AI-waterverbruik per zoekopdracht: wat kunnen we eigenlijk weten?

Er is geen enkel waterverbruikcijfer voor een AI-query. Recente openbaarmakingen door operators schatten de gemiddelde waarde van gewone tekstaanwijzingen op ongeveer 0.26 ml Gemini Apps prompt en 0.32 ml voor gemiddeld ChatGPT vraag. Een academisch model uit 2023 produceerde een veel hoger bereik van ongeveer 10–25 ml per taalmodelrespons onder bepaalde locaties en systeemgrenzen.

Deze schattingen mogen niet worden gemiddeld of behandeld als metingen van hetzelfde. Ze omvatten verschillende modellen, hardware, koeling, roosters, data en definities van water. De lengte en tools van een zoekopdracht zijn ook van belang. Het meest nauwkeurige consumentenantwoord is een afkomstig bereik met daaraan gekoppelde grenzen.

De twee lage operatorfiguren

Google gerapporteerd 0.26 ml water voor een middenmoot Gemini Prompt voor het genereren van tekst voor apps in mei 2025. De bijbehorende analyse rapporteerde ook 0.24 Wh aan energie en beschreef een uitgebreide bedieningsgrens inclusief ondersteunende infrastructuur.

OpenAI CEO Sam Altman verklaarde dat dit een gemiddelde is ChatGPT gebruikte zoekopdracht 0.000085 US gallons, ongeveer 0.32 ml. Het bericht heeft geen berekening gepubliceerd en de onderliggende verzoekmix niet gedefinieerd.

De cijfers liggen dicht bij elkaar, maar daarmee is nog geen universeel tarief vastgesteld. Eén daarvan is een gemeten tijdstipmediaan voor een benoemde app; de andere is een onverklaard vlootgemiddelde. Mediaan en gemiddelde zijn verschillende statistieken, en beide diensten blijven veranderen.

De hogere onderzoeksschatting

In AI minder ‘dorstig’ makenhebben onderzoekers directe koeling en indirect elektriciteitsgerelateerd water gemodelleerd voor grote taalmodellen. Hun veel geciteerde voorbeeld kreeg een 500 ml fles tot ongeveer 20–50 middellange reacties, gelijk aan ongeveer 10–25 ml elk.

Dit was een scenario gebaseerd op veronderstelde inzetlocaties, het weer, de waterintensiteit van het elektriciteitsnet en modelenergie. Het was geen meterstand van ChatGPT. De waarde van het artikel laat zien dat wanneer en waar een model wordt uitgevoerd, de watervoetafdruk ervan wezenlijk kan veranderen.

De kloof in de orde van grootte met latere cijfers van leveranciers kan een weerspiegeling zijn van efficiëntere hardware en koeling, ander modelenergie en een smallere of eenvoudigweg andere boekhouding. Omdat vergelijkbare onderliggende gegevens niet openbaar zijn, zou het toewijzen van de kloof aan één oorzaak speculatie zijn.

Een eenvoudige berekening vereist nog steeds harde invoer

Op zijn eenvoudigst kan direct water per vraag worden geschat als vraagenergie vermenigvuldigd met de effectiviteit van het watergebruik van de faciliteit. Indirect water telt de energie op, vermenigvuldigd met de waterintensiteit van de elektriciteitsopwekking. Training en productie vereisen afzonderlijke toewijzingen.

Elke ingang beweegt. Vraag energieveranderingen op met model-, invoer- en uitvoertokens, batching, hardware- en tooloproepen. Het water in de faciliteit verandert afhankelijk van het weer en de koelmodus. De waterintensiteit van het elektriciteitsnet verandert met de generatie. Een jaargemiddelde strijkt de uren glad waarop de lokale waterdruk het hoogst kan zijn.

Berkeley Lab heeft de gemiddelde effectiviteit van het watergebruik in de VS gemodelleerd op iets meer dan 0.36 liter per kWh in 2023. Het vermenigvuldigen van de schatting van de nationale vloot met een productpromptschatting zou niet-gerelateerde systemen vermengen en niet het werkelijke water van de leverancier onthullen.

“Query” is geen stabiele eenheid

Een korte tekstaanvulling kan enkele tientallen tokens opleveren. Een onderzoeksaanvraag kan lange documenten verwerken, het web doorzoeken en een model meerdere keren aanroepen. Voor het genereren van afbeeldingen en video's worden verschillende pijplijnen gebruikt. Door elk als één vraag te tellen, is de noemer handig, maar voor het milieu zwak.

De betere eenheid omvat de werklast: model, invoertokens, uitvoertokens, modaliteit en toolactiviteit. Zelfs dan betekent gedeelde bedieningsinfrastructuur dat de toewijzing bij benadering is. Inactieve servers, netwerken en koeling ondersteunen veel gebruikers tegelijk.

Dit is waarom hoeveel water ChatGPT gebruikt kan niet alleen worden beantwoord op basis van het aantal berichten. Dit is ook de reden waarom distributies van providers nuttiger zouden zijn dan één gemiddelde: lezers moeten het gewone, het geavanceerde en het zware gebruik afzonderlijk bekijken.

Direct water is niet de hele voetafdruk

Het verbruik ter plaatse is lokaal belangrijk en vaak wordt er door de vergunningen gereguleerd. Het omvat niet het water dat door het elektriciteitssysteem wordt gebruikt. Omgekeerd kan een breed indirect model water van verre generatie toewijzen dat minder relevant is voor het directe stroomgebied van het datacenter.

Chipfabrieken gebruiken ultrapuur water en de bouw heeft gevolgen voor de toeleveringsketen. Deze fasen ontbreken normaal gesproken in de openbaarmakingen per zoekopdracht, omdat geen enkele openbare methode met zekerheid de levensduur van een processor over al zijn werk kan verdelen. Trainingswater heeft hetzelfde noemerprobleem.

Duidelijke rapportage presenteert verschillende lagen in plaats van te beweren dat één de waarheid is: directe operationele, indirecte elektriciteit, toewijzing van trainingen en belichaamde toeleveringsketen. Onze gids voor hoe AI water gebruikt legt uit waar elke laag voorkomt.

Hoe je op een verantwoorde manier een getal kunt citeren

Noem de service en statistiek: “Google rapporteerde 0.26 ml voor de mediaan Gemini Apps-tekstprompt in mei 2025.” Behoud “mediaan”, “tekst” en de datum. Voor ChatGPT, zeggen: “Altman vermeldde een gemiddelde van ongeveer 0.32 ml, zonder de methode te publiceren.”

Wanneer u het academische werk citeert, zegt u ‘het geschatte model 500 ml ongeveer over 20–50 reacties onder zijn scenario’s.” Kort dat niet in een fles per bericht.

Treechat maakt gebruik van een vaste aanname van milliliter per wattuur om consistente schattingen te maken op basis van de energie van berichten. De methodologie bestempelt dit als een schatting omdat daadwerkelijke koeling en stroomwater niet beschikbaar zijn. Consistentie kan helpen bij het vergelijken Treechat berichten; het kan een generieke factor niet omzetten in een faciliteitsmeting.

De praktische afhaalmogelijkheid is het verminderen van onnodige berekeningen en het eisen van betere openbaarmaking. Een transparant assortiment is minder gedenkwaardig dan een fles, maar komt veel dichter in de buurt van wat daadwerkelijk bekend is.