Gebruikt AI echt een fles water per bericht?

Nee. Uit het onderzoek achter deze bewering blijkt niet dat één AI-bericht a 500 ml flesje water. Er werd geschat dat een fles ongeveer zou kunnen overeenkomen 20–50 middellange taalmodelreacties, afhankelijk van waar en wanneer het systeem draaide. Dat is ongeveer 10–25 ml per respons onder de aannames van het onderzoek.

Nieuwere operatorcijfers voor gewone tekst zijn nog lager: ongeveer 0.26 ml Google’s mediaan Gemini Apps prompt en 0.32 ml voor gemiddeld ChatGPT vraag gesteld door OpenAI’s algemeen directeur. Deze cijfers maken gebruik van verschillende systemen en methoden, waardoor ze het onderzoek niet simpelweg weerleggen. Ze weerleggen wel dat het presenteren van één fles per bericht een vaststaand feit is.

Wat het originele document eigenlijk zei

Het document uit 2023 AI minder ‘dorstig’ maken wilde de operationele watervoetafdruk van grote taalmodellen modelleren. Het omvatte koeling op locatie en water in verband met de opwekking van elektriciteit, en testte vervolgens hoe locatie en tijd het resultaat veranderden.

Het gedenkwaardige voorbeeld schatte dat GPT-3-class gevolgtrekking zou een fles van 500 ml kunnen verbruiken voor ongeveer 20–50 reacties. Het bereik was essentieel: het koelweer en de intensiteit van het netwater varieerden. Het was niet gebaseerd op het observeren van een fles of een speciaal pijpje voor één gesprek.

Sommige berichtgeving liet de noemer vallen. “Een fles voor een gesprek” werd “een fles per prompt” of “per bericht”. Die wijziging vermenigvuldigt de oorspronkelijke schatting met 20–50 en neemt de onzekerheid weg die de onderzoekers probeerden te benadrukken.

Het onderscheid tussen een reactie en een gesprek is ook van belang. Gesprekken variëren in lengte, en latere beurten kunnen eerdere context terug in het model meenemen, waardoor de berekening verandert.

Wat nieuwere providers melden

Google meldde een mediaan Gemini Apps-tekstprompt gebruikt 0.26 ml water in een point-in-time meting van mei 2025. Het onderzoek omvatte de energie van de versneller, de host en de inactieve machine plus de overhead van het datacenter, en berekende vervolgens het water voor de bedienende vloot.

Sam Altman gaf een gemiddelde aan ChatGPT gebruikte zoekopdracht 0.000085 US gallons, wat neerkomt op ongeveer 0.32 ml. OpenAI heeft de berekening, de verzoekverdeling of de volledige watergrens niet gepubliceerd, dus met de schijnbare nauwkeurigheid moet voorzichtig worden omgegaan.

Beide zijn ongeveer een fractie van een milliliter, ver onder de 10–25 ml. Maar een mediaan en een gemiddelde zijn verschillend, en de productinfrastructuur veranderde tussen de academische scenario's en de onthullingen in 2025.

Geen van beide openbaarmakingen beschrijft elke afbeelding, bestand, zoek- of redeneermodus. Het toepassen van een tekstpromptcijfer op deze werkbelastingen zou dezelfde eenheidsfout in de tegenovergestelde richting herhalen.

Waarom de schattingen zo uiteenlopen

Het model en de taak beïnvloeden elektriciteit, wat de warmte beïnvloedt. Het ontwerp van het datacenter heeft invloed op direct water. Het weer verandert de vraag naar koeling. Het elektriciteitsnet ververst indirect water. Hardware, batching en gebruik veranderen de hoeveelheid infrastructuur die aan één respons wordt toegewezen.

Grenzen kunnen de grootste bron van onenigheid zijn. Alleen het operationele water op de locatie tellen is nauwer dan het toevoegen van elektriciteitsopwekking. Het toewijzen van onbenutte capaciteit, training of upstream-productie verandert het antwoord opnieuw. Openbare bekendmakingen bieden niet voldoende overeenkomende details om de cijfers nauwkeurig op elkaar af te stemmen.

