How much energy does one LLM API call use?

For a mid-sized model producing a few hundred output tokens, published operator estimates put a single short request in the region of a few tenths of a watt-hour — roughly what a laptop draws in twenty seconds. The number is dominated by output tokens, because generation runs the whole model once per token while prefill processes the input in parallel at a small fraction of the per-token cost. That is why this calculator prices input tokens at about a tenth of the output rate, and why a long prompt with a short answer is far cheaper in energy than a short prompt with a long answer.

Why do reasoning models have such a bigger carbon footprint?

Because the hidden reasoning trace is output. A reasoning model that thinks for two thousand tokens before writing a two-hundred-token answer has generated 2,200 tokens of output, not 200, and every one of them cost a full forward pass through a large model. Switching a workload from a mid-sized model to a long-chain-of-thought model at the same request volume typically multiplies energy by an order of magnitude, which is visible immediately in the model-class comparison table on this page. It is also why the cheapest carbon reduction available to most teams is routing easy requests away from the reasoning tier rather than changing anything about infrastructure.

Does the data centre region really change my AI carbon footprint?

More than any other single lever. Grid carbon intensity spans roughly 40 grams of CO2e per kilowatt-hour in nuclear- and hydro-heavy grids such as France and Sweden to over 600 grams in coal-heavy grids — a factor of fifteen for identical compute. Running the same workload in a low-carbon region cuts emissions by well over 90% without touching a line of code, whereas efficiency work on the model itself rarely delivers more than a factor of two or three. PUE matters too but has a much narrower spread, since modern hyperscale sites cluster between 1.1 and 1.2 while older enterprise rooms sit closer to 1.6.

AI Inference Energy & Carbon Calculator (2026)

Calculadora de energia e carbono de inferência de IA

✓ Última verificação: 23/07/2026· Fatores de rede: intensidade média nacional de geração· sugerir uma correção →

Os relatórios de sustentabilidade pedem um número e o painel do seu fornecedor fornece dólares. Isso converte o volume mensal de tokens em quilowatts-hora e quilogramas de CO2e, divide a entrada da produção de maneira adequada e mostra o que a escolha da região e a classe do modelo realmente afetam o total.

Os tokens de saída são a conta. A geração executa um avanço completo por token; o prefill processa todo o seu prompt em paralelo por aproximadamente um décimo da energia por token. Um prompt curto com uma resposta longa custa muito mais do que um prompt longo com uma resposta curta — e o rastro oculto de um modelo de raciocínio conta como saída.

Por que a divisão de entrada/saída é mais importante do que o total de tokens

Quase todas as tentativas de estimar a energia da IA multiplicam o total de tokens por um único número por token, e isso está errado de uma forma importante. A inferência do transformador possui duas fases com perfis de custo completamente diferentes. O Prefill lê todo o seu prompt em uma passagem fortemente paralela, portanto, um prompt de 1.500 tokens custa pouco mais do que um prompt de 150 tokens nas pilhas de serviço modernas. A decodificação gera um token por vez, cada um exigindo uma passagem completa pelos pesos do modelo, de modo que o comprimento da saída dimensiona a energia de maneira quase linear. A consequência prática é que colocar mais contexto em um prompt é comparativamente barato e deixar um modelo divagar é caro – exatamente o oposto da intuição com a qual a maioria das equipes começa, e o oposto de como a tabela de preços é moldada, já que os fornecedores cobram informações com um desconto também, mas nem perto de 10×.

