Relatório da BAN sobre lixo eletrônico de IA diz que estimativas anteriores deixam de fora a maior parte do hardware de data centers

A Basel Action Network afirma que estimativas anteriores de lixo eletrônico gerado por IA deixaram de fora uma parcela relevante do hardware que sustenta os data centers. Sua nova análise projeta de 395 milhões a 617 milhões de toneladas métricas de equipamentos impulsionados por IA aposentados entre 2025 e 2050.

Essa previsão é de 40 a 60 vezes maior do que uma estimativa amplamente citada para 2030. No entanto, a comparação reúne diversas categorias distintas, incluindo infraestrutura de data centers e dispositivos fora dessas instalações.

Portanto, o conflito não se resume a qual previsão está correta. Ele diz respeito a onde os analistas traçam o limite do lixo eletrônico dos data centers de IA e quais aposentadorias atribuem à IA.

A BAN contabiliza servidores, aceleradores, equipamentos de rede, equipamentos de energia, sistemas de backup e infraestrutura de refrigeração. Também inclui equipamentos de consumo, empresariais e de telecomunicações cuja adoção de IA pode antecipar a substituição.

Estudos acadêmicos anteriores usaram limites mais restritos, centrados em servidores ou aceleradores de IA. Esses estudos mediram um fluxo menor de resíduos, mas também fizeram menos suposições sobre obsolescência indireta.

O relatório da BAN sobre lixo eletrônico de IA força hyperscalers, fornecedores de equipamentos, compradores corporativos e recicladores a enfrentar uma questão contábil mais ampla. O que deve constar no balanço material da IA?

BAN Amplia o Limite do Lixo Eletrônico de IA

A principal medida da BAN é contabilizar todo o sistema do data center, e não apenas as máquinas que realizam os cálculos de IA.

A Basel Action Network publicou a primeira parte de sua série em quatro capítulos, The Coming AI Waste Wave, em setembro de 2026. O fundador Jim Puckett preparou o documento de 46 páginas.

A análise de infraestrutura completa da BAN parte da capacidade projetada dos data centers. Em seguida, estima a massa de equipamentos associada a cada gigawatt e aplica períodos de substituição específicos para cada categoria.

O documento divide os equipamentos de data centers em cinco grandes grupos. Eles abrangem hardware de computação, redes, distribuição de energia, energia de backup e sistemas de refrigeração.

Servidores e aceleradores representam cerca de 13 por cento dessa infraestrutura eletromecânica modelada. A BAN argumenta que estimativas anteriores de lixo eletrônico de IA ignoraram em grande parte os 87 por cento restantes.

Essa parcela não contabilizada inclui switches, cabos de cobre, transformadores, baterias, equipamentos de refrigeração e outros sistemas de suporte. Grande parte dela se enquadra nas definições convencionais de equipamentos elétricos ou eletrônicos.

A BAN atribui cerca de 70.000 toneladas métricas de equipamentos instalados a cada gigawatt de capacidade. Em seguida, estima que aproximadamente 14.000 toneladas métricas sejam aposentadas anualmente para cada gigawatt instalado.

Esses valores dependem das vidas úteis assumidas. A BAN usa 2,5 anos para aceleradores, 3,5 anos para equipamentos de rede e oito anos para equipamentos de distribuição de energia.

Seu cenário de referência atribui vidas úteis de cinco anos aos sistemas de energia de backup e refrigeração. O resultado ponderado alimenta um modelo que se estende até 2050.

Nesse modelo, apenas a infraestrutura de data centers gera cerca de 2,8 milhões de toneladas métricas de resíduos anuais em 2030. A estimativa sobe para 15,2 milhões de toneladas métricas por ano até 2050.

O documento também adota uma previsão substancial de crescimento de capacidade. Ele projeta que a capacidade total dos data centers aumentará de aproximadamente 122 gigawatts em 2024 para 202 gigawatts em 2030.

O modelo de longo prazo da BAN alcança 1.093 gigawatts em 2050. Esse número distante carrega muito mais incerteza do que seus pontos de partida de curto prazo.

O próprio boom dos data centers não é especulativo. A Agência Internacional de Energia espera que o consumo mundial de eletricidade pelos data centers ultrapasse 900 terawatts-hora até 2030.

Sua perspectiva sobre eletricidade afirma que o consumo deve mais que dobrar em relação aos níveis atuais. A IA é o maior impulsionador, ao lado de outros serviços digitais.

