IA gasta menos energia: pesquisa do MIT corta custo em 75%

Toda vez que você pede para uma IA analisar um artigo longo, gerar um resumo e depois responder perguntas sobre ele, várias ferramentas diferentes trabalham em sequência nos bastidores. Pesquisadores do MIT e da Microsoft mostraram que essa sequência costuma ser configurada de um jeito ineficiente, e construíram um sistema que resolve isso automaticamente. Um fluxo de trabalho agêntico é um conjunto de agentes de IA que usam, em conjunto, vários modelos e ferramentas (bancos de dados, programas) para completar uma tarefa em múltiplas etapas. Se você usa ferramentas de IA na sua pesquisa, ainda que só para organizar dados ou revisar texto, essa eficiência decide se essa tecnologia vai continuar acessível e rápida, ou se vai virar cara e lenta demais para o uso do dia a dia.

O que aconteceu

Pesquisadores do MIT, liderados pelo estudante de doutorado Gohar Chaudhry, e da Microsoft Azure, com Ricardo Bianchini como autor sênior, criaram um sistema chamado Murakkab (palavra em urdu que significa “uma composição de coisas”). Ele automatiza duas decisões que hoje ficam nas mãos de quem programa: quais modelos e ferramentas de IA usar em cada etapa de uma tarefa, e como distribuir a capacidade de processamento do data center para executar essa tarefa.

Hoje, quem constrói um fluxo agêntico precisa decidir manualmente cada peça do sistema: qual modelo de IA usar, qual ferramenta chamar, em que ordem rodar cada etapa, e como configurar o hardware que vai executar tudo isso. O problema é que o espaço de configurações possíveis é enorme, e a matéria explica que o problema piora quando um modelo novo é lançado: o desenvolvedor precisaria recomeçar a configuração do zero.

Nos testes, o Murakkab entregou o mesmo resultado usando apenas 35% da computação que os métodos tradicionais exigiam. Isso se traduziu em cerca de 27% do consumo de energia e menos de 25% do custo, segundo o levantamento dos pesquisadores.

Por que isso importa para quem pesquisa com IA

Você talvez não programe fluxos agênticos, mas usa produtos que rodam sobre eles: assistentes de escrita, ferramentas de análise de dados, sistemas de busca em literatura científica. A eficiência por trás dessas ferramentas afeta diretamente três coisas que você sente na prática:

1. Custo de acesso. Ferramentas que rodam com menos desperdício de computação tendem a ficar mais baratas ou permanecer gratuitas por mais tempo.
2. Velocidade de resposta. Um sistema que aloca recursos de forma inteligente responde mais rápido, o que importa quando você está sob prazo de submissão.
3. Pegada ambiental da sua pesquisa. Se a sua área discute sustentabilidade ou ética em tecnologia, o custo energético da IA que você usa entra nessa conta, e o custo energético da tecnologia que você usa é parte dessa conversa.

Segundo Chaudhry, existe uma tensão real entre precisão e economia de recursos: em um dos testes, o sistema reduziu o consumo de energia em mais de dez vezes, com uma queda de apenas 2% na precisão do resultado. Isso é uma escolha explícita de prioridade, não um efeito colateral, e é exatamente o tipo de trade-off que quem projeta essas ferramentas precisa decidir.

O que muda na forma como usamos essas ferramentas

Quando li sobre o Murakkab, a parte que mais me chamou atenção não foi o número de economia (impressionante, mas previsível), foi a ideia de que o sistema toma decisões de configuração “dinamicamente ao longo do tempo”. Ou seja, se um modelo novo for lançado amanhã, quem usa a ferramenta não precisa se preocupar em reconfigurar nada.

Isso muda um pouco a forma como pensamos o Método V.O.E. (Velocidade, Organização, Execução Inteligente) aplicado ao uso de IA na pesquisa. Parte da Execução Inteligente é escolher a ferramenta certa para cada etapa do trabalho, sem gastar tempo (e dinheiro) demais em processos que uma configuração melhor resolveria em segundos. Se a infraestrutura por trás das ferramentas que você usa está evoluindo para fazer essa escolha automaticamente, o seu trabalho de escolha inteligente se move um degrau para cima: menos “qual prompt configurar” e mais “qual pergunta de pesquisa vale a pena fazer com essa ferramenta”.

Não significa que você precisa entender a arquitetura técnica por trás disso. Significa que vale acompanhar, com atenção mas sem pânico, como as ferramentas de IA que você já usa estão mudando por dentro, porque isso decide se elas continuam acessíveis para quem pesquisa com orçamento de estudante.

Próximos passos

A pesquisa ainda está em fase de expansão: os autores planejam testar o Murakkab em fluxos mais complexos e em clusters de computação maiores, e a matéria não indica prazo de disponibilização pública. Ainda assim, dá para se posicionar diante dessa mudança:

1. Observe se as ferramentas de IA que você usa na pesquisa (assistentes de escrita, buscadores acadêmicos) anunciam melhorias de velocidade ou custo nos próximos meses. Isso pode ser efeito de otimizações como essa.
2. Se você discute ética ou sustentabilidade em IA na sua área, guarde este caso como exemplo concreto de que eficiência computacional é um problema de pesquisa ativo, não só uma preocupação de marketing.
3. Ao escolher entre ferramentas de IA para o seu trabalho, pergunte-se se a prioridade é velocidade, precisão ou custo. Ferramentas bem projetadas, como mostra este estudo, já permitem esse tipo de escolha explícita.

Se você quer entender melhor como agentes de IA estão mudando o trabalho de pesquisa no dia a dia, vale ler Agentes de IA mudam o trabalho: dados internos da OpenAI.

Fonte: Improving the speed and energy efficiency of AI agents, MIT News