Maia 300: por que uma IA mais eficiente pode consumir mais energia?

O novo chip de IA anunciado pela Microsoft promete mais processamento por potência disponível. Entenda o que a comparação significa, por que eficiência e consumo total podem seguir direções diferentes e como avaliar benefícios no trabalho.

Capa: ilustração conceitual gerada por IA. Não representa uma instalação da Microsoft ou o hardware real do Maia 300.

Você pede à IA um resumo e recebe a resposta em segundos. Na tela, quase nada revela os servidores, a memória, as redes e a refrigeração que participaram da tarefa. A chamada “nuvem” tem endereço, equipamentos e demanda por eletricidade.

Em 12 de outubro de 2026, a Microsoft anunciou o Maia 300 e planos para ampliar sua infraestrutura de IA a partir de 2027. A promessa de mais processamento por potência disponível levanta uma pergunta: se cada tarefa ficar mais eficiente, o consumo total vai diminuir? Pode diminuir, mas também pode crescer quando aumentam o volume e a complexidade das tarefas. [1]

Para profissionais e educadores, entender essa diferença ajuda a interpretar anúncios e avaliar automações. O indicador do chip e o resultado de uma organização estão relacionados, mas medem coisas diferentes.

O que foi anunciado — e quando estará em uso

No comunicado assinado por Scott Guthrie, a Microsoft prevê que o Maia 300 entregue 40% mais tokens por megawatt em comparação com sistemas baseados em GPUs considerados líderes pela empresa. GPU é um processador utilizado em cálculos paralelos; token é uma unidade de representação processada pelo modelo, como partes de palavras em sistemas de texto. Tokens não correspondem a respostas corretas ou tarefas concluídas.

A implantação do Maia 300 em produção está prevista para 2027. O Maia 200, geração anterior, já atende cargas de produção da Microsoft. Portanto, o anúncio de 12 de outubro não significa disponibilidade imediata do novo hardware para qualquer cliente. [1]

A explicação técnica de Rani Borkar e Saurabh Dighe descreve uma arquitetura voltada à inferência, o uso de um modelo já treinado para processar entradas e produzir resultados. O sistema procura reduzir a movimentação de dados e coordenar memória, processamento e rede. A analogia é uma cozinha: melhorar o fogão ajuda, mas os ingredientes também precisam chegar à bancada sem atrasos. [2]

Minha leitura é que o anúncio merece atenção pelo esforço de otimizar o conjunto. Ele não permite deduzir, sozinho, quanto uma empresa economizará na assinatura de um serviço ou qual será a qualidade das respostas.

40% mais eficiência não significa 40% menos energia

Watt é uma unidade de potência: indica a taxa de uso de energia. Um megawatt equivale a um milhão de watts. Energia considera também o tempo: um equipamento com potência constante de um quilowatt, funcionando durante uma hora, utiliza um quilowatt-hora.

Para ilustrar a conta, proponho um sistema hipotético que realiza 100 unidades de trabalho usando 100 unidades de energia. Se sua eficiência aumentar 40%, ele passa a entregar 1,4 unidade de trabalho por unidade de energia. Mantidos o mesmo trabalho e a qualidade, a energia necessária será:

A redução seria de aproximadamente 28,6%, e não 40%. O percentual maior descreve o aumento da razão entre trabalho e energia; o menor descreve a queda da energia para realizar o mesmo trabalho.

Esse cálculo foi conferido diretamente, mas simplifica o sistema: mantém constantes o trabalho por tarefa, a qualidade e as demais condições. Não reproduz o teste da Microsoft nem estima o consumo real do Maia 300.

O que acontece se o uso dobrar?

Agora mantenha a melhoria de eficiência e dobre o trabalho de 100 para 200 unidades. A energia será 200 ÷ 1,4, aproximadamente 142,9 unidades. Cada unidade de trabalho continua mais econômica, mas o consumo total fica 42,9% acima da situação inicial.

Uma equipe que resumia cem documentos pode passar a resumir duzentos. Também pode começar a gerar vídeos, solicitar várias versões ou executar processos com muitas etapas. O ganho de eficiência pode viabilizar esses usos adicionais; o resultado total depende de quanto e de como a tecnologia será utilizada.

Isso não torna a eficiência inútil. No exemplo, dobrar o trabalho sem melhoria exigiria 200 unidades de energia. Com a melhoria, exige 142,9. O ganho existe; apenas não produz uma queda em relação ao consumo inicial.

O panorama energético é mais amplo que um chip

A Agência Internacional de Energia, conhecida pela sigla inglesa IEA, publicou Key Questions on Energy and AI em 16 de abril de 2026. Sua projeção central aponta consumo elétrico dos data centers de 485 terawatts-hora em 2025 para 950 em 2030, cerca de 3% da demanda mundial de eletricidade naquele ano. Um terawatt-hora equivale a um bilhão de quilowatts-hora. Os números abrangem data centers, não exclusivamente IA.

A análise combina três movimentos: melhoria de eficiência, expansão do uso e mudança para aplicações mais exigentes. A projeção para 2030 é um cenário, não um resultado já ocorrido. Também não é uma avaliação independente do Maia 300. [3]

Para interpretar o impacto de uma instalação, é necessário conhecer sua operação e a eletricidade que a abastece. Potência de equipamentos, consumo ao longo do tempo e emissões têm relações, mas não são medidas intercambiáveis.