Het zou net zo verkeerd zijn om het kleinste getal te kiezen en het AI-watergebruik opgelost te verklaren. De spreiding laat zien dat dienstspecifieke metingen mogelijk zijn en dat bij generieke schattingen kanttekeningen nodig zijn. Zie AI-waterverbruik per zoekopdracht voor een uitleg naast elkaar.

Exploitanten zouden de onzekerheid kunnen verkleinen door bereiken per model en werklast te publiceren, plus direct en indirect water voor de faciliteiten die hen bedienen.

Een prompt verbruikt niet letterlijk water

Koelsystemen bedienen continu rekken en faciliteiten. Onderzoekers verdelen een deel van het verbruik over de werklast op basis van energie of activiteit. Deze toewijzing kan de planning ondersteunen, maar is geen fysieke gebeurtenis die wordt geactiveerd door de verzendknop.

Hetzelfde onderscheid geldt voor de opleiding. Een trainingsrun kan in één keer water verbruiken; analisten kunnen het over latere berichten verspreiden, maar het aandeel is afhankelijk van het totale verkeer. Water voor de chipproductie bevindt zich verder stroomopwaarts en wordt zelden opgenomen.

Deze lagen zijn opgemaakt in hoe AI water gebruikt. Door ze gescheiden te houden, wordt voorkomen dat een directe afkoelingsschatting zich voordoet als een volledige levenscyclus, terwijl de echte hulpbronnen achter digitale diensten nog steeds worden erkend.

Het houdt ook de verantwoordelijkheid in het oog: exploitanten van faciliteiten regelen de koeling en locatie, terwijl gebruikers vooral de hoeveelheid en het soort werk regelen dat zij vragen.

Flessenvergelijkingen kunnen nog steeds nuttig zijn

Een vertrouwde container maakt een onzichtbaar volume begrijpelijk. Het probleem is niet de metafoor; het verliest de bron, de noemer en de grens. “Eén fles voor 20–50 reacties in een onderzoeksscenario voor 2023” klopt. “Elke boodschap drinkt een fles” is dat niet.

Verhoudingen worden ook raar bij zeer kleine volumes. Bij 0.26 ml, ongeveer 1,900 mediaan Gemini aanwijzingen zouden wiskundig gelijk zijn aan 500 ml. Bij 0.32 ml ongeveer 1,560 gemiddeld ChatGPT vragen zouden. Dit zijn transparante verdelingen van gepubliceerde cijfers, en niet de bewering dat deze berichten één koelsysteem of een gevolg voor het milieu delen.

Onze dagelijkse watervergelijkingen dat onderscheid behouden. Een liter in een waterarm stroomgebied en een liter in een waterrijk stroomgebied hebben een gelijk volume, maar niet dezelfde impact.

Wat de echte zorg is

Het milieuprobleem is de totale infrastructuur. Zelfs een klein gemiddelde per zoekopdracht kan bijdragen aan een substantiële vraag wanneer het gebruik en de rekenintensiteit toenemen. Datacentra clusteren ook, waardoor water- en netwerkeffecten in bepaalde gemeenschappen worden geconcentreerd.

Gebruikers kunnen onnodige regeneratie vermijden, irrelevante context beperken en kleinere modellen kiezen voor routinewerk. Aanbieders kunnen veel meer doen door direct en indirect water, locatie, seizoenspieken en verdelingen per werklast te publiceren.

Treechat maakt gebruik van een vaste energie-naar-water-factor die op de website wordt beschreven methodologie pagina. De ontvangst ervan is een schatting, geen live-uitlezing van de faciliteit. Dat is de juiste norm voor alle waterclaims: houd de methode buiten het getal, en corrigeer een gedenkwaardige mythe wanneer deze de bron te boven gaat.