AI Data Center Energy Demand and Power Grid Planning Implications in Brazil: A Research and Development Agenda
Resumo
Este artigo examina como a expansão de data centers dedicados a cargas de inteligência artificial pode alterar requisitos de capacidade, flexibilidade e confiabilidade das redes elétricas brasileiras. O estudo combina revisão da literatura técnica internacional com análise de dados setoriais brasileiros — incluindo séries do ONS, da CCEE, da EPE e de associações setoriais — para propor um modelo conceitual de avaliação de impacto e uma agenda estruturada de pesquisa e desenvolvimento. No Brasil, data centers representaram 1,7% do consumo elétrico total em 2024 (8,2 TWh), com projeção de crescimento para 3,6% até 2029 (Brasscom, 2025). A literatura internacional indica que cargas de IA diferem de data centers convencionais por sua elevada densidade de potência, variabilidade temporal, sensibilidade à latência e capacidade potencial de modulação de workload. A hipótese técnica proposta é que a combinação de contratação renovável de longo prazo, armazenamento em bateria, resposta da demanda por orquestração computacional e planejamento locacional orientado por restrições elétricas pode reduzir o impacto dessas cargas sobre a expansão da rede. A agenda de P&D proposta estrutura-se em quatro frentes: modelagem de carga sintética, avaliação de impacto por subsistema, simulação de mitigadores e desenho regulatório. O trabalho preenche uma lacuna identificada na literatura: a ausência de análise integrada entre dados oficiais do sistema elétrico brasileiro e os padrões de carga de IA descritos na literatura internacional.
Palavras-chave: data centers; inteligência artificial; planejamento elétrico; BESS; resposta da demanda; redes elétricas; P&D regulado.
Abstract
This article examines how the expansion of artificial intelligence data centers may alter capacity, flexibility, and reliability requirements in Brazilian power grids. The study combines a review of international technical literature with analysis of Brazilian sectoral data — including ONS, CCEE, EPE, and industry association series — to propose a conceptual impact assessment framework and a structured research and development agenda. In Brazil, data centers accounted for 1.7% of total electricity consumption in 2024 (8.2 TWh), projected to grow to 3.6% by 2029 (Brasscom, 2025). International literature indicates that AI loads differ from conventional data centers in their high power density, temporal variability, latency sensitivity, and workload modulation potential. The proposed technical hypothesis posits that combining long-term renewable procurement, battery energy storage, demand response through computational orchestration, and locationally constrained planning can reduce grid expansion pressure from these loads. The proposed R&D agenda is structured around four tracks: synthetic load modeling, subsystem impact assessment, mitigation simulation, and regulatory design. This work addresses an identified gap: the absence of integrated analysis between Brazilian official power system data and the AI load profiles described in international literature.
Keywords: data centers; artificial intelligence; power-system planning; BESS; demand response; power grids; regulated R&D.
1 Introdução
A expansão de data centers dedicados à inteligência artificial posicionou a infraestrutura computacional como novo vetor de planejamento elétrico. Globalmente, o consumo elétrico de data centers totalizou aproximadamente 415 TWh em 2024 — 1,5% da demanda elétrica mundial — e projeta-se que duplique para 945 TWh até 2030, crescendo a 15% ao ano, ritmo quatro vezes superior ao das demais categorias de consumo (IEA, 2026a). Esse crescimento é impulsionado pela aceleração de cargas de IA: servidores de processamento acelerado (GPUs/TPUs) expandem-se a 30% ao ano no cenário base da IEA, enquanto servidores convencionais crescem a 9% ao ano.
No Brasil, o tema adquire especificidade técnica relevante. Segundo a Brasscom (2025), data centers responderam por 1,7% do consumo elétrico nacional em 2024 (8,2 TWh de um total de 650,4 TWh) e devem atingir 3,6% até 2029. São Paulo concentra 670 MW de capacidade operante e 770 MW em desenvolvimento, configurando o maior polo de data centers da América Latina (Mordor Intelligence, 2025). Em paralelo, o Brasil descartou 17,2% de sua geração solar e eólica potencial entre janeiro e agosto de 2025 por restrições de transmissão — evidenciando que o problema não é de escassez de geração, mas de capacidade de entrega e flexibilidade (Intelligent CIO LATAM, 2026).