A camada de raciocínio é onde as pegadas vão morrer

O traço de pensamento de um modelo de raciocínio é produzido. Ele passa pelo decodificador exatamente como a resposta visível, mas nunca chega ao usuário. Uma solicitação que produz 200 tokens visíveis após 2.000 tokens de deliberação gerou 2.200 tokens, e se esse modelo também for uma ordem de grandeza maior por token do que a alternativa de nível intermediário, a energia por solicitação pode ser cinquenta vezes maior do que a mesma tarefa respondida diretamente. Execute a tabela de classes de modelo acima com seu próprio volume e a aritmética será nítida. Essa também é a alavanca mais tratável: encaminhar solicitações diretas para uma camada menor e reservar o raciocínio para os casos que precisam dele reduz tanto a conta quanto o espaço ocupado ao mesmo tempo. Tamanho que negocia com o calculadora de economia de roteamento de modeloe verifique quanto os tokens de pensamento estão custando em dólares com o calculadora de custo de token de raciocínio.

Energia é um erro de arredondamento próximo ao que você paga – e esse é o ponto

Execute os números padrão e a eletricidade por trás de dois milhões de solicitações de nível intermediário custa dezenas de dólares em comparação com uma conta de API na casa dos milhares. Ninguém muda de provedor para salvar isso. De qualquer forma, a razão para calculá-lo é que o número de carbono, ao contrário do custo da energia, acaba numa CSRD ou na divulgação de um questionário ao cliente, onde tem de ser defensável, e cada vez mais em conversas sobre aquisições, onde são solicitadas ao fornecedor as emissões por unidade de serviço. A linha da região é aquela sobre a qual agir: a computação idêntica em uma rede de baixo carbono emite um décimo quinto do que em uma rede com alto teor de carvão, o que nenhuma otimização de modelo pode igualar. Se a obrigação de divulgação em si foi o que o trouxe até aqui, avalie o programa de governança envolvente com o Calculadora de custos de conformidade com a Lei AI da UE.

Perguntas frequentes

Quanta energia uma chamada de API LLM usa?

Para um modelo de médio porte que produz algumas centenas de tokens de saída, as estimativas publicadas pelas operadoras colocam uma única solicitação curta na região de alguns décimos de watt-hora – aproximadamente o que um laptop desenha em vinte segundos. O número é dominado por tokens de saída, porque a geração executa todo o modelo uma vez por token, enquanto o pré-preenchimento processa a entrada em paralelo a uma pequena fração do custo por token. É por isso que esta calculadora avalia os tokens de entrada em cerca de um décimo da taxa de saída, e por que um prompt longo com uma resposta curta é muito mais barato em energia do que um prompt curto com uma resposta longa.

Por que os modelos de raciocínio têm uma pegada de carbono tão maior?

Porque o rastreio de raciocínio oculto é gerado. Um modelo de raciocínio que pensa em dois mil tokens antes de escrever uma resposta de duzentos tokens gerou 2.200 tokens de saída, e não 200, e cada um deles custa uma passagem completa através de um modelo grande. Mudar uma carga de trabalho de um modelo de médio porte para um modelo de longa cadeia de pensamento no mesmo volume de solicitações normalmente multiplica a energia por uma ordem de magnitude, o que é visível imediatamente na tabela de comparação de classes de modelos nesta página. É também por isso que a redução de carbono mais barata disponível para a maioria das equipes é desviar as solicitações fáceis da camada de raciocínio, em vez de mudar alguma coisa na infraestrutura.

A região do data center realmente altera minha pegada de carbono da IA?

Mais do que qualquer outra alavanca única. A intensidade de carbono da rede abrange cerca de 40 gramas de CO2e por quilowatt-hora em redes nucleares e hidrelétricas, como a França e a Suécia, até mais de 600 gramas em redes pesadas em carvão – um fator de quinze para cálculos idênticos. Executar a mesma carga de trabalho numa região de baixo carbono reduz as emissões em mais de 90% sem tocar numa linha de código, enquanto o trabalho de eficiência no próprio modelo raramente produz mais do que um factor de dois ou três. O PUE também é importante, mas tem uma distribuição muito mais estreita, uma vez que os sites modernos de hiperescala se agrupam entre 1,1 e 1,2, enquanto as salas empresariais mais antigas ficam mais próximas de 1,6.