O crescimento da capacidade não se traduz diretamente em equipamentos descartados. Ainda assim, cada nova instalação introduz ativos físicos que, em algum momento, precisarão ser reutilizados, recondicionados, reciclados, armazenados ou descartados.

O relatório da BAN sobre lixo eletrônico de IA muda o debate ao tratar esses ativos de suporte como parte da pegada da IA. Isso cria um numerador muito maior antes de os resíduos indiretos entrarem no cálculo.

Por que o Lixo Eletrônico dos Data Centers de IA Vai Além das GPUs

Um data center é um sistema industrial interconectado; por isso, medir apenas seus processadores exclui os equipamentos necessários para mantê-los em operação.

A cobertura sobre IA costuma se concentrar nas unidades de processamento gráfico, ou GPUs, que são processadores especializados adequados para cálculos paralelos. Esses chips treinam modelos e atendem solicitações após a implantação.

As GPUs são caras, visíveis e frequentemente atualizadas. Elas também são apenas uma camada física dentro de uma instalação operacional.

Racks de IA de alta densidade exigem equipamentos de distribuição elétrica capazes de lidar com cargas concentradas. Eles também necessitam de switches de rede e conexões ópticas que movimentam dados entre aceleradores.

Baterias e geradores de backup protegem as cargas de trabalho contra interrupções. Os equipamentos de refrigeração removem o calor produzido por racks que consomem quantidades extraordinárias de eletricidade.

Alguns desses sistemas podem durar mais do que um acelerador. Outros precisam ser redesenhados quando mudam a densidade dos racks, os métodos de refrigeração ou os requisitos de energia.

Um componente não precisa falhar antes de ser aposentado. Os operadores podem remover equipamentos em funcionamento quando uma nova arquitetura torna a configuração existente ineficiente ou incompatível.

É nesse ponto que a BAN conecta operações de nuvem à renovação de materiais. Plataformas modernas tratam a capacidade computacional como infraestrutura padronizada e substituível, em vez de máquinas mantidas individualmente.

A expressão “cattle, not pets” descrevia originalmente instâncias de software e resiliência operacional. Ela não instruía operadores a descartar servidores físicos sempre que uma instância falhasse.

Ainda assim, a BAN argumenta que essa cultura operacional influencia a gestão de ativos físicos. Frotas padronizadas podem favorecer substituições em massa, reparo limitado de componentes e cronogramas previsíveis de renovação.

Essa interpretação merece cautela. A intercambiabilidade lógica não prova que operadores destruam hardware em funcionamento.

Hyperscalers podem transferir servidores mais antigos para cargas de trabalho menos exigentes. Também podem revender máquinas, reaproveitar componentes ou devolver equipamentos por meio de programas de fornecedores.

No entanto, a reutilização apenas adia o resíduo, a menos que o equipamento entre em um mercado secundário duradouro. Mudanças de propriedade não eliminam as exigências futuras de coleta, reciclagem e descarte.

O rápido desenvolvimento de aceleradores cria outra complicação. Uma GPU de geração anterior pode continuar funcional, mas tornar-se menos competitiva no treinamento de modelos de fronteira.

Ela ainda pode ser usada para inferência, pesquisa, renderização ou modelos menores. A questão de saber se essa demanda secundária absorve a oferta disponível permanece em aberto e requer verificação empírica.

A composição dos materiais também importa. Uma unidade de refrigeração, um banco de baterias ou um transformador não pode ser tratado como um servidor durante a recuperação.

Cada categoria possui diferentes requisitos de manutenção, mercados de revenda, componentes perigosos e aspectos econômicos de reciclagem. Um único rótulo de “hardware de IA” pode ocultar essas distinções.

Essa visão mais ampla confere valor real ao modelo da BAN. Ela pede que os operadores divulguem inventários e aposentadorias em toda a instalação.

Ainda assim, esse mesmo limite torna a atribuição mais difícil. Sistemas de refrigeração e energia atendem bancos de dados, streaming de vídeo, armazenamento em nuvem e aplicações empresariais comuns, além da IA.

Toda a produção de resíduos de uma instalação não pode ser atribuída automaticamente à IA. Os analistas precisam de participações por carga de trabalho, métodos de alocação de equipamentos e períodos de reporte consistentes.