A convergência entre esses dois fenômenos — expansão de cargas computacionais intensivas e restrições estruturais de rede — define o problema central deste estudo. A literatura internacional avançou na caracterização de cargas de IA como ativos potencialmente flexíveis (Shao et al., 2025; Li et al., 2026; IEA, 2026b), mas a aplicação dessas análises ao contexto brasileiro — com sua matriz predominantemente hidroelétrica, mercado livre em expansão e estrutura regulatória específica — permanece inexplorada em publicações técnicas revisadas.
Este artigo tem três objetivos: (i) sintetizar o estado da arte sobre impactos de data centers de IA em sistemas elétricos; (ii) caracterizar o contexto brasileiro com dados setoriais disponíveis; e (iii) propor um modelo conceitual de avaliação e uma agenda estruturada de P&D. O trabalho se enquadra como revisão técnica aplicada com proposição de agenda, formato recorrente em periódicos de política energética e planejamento de sistemas elétricos.
2 Revisão da Literatura
2.1 Cargas de IA como fenômeno elétrico não convencional
A literatura recente converge no argumento de que data centers de IA não devem ser modelados como extensão de data centers tradicionais. Shao et al. (2025) apresentam revisão abrangente sobre energia em data centers de IA, identificando quatro características que distinguem essas cargas: alta densidade de potência por rack (superando 50 kW/rack em configurações de GPU, contra 5–10 kW em servidores convencionais), variabilidade temporal entre ciclos de treinamento e inferência, sensibilidade à latência que limita o deslocamento temporal de cargas críticas, e potencial de modulação de workload em cargas elásticas. Os autores documentam que a expansão de servidores acelerados nos Estados Unidos pode elevar a demanda de data centers de aproximadamente 35 GW em 2024 para 78 GW em 2035 (Bloomberg NEF apud Shao et al., 2025).
Khattak et al. (2025) introduzem o Power Stress Index (PSI) como métrica de vulnerabilidade regional de rede associada à concentração de data centers de IA. A análise mostra que regiões como Oregon, Virgínia e Irlanda apresentam PSI superior a 0,25 — indicando vulnerabilidade local relevante — enquanto sistemas diversificados como Texas e Japão absorvem cargas novas com menor estresse. Os autores projetam que o consumo agregado das seis maiores empresas de IA crescerá de 118 TWh em 2024 para entre 239 e 295 TWh em 2030, concentrado em América do Norte, Europa Ocidental e Ásia-Pacífico.
Zhang et al. (2026) propõem framework de gestão de risco estocástico (DRO-MILP) para absorção de choques de demanda de data centers de IA em sistemas de planejamento elétrico, demonstrando que modelos de carga firme — ainda predominantes em operadores de sistema — subestimam sistematicamente os impactos de ponta e rampa dessas cargas.
2.2 Flexibilidade computacional como recurso de rede
A fronteira mais relevante para projetos de P&D está na possibilidade de transformar parte da carga computacional em recurso flexível. Chen et al. (2025) demonstram, em protótipo com GPUs reais e sinal de rede, que workloads de inferência elástica podem ser deslocados no tempo para moderação de ponta sem perda mensurável de qualidade de serviço. Os autores distinguem três categorias de flexibilidade: deslocamento temporal (deferimento de inferência e treinamento assíncrono), deslocamento espacial (roteamento de workload para data centers em regiões com menor congestionamento) e modulação de resfriamento (precooling e variação de set-point).
Khamlich et al. (2025) modelam data centers distribuídos como ativos de estabilização de rede, introduzindo o conceito de spinning demand — análogo à reserva girante convencional, mas do lado da carga. A abordagem demonstra redução de pico de demanda e melhoria de aproveitamento de renováveis em simulações com dados da rede norte-americana. A aplicação desse conceito ao Brasil é direta: dado o descarte de geração eólica e solar de 17,2% em 2025, data centers com workloads flexíveis poderiam absorver excedentes renováveis em horários de baixa carga, reduzindo curtailment sem requerer capacidade adicional de armazenamento.
2.3 Integração BESS e planejamento locacional
O armazenamento em bateria (BESS) emerge na literatura como tecnologia habilitadora, mas com valor econômico condicionado ao ambiente regulatório. IEA (2026b) demonstra que BESS em escala local pode suavizar demanda, reduzir ponta, apoiar renováveis e prestar serviços ancilares em data centers, mas seu benefício sistêmico depende de regras de remuneração para flexibilidade. Na ausência de mecanismos de serviços ancilares, o BESS tende a ser subdimensionado e subutilizado do ponto de vista da rede.
