Quando li a notícia no Olhardigital.com.br sobre o primeiro data center de IA da Amazônia virar alvo de um inquérito do Ministério Público do Pará, minha primeira reação não foi ambiental — foi técnica. Quem trabalha com infraestrutura de IA sabe que a conta de energia é brutal, e quando você coloca 7,5 MW em uma região que já bate 34°C de sensação térmica, a equação térmica explode. Vou te mostrar o que está por trás desse projeto BEL1 da Elea Data Centers, por que o estudo da Universidade de Cambridge assusta, e o que isso significa para nós, devs.
O problema real: data centers não são “máquinas que pensam”, são fornos
A maioria dos programadores que eu converso ainda trata data center como uma abstração — um “cloud” onde a mágica acontece. Na prática, cada rack de GPU é um aquecedor industrial. Um NVIDIA H100 sozinho dissipa até 700W de TDP. Multiplica isso por milhares de unidades em um cluster de treinamento, e você tem o equivalente energético de uma pequena cidade rodando 24/7.
O BEL1, segundo o Olhardigital.com.br, começa com 7,5 MW — energia suficiente para 22,5 mil residências. Isso é só a fase inicial. Quando a Elea falou em “fase de 100 MW”, estamos falando de uma usina térmica disfarçada de infraestrutura digital. O estudo de Cambridge que o MP cita mostra que data centers podem elevar a temperatura local em 2°C na média, com picos de 9,1°C. Não é aquecimento global global — é microclima urbano-industrial, e a floresta amazônica não está adaptada a isso.
Por que a Amazônia é o pior lugar possível
Quando uso regiões tropicais para hospedagem, percebo que o grande vilão é o resfriamento. O ar já entra quente e úmido, então o trabalho do sistema de ar-condicionado para tirar calor dos servidores consome 30-40% da energia total do data center em média (PUE típico entre 1,3 e 1,6). Em climas frios, com free cooling, esse número cai para 10-15%. A escolha da Elea de usar ar-condicionado em vez de água é, no mínimo,questionável — vou explicar o porquê daqui a pouco.
Comparação técnica: como hyperscalers resolvem isso
Testei isso em produção em projetos anteriores e posso dizer: nenhum grande player de cloud coloca data center pesado de IA em região tropical sem justificativa muito forte. Google, Microsoft e AWS preferem:
- Norte da Europa (Suécia, Finlândia, Islândia) — clima frio reduz custo de resfriamento em até 80%
- Canadá e Alasca — mesma lógica, com abundância de hidrelétrica
- Patagônia — alguns projetos menores apostam nisso
A Amazônia, por outro lado, tem abundância de hidrelétrica (Tucuruí, Belo Monte), o que pode baratear o custo de MW/h, mas pune o sistema de refrigeração. É uma troca de trade-off que poucos engenheiros teriam coragem de fazer — e é exatamente o que me preocupa nesse projeto.
A escolha do resfriamento a ar é tecnicamente defensável?
Depende. Resfriamento a ar é mais barato de instalar, mas menos eficiente termodinamicamente. O coeficiente de performance (COP) de um chiller a ar em 35°C ambiente despenca para 2,5-3,0, enquanto em regiões frias pode chegar a 5,0-6,0. Isso significa: para cada 1W consumido em refrigeração, você tira 2,5W de calor dos servidores em vez de 5W. O custo operacional explode.
Por outro lado, resfriamento líquido (imersion cooling ou cold plate) tem CAPEX mais alto, mas OPEX muito menor. Para 100 MW, a conta fecha a favor do líquido em 3-5 anos. Suspeito que a Elea escolheu ar por questão de tempo de deploy até 2027, não por eficiência.
Na Prática: o que isso significa para o dev que vai usar essa infraestrutura
Se a BEL1 sair do papel e você for deployar workloads lá, precisa entender o impacto no seu código. Vou te mostrar um caso real.
Imagine que você vai treinar um modelo de visão computacional. Em uma região de clima frio, com free cooling, o custo marginal de energia por hora de GPU é menor. Em Belém, com COP de 2,8, o custo será 40-60% maior para o mesmo workload. Isso se traduz direto no preço que a Elea vai te cobrar — e no seu TCO.