A BAN trata a IA como a principal força por trás da expansão esperada dos data centers. Isso sustenta uma atribuição parcial, mas não resolve a porcentagem exata.

A conclusão mais sólida é mais restrita do que o número da manchete. As estimativas existentes de lixo eletrônico de IA não descrevem todos os sistemas físicos que sustentam a computação acelerada.

Relatório da BAN sobre Lixo Eletrônico de IA Adiciona “Contágio de Resíduos”

A maior diferença vem de equipamentos fora dos data centers, onde a BAN introduz sua suposição mais consequente e menos verificada.

A BAN chama essa categoria de “AI waste contagion”. O termo abrange computadores, telefones, dispositivos de edge e hardware de telecomunicações aposentados porque a IA eleva os requisitos de software ou hardware.

Um exemplo conhecido é o de um computador que não consegue suportar um novo recurso local de IA. Seu proprietário pode substituir o dispositivo antes do planejado.

Implantações corporativas podem produzir o mesmo efeito em escala maior. Uma empresa pode renovar laptops quando as aplicações exigidas demandam unidades de processamento neural mais novas.

Operadores de rede também podem atualizar equipamentos para lidar com mudanças no tráfego, na latência e nos requisitos de computação de edge. A BAN classifica parte dessa renovação como induzida por IA.

O modelo estima o contágio por meio de cenários conservadores e agressivos. Ele projeta de 5,8 milhões a 10,3 milhões de toneladas métricas de resíduos anuais por contágio em 2030.

Até 2050, essa faixa cresce para 16,2 milhões a 30,7 milhões de toneladas métricas por ano. Esses números superam a estimativa do modelo para resíduos de data centers.

A combinação das duas categorias resulta em 8,6 milhões a 13,1 milhões de toneladas métricas de aposentadorias anuais impulsionadas por IA em 2030. A faixa para 2050 passa a ser de 31,4 milhões a 46 milhões de toneladas métricas.

Em todo o período de 2025 a 2050, a BAN calcula de 395 milhões a 617 milhões de toneladas métricas. Esse número acumulado sustenta as comparações mais contundentes do relatório.

O relatório especializado em reciclagem descreve esse volume como suficiente para encher de 15 milhões a 23 milhões de contêineres padrão de 40 pés.

A categoria de contágio também explica por que o número da BAN não deve ser comparado casualmente a pesquisas focadas apenas em servidores. As estimativas respondem a perguntas materialmente diferentes.

Uma pergunta quanto resíduo os servidores de IA geram. A outra pergunta quanto a aposentadoria global de equipamentos a IA pode acelerar direta ou indiretamente.

Ambas são perguntas úteis. Não são medidas equivalentes.

A BAN reconhece abertamente uma base limitada de evidências para o contágio. O documento afirma que há poucos dados para quantificar esse segmento e convida pesquisadores a aprimorar suas estimativas.

Essa admissão é importante. O contágio é uma estrutura proposta de atribuição, não uma categoria observada de resíduos acompanhada por estatísticas nacionais.

Um dispositivo com substituto compatível com IA não prova que a IA causou a compra. Suporte de segurança, degradação da bateria, danos físicos, requisitos do sistema operacional e marketing também influenciam a substituição.

Desenvolvedores de software também podem reduzir o efeito. O processamento em nuvem pode levar recursos de IA a dispositivos mais antigos, enquanto modelos menores podem rodar em hardware menos capaz.

Usuários podem ignorar recursos que exigem chips novos. Empresas podem estender ciclos de substituição quando orçamentos, políticas de compras ou metas de sustentabilidade favorecem as frotas existentes.

Por outro lado, a preocupação da BAN é plausível quando o suporte de software cria limiares rígidos de compatibilidade. Ferramentas empresariais obrigatórias podem transformar um recurso opcional em uma exigência de compra.

O desafio da pesquisa é separar esses casos. Os analistas precisam de pesquisas, registros de frota, dados de compras e motivos de aposentadoria em nível de dispositivo.

Sem essas evidências, a faixa de contágio continua sendo um cenário. Ela deve orientar investigações, mas não deve ser divulgada como tonelagem medida.

Essa incerteza não torna a categoria irrelevante. Ela identifica uma via que estudos focados em servidores não conseguem enxergar.

Isso também desloca a atenção para as empresas de software. O desperdício de hardware pode ter origem em requisitos de produto escritos longe de uma instalação de reciclagem.

