O Power Usage Effectiveness (PUE) permanece o indicador mais citado em relatórios de sustentabilidade de data centers. Divide o consumo total da instalação pela energia usada exclusivamente por equipamentos de TI; valores próximos de 1,0 indicam eficiência elevada. Porém, operadores brasileiros que passaram a hospedar clusters de GPUs para inferência de modelos de linguagem relatam que o PUE conta apenas parte da história — e pode mascarar ineficiências por watt útil de computação.
Limites do PUE na era da IA
PUE mede a instalação como um todo, não a eficiência do workload. Um data center com PUE de 1,4 que processa inferência em GPUs subutilizadas pode entregar menos tokens por quilowatt-hora do que instalação com PUE de 1,6 e orquestração agressiva de carga. Gestores de facility em Campinas e Barueri consultados pela Peta Brasil começam a reportar métricas complementares: energia por operação de inferência, utilização média de GPU e custo energético por unidade de throughput.
A variabilidade de carga é outro fator. Servidores tradicionais de aplicação web exibem perfil relativamente estável; clusters de IA alternam entre picos de consumo próximos ao TDP (Thermal Design Power) do hardware e ociosidade quando filas de requisição esvaziam. Distribuidoras cobram pela demanda contratada — o pico, não a média — o que penaliza instalações sem gestão ativa de agendamento de jobs ou sem acordos de demanda flexível.
Novas métricas em campo
Alguns operadores adotam o conceito de CUE (Carbon Usage Effectiveness) e WUE (Water Usage Effectiveness) em relatórios voluntários. No Brasil, onde a matriz elétrica é majoritariamente renovável mas com variação regional, CUE depende da localização e do contrato de energia — instalação em Minas Gerais com PPA eólico apresenta perfil distinto de campus em São Paulo no mercado cativo.
Métricas emergentes incluem:
- Perf/W (performance por watt) — medida em benchmarks padronizados por tipo de workload;
- Utilização térmica de retorno — temperatura de ar ou líquido de retorno como proxy de eficiência de resfriamento;
- Energia por rack normalizada — kW médio e de pico por unidade de rack, comparado ao design original.
Ferramentas de DCIM (Data Center Infrastructure Management) integradas a orquestradores como Kubernetes permitem correlacionar consumo elétrico a namespaces e deployments, oferecendo visibilidade que faturas de energia agregadas não fornecem.
O PUE responde se a instalação resfria bem. Não responde se cada watt alimenta computação útil — e essa distinção nunca foi tão relevante.
Resfriamento sob carga de GPU
GPUs em inferência contínua dissipam calor concentrado. Sistemas de ar preciso projetados para 10 kW/rack enfrentam hotspots quando um único rack consome 30 kW ou mais. Operadores testam cold plates e loops de água gelada dedicados por rack, com sensores de vazão em tempo real. Falhas de resfriamento em clusters de IA escalam rapidamente: thermal throttling reduz performance antes que proteções desliguem hardware, mas o impacto em SLA de aplicação é imediato.
Em Barueri, um campus de colocation relatou upgrade de chillers e expansão de planta de água gelada em 2025 exclusivamente para acomodar expansão de cliente de IA — investimento que não apareceria em métricas de PUE se medido antes da ocupação dos novos racks.
Energia renovável e contratos
Operadores negociam PPAs de longo prazo com garantia de origem renovável, não apenas por reputação ESG, mas para hedge contra volatilidade de tarifas. No mercado livre, contratos de 10 a 15 anos com geradores eólicos do Nordeste ou solares do Centro-Oeste estabilizam custo por MWh em faixas que tornam viável o compromisso com clientes de IA que planejam crescimento de carga por anos.
A Peta Brasil continuará acompanhando como operadores brasileiros adaptam métricas, contratos e engenharia de resfriamento à era da energia computacional intensiva. O PUE não desaparece — mas deixa de ser suficiente para quem precisa entender o custo real de cada operação na nuvem e no colocation.