Passo a passo do que eu faria antes de contratar esse data center:
- Calcular PUE real contratado — não acredite em marketing, peça o PUE medido em carga de 70% (não em vazio)
- Avaliar fonte de energia — hidrelétrica tem fator de carbono menor que termelétrica, mas sazonalidade importa
- Verificar estratégia de refrigeração — ar em trópico é red flag, peça dados de COP sazonal
- Modelar o impacto de latência — Belém para São Paulo adiciona ~30ms, ruim para inferência em tempo real
- Comparar TCO 5 anos — inclua custo de energia, refrigeração e degradação de hardware
Exemplo: monitorando seu consumo de IA com código
Um ponto que devs esquecem: você não tem visibilidade do custo de inferência no nível de hardware. Mas dá para estimar. Olha esse script Python que eu uso em produção para projetar custo de energia baseado em TDP de GPU e tempo de execução:
import json
# Configuração do workload
gpu_tdp_watts = 700 # TDP do NVIDIA H100
gpu_count = 8 # Quantidade de GPUs no job
job_duration_hours = 24 # Treinamento rodando por 1 dia
pue = 1.58 # PUE estimado para região tropical com AC
energy_cost_brl_per_kwh = 0.85 # Tarifa média industrial no Pará
# Cálculo de consumo total em kWh
total_kwh = (gpu_tdp_watts * gpu_count * job_duration_hours * pue) / 1000
# Custo em reais
cost_brl = total_kwh * energy_cost_brl_per_kwh
# Emissões de CO2 (fator médio do sistema interligado nacional ~0,12 kgCO2/kWh)
co2_kg = total_kwh * 0.12
print(json.dumps({
"consumo_kwh": round(total_kwh, 2),
"custo_brl": round(cost_brl, 2),
"emissoes_co2_kg": round(co2_kg, 2),
"equivalente_arvores_mes": round((co2_kg * 12) / 22, 1)
}, indent=2, ensure_ascii=False))Saída típica para esse cenário: ~212 kWh consumidos, R$ 180 de custo, 25,5 kg de CO2. Parece pouco, mas multiplica por 1.000 jobs/mês e você tem uma pegada de 25 toneladas de CO2. Agora imagina isso escalonado para 100 MW rodando 24/7 — são ~3.500 toneladas de CO2 por mês só no data center, fora o calor dissipado.
Erros comuns que devs cometem com data center de IA
Quando converso com times que estão escolhendo provedor de GPU, vejo os mesmos deslizes. Anota aí:
- Ignorar PUE no contrato — PUE 1,2 vs 1,6 muda o custo de energia em 30%. Sempre pergunte o PUE em carga real, não em folga.
- Esquecer que calor é um subproduto, não efeito colateral — data center em trópico não é “verde” só porque usa hidrelétrica. O impacto térmico local é real.
- Subestimar latência de inference — treinar é diferente de servir. Se o modelo precisa responder em <100ms e está em Belém, você vai ter dor de cabeça.
- Não planejar ciclo de água (ou ar) — mesmo data center “seco” consome água indiretamente via rede elétrica e refrigeração urbana.
- Confundir marketing verde com operação verde — selo “carbon neutral” غالبا vem de compensação, não de redução real. Cuidado com essa armadilha.
O erro invisível: ignorar o impacto social
O ponto que o MP do Pará pegou — e que devs raramente consideram — é a ausência de consulta com comunidades ribeirinhas. Um data center não é só servidor: precisa de subestação, estrada de acesso, rede de fibra, e isso muda a dinâmica local. Em regiões como a Amazônia, onde populações tradicionais dependem do microclima da floresta para agricultura e pesca, uma “ilha de calor” de 9°C não é um número abstrato. É uma colheita perdida.
O que está em jogo com o BEL1 e por que isso importa para você
A decisão sobre o BEL1 vai virar precedente. Se passar sem adequações, vamos ter data center de IA brotando em todo lugar barato, sem avaliação de impacto térmico. Como dev, meu papel é cobrar transparência energética dos fornecedores — pedir relatórios de PUE, fator de carbono e plano de mitigação térmica.
Na minha experiência, os melhores fornecedores de cloud já publicam esses dados (Google Carbon Free Energy, AWS Sustainability). Quando o provedor não publica, é red flag. A Elea, até onde vi, ainda não publicou um whitepaper técnico detalhado do BEL1 — só release de marketing.
FAQ — Perguntas que devs fazem sobre data center de IA na Amazônia
1. Data center de IA realmente pode alterar o clima local?
Sim, segundo o estudo da Universidade Cambridge citado pelo Olhardigital.com.br. O efeito é mensurável: até 2°C na média de superfície e picos de 9,1°C em um raio de poucos quilômetros. Não é aquecimento global, é alteração microclimática — mas em região de floresta tropical, isso afeta biodiversidade e ciclo de chuvas.
2. Resfriamento a ar é viável em clima equatorial?
Tecnicamente sim, economicamente duvidoso. O COP cai de 5-6 em clima frio para 2,5-3,0 em 35°C. Para 7,5 MW isso ainda escala, mas para os 100 MW planejados pela Elea, o custo de operação pode inviabilizar o projeto.
3. Qual a pegada de carbono real de treinar um LLM?
Estudos recentes (Strubell et al., Patterson et al.) estimam 50-500 toneladas de CO2 para treinar um modelo grande tipo GPT-3, dependendo da região e mix energético. No Pará, com matriz hidrelétrica, fica na faixa baixa; mas o calor gerado é problema separado.
4. Como escolher provedor de GPU com responsabilidade ambiental?
Exija três coisas: PUE medido em carga (não em idle), fator de carbono da fonte de energia (gCO2/kWh), e relatório de impacto térmico local. Se o provedor não publica, considere alternativa. AWS, Google e Azure já publicam — hyperscalers locais que não publicam são suspeitos.
5. Hidrelétrica na Amazônia é realmente “energia limpa”?
A emissão direta de CO2 é baixa, mas o impacto ecossistêmico da hidrelétrica (alagamento, deslocamento, mudança no regime de rios) é significativo. Tucuruí e Belo Monte têm históricos de conflito socioambiental. “Limpo” depende do critério que você usa.
Gostou? Me segue no GitHub e deixa um comentário se tiver dúvida ou quiser aprofundar algum ponto — especialmente se você está deployando workload de IA no Brasil e quer comparar provedor.