A escolha da ferramenta também entra na conta

Alexandra Sasha Luccioni, Yacine Jernite e Emma Strubell compararam energia e emissões de modelos em diferentes tarefas no estudo Power Hungry Processing, apresentado na conferência ACM FAccT de 2024. O trabalho mediu o custo de mil inferências e encontrou, em várias tarefas avaliadas, maior demanda energética de modelos generativos de uso geral em comparação com sistemas especializados. [4]

A pesquisa ajuda a formular uma pergunta sobre adequação da ferramenta, sem fornecer um consumo universal por pedido nem representar os modelos de 2026. Classificar documentos por regras conhecidas pode permitir uma solução simples. Produzir uma interpretação aberta pode exigir outro tipo de sistema.

Minha recomendação é comparar alternativas que atendam ao mesmo requisito. Escolher uma opção menor só faz sentido se ela entregar qualidade suficiente; escolher a maior exige demonstrar que sua capacidade adicional agrega valor à tarefa.

A escolha de sistemas especializados também é discutida em Jev: a IA que decide em vez de conversar — e por que isso importa.

Um exemplo no trabalho: resumir relatórios

Proponho um piloto com relatórios fictícios: comparar uma ferramenta atual e uma alternativa, mantendo os mesmos documentos e critérios. Antes de medir velocidade, defina o que será considerado um resumo aceitável: preservar valores, apontar fontes e sinalizar informações ausentes.

Inclua três situações: um relatório completo; dois documentos com valores contraditórios; e um relatório sem o indicador solicitado. Os resultados esperados são, respectivamente, um resumo fiel, a divergência explicitada e a ausência sinalizada. Uma resposta rápida que inventa o dado não deve entrar na contagem de entregas aceitas.

Registre tentativas, tempo de revisão, erros e custo cobrado. Se o fornecedor disponibilizar medidas energéticas, documente o método e o que está incluído. Sem esses dados, é possível comparar custo operacional e qualidade, mas não converter automaticamente a fatura em consumo de eletricidade.

Uma conta útil é dividir o custo total do piloto pelas entregas aceitas. Essa medida incorpora, conforme o escopo definido, gastos da ferramenta e trabalho de revisão. Ela permite examinar valor para a organização sem fingir que mede a eficiência elétrica do chip.

Uma habilidade profissional: perguntar pelo denominador

Quem trabalha com IA também precisa aprender a ler comparações. “Mais eficiente” exige perguntar: eficiente em qual tarefa, com que qualidade e dentro de qual sistema? “Sete vezes mais” exige identificar a referência.

A Microsoft anuncia que um rack completo do Maia 300, com 96 aceleradores, entrega até sete vezes a vazão de tokens de um rack do Maia 200. Rack é uma estrutura que reúne equipamentos. Isso não equivale a afirmar que cada chip, isoladamente, entrega sete vezes o desempenho. [2]

Em uma atividade de aprendizagem, eu pediria aos participantes que explicassem a diferença entre os dois percentuais da figura 1 e identificassem quais dados faltam para avaliar um serviço real. Saber reconstruir a conta e reconhecer uma informação ausente faz parte da competência de decidir.

Antes de aceitar a promessa de eficiência

• Comparação: qual equipamento, configuração, modelo e tarefa serviram de referência?
• Qualidade: o resultado foi mantido ou houve mudança no comportamento do modelo?
• Escopo: a medida cobre chip, rack ou instalação completa? Inclui memória, rede e refrigeração?
• Uso: qual será o volume de tarefas, de repetições e de etapas?
• Disponibilidade: quando o recurso estará efetivamente disponível para seu contrato e região?
• Verificação: há metodologia publicada e resultados reproduzidos fora do fornecedor?

Por que uma IA mais eficiente pode consumir mais energia? Porque reduzir o consumo por unidade de trabalho não impede que o volume e a complexidade cresçam. O Maia 300 apresenta uma promessa de infraestrutura a acompanhar em 2027; o benefício concreto dependerá das condições de implantação e uso.

Para quem decide no trabalho ou ensina sobre tecnologia, o caminho é conectar a capacidade anunciada à tarefa que importa, aos resultados aceitos e aos recursos utilizados. A conta fica mais útil quando sabemos exatamente o que ela está contando.

Referências verificadas

1. GUTHRIE, Scott. Microsoft to expand Azure Maia system to multi-gigawatt deployments. Microsoft, 12/10/2026. Anúncio do fornecedor; implantação do Maia 300 prevista para 2027.
2. BORKAR, Rani; DIGHE, Saurabh. Deep dive into Azure Maia 300 architecture. Microsoft Azure, 12/10/2026. Descrição técnica do fornecedor.
3. INTERNATIONAL ENERGY AGENCY. Key Questions on Energy and AI. 16/04/2026. Resumo executivo: análise setorial e projeções, sem teste do Maia 300.
4. LUCCIONI, Alexandra Sasha; JERNITE, Yacine; STRUBELL, Emma. Power Hungry Processing: Watts Driving the Cost of AI Deployment?. ACM FAccT, 3–6/06/2024. Preprint publicado em 28/11/2023; versão consultada revisada em 15/10/2024. DOI: 10.1145/3630106.3658542.

Fontes consultadas em 13/10/2026. Cálculos e figuras didáticas: elaboração original.