A IA realmente usa uma garrafa de água por mensagem?

Não. A pesquisa por trás da afirmação não disse que uma mensagem de IA consome um 500 garrafa de ml de água. Estimou-se que uma garrafa poderia corresponder a aproximadamente 20–50 respostas de modelo de linguagem de comprimento médio, dependendo de onde e quando o sistema foi executado. Isso é sobre 10–25 ml por resposta de acordo com os pressupostos do estudo.

Os números mais recentes do operador para texto comum são ainda mais baixos: cerca de 0.26 ml para Google mediana Gemini Solicitação de aplicativos e 0.32 ml em média ChatGPT consulta declarada por OpenAI principal executivo. Esses números utilizam sistemas e métodos diferentes, por isso não refutam simplesmente o estudo. Eles refutam a apresentação de uma garrafa por mensagem como um fato estabelecido.

O que o artigo original realmente dizia

O artigo de 2023 Tornando a IA menos “sedenta” decidiu modelar a pegada hídrica operacional de grandes modelos de linguagem. Incluiu refrigeração no local e água associada à geração de eletricidade e, em seguida, testou como a localização e o tempo alteraram o resultado.

Seu exemplo memorável estimou que GPT-3-class a inferência poderia consumir uma garrafa de 500 ml para aproximadamente 20–50 respostas. A autonomia era essencial: o clima de resfriamento e a intensidade da água da rede variavam. Não se baseava na observação de uma garrafa ou cachimbo dedicado para uma conversa.

Algumas coberturas deixaram cair o denominador. “Uma garrafa para uma conversa” passou a ser “uma garrafa por prompt” ou “por mensagem”. Essa alteração multiplica a estimativa original por 20–50 e elimina a incerteza que os investigadores tentavam destacar.

A distinção entre uma resposta e uma conversa também é importante. As conversas variam em duração, e turnos posteriores podem trazer o contexto anterior de volta ao modelo, alterando a computação.

O que os provedores mais recentes relatam

Google relatou uma mediana Gemini Prompt de texto do aplicativo usado 0.26 ml de água em uma medição pontual de maio de 2025. O estudo incluiu a energia do acelerador, do host e da máquina ociosa, além das despesas gerais do data center e, em seguida, calculou a água para sua frota de serviço.

Sam Altman declarou uma média ChatGPT consulta usada 0.000085 US gallons, que se converte em cerca de 0.32 ml. OpenAI não publicou o cálculo, não solicitou a distribuição ou o limite total da água, portanto a aparente precisão deve ser tratada com cautela.

Ambos estão em torno de uma fração de mililitro, muito abaixo de 10–25 ml. Mas a mediana e a média são diferentes, e a infraestrutura do produto mudou entre os cenários acadêmicos e as divulgações de 2025.

Nenhuma das divulgações descreve cada imagem, arquivo, pesquisa ou modo de raciocínio. Aplicar uma figura de prompt de texto a essas cargas de trabalho repetiria o mesmo erro de unidade na direção oposta.

Por que as estimativas diferem tanto

O modelo e a tarefa afetam a eletricidade, que afeta o calor. O design do data center afeta diretamente a água. O clima altera a demanda de resfriamento. A rede elétrica altera indiretamente a água. Hardware, processamento em lote e utilização alteram a quantidade de infraestrutura alocada para uma resposta.

Os limites podem ser a maior fonte de desacordo. Contar apenas a água do local operacional é mais restrito do que adicionar a geração de eletricidade. Alocar capacidade ociosa, treinamento ou produção upstream altera novamente a resposta. As divulgações públicas não oferecem detalhes de correspondência suficientes para reconciliar os números com precisão.

Seria igualmente errado escolher o menor número e declarar resolvido o uso da água pela IA. A dispersão mostra que a medição específica do serviço é possível e que as estimativas genéricas necessitam de reservas. Veja Uso de água por IA por consulta para uma explicação lado a lado.

Os operadores poderiam reduzir a incerteza publicando intervalos por modelo e carga de trabalho, além de água direta e indireta para as instalações que os servem.

Um prompt não consome água literalmente

Os sistemas de refrigeração atendem racks e instalações continuamente. Os pesquisadores dividem uma parcela do consumo entre as cargas de trabalho com base na energia ou atividade. Esta alocação pode apoiar o planejamento, mas não é um evento físico acionado pelo botão enviar.

A mesma distinção se aplica ao treinamento. Uma corrida de treinamento pode consumir água de uma só vez; os analistas podem distribuí-lo em mensagens posteriores, mas a parcela depende do tráfego vitalício. A água de fabricação de cavacos está mais a montante e raramente é incluída.

Essas camadas são dispostas em como a IA usa a água. Mantê-los separados evita que uma estimativa direta de resfriamento se disfarce como um ciclo de vida completo, ao mesmo tempo em que reconhece os recursos reais por trás dos serviços digitais.

Também mantém a responsabilidade em vista: os operadores das instalações controlam o arrefecimento e a localização, enquanto os utilizadores controlam principalmente o volume e o tipo de trabalho que solicitam.

Comparações de garrafas ainda podem ser úteis

Um contêiner familiar torna compreensível um volume invisível. O problema não é a metáfora; está perdendo a fonte, o denominador e o limite. “Uma garrafa para 20–50 respostas num cenário de investigação de 2023” é exacto. “Cada mensagem bebe uma garrafa” não é.

As proporções também se tornam bobas em volumes muito pequenos. Com 0.26 ml, cerca de 1,900 mediana Gemini os prompts seriam matematicamente iguais a 500 ml. Com 0.32 ml, cerca de 1,560 média declarada ChatGPT consultas fariam. Estas são divisões transparentes de números publicados, e não alegações de que essas mensagens partilham um sistema de refrigeração ou consequência ambiental.

Nosso comparações diárias de água preservar essa distinção. Um litro numa bacia hidrográfica com escassez de água e um litro numa bacia com abundância de água têm o mesmo volume, mas não o mesmo impacto.

Qual é a verdadeira preocupação

A questão ambiental é a infraestrutura agregada. Mesmo uma pequena média por consulta pode aumentar a demanda substancial quando o uso e a intensidade computacional aumentam. Os data centers também se aglomeram, concentrando os efeitos da água e da rede em comunidades específicas.

Os usuários podem evitar regenerações desnecessárias, limitar contextos irrelevantes e escolher modelos menores para trabalhos de rotina. Os fornecedores podem fazer muito mais publicando água direta e indireta, localização, picos sazonais e distribuições por carga de trabalho.

Treechat usa um fator fixo de energia para água descrito em seu página de metodologia. Seu recebimento é uma estimativa, não uma leitura de instalação ao vivo. Esse é o padrão apropriado para todas as reivindicações de água: manter o método ao lado do número e corrigir um mito memorável quando ele ultrapassar a sua fonte.