A Scoping Review of Methods to Measure the Energy and Carbon Footprint of Web Tracking and Advertising

Cada vez que você visita um site, uma economia oculta de troca de dados acontece em segundo plano. Enquanto você lê um artigo ou assiste a um vídeo, scripts invisíveis estão sendo executados para rastrear seu comportamento, construir um perfil de seus interesses e entregar anúncios direcionados. Este sistema, frequentemente chamado de ecossistema ad-tech, é a principal maneira pela qual muitos serviços online gratuitos ganham dinheiro. No entanto, capturar, armazenar e processar essa quantidade massiva de dados do usuário requer um poder computacional significativo. Esse poder vem da eletricidade, e a geração dessa eletricidade frequentemente produz emissões de carbono. À medida que a internet cresce, cresce também sua pegada ambiental, levantando uma questão difícil para os pesquisadores: quanto dessa energia é realmente gasta apenas com os anúncios e o rastreamento, em vez de no conteúdo que você está tentando ver?

Uma equipe de pesquisadores da Universidade de Toronto partiu para responder a isso revisando a literatura científica existente. Eles não estavam conduzindo um novo experimento em si, mas sim mapeando o cenário de como outros cientistas tentaram medir esse custo ambiental específico. Eles descobriram que o campo ainda é jovem e fragmentado. Os estudos que revisaram estão espalhados por diferentes disciplinas, usando diferentes palavras para descrever os mesmos processos e diferentes ferramentas para medir as mesmas coisas. Para dar sentido a isso, os autores reuniram 15 estudos fundamentais de um grupo inicial de 46 candidatos e os organizaram em cinco métodos distintos que os pesquisadores usam para isolar o custo energético do rastreamento e da publicidade na web.

A abordagem mais comum, usada na maioria dos estudos, é chamada de bloqueio de anúncios (ad blocking). Neste método, os pesquisadores visitam uma lista de sites populares duas vezes: uma vez com um navegador padrão e outra com um bloqueador de anúncios ativado. Ao comparar a energia usada em ambos os cenários, eles podem calcular a diferença causada especificamente pelos anúncios e rastreadores. Alguns pesquisadores usam extensões de navegador para bloquear os anúncios, enquanto outros usam recursos integrados do navegador ou até mesmo bloqueiam as requisições no nível da rede. Para obter esses números, eles frequentemente usam softwares que leem o uso do processador do computador ou o consumo da bateria ou, em alguns casos, conectam um voltímetro físico ao dispositivo para medir a eletricidade que flui para o hardware. Este método é prático porque pode ser feito em um computador comum, mas depende da suposição de que a única coisa que muda entre as duas visitas é a presença dos anúncios.

Um segundo grupo de pesquisadores adota uma abordagem mais controlada, recriando sites em um ambiente de laboratório. Em vez de visitar sites ao vivo na internet aberta, eles baixam as páginas e removem os anúncios e os scripts de rastreamento por conta própria, criando uma versão limpa do site. Eles então servem essas versões localmente em um servidor que controlam, garantindo que nenhuma variável externa interfira no teste. Em uma variação deste método, os pesquisadores construíram um site do zero e adicionaram diferentes quantidades de ferramentas de rastreamento a ele, observando como o consumo de energia aumentava com cada adição. Isso oferece um alto grau de controle sobre o experimento, permitindo que os cientistas vejam exatamente quanto de energia um único rastreador consome, embora possa não refletir perfeitamente a realidade caótica da web ao vivo.

Um terceiro método, mais incomum, envolve a reprodução de anúncios individuais. Um estudo coletou milhares de anúncios da web e criou um sistema para exibi-los um por um em uma página de navegador em branco. Ao medir a energia necessária para carregar um único anúncio contra uma linha de base de uma página vazia, os pesquisadores puderam determinar o custo de renderização daquele anúncio específico. Eles então usaram esses dados para treinar um modelo computacional que pudesse prever o custo energético de outros anúncios com base em suas características. Esta técnica permite um olhar granular sobre o custo de unidades de anúncios individuais, mas requer uma enorme quantidade de coleta manual de dados para construir a biblioteca inicial de anúncios.

A quarta abordagem observa o fluxo de dados em si, em vez do dispositivo que o exibe. Em vez de medir a tela do computador, esses pesquisadores analisam o tráfego de rede que se move entre o usuário e a internet. Eles examinam os pacotes de dados enviados e recebidos, tentando identificar quais partes do fluxo de dados pertencem a anúncios e cookies de rastreamento. Ao somar o volume total deste tráfego específico, eles podem estimar a energia necessária para mover esses dados através da internet. No entanto, os autores desta revisão observam uma falha significativa neste método: simplesmente saber quanto dado é transferido não diz automaticamente quanta energia foi usada para processá-lo, pois a relação entre o tamanho dos dados e o consumo de energia é complexa e ainda não é totalmente compreendida.

O método final baseia-se inteiramente em números existentes, em vez de novas medições. Pesquisadores que utilizam esta abordagem pegam figuras e coeficientes de outros estudos publicados — como o custo energético médio de mover um gigabyte de dados ou a intensidade de carbono da rede elétrica — e os aplicam a estimativas de quanta publicidade os dados geram. Isso permite cálculos amplos e de grande escala sem a necessidade de realizar qualquer experimento ou coletar novos dados. Embora seja a forma mais acessível de obter uma estimativa aproximada, sua precisão depende inteiramente da qualidade e relevância dos números originais que ela toma emprestados.

A revisão revela que o campo está apenas começando a encontrar seu caminho. Oitenta por cento dos estudos analisados foram publicados nos últimos cinco anos, indicando um surto rápido de interesse à medida que a crise ambiental se aprofunda. Apesar desse crescimento, os pesquisadores descobriram que os estudos raramente conversam entre si. Diferentes equipes usam termos diferentes para os mesmos conceitos e, muitas vezes, não constroem sobre as descobertas umas das outras. Por exemplo, um estudo descobriu que o tamanho dos dados transferidos para um anúncio não prevê necessariamente a energia necessária para exibi-lo, uma descoberta que desafia as suposições feitas por outros estudos que dependem do volume de dados para estimar o uso de energia.

Atualmente, não existe um método único padrão com o qual todos concordem. A maior parte da pesquisa foca no que acontece no dispositivo do usuário, deixando uma grande lacuna em nossa compreensão da energia consumida pelos enormes centros de dados que armazenam e processam essas informações. Como essas infraestruturas corporativas são opacas e difíceis de acessar, os pesquisadores tiveram que recorrer a métodos indiretos ou simulações controladas. Os autores sugerem que o trabalho futuro precisa desenvolver melhores maneiras de medir a energia usada nesses centros de dados e de criar uma linguagem compartilhada para que cientistas de diferentes áreas possam comparar seus resultados com precisão. Até lá, temos um mosaico de métodos que oferecem vislumbres do custo ambiental da economia digital, mas nenhuma imagem completa.