No Brasil, esse ponto é especialmente relevante. A ANEEL iniciou em 2025 consulta sobre leilões de reserva de capacidade com atributos operativos — movimento que pode criar o sinal econômico necessário para viabilizar BESS acoplado a data centers como ativo multifuncional (backup + arbitragem + serviços ancilares). Sem esse sinal, a decisão de investimento em BESS permanece baseada exclusivamente na substituição de grupos geradores a diesel, subutilizando a flexibilidade técnica disponível.
A dimensão locacional é tratada por Khattak et al. (2025) como variável crítica: um mesmo bloco de carga pode ser viável em região com excedente renovável e rede robusta, mas problemático em área com transmissão saturada. Para o Brasil, essa análise locacional exige a integração de dados de carga horária do ONS, capacidade de conexão da ANEEL, disponibilidade hídrica do ANA, conectividade de fibra da ANATEL e parâmetros socioeconômicos do IBGE — cruzamento que nenhum estudo publicado realizou até o momento.
2.4 Lacuna identificada no contexto brasileiro
A revisão da literatura revela ausência sistemática de estudos que apliquem os frameworks internacionais ao sistema elétrico brasileiro com dados oficiais. Os trabalhos disponíveis sobre o setor de data centers no Brasil são predominantemente mercadológicos (Mordor Intelligence, 2025; Brasscom, 2025) ou de divulgação setorial (Canal Solar, 2026; Intelligent CIO LATAM, 2026), sem modelagem técnica de impacto em rede. Esta lacuna justifica a proposição de agenda de P&D apresentada nas seções seguintes.
3 Caracterização do Contexto Brasileiro
3.1 Dimensionamento atual e projeções
O Brasil é o maior mercado de data centers da América Latina, com 37,2% da capacidade regional instalada, seguido por Chile (13,4%) e México (12,3%) (J.P. Morgan, 2025). A capacidade instalada nacional deve crescer de 740 MW em 2024 para 1.210 MW em 2029, com CAGR de 10,3% (Research and Markets apud CleanBridge, 2025). São Paulo concentra o maior campus operacional da região, com 670 MW instalados e 770 MW em desenvolvimento (Mordor Intelligence, 2025).
No mercado livre de energia, data centers foram o quarto maior segmento contratante de energia via PPAs de longo prazo em 2025, com 150 MWm contratados — crescimento de 83% em relação a 2024, quando foram negociados 659 MWm totais no segmento (CELA apud BNamericas, 2026). Operadores assinaram 1,7 GW de contratos de autoprodução solar e 0,6 GW eólicos em 2024, ancorando tarifas abaixo dos valores do mercado regulado (Mordor Intelligence, 2025).
3.2 Singularidades do sistema elétrico brasileiro
Três características do sistema elétrico brasileiro diferenciam substancialmente a análise de impacto de data centers em relação aos estudos internacionais disponíveis. Primeiro, a matriz predominantemente renovável (88,2% em 2024, com hidroeletricidade como componente majoritário) implica que a sazonalidade hidrológica é o principal determinante de custo marginal e bandeira tarifária — e não a disponibilidade de geração termelétrica, como nos sistemas norte-americano e europeu estudados pela literatura.
Segundo, o nível de curtailment renovável de 17,2% entre janeiro e agosto de 2025 indica capacidade ociosa que, em condições de rede adequadas, poderia ser absorvida por cargas flexíveis de data centers. Essa janela de oportunidade não existe em sistemas com geração controlável predominante.
Terceiro, a abertura gradual do mercado livre para consumidores de menor porte, combinada com a migração de 33.000 consumidores em 2024 (ANEEL, 2025), cria estrutura de incentivos para contratos de flexibilidade e autoprodução que pode ser explorada por data centers como estratégia de hedge tarifário.
4 Problema de Pesquisa e Hipótese Técnica
O problema de pesquisa é formulado em termos sistêmicos: como o crescimento de data centers de IA pode alterar os requisitos de planejamento de redes elétricas brasileiras em termos de capacidade, flexibilidade, confiabilidade e localização, considerando as especificidades da matriz hidroelétrica, a estrutura de mercado em transição e as restrições de transmissão vigentes?
