KI-Wasserverbrauch pro Abfrage: Was können wir eigentlich wissen?
KI-Wasserschätzungen reichen von 0.26 ml bis zu mehreren zehn Millilitern pro Textabfrage. Die Lücke ergibt sich aus Systemen, Standorten und Buchhaltungsgrenzen.
Für eine KI-Abfrage gibt es keine einheitliche Wasserverbrauchszahl. Jüngste Angaben von Betreibern gehen davon aus, dass gewöhnliche Textaufforderungen im Median bei etwa 0.26 ml liegen Gemini Apps-Eingabeaufforderung und durchschnittlich 0.32 ml ChatGPT Abfrage. Ein akademisches Modell aus dem Jahr 2023 ergab an bestimmten Standorten und Systemgrenzen einen viel höheren Bereich von etwa 10–25 ml pro Sprachmodellantwort.
Diese Schätzungen sollten nicht gemittelt oder als Messungen derselben Sache behandelt werden. Sie decken verschiedene Modelle, Hardware, Kühlung, Netze, Daten und Definitionen von Wasser ab. Auch die Länge und die Tools einer Abfrage spielen eine Rolle. Die genaueste Verbraucherantwort ist ein Quellenbereich mit angehängter Grenze.
Die beiden niedrigen Betreiberzahlen
Google gemeldet 0.26 ml Wasser für einen Median Gemini Eingabeaufforderung zur Textgenerierung von Apps im Mai 2025. Die begleitende Analyse meldete außerdem 0.24 Wh Energie und beschrieb eine umfassende Bereitstellungsgrenze einschließlich der unterstützenden Infrastruktur.
OpenAI CEO Sam Altman gab an, dass dies ein Durchschnitt sei ChatGPT Abfrage verwendet 0.000085 US gallons, ca. 0.32 ml. In dem Beitrag wurde weder eine Berechnung veröffentlicht noch der zugrunde liegende Anforderungsmix definiert.
Die Zahlen liegen nahe beieinander, doch lässt sich daraus kein allgemeingültiger Tarif ableiten. Einer ist ein gemessener Point-in-Time-Median für eine benannte App; der andere ist ein ungeklärter Flottendurchschnitt. Median und Mittelwert sind unterschiedliche Statistiken und beide Dienste ändern sich ständig.
Die höhere Forschungsschätzung
In KI weniger „durstig“ machen, modellierten Forscher direkte Kühlung und indirektes strombezogenes Wasser für große Sprachmodelle. Ihr häufig zitiertes Beispiel ordnete einer 500-ml-Flasche etwa 20–50 Antworten mittlerer Länge zu, was jeweils etwa 10–25 ml entspricht.
Dabei handelte es sich um ein Szenario, das auf angenommenen Einsatzorten, Wetter, Netzwasserintensität und Modellenergie basierte. Es handelte sich nicht um einen Zählerstand ChatGPT. Der Wert des Papiers zeigt, dass der Zeitpunkt und Ort, an dem ein Modell läuft, seinen Wasser-Fußabdruck erheblich verändern kann.
Der Größenordnungsunterschied zu späteren Anbieterzahlen kann auf effizientere Hardware und Kühlung, eine andere Modellenergie und eine engere oder einfach andere Abrechnung zurückzuführen sein. Da vergleichbare zugrunde liegende Daten nicht öffentlich sind, wäre es Spekulation, die Lücke einer einzigen Ursache zuzuordnen.
Eine einfache Berechnung erfordert immer noch harte Eingaben
Im einfachsten Fall kann der direkte Wasserverbrauch pro Abfrage als Abfrageenergie multipliziert mit der Wassernutzungseffektivität der Anlage geschätzt werden. Indirektes Wasser fügt die Energie multipliziert mit der Wasserintensität der Stromerzeugung hinzu. Schulung und Fertigung erfordern getrennte Zuordnungen.
Jede Eingabe bewegt sich. Fragen Sie Energieänderungen mit Modell-, Eingabe- und Ausgabetokens, Stapelverarbeitung, Hardware- und Toolaufrufen ab. Das Anlagenwasser ändert sich je nach Wetter und Kühlmodus. Die Netzwasserintensität ändert sich mit der Erzeugung. Ein Jahresdurchschnitt glättet genau die Stunden, in denen der örtliche Wasserdruck am höchsten sein kann.
