Uso de agua por IA por consulta: ¿qué podemos saber realmente?

No existe una cifra única de uso de agua para una consulta de IA. Las revelaciones recientes del operador sitúan los mensajes de texto ordinarios en aproximadamente 0.26 ml para la mediana Gemini Las aplicaciones indican y 0.32 ml para un promedio ChatGPT consulta. A 2023 modelo académico produjo un rango mucho mayor de aproximadamente 10–25 ml por respuesta de modelo de lenguaje en ubicaciones y límites del sistema particulares.

Estas estimaciones no deben promediarse ni tratarse como medidas de lo mismo. Cubren diferentes modelos, hardware, refrigeración, rejillas, fechas y definiciones de agua. La duración y las herramientas de una consulta también son importantes. La respuesta más precisa del consumidor es un rango de origen con su límite adjunto.

Las dos bajas cifras de operadores

Google reportado 0.26 ml de agua para una mediana Gemini La generación de texto de las aplicaciones se inició en mayo de 2025. El análisis adjunto también informó 0.24 Wh de energía y describió un límite de servicio integral que incluye la infraestructura de soporte.

OpenAI El director ejecutivo Sam Altman afirmó que un promedio ChatGPT consulta utilizada 0.000085 US gallons, aproximadamente 0.32 ml. La publicación no publicó un cálculo ni definió la combinación de solicitudes subyacente.

Las cifras son cercanas, pero eso no establece una tasa universal. Uno es una mediana medida en un momento dado para una aplicación con nombre; el otro es un promedio de flota inexplicable. La mediana y la media son estadísticas diferentes y ambos servicios continúan cambiando.

La estimación de investigación más alta

En Hacer que la IA tenga menos “sed”, los investigadores modelaron el enfriamiento directo y el agua indirecta relacionada con la electricidad para modelos de lenguaje grandes. Su ejemplo ampliamente citado asignó una 500 botella de ml a aproximadamente 20–50 respuestas de longitud media, equivalentes a alrededor 10–25 ml cada uno.

Este fue un escenario basado en ubicaciones de implementación supuestas, el clima, la intensidad del agua de la red y la energía del modelo. No era una lectura del medidor de ChatGPT. El valor del artículo es mostrar que cuándo y dónde se ejecuta un modelo puede cambiar materialmente su huella hídrica.

La brecha de orden de magnitud con las cifras de proveedores posteriores puede reflejar hardware y refrigeración más eficientes, energía de modelo diferente y una contabilidad más estrecha o simplemente diferente. Dado que los datos subyacentes comparables no son públicos, asignar la brecha a una causa sería especulación.

Un cálculo simple todavía necesita datos duros

En su forma más simple, el agua directa por consulta se puede estimar como la energía de la consulta multiplicada por la efectividad del uso del agua de las instalaciones. El agua indirecta suma la energía multiplicada por la intensidad hídrica de la generación eléctrica. La capacitación y la fabricación requieren asignaciones separadas.

Cada entrada se mueve. Consulta cambios de energía con modelo, tokens de entrada y salida, procesamiento por lotes, llamadas de hardware y herramientas. El agua de las instalaciones cambia según el clima y el modo de enfriamiento. La intensidad del agua de la red cambia con la generación. Un promedio anual elimina las horas en que la presión del agua local puede ser más alta.

Berkeley Lab modeló la efectividad promedio del uso del agua en sitios de EE. UU. en poco más 0.36 litros por kWh en 2023. Multiplicar esa estimación de la flota nacional por una estimación inmediata del producto mezclaría sistemas no relacionados, no revelaría el agua real del proveedor.

“Consulta” no es una unidad estable

Completar un texto breve puede generar unas pocas docenas de tokens. Una solicitud de investigación puede procesar documentos largos, buscar en la web y llamar a un modelo varias veces. La generación de imágenes y videos utiliza diferentes canales. Contar cada uno como una consulta hace que el denominador sea conveniente pero ambientalmente débil.

La mejor unidad incluye carga de trabajo: modelo, tokens de entrada, tokens de salida, modalidad y actividad de la herramienta. Incluso entonces, la infraestructura de servicios compartida significa que la asignación es aproximada. Los servidores inactivos, las redes y la refrigeración admiten a muchos usuarios a la vez.

Esta es la razón cuanta agua ChatGPT usos no se puede responder únicamente con el recuento de mensajes. También es la razón por la que las distribuciones de proveedores serían más útiles que una distribución promedio: los lectores necesitan ver el uso ordinario, de alta gama y de herramientas por separado.

El agua directa no es toda la huella

El consumo in situ es importante a nivel local y muchas veces lo permite regularlo. No incluye el agua utilizada por el sistema eléctrico. Por el contrario, un modelo indirecto amplio puede asignar agua de generación distante que sea menos relevante para la captación inmediata del centro de datos.

Las fábricas de chips utilizan agua ultrapura y la construcción tiene impactos en la cadena de suministro. Estas etapas normalmente están ausentes de las divulgaciones por consulta porque ningún método público puede asignar con confianza la vida útil de un procesador en todo su trabajo. El agua de formación tiene el mismo problema del denominador.

Los informes claros presentan varias capas en lugar de afirmar que una es la verdad: operativa directa, electricidad indirecta, asignación de capacitación y cadena de suministro incorporada. nuestra guía para cómo la IA usa el agua Explica dónde ocurre cada capa.

Cómo citar un número de forma responsable

Nombra el servicio y la estadística: “Google informó 0.26 ml para su mediana Gemini Mensaje de texto de las aplicaciones en mayo de 2025”. Conservar “mediana”, “texto” y la fecha. Para ChatGPT, digamos "Altman declaró un promedio de aproximadamente 0.32 ml, sin publicar el método".

Al citar el trabajo académico, diga “el modelo estimado 500 ml de ancho aproximadamente 20–50 respuestas bajo sus escenarios”. No lo acortes a una botella por mensaje.

Treechat utiliza una suposición fija de mililitros por vatio-hora para crear estimaciones consistentes a partir de la energía del mensaje. El metodología etiqueta esto como una estimación porque el agua de refrigeración y energía real no está disponible. La coherencia puede ayudar a comparar Treechat mensajes; no puede convertir un factor genérico en una medición de instalaciones.

La conclusión práctica es reducir los cálculos innecesarios y exigir una mejor divulgación. Una gama transparente es menos memorable que una botella, pero mucho más cercana a lo que realmente se conoce.