Productivity gains of artificial intelligence outweigh energy costs

Resumo Técnico: Os Ganhos de Produtividade da Inteligência Artificial Superam os Custos Energéticos

Problema
A rápida difusão da inteligência artificial (IA) no ambiente de trabalho apresenta uma tendência dupla: ganhos substanciais de produtividade ao nível da tarefa e uma expansão sem precedentes da pegada energética associada aos sistemas de IA. Enquanto estudos de micro nível quantificam a economia de tempo proporcionada pelas ferramentas de IA, e a literatura separada estima as pegadas de carbono e eletricidade da infraestrutura de IA, nenhum estudo comparou diretamente esses dois fatores em uma escala monetária comum para a economia agregada. Esta lacuna é crítica porque os benefícios de produtividade revertem primariamente para as empresas, enquanto os custos ambientais são externalizados para a sociedade. Sem uma avaliação conjunta, formuladores de políticas e empresas não podem avaliar o retorno social líquido da adoção em larga escala da IA.

Metodologia
Os autores utilizam uma estrutura baseada em tarefas para fornecer a primeira comparação monetária direta entre os ganhos de produtividade induzidos pela IA e os custos de energia nos postos de trabalho dos EUA. A análise baseia-se nos seguintes dados e métodos:

• Fontes de Dados: O estudo utiliza a base de dados O*NET, abrangendo 19.265 tarefas de trabalho em 923 ocupações. Os dados de emprego e salários são extraídos do U.S. Bureau of Labor Statistics (National Employment Matrix e Current Population Survey). Os parâmetros de consumo de energia por consulta são derivados de [14], e os preços da eletricidade baseiam-se nas taxas industriais dos EUA de 2024.
• Estimativa de Produtividade: A economia de tempo ao nível da tarefa é estimada usando avaliações do GPT-5 da base de dados O*NET. As tarefas são classificadas em três categorias de exposição:
  • E0: A assistência da IA resulta em economias de tempo inferiores a 50%.
  • E1: O acesso apenas a um chatbot de LLM gera economias >50%.
  • E2: A economia excede 50% apenas quando o modelo é aumentado com software específico para a tarefa.
    A análise assume um cenário de "quase-adoção total" onde todas as tarefas E1 são totalmente aumentadas, e as tarefas E2 são ponderadas em 50% para refletir barreiras organizacionais.
• Estimativa de Energia: Os custos totais de eletricidade são calculados combinando as frequências de execução das tarefas com os parâmetros de consumo de energia por consulta. O estudo modela três suposições de iteração de consulta (1, 4 e 7 iterações por tarefa) e três cenários de consumo de energia (mínimo, médio e máximo entre os modelos parametrizados).
• Monetização: Os ganhos de produtividade são expressos como "economia salarial" (o equivalente de custo de mão de obra do tempo liberado). Os custos de energia são convertidos em dólares usando preços médios de eletricidade industrial dos EUA. O estudo também calcula as emissões de carbono usando dados de ciclo de vida de CO2 e o custo social do carbono da EPA para contabilizar as externalidades ambientais.

Principais Resultados

• Ganhos de Produtividade: Sob o cenário de quase-adoção total, as economias salariais agregadas são estimadas em aproximadamente 8,87% do PIB nominal dos EUA (2024). A distribuição da economia de tempo é bimodal: tarefas manuais e altamente específicas de contexto mostram economias próximas de zero, enquanto tarefas cognitivas, informacionais e textuais mostram economias agrupadas em torno de 60–70%, com algumas tarefas E2 atingindo 85–90%.
• Custos de Energia: Em todas as suposições de modelo e iteração, os custos de energia permanecem bem abaixo de 0,1% do PIB. Em termos absolutos, o consumo total de energia para o cenário de referência (7 iterações, consumo de energia médio) é estimado em 28 TWh.
• Magnitude Comparativa: Os ganhos de produtividade excedem os custos diretos de energia operacional em várias ordens de magnitude.
• Eficiência Física: A assistência da IA requer entre 27 e 1.769 Wh por hora de mão de obra economizada, com uma estimativa de referência de 430 Wh. Isso implica que economizar uma hora de trabalho consome aproximadamente 8 vezes a própria energia daquela hora de trabalho (assumindo um parâmetro de laptop de ~50 Wh/hora), indicando um aumento líquido no consumo de energia.
• Externalidades Ambientais: Mesmo ao contabilizar as emissões de carbono (estimadas em 10,7 Mt CO2, ou 0,21% do total de emissões dos EUA) e aplicar o custo social do carbono ($204/ton), os custos energéticos e ambientais combinados ($2,2 bilhões de custo social + ~$2,6 bilhões de custo direto) permanecem muito abaixo do valor monetário estimado dos ganhos de produtividade ($2,6 trilhões).

Principais Contribuições

1. Primeira Comparação Monetária Direta: Este artigo fornece a primeira comparação direta entre os ganhos de produtividade da IA e os custos de energia em uma escala monetária comum para a economia agregada.
2. Granularidade ao Nível da Tarefa: Ao contrário das abordagens top-down que utilizam coeficientes de intensidade por setor, este estudo constrói estimativas de baixo para cima, combinando frequências de tarefas específicas com parâmetros de consumo de energia por consulta.
3. Métrica de Eficiência Normalizada: Os autores introduzem uma métrica de consumo de energia em Wh por hora de mão de obra economizada, oferecendo uma visão normalizada do custo energético dos ganhos de produtividade.
4. Integração de Externalidades: O estudo estende a análise além dos custos monetários diretos para incluir o custo social do carbono, demonstrando que, mesmo com externalidades ambientais, os benefícios líquidos permanecem positivos.

Significância e Alegações
O artigo afirma que, contrariamente às preocupações relativas à intensidade energética da IA, os ganhos de produtividade da adoção da IA parecem superar os custos energéticos associados por várias ordens de magnitude. Os autores asseveram que, mesmo quando as externalidades ambientais são internalizadas, o retorno social líquido da adoção da IA em larga escala no ambiente de trabalho permanece fortemente positivo.

O estudo conclui que o caso para a adoção da IA não pode basear-se na economia direta de energia (já que a IA aumenta o consumo líquido de energia por hora de trabalho economizada), mas deve, em vez disso, pesar o valor da mão de obra economizada contra o custo energético líquido. Os resultados sugerem que os custos energéticos associados à adoção da IA estão "contidos em relação aos seus benefícios", apoiando a contínua difusão da IA em ambientes profissionais do ponto de vista da eficiência econômica. Os autores observam que suas estimativas representam um limite inferior para a energia de centros de dados atribuível à IA profissional, pois excluem usos de consumo e custos de treinamento de modelos, embora a disparidade entre benefícios e custos permaneça vasta.