Uso de água por IA por consulta: o que podemos realmente saber?

Não existe um número único de uso de água para uma consulta de IA. Divulgações recentes do operador colocam prompts de texto comuns em cerca de 0.26 ml para a mediana Gemini Solicitação de aplicativos e 0.32 ml em média ChatGPT consulta. Um modelo acadêmico de 2023 produziu uma faixa muito maior de aproximadamente 10–25 ml por resposta de modelo de linguagem em locais e limites de sistema específicos.

Estas estimativas não devem ser calculadas como médias ou tratadas como medidas da mesma coisa. Abrangem diferentes modelos, hardware, refrigeração, redes, datas e definições de água. A duração e as ferramentas de uma consulta também são importantes. A resposta mais precisa do consumidor é um intervalo de origem com seu limite anexado.

Os dois números baixos do operador

Google relatado 0.26 ml de água para uma mediana Gemini A geração de texto do aplicativo foi solicitada em maio de 2025. A análise que o acompanha também relatou 0.24 Wh de energia e descreveu um limite de serviço abrangente, incluindo infraestrutura de suporte.

OpenAI o presidente-executivo Sam Altman afirmou que uma média ChatGPT consulta usada 0.000085 US gallons, aproximadamente 0.32 ml. A postagem não publicou um cálculo nem definiu o mix de solicitações subjacente.

Os números são próximos, mas isso não estabelece uma alíquota universal. Uma delas é uma mediana pontual medida para um aplicativo nomeado; a outra é uma média de frota inexplicável. A mediana e a média são estatísticas diferentes e ambos os serviços continuam a mudar.

A estimativa de pesquisa mais alta

Em Tornando a IA menos “sedenta”, os pesquisadores modelaram o resfriamento direto e a água indireta relacionada à eletricidade para grandes modelos de linguagem. Seu exemplo amplamente citado atribuiu um 500 frasco de ml para cerca 20–50 respostas de tamanho médio, equivalente a cerca de 10–25 ml cada.

Este foi um cenário baseado em locais de implantação assumidos, clima, intensidade de água da rede e energia do modelo. Não foi uma leitura do medidor de ChatGPT. O valor do artigo é mostrar que quando e onde um modelo é executado pode alterar materialmente a sua pegada hídrica.

A diferença de ordem de grandeza em relação aos números posteriores dos fornecedores pode refletir hardware e refrigeração mais eficientes, energia de modelo diferente e contabilidade mais restrita ou simplesmente diferente. Como os dados subjacentes comparáveis ​​não são públicos, atribuir a lacuna a uma causa seria especulação.

Um cálculo simples ainda precisa de informações concretas

Na sua forma mais simples, a água direta por consulta pode ser estimada como a energia da consulta multiplicada pela eficácia do uso da água nas instalações. A água indireta soma a energia multiplicada pela intensidade hídrica da geração de eletricidade. Treinamento e fabricação exigem alocações separadas.

Cada entrada se move. Consulte alterações de energia com modelos, tokens de entrada e saída, lotes, chamadas de hardware e ferramentas. A água da instalação muda de acordo com o clima e o modo de resfriamento. A intensidade da água da rede muda com a geração. Uma média anual suaviza as horas em que a pressão da água local pode ser mais alta.

O Berkeley Lab modelou a eficácia média do uso de água em locais nos EUA em pouco mais de 0.36 litros por kWh em 2023. Multiplicar essa estimativa da frota nacional por uma estimativa imediata do produto misturaria sistemas não relacionados e não revelaria a água real do fornecedor.

“Query” não é uma unidade estável

Uma breve conclusão de texto pode gerar algumas dezenas de tokens. Uma solicitação de pesquisa pode processar documentos longos, pesquisar na web e ligar várias vezes para um modelo. A geração de imagens e vídeos usa pipelines diferentes. Contar cada uma como uma consulta torna o denominador conveniente, mas ambientalmente fraco.

A melhor unidade inclui carga de trabalho: modelo, tokens de entrada, tokens de saída, modalidade e atividade da ferramenta. Mesmo assim, a infraestrutura de serviço compartilhada significa que a alocação é aproximada. Servidores ociosos, redes e resfriamento suportam muitos usuários ao mesmo tempo.

É por isso quanta água ChatGPT usa não pode ser respondida apenas pela contagem de mensagens. É também por isso que as distribuições de provedores seriam mais úteis do que uma média: os leitores precisam ver o uso comum, de ponta e de ferramentas pesadas separadamente.

A água direta não é toda a pegada

O consumo no local é localmente importante e muitas vezes regulamentado pelas licenças. Não inclui a água utilizada pelo sistema de energia. Por outro lado, um modelo indireto amplo pode atribuir água de geração distante que seja menos relevante para a captação imediata do data center.

As fábricas de chips usam água ultrapura e a construção tem impactos na cadeia de abastecimento. Esses estágios normalmente estão ausentes nas divulgações por consulta porque nenhum método público pode alocar com segurança a vida útil de um processador em todo o seu trabalho. A água de treinamento tem o mesmo problema de denominador.

Relatórios claros apresentam várias camadas em vez de afirmar que uma delas é a verdade: eletricidade direta operacional, eletricidade indireta, alocação de treinamento e cadeia de abastecimento incorporada. Nosso guia para como a IA usa a água explica onde cada camada ocorre.

Como citar um número com responsabilidade

Nomeie o serviço e a estatística: “Google relataram 0.26 ml para sua mediana Gemini Solicitação de texto do aplicativo em maio de 2025.” Preservar “mediana”, “texto” e a data. Para ChatGPT, diga “Altman declarou uma média de cerca de 0.32 ml, sem publicar o método”.

Ao citar o trabalho acadêmico, diga “o modelo estimou 500 ml em aproximadamente 20–50 respostas em seus cenários”. Não encurte isso para uma garrafa por mensagem.

Treechat usa uma suposição fixa de mililitros por watt-hora para criar estimativas consistentes da energia da mensagem. O metodologia rotula isso como uma estimativa porque o resfriamento real e a água de energia não estão disponíveis. A consistência pode ajudar a comparar Treechat mensagens; não pode transformar um fator genérico em uma medida de instalação.

A conclusão prática é reduzir cálculos desnecessários e exigir melhor divulgação. Uma gama transparente é menos memorável do que uma garrafa, mas muito mais próxima do que realmente se conhece.