A hipótese técnica proposta é que data centers de IA podem ser integrados ao sistema elétrico brasileiro com menor pressão sobre a expansão de rede quando combinam quatro elementos: (i) contratação renovável de longo prazo via PPA, reduzindo exposição ao PLD; (ii) BESS em múltiplas escalas funcionando como backup, árbitro tarifário e prestador de serviços ancilares; (iii) resposta da demanda baseada em orquestração computacional, priorizando workloads flexíveis em períodos de excedente renovável; e (iv) planejamento locacional orientado por restrições de rede, disponibilidade hídrica e conectividade. Essa hipótese é testável com dados horários do ONS, séries de PLD da CCEE e parâmetros de conectividade da ANATEL, e deve ser contrastada com cenário alternativo de integração passiva (carga firme sem flexibilidade).
5 Metodologia Proposta
A metodologia proposta é estruturada em quatro etapas sequenciais, com produtos intermediários auditáveis. A primeira etapa consiste na construção de um modelo de carga sintética de data centers de IA para o Brasil, combinando perfis de treinamento e inferência da literatura com parâmetros de PUE, resfriamento e redundância, calibrado contra os 8,2 TWh registrados pela Brasscom para 2024. A segunda etapa envolve avaliação de impacto em rede por subsistema, utilizando a curva de carga horária do ONS, a capacidade de conexão da ANEEL e os índices de curtailment do período 2023–2025 para simular a introdução de blocos de carga de 100 MW, 300 MW e 600 MW em diferentes regiões do SIN.
A terceira etapa realiza simulação de mitigadores, comparando três configurações: carga passiva (sem flexibilidade), carga com PPA renovável e BESS de backup, e carga totalmente integrada com resposta da demanda e BESS multifuncional. As métricas de avaliação incluem variação de PLD, alteração de ponta sistêmica, curtailment adicional ou reduzido e custo de expansão de rede evitado. A quarta etapa propõe desenho regulatório, identificando as lacunas entre a estrutura atual de conexão de grandes cargas (Resolução Normativa ANEEL n.º 482/2012 e suas revisões) e os requisitos para participação de data centers como ativos flexíveis em mecanismos de serviços ancilares e resposta da demanda.
6 Bases de Dados e Fontes
A Tabela 1 apresenta as bases de dados mapeadas para a execução das etapas metodológicas propostas. O cruzamento entre fontes de carga (ONS), mercado (CCEE), regulação (ANEEL), planejamento (EPE), território (IBGE) e conectividade (ANATEL) constitui a contribuição metodológica central deste estudo para o contexto brasileiro.
| Dimensão | Variável | Fonte | Uso analítico |
| Carga elétrica | Curva horária, carga diária, carga verificada, ponta | ONS — Portal de Dados Abertos | Estimar rampa, ponta e sazonalidade da demanda incremental |
| Planejamento | BEN, PDE, consumo mensal, mercado de distribuição | EPE — Dados Abertos | Construir cenários de expansão e referência histórica |
| Regulação e rede | Tarifas, potência instalada, qualidade, conexão | ANEEL — Dados Abertos | Avaliar custo, restrições regulatórias e critérios de conexão |
| Mercado | PLD horário, liquidação, penalidades, contratos livres | CCEE — InfoMercado | Modelar sinais econômicos, volatilidade e arbitragem BESS |
| Setor de DCs | Capacidade instalada, PPAs, segmentação, crescimento | Brasscom; CELA; Mordor Intelligence | Calibrar modelo de carga sintética com dados nacionais |
| Conectividade | Cobertura de fibra, latência, cabos submarinos | ANATEL; NIC.br | Integrar restrições de conectividade ao planejamento locacional |
| Território e economia | PIB municipal, indústria, serviços, população | IBGE — SIDRA | Avaliar localização, demanda regional e clusters econômicos |
Tabela 1 — Bases de dados para modelagem de impacto de data centers de IA no sistema elétrico brasileiro. Fonte: elaboração própria.
7 Agenda de P&D: Quatro Frentes
A agenda proposta organiza-se em quatro frentes de projeto, estruturadas de forma a permitir desenvolvimento incremental e validação por etapas. Cada frente pode ser desenvolvida como projeto de P&D regulado pela ANEEL, enquadrado em Pesquisa Aplicada (TRL 3–4) com extensão para Desenvolvimento Experimental (TRL 5–6).
