são derivados combinando os deslocamentos de demanda estimados com a elasticidade da curva de oferta ($\varepsilon_s$) no mercado PJM.
• Testes de Robustez: O estudo emprega testes de tendências paralelas (testes de Wald em coeficientes pré-tratamento), testes placebo (datas e locais de tratamento randomizados) e análises de sensibilidade em relação às definições de tratamento (ex: variando o raio, removendo casos ambíguos).

2.4. Dados

A análise integra um novo conjunto de dados que vincula a atividade de IA aos resultados da rede:

• Dados de Tratamento: Banco de dados Aterio para localização de centros de dados, propriedade e capacidade; vinculado a lançamentos de modelos específicos (ex: GPT-3, Llama 2, Claude 2.1) via comunicados de imprensa e datas de API.
• Dados de Resultado:
  • Qualidade da Energia: Índice de Qualidade de Energia para o Consumidor (CPQI) da Whisker Labs e Distorção Harmônica Total (THD) de 72 concessionárias.
  • Demanda: Dados horários de geradores do programa Clean Air Markets (CAMPD) da EPA (2021–2023).
  • Preços: Preços de atacado por zona ISO (foco no PJM).
• Controles: Dados meteorológicos (Meteostat), preços de gás natural (S&P Capital IQ) e índices de mercado.

3. Principais Resultados

3.1. Degradação da Qualidade da Energia

Os lançamentos de modelos de IA causam uma deterioração significativa na qualidade da energia local:

• Índice de Qualidade de Energia para o Consumidor (CPQI): Áreas de concessionárias tratadas experimentam um aumento de coeficiente de 0,3795, correspondendo a uma mudança da qualidade típica de energia dos EUA para o quartil inferior. Isso equivale a um aumento nas interrupções anuais para o cliente médio de ~1 para 1,5–2 interrupções por ano.
• Distorção Harmônica (THD): Há um aumento de 0,0625 ponto percentual em leituras acima do limiar de distorção de 0,8. Embora pareça pequeno, a exposição sustentada acelera a degradação de equipamentos (ex: motores, refrigeradores).

3.2. Demanda de Combustíveis Fósseis

A atividade de IA aumenta significativamente a geração de combustíveis fósseis:

• Magnitude: A fase de treinamento adiciona aproximadamente 6,33 MWh por hora-gerador, e a fase de inferência adiciona 5,20 MWh.
• Impacto Agregado: Isso se traduz em mais de 500 GWh adicionais de geração fóssil próximo aos centros de dados, equivalente ao consumo anual de cerca de 47.000 residências dos EUA.
• Mecanismo: O efeito é impulsionado pela necessidade imediata de capacidade de base (baseload) e de pico que os RECs não cobrem temporalmente.

3.3. Impactos nos Preços de Atacado

No mercado PJM, os picos de demanda impulsionados pela IA levam a aumentos substanciais de preços:

• Variação de Zona: Os impactos de preço variam conforme a elasticidade da oferta. Na zona da American Electric Power (AEP) (menor elasticidade), os preços de atacado aumentaram até 25% durante os períodos de atividade de IA. Na zona da ComEd (maior elasticidade), o impacto foi menor, mas ainda significativo.
• Implicações no Varejo: Embora o repasse ao varejo seja retardado, os autores estimam um potencial aumento de preço ao consumidor a longo prazo de até 25% em zonas de alto impacto, à medida que geradores marginais de maior custo são acionados para atender à demanda de IA.

3.4. Mitigação via Geração no Local (On-Site)

Uma descoberta crítica é a reversão do sinal dos efeitos de qualidade de energia com base na infraestrutura:

• Sem Geração no Local: A qualidade da energia deteriora (coeficiente CPQI positivo).
• Com Geração no Local: A qualidade da energia melhora (coeficiente CPCI negativo).
• Interpretação: A geração colocada (colocated) (frequentemente com armazenamento) absorve os picos de demanda diretamente, impedindo que eles se propaguem para a rede e reduzindo a dependência de geradores fósseis marginais.

4. Análises Contrafatuais

O artigo avalia como diferentes evoluções técnicas da IA poderiam alterar os impactos na rede:

1. Escalabilidade de Modelos: Escalar de 2 trilhões para 4 trilhões de parâmetros aumentaria o impacto na qualidade da energia em ~35%. Um aumento de 1% nos parâmetros do modelo correlaciona-se com um aumento de 0,15% na demanda de energia.
2. Redistribuição Geográfica:
   • Inferência na Borda (Edge Inference): Deslocar a inferência das instalações concentradas de hiperescaladores para nós de borda distribuídos reduz significativamente os picos de demanda zonal (de 162 MWh/hora para 4 MWh/hora em simulações).
   • Centralização: Concentrar todo o treinamento em uma única instalação grande cria picos extremos de demanda local (~100 GWh), destacando os riscos da sobreconcentração.
3. Geração no Local: A adoção universal de geração no local mudaria o impacto líquido dos centros de dados de um detrimento da qualidade de energia para uma melhoria líquida.

5. Significância e Contribuições

O artigo reivindica três contribuições primárias para a literatura:

1. Inovação Metodológica: Estabelece uma metodologia robusta para avaliar impactos macro da rede de IA usando dados publicamente disponíveis, superando a falta de detalhes operacionais proprietários através de DiD escalonado e variáveis instrumentais.
2. Evidência Causal: Fornece as primeiras estimativas causais dos lançamentos de modelos de IA sobre a qualidade da energia, demanda de combustíveis fósseis e preços de atacado, indo além de estudos correlacionais ou projeções tecnoeconômicas.
3. Relevância Política: Demonstra que as externalidades da IA estão intimamente ligadas ao desenho de contratação e organização espacial. Os resultados sugerem que estratégias apenas de RECs são insuficientes para a estabilidade da rede. Em vez disso, a colocação com geração no local e armazenamento e a realocação espacial (ex: computação de borda) são identificadas como alavancas eficazes para mitigar os impactos na rede.

Os autores concluem que, sem mudanças estruturais na forma como a infraestrutura de IA é alimentada e localizada, a escala contínua dos modelos de IA continuará a degradar a confiabilidade da rede e a aumentar os custos para todos os consumidores, independentemente das reivindicações de neutralidade de carbono.