Em agosto de 2025, a Google firmou acordos estratégicos de resposta à demanda com a Indiana Michigan Power (I&M) e a Tennessee Valley Authority (TVA). Essas parcerias visam reduzir o consumo de eletricidade de seus data centers de IA durante os períodos de pico de demanda da rede elétrica. Esta iniciativa marca a primeira vez que a Google participa oficialmente desses programas, tradicionalmente utilizados por indústrias pesadas, com o objetivo de gerenciar o consumo de energia impulsionado pela inteligência artificial.
O consumo de eletricidade pelos data centers da Google aumentou 27% em 2024, impulsionado pela expansão das aplicações de IA. Em resposta, a empresa está intensificando seus investimentos em energia limpa, adicionando 2,5 gigawatts de nova capacidade em 2024 e mantendo sua meta de operar com energia 100% livre de carbono até 2030. Os acordos permitem que grandes instalações como os data centers da Google diminuam temporariamente seu uso de energia, o que é crucial para prevenir apagões e reduzir custos de eletricidade. A inteligência artificial é um dos principais impulsionadores do aumento da demanda global por eletricidade, com a Agência Internacional de Energia (IEA) prevendo que o consumo de eletricidade por data centers pode mais que quadruplicar até 2030. Nos Estados Unidos, os data centers podem representar quase metade do crescimento da demanda de eletricidade até 2030, colocando uma pressão sem precedentes nas redes elétricas existentes.
A participação da Google nesses programas demonstra um compromisso em ser um "cidadão da rede" responsável, utilizando a flexibilidade de carga como uma ferramenta vital para permitir o crescimento dos data centers de forma ponderada. A empresa já demonstrou a eficácia dessa abordagem em demonstrações anteriores com a Omaha Public Power District (OPPD) em 2024, onde reduziu a demanda de energia associada a cargas de aprendizado de máquina durante eventos críticos da rede. A capacidade de ajustar cargas de trabalho não urgentes, como o processamento de vídeo ou o treinamento de modelos de aprendizado de máquina, durante períodos de estresse na rede, é um passo importante para garantir a resiliência e a eficiência do sistema energético.