Por que as estimativas anteriores de lixo eletrônico de IA eram menores

A comparação de 40 a 60 vezes reflete limites de sistema diferentes, mais do que uma simples correção de um cálculo equivocado.

Um estudo de 2024 publicado na Nature Computational Science estimou que a IA generativa poderia acumular de 1,2 milhão a 5 milhões de toneladas métricas de lixo eletrônico até 2030.

Essa estimativa anterior de IA concentrou-se em equipamentos de computação para IA generativa. Ela modelou vários cenários de desenvolvimento e examinou intervenções de economia circular.

Os autores estimaram que essas estratégias poderiam reduzir os resíduos entre 16% e 86%. Entre elas estavam maior vida útil, reutilização, remanufatura e ganhos de eficiência.

Um artigo de 2026, de Alex de Vries-Gao, revisitou essas premissas. Ele utilizou restrições de fabricação e vidas úteis mais longas para produzir uma previsão menor.

Essa recalibração revisada por pares projetou de 131.000 a 224.800 toneladas métricas anuais de resíduos de servidores de IA até 2030.

A estimativa de De Vries-Gao continua substancial. Na extremidade superior, a produção de um ano se assemelha ao lixo eletrônico anual gerado por alguns países europeus menores.

A recalibração também destaca como as projeções mudam facilmente. Vida útil do hardware, produção de chips, número de servidores instalados e alocação de cargas de trabalho influenciam o resultado.

A BAN aceita parte dessa crítica. Seu relatório considera a modelagem limitada pela oferta uma melhoria metodológica em relação a projeções de demanda desconectadas da capacidade de fabricação.

Em seguida, argumenta que a recalibração ainda é incompleta. De Vries-Gao examina servidores, e não toda a infraestrutura eletromecânica.

A BAN também acrescenta a categoria de contágio, que os artigos anteriores não tentaram medir. Essa combinação cria a diferença de 40 a 60 vezes.

Portanto, os leitores devem resistir a uma interpretação enganosa. A BAN não demonstrou que uma estimativa revisada por pares continha um erro aritmético de 60 vezes.

Em vez disso, a BAN criou um limite analítico mais amplo e aplicou um modelo de crescimento diferente. Grande parte da diferença parece existir porque sua definição inclui mais equipamentos.

A comparação se torna mais informativa quando é separada em camadas.

A camada mais restrita abrange aceleradores de IA e seus servidores. Ela tem a relação mais próxima com o treinamento e a inferência de modelos.

Uma segunda camada cobre infraestrutura de rede, armazenamento, energia, backup e refrigeração. Esses ativos dão suporte à IA, mas frequentemente também atendem a outras cargas de trabalho.

Uma terceira camada inclui dispositivos fora dos data centers que a adoção de IA poderia levar à aposentadoria antecipada. Essa camada tem a atribuição direta mais fraca.

Cada camada merece sua própria estimativa, faixa de confiança e método de validação. Combiná-las pode ilustrar a exposição total, mas oculta a qualidade distinta das evidências.

A BAN fornece testes de sensibilidade para seu modelo interno de data centers. Esse é um passo útil porque mostra quais premissas mais importam.

Alterar a vida útil dos aceleradores tem um efeito modesto dentro do modelo. Alterar o crescimento da capacidade produz uma variação muito maior.

Com uma taxa anual de crescimento de capacidade de 4%, a estimativa de data centers para 2050 cai acentuadamente. Com crescimento de 12%, ela mais do que dobra em relação à linha de base da BAN.

Alterar a massa de equipamentos por gigawatt também muda substancialmente o resultado. Esses testes mostram que a previsão distante é condicional, não inevitável.

O cenário totalmente conservador produz 3,8 milhões de toneladas métricas anuais de resíduos de data centers em 2050. O cenário agressivo produz 35,5 milhões de toneladas métricas.

Esse intervalo amplo é mais revelador do que uma única cifra central. Ele mostra como o projeto de infraestrutura, o crescimento e a vida útil podem remodelar o resultado.

Para o debate público, a alegação mais bem fundamentada da BAN é que as estimativas centradas apenas em servidores omitem a infraestrutura física. Sua alegação mais incerta diz respeito à escala da aposentadoria induzida de dispositivos de consumidores e empresas.

Manter essas conclusões separadas preserva o alerta do relatório sem tratar cada resultado modelado como um fato previsto.

