Can We Test Jevons Paradox in AI Inference? A Longitudinal Audit of Token Prices, Demand, and Energy (2022–2026)
Este artigo constrói um conjunto de dados longitudinais e uma nova estrutura analítica para demonstrar que os dados públicos atuais carecem da granularidade e da identificação causal necessárias para verificar se a eficiência da inferência de IA está impulsionando um Paradoxo de Jevons, uma vez que a observada estabilidade de preços e o crescimento não verificado do volume impedem uma conclusão definitiva sobre se a eficiência irá, em última análise, limitar ou aumentar a demanda total de energia.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Imagine um mundo onde tornar uma máquina mais inteligente e barata de operar na verdade faz com que a utilizemos tanto que o seu consumo total de energia dispara. Este é o cerne de uma questão que intriga os economistas há mais de um século, conhecida como o paradoxo de Jevons. Sugere que, quando nos tornamos mais eficientes no uso de um recurso, não poupamos necessariamente esse recurso; em vez disso, o custo mais baixo incentiva-nos a utilizá-lo de forma tão agressiva que o nosso consumo total cresce. Hoje, esta questão passou das minas de carvão para o reino digital, centrando-se na inteligência artificial. À medida que os modelos de IA se tornam mais rápidos e baratos de operar, há um debate aceso sobre se esta eficiência irá limitar o apetite energético massivo da indústria ou, inversamente, alimentar uma explosão na procura que ultrapasse a nossa capacidade de gerar energia. Para resolver isto, precisamos de ver três coisas a acontecer simultaneamente: o preço de utilização da IA, o volume de quanto ela está a ser utilizada e a energia efetivamente consumida para a criar.
Um investigador chamado Eugen Spivak propôs-se encontrar estas três peças do puzzle para os anos de 2022 a 2026. O objetivo era construir um registo único e unificado que acompanhasse o preço do texto de IA, a quantidade de texto gerado e a energia necessária para o criar, tudo para os mesmos serviços e períodos de tempo. Spivak passou anos a recolher dados de fontes públicas, incluindo versões arquivadas de páginas de preços de onze dos principais desenvolvedores de IA, declarações sobre quantos tokens (as unidades básicas de texto) foram processados e figuras publicadas sobre o uso de energia. O resultado foi um livro de registos massivo contendo mais de mil pontos de preço, dezenas de declarações de volume e mais de cem figuras de energia. No entanto, a descoberta mais significativa deste trabalho não é uma confirmação do paradoxo, mas sim uma revelação sobre os próprios dados: o registo público simplesmente não contém a informação necessária para responder à questão.
A investigação revelou que, embora tenhamos muitos números, eles raramente se encaixam de uma forma que permita uma comparação justa. Por exemplo, quando os investigadores analisaram os preços de modelos de IA específicos ao longo do tempo, descobriram que o custo de um único modelo raramente mudava. Em quase 700 instâncias onde o mesmo modelo foi verificado em momentos diferentes, o seu preço permaneceu exatamente o mesmo. As quedas dramáticas de preços frequentemente citadas nas notícias não se deveram ao facto de os desenvolvedores baixarem o custo das ferramentas existentes, mas sim porque novos modelos mais baratos foram introduzidos no mercado enquanto os antigos permaneciam caros. Esta distinção é crucial porque significa que o "preço" da IA está a mudar devido a mudanças de produto, e não apenas por ganhos de eficiência.
Quando o investigador tentou cruzar estes preços com o quanto as pessoas estavam realmente a utilizar a IA, os dados tornaram-se ainda mais fragmentados. Para os dois maiores fornecedores, Google e OpenAI, existem declarações claras que mostram que a quantidade de texto gerado nas suas plataformas cresceu incrivelmente rápido, multiplicando-se por mais de quatro ou cinco vezes todos os anos entre 2025 e 2026. Ao mesmo tempo, os preços para os seus modelos padrão não caíram; de facto, para muitas categorias, subiram. Isto cria um quadro confuso onde a utilização explode mesmo quando o custo por unidade não está a descer. No entanto, resta uma lacuna crítica: as declarações de volume não especificam exatamente que tipo de texto estão a contar. Podem incluir texto de entrada, texto de saída ou dados em cache, enquanto as listas de preços cobrem apenas tipos específicos de saída. Sem saber se os números de volume e os números de preço estão a falar exatamente da mesma coisa, é impossível dizer se o crescimento na utilização foi uma resposta direta a uma queda de preço.
A peça em falta que torna o quadro inteiro impossível de completar são os dados de energia. Embora existam muitas afirmações sobre quanta energia uma IA utiliza, a maioria delas não indica os limites da sua medição. Algumas figuras contam apenas os chips de computador, enquanto outras incluem o edifício inteiro, os sistemas de arrefecimento e a eletricidade usada para manter os servidores a funcionar mesmo quando estão inativos. Como estas medições são feitas em escalas diferentes, não podem ser comparadas de forma fiável entre si, quanto mais confrontadas com os dados de preço e volume. O estudo descobriu que, em mais de metade das figuras de energia revistas, era impossível determinar exatamente o que estava a ser medido. Sem uma medição clara e consistente de energia por unidade de trabalho, e sem uma ligação clara entre preço e volume, os dados não podem mostrar se a eficiência está a impulsionar um maior consumo.
Em última análise, esta auditoria rigorosa conclui que ainda não podemos dizer se a IA está a sofrer do paradoxo de Jevons. O registo público é demasiado irregular para provar que os ganhos de eficiência estão a causar um surto no uso total de energia, nem pode provar que a eficiência acabará por limitar esse uso. Os dados mostram que a utilização da IA está a crescer rapidamente, mas não mostram que este crescimento seja causado por preços mais baixos ou melhor eficiência. O investigador argumenta que, para resolver este mistério, as empresas que constroem estes sistemas devem começar a publicar dados mais claros. Elas precisam de declarar exatamente quando um preço entra em vigor, especificar exatamente o que os seus números de volume contam e definir os limites das suas medições de energia. Até que estes detalhes sejam fornecidos, o debate sobre o futuro energético da IA permanecerá uma questão de teoria em vez de facto, deixando-nos incapazes de saber se a máquina se está a tornar uma ferramenta sustentável ou um consumidor insaciável de energia.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.