¿Cuánta agua usa ChatGPT?
Las estimaciones públicas para ChatGPT varían desde fracciones hasta decenas de mililitros por consulta. He aquí por qué entran en conflicto y qué cuenta cada uno.
El único promedio público propio dice que una consulta ChatGPT utiliza alrededor de 0.000085 galones estadounidenses de agua, aproximadamente 0.32 mililitros. El director ejecutivo de OpenAI, Sam Altman, publicó esa cifra en 2025, pero no proporcionó el cálculo ni definió qué modelos, ubicaciones y límites de agua cubre.
Investigaciones independientes han producido estimaciones mucho más altas. A 2023 documento sugerido sobre 500 ml para 20–50 respuestas de longitud media, o aproximadamente 10–25 ml cada uno, dependiendo de dónde y cuándo se ejecutó el sistema. Estas cifras no son directamente comparables. La respuesta honesta es que el uso de agua de ChatGPT varía y la divulgación pública no es lo suficientemente detallada como para calcular su conversación exacta.
La cifra propia es una media
Altman declaración publicada proporcionó dos promedios operativos para una consulta ChatGPT: aproximadamente 0.34 Wh de electricidad y 0.000085 galones estadounidenses de agua. Al convertir este último se obtienen aproximadamente 0.32 ml.
Es útil porque proviene del operador, que puede observar su infraestructura y tráfico. Es limitado porque la publicación no revela su período de medición, distribución de modelos, duración de la consulta, límite directo versus indirecto o tratamiento de la capacitación.
Un promedio también puede ocultar una amplia gama. Una solicitud breve y una larga sesión de razonamiento son trabajos informáticos diferentes. Las herramientas de búsqueda, archivos, imágenes y agentes pueden invocar varios sistemas. Es mejor tratar la cifra como una señal a nivel de flota para uso ordinario, no como un medidor de agua adjunto a cada mensaje ChatGPT.
Por qué la estimación académica es más alta
El periódico de 2023 Hacer que la IA tenga menos “sed” Se estima tanto el agua de refrigeración del sitio como el agua asociada a la electricidad. Sus investigadores modelaron ubicaciones particulares de centros de datos, clima y redes eléctricas en lugar de medir la flota privada de OpenAI.
Su ejemplo principal fue que un 500 la botella de ml podría servir aproximadamente 20–50 respuestas. Eso equivale a 10–25 ml por respuesta según los supuestos del artículo. Nunca admitió "una botella por mensaje".
El servicio modelado, los supuestos de infraestructura y el tiempo difieren del promedio posterior de Altman. El hardware y la refrigeración también mejoraron. Un límite que incluya el agua para la generación indirecta de energía suele ser más amplio que uno centrado en la refrigeración directa. Sin una metodología de comparación de OpenAI, no podemos aislar qué parte de la brecha proviene de la eficiencia y qué parte de la contabilidad.
El uso del agua cambia con el lugar y el tiempo.
El enfriamiento evaporativo consume agua para sacar el calor de un centro de datos. La cantidad depende de la temperatura y la humedad, el equipo de refrigeración y la carga del servidor. Una instalación que utiliza aire exterior o refrigeración de circuito cerrado puede consumir menos en el sitio.
La generación de electricidad también puede consumir agua. Su tarifa cambia con la combinación local de energía térmica, eólica, solar y otras fuentes. Tanto la demanda de refrigeración como la combinación de la red pueden variar hora tras hora, por lo que la misma solicitud de modelo puede tener agua asignada diferente en diferentes regiones.
La escasez cambia tanto la consecuencia como el volumen. Un mililitro en una cuenca afectada por la sequía tiene un significado local diferente al de uno en una región con abundancia de agua. Un promedio global no puede expresar eso. Ver cómo la IA usa el agua para etapas directas, indirectas y de fabricación.
El entrenamiento y los chips quedan fuera de la mayoría de las afirmaciones de consulta
El artículo académico estimó que entrenar GPT-3 en los centros de datos de Microsoft en EE. UU. podría consumir directamente alrededor de 700,000 litros según su modelo. Esa no es una medida OpenAI divulgada, y los modelos ChatGPT más nuevos tienen diferentes ejecuciones de entrenamiento. No debe presentarse como un total conocido para el producto actual.
Compartir el agua de capacitación entre consultas es una opción contable. La asignación por consulta disminuye si un modelo atiende más solicitudes y aumenta si se retira anticipadamente. El agua se consumió durante el entrenamiento, no cada vez que un usuario presiona enviar.
La fabricación de semiconductores también utiliza agua ultrapura, mientras que la construcción de centros de datos tiene impactos en las fases iniciales. Las cifras inmediatas al consumidor rara vez incluyen cualquiera de las dos opciones porque la utilización, la vida útil del hardware y la asignación de la cadena de suministro son inciertas. Una estimación operativa estrecha sigue siendo útil, pero no es un total del ciclo de vida completo.
En qué se equivoca la comparación de botellas
La frase “ChatGPT bebe una botella de agua” hace que una asignación modelada suene como un evento físico. Los servidores no abren una botella cuando llega un mensaje. Los sistemas de refrigeración funcionan en muchas cargas de trabajo y los investigadores asignan parte de su consumo a una solicitud.
La comparación también fomenta un tipo de interés fijo. Incluso el artículo original daba una 20–50 rango de respuesta porque la ubicación y el tiempo importaban. Las cifras posteriores describen fracciones de mililitro. Elegir un punto final sin su fuente y límite convierte la incertidumbre en un cebo para hacer clic.
Nuestra auditoría dedicada—¿La IA realmente usa una botella por mensaje?—rastrea el reclamo. La conclusión no es que la IA no utilice agua. Es que la unidad, denominador y alcance deben viajar con el número.
¿Qué puedes hacer con esta incertidumbre?
Tratar 0.32 ml como el promedio indicado por OpenAI, no como su medida exacta. Tratar 10–25 ml como escenario de investigación para un límite de servicio diferente, no una lectura actual de ChatGPT. No los promedies juntos: eso crearía un número respaldado por ninguna fuente.
Para un uso de menor impacto, mantenga las conversaciones enfocadas, evite intentos repetidos y utilice razonamiento avanzado o medios generados cuando la tarea lo justifique. Elegir un modelo adecuado más pequeño puede reducir el cálculo y la carga de enfriamiento asignada a la respuesta.
Los datos decisivos los tienen los proveedores. Pueden publicar distribuciones por modelo y tarea, agua directa e indirecta, ubicación de las instalaciones y consumo estacional. Hasta que lo hagan, las estimaciones responsables deben seguir siendo amplias y explícitas. Treechat sigue ese principio en su metodología: su recepción de agua deriva de una energía estimada y de un factor fijo, no de una lectura en vivo de un centro de datos.
Para comparaciones visuales sin perder las advertencias, consulte Uso del agua mediante IA frente a cosas cotidianas. La lección clave es simple: la cuestión ambiental es la infraestructura local agregada, no un sorbo literal tomado por la pantalla.