¿Realmente la IA utiliza una botella de agua por mensaje?

No. La investigación detrás de la afirmación no dice que un mensaje de IA consuma un 500 botella de ml de agua. Se estimó que una botella podría corresponder aproximadamente a 20–50 respuestas de modelo de lenguaje de longitud media, dependiendo de dónde y cuándo se ejecutó el sistema. eso es aproximadamente 10–25 ml por respuesta según los supuestos del estudio.

Las cifras de los operadores más recientes para texto normal son aún más bajas: alrededor de 0.26 ml para Google la mediana Gemini Solicitud de aplicaciones y 0.32 ml para un promedio ChatGPT consulta formulada por OpenAI El director ejecutivo. Esas cifras utilizan diferentes sistemas y métodos, por lo que no simplemente refutan el estudio. Sí desmienten presentar como un hecho establecido una botella por mensaje.

Lo que realmente decía el artículo original

El periódico de 2023 Hacer que la IA tenga menos “sed” se propusieron modelar la huella hídrica operativa de grandes modelos lingüísticos. Incluyó refrigeración in situ y agua asociada con la generación de electricidad, y luego probó cómo la ubicación y la hora cambiaban el resultado.

Su memorable ejemplo estimó que GPT-3-class la inferencia podría consumir un 500 botella de ml para aproximadamente 20–50 respuestas. La variedad era esencial: el clima de enfriamiento y la intensidad del agua de la red variaban. No se basó en observar una botella o una pipa dedicada para una charla.

Algunas coberturas redujeron el denominador. “Una botella para una conversación” se convirtió en “una botella por mensaje” o “por mensaje”. Esa alteración multiplica la estimación original por 20–50 y elimina la incertidumbre que los investigadores intentaban resaltar.

La distinción entre una respuesta y una conversación también es importante. Las conversaciones varían en duración y los turnos posteriores pueden devolver el contexto anterior al modelo, cambiando el cálculo.

Qué informan los proveedores más nuevos

Google informó una mediana Gemini Mensaje de texto de aplicaciones utilizado 0.26 ml de agua en una medición puntual de mayo de 2025. El estudio incluyó la energía del acelerador, el host y la máquina inactiva, además de los gastos generales del centro de datos, y luego calculó el agua para su flota de servicio.

Sam Altman declaró un promedio ChatGPT consulta utilizada 0.000085 US gallons, que se convierte en aproximadamente 0.32 ml. OpenAI no publicó el cálculo, ni solicitó la distribución ni el límite completo del agua, por lo que la aparente precisión debe tratarse con cautela.

Ambos representan alrededor de una fracción de mililitro, muy por debajo de los 10–25 ml. Pero una mediana y un promedio son diferentes, y la infraestructura del producto cambió entre los escenarios académicos y las divulgaciones de 2025.

Ninguna divulgación describe cada imagen, archivo, modo de búsqueda o razonamiento. Aplicar una cifra de mensaje de texto a esas cargas de trabajo repetiría el mismo error unitario en la dirección opuesta.

¿Por qué las estimaciones difieren tanto?

El modelo y la tarea afectan la electricidad, la cual afecta el calor. El diseño del centro de datos afecta directamente al agua. El clima cambia la demanda de enfriamiento. La red eléctrica cambia el agua indirectamente. El hardware, el procesamiento por lotes y la utilización cambian la cantidad de infraestructura que se asigna a una respuesta.

Los límites pueden ser la mayor fuente de desacuerdo. Contar únicamente el agua del sitio operativo es más limitado que agregar la generación de electricidad. La asignación de capacidad ociosa, capacitación o fabricación ascendente vuelve a cambiar la respuesta. Las divulgaciones públicas no ofrecen suficientes detalles coincidentes para conciliar las cifras con precisión.

Sería igualmente incorrecto elegir el número más pequeño y declarar resuelto el uso del agua por IA. La diferencia muestra que la medición de servicios específicos es posible y que las estimaciones genéricas necesitan salvedades. Ver Uso de agua de IA por consulta para obtener una explicación detallada.

Los operadores podrían reducir la incertidumbre publicando rangos por modelo y carga de trabajo, además de agua directa e indirecta para las instalaciones que les prestan servicio.

Un mensaje no consume literalmente agua.

Los sistemas de refrigeración dan servicio a racks e instalaciones de forma continua. Los investigadores dividen una parte del consumo entre cargas de trabajo en función de la energía o la actividad. Esta asignación puede respaldar la planificación, pero no es un evento físico desencadenado por el botón de enviar.

La misma distinción se aplica a la formación. Una carrera de entrenamiento puede consumir agua al mismo tiempo; los analistas pueden distribuirlo en mensajes posteriores, pero la proporción depende del tráfico de por vida. El agua para la fabricación de virutas se encuentra aguas arriba y rara vez se incluye.

Estas capas se disponen en cómo la IA usa el agua. Mantenerlos separados evita que una estimación de enfriamiento directo se haga pasar por un ciclo de vida completo, al mismo tiempo que se reconocen los recursos reales detrás de los servicios digitales.

También mantiene la responsabilidad a la vista: los operadores de las instalaciones controlan la refrigeración y la ubicación, mientras que los usuarios controlan principalmente el volumen y el tipo de trabajo que solicitan.

Las comparaciones de botellas aún pueden ser útiles

Un contenedor familiar hace comprensible un volumen invisible. El problema no es la metáfora; está perdiendo la fuente, el denominador y el límite. “Una botella para 20–50 respuestas en un 2023 "Escenario de investigación" es exacto. "Cada mensaje bebe una botella" no lo es.

Las proporciones también se vuelven tontas en volúmenes muy pequeños. Con 0.26 ml, aproximadamente 1,900 medianas Gemini Las indicaciones matemáticamente equivaldrían a 500 ml. Con 0.32 ml, aproximadamente 1,560 en promedio ChatGPT las consultas lo harían. Estas son divisiones transparentes de cifras publicadas, no afirmaciones de que esos mensajes compartan un sistema de enfriamiento o una consecuencia ambiental.

Nuestro comparaciones diarias de agua preservar esa distinción. Un litro en una cuenca con estrés hídrico y un litro en una con abundancia de agua tienen el mismo volumen pero no el mismo impacto.

¿Cuál es la verdadera preocupación?

La cuestión medioambiental es la infraestructura agregada. Incluso un pequeño promedio por consulta puede aumentar la demanda cuando el uso y la intensidad computacional aumentan. Los centros de datos también se agrupan, concentrando los efectos del agua y la red en comunidades particulares.

Los usuarios pueden evitar la regeneración innecesaria, limitar el contexto irrelevante y elegir modelos más pequeños para el trabajo rutinario. Los proveedores pueden hacer mucho más publicando agua directa e indirecta, ubicación, picos estacionales y distribuciones por carga de trabajo.

Treechat utiliza un factor fijo de energía-agua descrito en su página de metodología. Su recibo es una estimación, no una lectura de las instalaciones en vivo. Ése es el estándar apropiado para todas las afirmaciones sobre el agua: mantener el método al lado del número y corregir un mito memorable cuando supera su fuente.