7.1 Frente 1 — Modelagem de carga sintética
Construção de modelo de carga sintética de data centers de IA para o Brasil, integrando perfis de treinamento, inferência, resfriamento e redundância com parâmetros de PUE e densidade de rack. O produto é uma série temporal horária de demanda sintética calibrada contra os 8,2 TWh de 2024. Esse modelo é insumo para as demais frentes e pode ser publicado como dataset aberto para uso acadêmico e regulatório.
7.2 Frente 2 — Avaliação de impacto por subsistema
Simulação de introdução de blocos de carga (100, 300 e 600 MW) em diferentes subsistemas do SIN, avaliando impactos sobre ponta, rampa, curtailment, PLD e necessidade de reforços de transmissão. O produto é um mapa de elegibilidade locacional por subsistema, com indicadores de stress de rede por cenário de crescimento.
7.3 Frente 3 — Simulação de mitigadores
Comparação quantitativa de três configurações de integração (passiva, PPA+BESS backup, PPA+BESS multifuncional+resposta da demanda) contra métricas de impacto sistêmico. O produto-piloto é uma demonstração em ambiente controlado — não necessariamente hiperescalador — com medição de carga em alta resolução e teste de algoritmos de modulação de workload.
7.4 Frente 4 — Desenho regulatório
Mapeamento das lacunas entre a regulação atual de conexão de grandes cargas e os requisitos para participação de data centers como ativos flexíveis em serviços ancilares e resposta da demanda. O produto é uma nota técnica regulatória com propostas de adequação normativa para a ANEEL, baseada em benchmarking internacional e análise do contexto brasileiro.
8 Limitações
Este artigo constitui revisão técnica aplicada com proposição de agenda, e não análise empírica completa. A ausência de séries públicas específicas sobre o consumo horário de data centers brasileiros exige o uso de modelo sintético calibrado por agregados setoriais, introduzindo incerteza na estimativa de impacto locacional. A literatura de IA e energia evolui rapidamente, com parte relevante ainda em pré-print, o que implica que resultados quantitativos específicos devem ser verificados contra versões publicadas.
Adicionalmente, o valor econômico de BESS, resposta da demanda e cargas flexíveis no Brasil depende de regras regulatórias ainda em consolidação. A modelagem técnica pode superestimar benefícios econômicos que não são monetizáveis no ambiente regulatório atual.
9 Conclusão
A demanda energética de data centers de inteligência artificial deve ser tratada como fenômeno de planejamento elétrico, e não apenas como tema tecnológico ou imobiliário. No Brasil, a convergência entre crescimento acelerado de capacidade computacional concentrada em São Paulo, curtailment renovável superior a 17% e abertura do mercado livre cria uma janela de oportunidade técnica e regulatória que a literatura internacional ainda não explorou com dados do sistema brasileiro.
A hipótese técnica proposta — que a integração entre PPA renovável, BESS multifuncional, resposta da demanda por orquestração computacional e planejamento locacional pode reduzir o impacto de data centers de IA sobre a expansão de rede — é testável com as bases oficiais disponíveis e constitui agenda de P&D elegível para financiamento regulado pela ANEEL. O próximo passo técnico é a construção do modelo de carga sintética e a simulação de impacto por subsistema, transformando esta revisão em estudo quantitativo com resultados verificáveis e comparáveis à literatura internacional.
Referências
AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA (ANEEL). Dados Abertos — Regulação, Tarifas e Qualidade. Brasília: ANEEL, 2025. Disponível em: <https://dadosabertos.aneel.gov.br>. Acesso em: 31 maio 2026.
BNAMERICAS. Data centers gain ground in Brazil’s free power market. BNamericas, 27 mar. 2026. Disponível em: <https://www.bnamericas.com/en/features/data-centers-gain-ground-in-brazils-free-power-market>. Acesso em: 31 maio 2026.
BRASSCOM — ASSOCIAÇÃO DAS EMPRESAS DE TECNOLOGIA DA INFORMAÇÃO E COMUNICAÇÃO. Relatório de Atividades e Dados do Setor de Data Centers no Brasil 2025. São Paulo: Brasscom, 2025.
CANAL SOLAR. Data centers e energia: desafios e impactos no sistema elétrico brasileiro. Canal Solar, fev. 2026. Disponível em: <https://canalsolar.com.br/en/Data-centers:-challenges-and-impacts-on-the-Brazilian-electrical-system.>. Acesso em: 31 maio 2026.