Hyperscalers e recicladores agora enfrentam um teste de transparência

A pressão imediata não é aceitar a estimativa máxima da BAN, mas publicar os dados operacionais necessários para testá-la.

Amazon, Google, Meta, Microsoft, Oracle e outros grandes operadores controlam registros detalhados sobre os equipamentos implantados. Esses registros raramente se tornam públicos em um nível de categoria útil.

Os operadores conhecem datas de instalação, taxas de falha, cronogramas de renovação, volumes de revenda e destinos dos componentes. Eles podem distinguir reutilização de armazenamento, reciclagem e descarte.

Sem esses registros, pesquisadores externos precisam inferir a rotatividade dos equipamentos a partir de capacidade, relatórios financeiros, remessas de fornecedores e divulgações dispersas de sustentabilidade.

Essa opacidade abre espaço tanto para subestimação quanto para superestimação. Estudos restritos podem deixar de fora sistemas de suporte importantes, enquanto modelos amplos podem atribuir à IA uma parcela excessiva da renovação comum.

Uma estrutura de relatórios confiável deveria divulgar os equipamentos que entram e saem de serviço por categoria. Também deveria mostrar idade, peso, destino e se o equipamento permanece operacional.

“Reutilização” precisa de uma definição precisa. Um servidor transferido entre instalações é diferente de um vendido para uma cadeia de exportação desconhecida.

O aproveitamento de componentes também exige contabilização separada. Recuperar memória ou processadores não explica o que acontece com o chassi, as placas, as baterias e o hardware de refrigeração.

Os recicladores enfrentam suas próprias oportunidades e riscos. Ciclos de renovação mais rápidos podem criar fluxos valiosos de servidores, cobre, baterias e equipamentos de rede.

Equipamentos em funcionamento podem migrar para data centers de menor porte ou trabalhos de inferência menos exigentes. Empresas de recondicionamento podem prolongar a vida útil quando a compatibilidade e o desempenho energético permitirem.

Ainda assim, uma transação de revenda pode transferir a responsabilidade em vez de resolver o problema. O proprietário final pode operar onde a capacidade de reciclagem segura e a fiscalização regulatória continuam fracas.

O sistema global já enfrenta dificuldades com eletrônicos convencionais. A linha de base global de resíduos registrou 62 milhões de toneladas métricas de lixo eletrônico em 2022.

Apenas 22,3% foram documentados como formalmente coletados e reciclados por canais ambientalmente adequados. O monitor projeta 82 milhões de toneladas métricas em 2030.

Esses números tornam o alerta da BAN relevante mesmo que seus cenários superiores nunca se concretizem. O lixo eletrônico adicional de data centers de IA entra em um sistema de coleta com lacunas significativas já existentes.

O material em si não é uniforme. Placas de servidor podem conter metais recuperáveis, enquanto baterias e equipamentos de refrigeração introduzem diferentes riscos e exigências de manuseio.

Alguns ativos têm forte valor de revenda imediatamente após a aposentadoria. Outros se tornam antieconômicos quando transporte, testes, destruição de dados, reparos e custos de conformidade entram no cálculo.

A eficiência energética cria outra compensação. Manter servidores antigos em operação evita a fabricação de substitutos, mas máquinas ineficientes podem consumir mais eletricidade por unidade de trabalho.

Uma decisão sólida exige análise de ciclo de vida, e não uma regra universal. A reutilização é favorável quando o equipamento restante realiza trabalho útil sem transferir encargos inaceitáveis de energia ou descarte.

O design modular pode melhorar essa equação. Aceleradores substituíveis, peças padronizadas, acesso para reparos e suporte de software mais longo podem evitar a aposentadoria de todo o sistema.

Contratos de aquisição também podem atribuir responsabilidades. Compradores podem exigir que fornecedores informem destinos de recuperação e ofereçam suporte a peças além do período inicial de serviço.

Os governos têm várias alavancas possíveis. A responsabilidade estendida do produtor pode obrigar fabricantes a financiar a coleta e o tratamento ao fim da vida útil do produto.

Regras de direito ao reparo podem melhorar o acesso a peças e documentação. A fiscalização das exportações pode limitar remessas falsamente rotuladas como equipamentos reutilizáveis.

Nenhuma dessas medidas depende da aceitação da previsão completa da BAN. Elas respondem aos resíduos existentes e reduzem a exposição sob vários cenários de crescimento.

