A expansão da inteligência artificial criou novas demandas de infraestrutura. Data centers precisam de maior capacidade de processamento, GPUs, redes de alta velocidade, sistemas de refrigeração e eletricidade, movimento que já começa a influenciar decisões de investimento, planejamento energético e políticas industriais.
Na prática, a corrida pela IA não se limita mais aos modelos e aplicativos que chegam aos usuários. Por trás de cada sistema estão data centers, chips, redes, armazenamento, energia e sistemas de refrigeração capazes de sustentar grandes volumes de processamento.
A dimensão dessa infraestrutura aparece na projeção da Agência Internacional de Energia (IEA). O consumo mundial de eletricidade dos data centers deve passar de 415 terawatt-hora (TWh) em 2024 para cerca de 945 TWh em 2030. A IA é apontada como o principal vetor do crescimento, enquanto o consumo dos servidores acelerados por IA deve crescer cerca de 30% ao ano no período.
O impacto também é regional. Nos Estados Unidos, os data centers devem responder por quase metade do crescimento da demanda de eletricidade até 2030, segundo a IEA.
Os data centers tradicionais já concentram grandes volumes de servidores, mas as cargas de trabalho de IA aumentam a necessidade de processamento paralelo. É nesse ambiente que entram as GPUs, unidades de processamento capazes de executar simultaneamente grandes quantidades de operações matemáticas utilizadas no treinamento e na execução de modelos de IA.
Algumas das arquiteturas mais recentes combinam dezenas de GPUs em um único rack, conectadas por redes internas de alta velocidade. A NVIDIA, por exemplo, apresenta o GB300 NVL72 como uma plataforma que reúne 72 GPUs Blackwell Ultra e 36 CPUs Grace em um único rack, com até 142 kW de potência para o rack completo e refrigeração líquida.
A escala ajuda a explicar por que a infraestrutura para IA precisa ser planejada de maneira integrada. Não basta instalar mais servidores: é necessário garantir energia, capacidade de processamento, memória, armazenamento, comunicação entre GPUs e refrigeração compatível com a densidade dos equipamentos.
GPUs e chips para IA se tornam ativos estratégicos
As GPUs são apenas uma parte da cadeia de chips para inteligência artificial. O avanço da IA depende também de CPUs, memória de alta largura de banda, aceleradores, chips de rede e componentes utilizados para interligar os sistemas.
Essa cadeia ganhou importância econômica e geopolítica porque a fabricação de semicondutores avançados está concentrada em poucos países e empresas. Para os países que pretendem desenvolver capacidade própria de IA, o acesso a componentes críticos passou a ser uma questão de infraestrutura e de política industrial.
No Brasil, o Programa Brasil Semicondutores, instituído pela Lei nº 14.968/2024, busca fortalecer a cadeia nacional de semicondutores, incluindo pesquisa, inovação, design, produção, montagem, testes e encapsulamento. O programa integra a estratégia da Nova Indústria Brasil para ampliar a capacidade tecnológica do país.
Energia é parte da estratégia de IA
A expansão da capacidade computacional tem uma consequência direta: mais processamento exige mais eletricidade.
Segundo a IEA, os data centers consumiram cerca de 1,5% da eletricidade mundial em 2024. A participação deve chegar a aproximadamente 3% em 2030, quando o consumo do setor deverá alcançar cerca de 945 TWh.
O desafio não está apenas no volume global. Data centers são cargas concentradas geograficamente e podem criar necessidades específicas de transmissão e distribuição.
No Brasil, essa questão já aparece no planejamento do setor elétrico. O Ministério de Minas e Energia informou, ainda em junho de 2025, que havia 52 pedidos de acesso à Rede Básica para data centers, envolvendo Ceará, Bahia, São Paulo, Rio Grande do Sul, Rio Grande do Norte e Rio de Janeiro.
A Empresa de Pesquisa Energética (EPE) também acompanha a expansão do setor porque os data centers representam grandes cargas e podem influenciar o planejamento da transmissão e da geração de eletricidade.
O Próximo Nível já abordou uma alternativa em estudo para ampliar essa infraestrutura: levar parte do processamento para a órbita terrestre. A proposta de data centers espaciais surge em meio à busca por novas arquiteturas capazes de atender à crescente demanda computacional da IA.
Cooling: o desafio de retirar o calor dos chips
A eletricidade não é utilizada apenas no processamento. Parte do consumo da infraestrutura também está associada à refrigeração dos equipamentos.
GPUs e outros componentes de alto desempenho concentram grande quantidade de processamento em espaços reduzidos. Com o aumento da densidade dos racks, sistemas tradicionais de refrigeração a ar podem não ser suficientes para determinadas configurações.
Por isso, a refrigeração líquida ganhou espaço em infraestruturas projetadas para IA. A Uptime Institute aponta que workloads de IA elevam a densidade térmica dos racks e aceleram a adoção de soluções como cold plates e sistemas de imersão.
Redes para IA precisam acompanhar o processamento
Outro componente crítico são as redes para IA. Em grandes clusters, as GPUs precisam trocar enormes volumes de dados entre si. Se a comunicação entre os componentes for lenta, parte da capacidade de processamento fica ociosa.
Por isso, as arquiteturas de IA utilizam interconexões de alta velocidade e redes especializadas. No GB300 NVL72, por exemplo, a NVIDIA informa conectividade de até 800 Gb/s por GPU por meio do ConnectX-8 e largura de banda total de 130 TB/s no domínio NVLink do rack.
O BNDES também identifica a conectividade de longa distância como um dos desafios para a expansão da infraestrutura computacional brasileira. Estudo publicado pelo banco aponta que o país possui uma matriz elétrica majoritariamente renovável, mas enfrenta gargalos de conectividade e disponibilidade de profissionais especializados.
O Plano Brasileiro de Inteligência Artificial (PBIA) reconhece que a infraestrutura computacional disponível no país é insuficiente para atender à demanda por modelos de IA de larga escala e aponta a dependência externa de hardware especializado como um dos desafios.
O plano estabelece como meta, para os próximos três anos, duplicar a capacidade computacional nacional dedicada à IA e criar pelo menos dois novos centros de supercomputação especializados. Para cinco anos, o objetivo declarado é colocar o Brasil entre os cinco países com maior capacidade computacional para IA.
O documento também destaca a matriz elétrica brasileira como um fator relevante para a expansão de infraestruturas de computação de alto desempenho, ao mesmo tempo em que alerta para a necessidade de planejamento diante do aumento da demanda por eletricidade.
Soberania tecnológica depende de uma cadeia inteira
A discussão sobre soberania tecnológica não se limita ao desenvolvimento de modelos nacionais de IA. Ela envolve a capacidade de acessar dados, processar e armazenar informações, conectar sistemas, ter acesso a componentes estratégicos e garantir energia para manter essa infraestrutura em funcionamento.
Nesse contexto, semicondutores, data centers, redes e supercomputação ganham espaço nas estratégias de desenvolvimento tecnológico. O Brasil conta ainda com uma matriz elétrica majoritariamente renovável, mas transformar esse diferencial em capacidade computacional exige investimentos em geração e transmissão de energia, conectividade, equipamentos, data centers e formação de profissionais.
A expansão da IA desloca, assim, parte da competição tecnológica para uma camada menos visível: a infraestrutura. Para empresas e governos, decisões sobre inteligência artificial passam também pela disponibilidade de energia e chips, pela localização dos data centers e pela capacidade de processamento, refrigeração e conectividade.