Das Berkeley Lab hat die durchschnittliche Effektivität der Wassernutzung an US-Standorten auf knapp über dem Wert geschätzt 0.36 Liter pro kWh im Jahr 2023. Die Multiplikation dieser nationalen Flottenschätzung mit einer zeitnahen Produktschätzung würde nicht miteinander verbundene Systeme vermischen und nicht das tatsächliche Wasser des Anbieters offenlegen.
„Query“ ist keine stabile Einheit
Eine kurze Textvervollständigung könnte einige Dutzend Token generieren. Eine Forschungsanfrage kann lange Dokumente bearbeiten, das Internet durchsuchen und ein Modell mehrmals aufrufen. Die Bild- und Videogenerierung nutzt unterschiedliche Pipelines. Das Zählen jeder Abfrage als eine Abfrage macht den Nenner praktisch, aber ökologisch schwach.
Die bessere Einheit umfasst Arbeitslast: Modell, Eingabetoken, Ausgabetoken, Modalität und Werkzeugaktivität. Selbst dann bedeutet die Shared-Serving-Infrastruktur, dass die Zuteilung ungefähr ist. Leerlaufserver, Netzwerk und Kühlung unterstützen viele Benutzer gleichzeitig.
Deshalb wie viel Wasser ChatGPT verwendet kann nicht allein aufgrund der Anzahl der Nachrichten beantwortet werden. Dies ist auch der Grund, warum Anbieterdistributionen nützlicher wären als ein Durchschnitt: Die Leser müssen die gewöhnliche, High-End- und Tool-lastige Verwendung getrennt betrachten.
Direktes Wasser ist nicht der gesamte Fußabdruck
Der Verbrauch vor Ort ist lokal wichtig und oft durch Genehmigungen geregelt. Das vom Stromnetz verbrauchte Wasser ist darin nicht enthalten. Umgekehrt kann ein breites indirektes Modell Wasser aus einer entfernten Erzeugung zuordnen, das für das unmittelbare Einzugsgebiet des Rechenzentrums weniger relevant ist.
Chipfabriken verwenden hochreines Wasser und der Bau hat Auswirkungen auf die Lieferkette. Diese Phasen fehlen normalerweise bei Offenlegungen pro Abfrage, da keine öffentliche Methode die Lebensdauer eines Prozessors zuverlässig auf seine gesamte Arbeit verteilen kann. Trainingswasser hat das gleiche Nennerproblem.
Eine klare Berichterstattung stellt mehrere Ebenen dar, anstatt zu behaupten, dass eine davon die Wahrheit ist: direkter Betriebsstrom, indirekter Strom, Schulungszuteilung und verkörperte Lieferkette. Unser Leitfaden zu wie KI Wasser nutzt erklärt, wo jede Schicht auftritt.
Wie man eine Zahl verantwortungsvoll zitiert
Benennen Sie den Dienst und die Statistik: „Google gab als Median 0.26 ml an Gemini Apps-Textaufforderung im Mai 2025.“ Behalten Sie „Median“, „Text“ und das Datum bei. Für ChatGPT, sagen „Altman gab einen Durchschnitt von etwa 0.32 ml an, ohne die Methode zu veröffentlichen.“
Wenn Sie die wissenschaftliche Arbeit zitieren, sagen Sie: „Das Modell hat in seinen Szenarien 500 ml bei etwa 20–50 Antworten geschätzt.“ Verkürzen Sie das nicht auf eine Flasche pro Nachricht.
Treechat verwendet eine feste Milliliter-pro-Wattstunde-Annahme, um konsistente Schätzungen aus der Nachrichtenenergie zu erstellen. Die Methodik bezeichnet dies als Schätzung, da tatsächliches Kühl- und Stromwasser nicht verfügbar ist. Konsistenz kann beim Vergleich helfen Treechat Nachrichten; Es kann einen generischen Faktor nicht in eine Anlagenmessung umwandeln.
Die praktische Erkenntnis besteht darin, unnötige Berechnungen zu reduzieren und eine bessere Offenlegung zu fordern. Ein transparentes Sortiment ist weniger einprägsam als eine Flasche, aber viel näher an dem, was tatsächlich bekannt ist.