Como pesquisa do MIT usa IA para tornar data centers mais eficientes
Pesquisa da professora Christina Delimitrou, do MIT, mostra que boa parte da energia gasta em data centers vem de capacidade mal usada, não de falta de hardware. A saída que ela propõe é otimizar o software com machine learning antes de construir mais prédios.
Lucas FerrazColunista· 5 min de leitura
Este artigo foi escrito por Lucas Ferraz. Conteúdo produzido por agente de IA da redação AI Brasil, sob revisão editorial humana. Saiba como produzimos no expediente.
O crescimento dos data centers que sustentam a IA generativa está pressionando redes elétricas no mundo todo, e boa parte dessa demanda extra acaba puxando mais energia de fontes fósseis. É esse o problema que a professora associada do MIT Christina Delimitrou, recém-efetivada no cargo (tenure), ataca há mais de uma década: não construindo menos data centers por decreto, mas fazendo o software que roda dentro deles gastar menos para entregar o mesmo resultado. O perfil foi publicado pelo MIT News em 8 de outubro de 2026.
O ponto de partida da pesquisa dela é incômodo para quem decide onde investir em infraestrutura de IA: o problema, com frequência, não é hardware insuficiente. É hardware mal aproveitado.
A maior parte da capacidade instalada simplesmente não é usada
Ainda durante o doutorado de Delimitrou em Stanford, antes de ela passar por Cornell e chegar ao MIT, ela e seu orientador Christos Kozyrakis mediram a utilização real de grandes sistemas de computação em nuvem. O resultado contrariava a expectativa de qualquer gestor de infraestrutura.
Você esperaria que, com toda essa demanda, esses sistemas estivessem rodando perto de 100% da capacidade. Mas descobrimos que a maioria rodava a apenas cerca de 15% da capacidade.
You would expect, with all the demand for these systems, that they should be running close to 100 percent capacity. But we found that most were running at only about 15 percent capacity.Christina Delimitrou, professora associada em EECS e membro do CSAIL, MIT
A fonte não data essa medição com precisão, mas ela é anterior à passagem de Delimitrou por Cornell, ou seja, um achado antigo que continua moldando a linha de pesquisa dela até hoje. O motivo da subutilização, segundo ela, é inchaço de software: camadas de abstração, isolamento de recursos e políticas de alocação pensadas para simplificar operação, não para espremer cada ciclo de CPU disponível.
Em resumo: se um data center usa 15% da capacidade instalada, ele continua consumindo energia pela capacidade total disponível, não pelo que de fato processa. Fechar essa distância com software é, na conta de Delimitrou, mais barato e mais rápido do que erguer um prédio novo.
Duas ferramentas que nasceram desse problema
O grupo de Delimitrou traduziu essa tese em sistemas concretos, construídos em fases diferentes da carreira dela:
- Seer: desenvolvido quando ela era professora assistente em Cornell, usa deep learning para antecipar falhas em aplicações web (do tipo que roda streaming de música ou videoconferência) antes que elas aconteçam, evitando que um desenvolvedor precise intervir manualmente e deixe a aplicação lenta ou fora do ar enquanto corrige o problema.
- Ditto: já no MIT, clona a estrutura e o comportamento de desempenho de aplicações proprietárias, para que o grupo consiga estudar padrões de uso de recursos sem precisar de acesso ao hardware e ao software reais dos grandes provedores de nuvem.
O Ditto existe por um motivo prático: hoje as empresas que operam data centers em escala usam hardware proprietário e pilhas de software fechadas, bem diferentes do equipamento genérico dos primeiros anos de computação em nuvem. Isso torna a pesquisa acadêmica mais difícil, porque uma solução validada em laboratório pode simplesmente não se comportar do mesmo jeito em produção.
O problema de usar IA para otimizar um sistema que ninguém entende direito
Aplicar machine learning para decidir como alocar memória, CPU e rede entre workloads traz um efeito colateral conhecido de quem já trabalhou com modelos de decisão automatizada: a opacidade. Delimitrou descreve isso sem rodeios.
Um dos desafios quando se trata de aplicar IA a esses sistemas é que a IA não é interpretável.
One of the challenges when it comes to applying AI to these systems is that the AI is not interpretable.Christina Delimitrou, professora associada em EECS e membro do CSAIL, MIT
Grande parte do trabalho atual do grupo dela é justamente adicionar explicabilidade a essas ferramentas de IA, para que um engenheiro de infraestrutura consiga entender por que o modelo decidiu realocar um determinado workload e, se necessário, questionar essa decisão. Sem isso, a equipe de operação troca um problema (sistemas subutilizados) por outro (decisões automatizadas que ninguém consegue auditar), o que é particularmente arriscado em sistemas que lidam com dados sensíveis de usuários, área em que Delimitrou também trabalha, estendendo o debugging de aplicações em nuvem para cobrir vulnerabilidades de segurança, não só erros de código.
O que isso muda para quem decide infraestrutura de IA no Brasil
A fonte não traz números de custo por chamada ou por token, porque não é um artigo sobre um produto comercial: é o perfil de uma linha de pesquisa acadêmica. Mas o raciocínio dela tem consequência direta para quem aqui no Brasil aluga GPU na nuvem ou avalia subir a própria infraestrutura para rodar modelos.
Se a capacidade média de um data center de grande provedor opera numa fração pequena do que poderia entregar, essa ineficiência vira custo operacional, e custo operacional de hyperscaler eventualmente aparece embutido no preço da API, do crédito de GPU ou da hora de instância que o time de TI brasileiro paga. Ganhos de eficiência como os que Delimitrou persegue (scheduling mais inteligente de workloads, remoção de camadas de software desnecessárias, melhor aproveitamento de hardware compartilhado) tendem a se traduzir, com o tempo, em menos pressão de alta sobre esse preço, ainda que indiretamente e sem prazo definido.
Isso não significa que o leitor que monta um agente de IA ou escolhe um modelo hoje precise esperar por essa pesquisa amadurecer. Significa que, quando a conta de nuvem de um projeto de IA parecer desproporcional ao que ele entrega, vale perguntar se o gargalo é mesmo falta de hardware, ou se é a mesma subutilização que Delimitrou documentou em sistemas de nuvem muito antes da onda atual de IA generativa: provisionamento generoso demais, isolamento de recursos rígido demais, e pouca visibilidade sobre o que de fato está rodando dentro da caixa.
O que ainda está em aberto
Delimitrou reconhece que a área ficou mais difícil de pesquisar justamente porque o hardware e o software dos grandes operadores de data center são cada vez mais fechados, o que limita o quanto a academia consegue validar essas técnicas fora do laboratório. E ela mesma alerta que usar IA para otimizar esses sistemas exige auditoria constante: acelerar o desenvolvimento de aplicações com modelos automatizados só vale a pena se a equipe não perder a capacidade de entender as decisões que o próprio sistema está tomando.
Cobre a parte técnica da inteligência artificial para quem constrói e opera sistemas: desenvolvedores, analistas e times de TI. Compara modelos, mostra o código e o prompt, mede o resultado e diz quanto custa, para o leitor conseguir repetir na própria empresa.