Para compradores corporativos de tecnologia, a lição é igualmente prática. A aquisição de IA deve incluir consequências para a vida útil e o descarte dos dispositivos, não apenas capacidade e custo operacional.

Os requisitos de software merecem escrutínio antes de grandes substituições de frotas. Um recurso que exige novo hardware deve justificar a mudança material que cria.

Históricos precisos de ativos são importantes aqui. As organizações precisam de registros pesquisáveis de aquisição, manutenção, segurança e descarte antes de poderem auditar decisões de substituição.

A responsabilidade não pode recair apenas sobre os usuários finais. Desenvolvedores de plataformas e hyperscalers determinam muitos limiares de compatibilidade que moldam a demanda por equipamentos.

O relatório da BAN insere essas decisões ocultas no debate ambiental. Essa é sua contribuição mais duradoura, independentemente da tonelagem final.

Três sinais testarão a estimativa de lixo eletrônico de IA

As próximas evidências devem determinar quanto do alerta da BAN reflete rotatividade mensurável e quanto permanece um cenário de alto crescimento.

O primeiro sinal é a divulgação de dados em nível de equipamento pelos hyperscalers. Relatórios úteis separariam aceleradores, servidores, redes, baterias, equipamentos de energia e sistemas de refrigeração.

Eles deveriam identificar a idade média de aposentadoria de cada categoria. Também deveriam distinguir reimplantação, revenda, aproveitamento de peças, reciclagem certificada e descarte.

Esses dados testariam diretamente as premissas de vida útil da BAN. Vidas úteis documentadas mais longas enfraqueceriam sua projeção central, enquanto ciclos mais curtos a fortaleceriam.

O segundo sinal é a evidência de contágio de resíduos de IA. Pesquisadores precisam de registros de aquisição que mostrem se os requisitos de IA de fato aceleram a substituição de dispositivos.

Um estudo robusto compararia organizações semelhantes com diferentes taxas de adoção de IA. Ele controlaria suporte ao sistema operacional, política de segurança, idade dos dispositivos e ciclos normais de compra.

Pesquisas com consumidores, por si só, não serão suficientes. Compradores frequentemente relatam vários motivos para substituir dispositivos, e o marketing pode obscurecer a causa decisiva.

Registros de ativação e troca de dispositivos poderiam fornecer evidências melhores. Bancos de dados corporativos de gestão de ativos poderiam revelar se máquinas compatíveis com IA substituem equipamentos em condições de uso antes da aposentadoria programada.

Se esses dados mostrarem substituição antecipada generalizada, a maior nova categoria da BAN ganhará credibilidade. Se os ciclos de renovação permanecerem estáveis, seus totais superiores enfraquecerão substancialmente.

O terceiro sinal é o resultado de programas de reutilização à medida que o hardware atual de IA deixa o serviço de ponta. A medida crítica é a vida útil adicional, não o volume de remessas.

Pesquisadores devem acompanhar se aceleradores aposentados executam cargas de trabalho produtivas em outros lugares. Também devem documentar uso de energia, taxas de falha, destinos de exportação e reciclagem final.

A BAN planeja novos artigos sobre reutilização, toxicidade e mitigação. Essas publicações devem tornar suas premissas mais fáceis de avaliar e conectar a tonelagem aos danos reais.

O setor não precisa esperar por uma previsão perfeita. Já pode melhorar inventários, publicar dados de aposentadoria, apoiar equipamentos modulares e verificar processadores downstream.

Ao mesmo tempo, formuladores de políticas devem evitar tratar um cenário amplo como resíduo medido. Regras melhores começam com definições claras e relatórios comparáveis.

O relatório da BAN sobre lixo eletrônico de IA consegue expor um ponto cego. Data centers contêm muito mais do que GPUs, e todo sistema de suporte eventualmente chega ao fim da vida útil.

Sua comparação de 40 a 60 vezes continua condicional porque combina infraestrutura mais ampla com uma nova teoria de obsolescência induzida. Essa distinção deve orientar cada manchete e resposta de política pública.

A questão decisiva agora pode ser respondida com registros operacionais: os investimentos em IA estão ampliando a capacidade útil de computação ou acelerando a substituição em toda a pilha tecnológica?

Operadores, compradores e recicladores devem exigir esses registros antes que a próxima onda de hardware se torne mais um fluxo invisível de resíduos.