CHEN, Y. et al. To Defer or To Shift? The Role of AI Data Center Flexibility on Grid Interconnection. arXiv preprint arXiv:2604.05376, 2025. Disponível em: <https://arxiv.org/abs/2604.05376>. Acesso em: 31 maio 2026.
CLEANBRIDGE. Brazil GDC2025 — Regional Market Overview. CleanBridge Global Data Center Market Report 2025. Londres: CleanBridge, 2025. Disponível em: <https://www.cleanbridge.co/insights/energy-transition/cleanbridge-global-data-center-market-report-2025>. Acesso em: 31 maio 2026.
EPE — EMPRESA DE PESQUISA ENERGÉTICA. Balanço Energético Nacional 2025. Rio de Janeiro: EPE/MME, 2025. Disponível em: <https://www.epe.gov.br>. Acesso em: 31 maio 2026.
IEA — INTERNATIONAL ENERGY AGENCY. Energy and AI — Key Questions on Energy and AI. Paris: IEA, 2026a. Disponível em: <https://www.iea.org/reports/key-questions-on-energy-and-ai>. Acesso em: 31 maio 2026.
IEA — INTERNATIONAL ENERGY AGENCY. World Energy Investment 2026 — Executive Summary. Paris: IEA, 2026b. Disponível em: <https://www.iea.org/reports/world-energy-investment-2026>. Acesso em: 31 maio 2026.
INTELLIGENT CIO LATAM. What Brazil’s curtailment challenge reveals about data centers and grid planning. Intelligent CIO LATAM, 20 abr. 2026. Disponível em: <https://www.intelligentcio.com/latam/2026/04/20>. Acesso em: 31 maio 2026.
J.P. MORGAN PRIVATE BANK. Empowering growth: The opportunity in Latin America’s energy infrastructure. J.P. Morgan, 2025. Disponível em: <https://privatebank.jpmorgan.com/latam/en/insights>. Acesso em: 31 maio 2026.
KHAMLICH, I. et al. Sustainable Grid through Distributed Data Centers: Spinning AI Demand for Grid Stabilization and Optimization. arXiv preprint arXiv:2504.03663, 2025. Disponível em: <https://arxiv.org/abs/2504.03663>. Acesso em: 31 maio 2026.
KHATTAK, S. et al. Concentrated siting of AI data centers drives regional power-system stress under rising global compute demand. arXiv preprint arXiv:2604.06198, 2025. Disponível em: <https://arxiv.org/abs/2604.06198>. Acesso em: 31 maio 2026.
LI, Z. et al. Measurement of Generative AI Workload Power Profiles for Whole-Facility Data Center Infrastructure Planning. arXiv preprint arXiv:2604.07345, 2026. Disponível em: <https://arxiv.org/abs/2604.07345>. Acesso em: 31 maio 2026.
MORDOR INTELLIGENCE. Brazil Data Center Power Market Size, Share Analysis, Global Report 2030. Hyderabad: Mordor Intelligence, 2025. Disponível em: <https://www.mordorintelligence.com/industry-reports/brazil-data-center-power-market>. Acesso em: 31 maio 2026.
ONS — OPERADOR NACIONAL DO SISTEMA ELÉTRICO. Portal de Dados Abertos — Carga, Geração e Reservatórios. Brasília: ONS, 2026. Disponível em: <https://dados.ons.org.br>. Acesso em: 31 maio 2026.
SHAO, Y. et al. Power for AI Data Centers: Energy Demand, Grid Impacts, Challenges and Perspectives. Energies, v. 19, n. 3, p. 722, jan. 2026. DOI: 10.3390/en19030722.
ZHANG, Y. et al. A Two-Stage Risk-Averse DRO-MILP Methodological Framework for Managing AI/Data Center Demand Shocks. arXiv preprint arXiv:2601.14665, 2026. Disponível em: <https://arxiv.org/abs/2601.14665>. Acesso em: 31 maio 2026.
Declaração de Uso de Inteligência Artificial
Este artigo utilizou ferramentas de inteligência artificial para apoio à estruturação textual, síntese bibliográfica e revisão editorial. A seleção e verificação das referências, a interpretação dos dados setoriais brasileiros, a formulação do problema de pesquisa e da hipótese técnica, e as conclusões são de responsabilidade editorial do autor.
