Quanto água faz ChatGPT usar?

A única média pública primária diz que um ChatGPT A consulta usa cerca de 0.000085 galões americanos de água – aproximadamente 0.32 mililitros. OpenAI O presidente-executivo Sam Altman publicou esse número em 2025, mas não forneceu o cálculo nem definiu quais modelos, locais e limites de água ele cobre.

Pesquisas independentes produziram estimativas muito mais elevadas. Um artigo de 2023 sugeriu cerca de 500 ml para 20–50 respostas de comprimento médio, ou cerca de 10–25 ml cada, dependendo de onde e quando o sistema foi executado. Esses números não são diretamente comparáveis. A resposta honesta é que ChatGPT o uso da água varia e a divulgação pública não é detalhada o suficiente para calcular a conversa exata.

O valor primário é uma média

Altman declaração publicada deu duas médias operacionais para um ChatGPT consulta: cerca de 0.34 Wh de eletricidade e 0.000085 galões americanos de água. A conversão deste último dá aproximadamente 0.32 ml.

É útil porque vem da operadora, que pode observar sua infraestrutura e tráfego. É limitado porque a postagem não divulga seu período de medição, distribuição de modelos, duração da consulta, limite direto versus indireto ou tratamento do treinamento.

Uma média também pode ocultar uma ampla gama. Uma solicitação curta e uma longa sessão de raciocínio são tarefas de computação diferentes. Pesquisa, arquivos, imagens e ferramentas de agentes podem invocar vários sistemas. A figura é melhor tratada como uma sinalização de nível de frota para uso comum, e não como um medidor de água conectado a cada ChatGPT mensagem.

Por que a estimativa acadêmica é maior

O artigo de 2023 Tornando a IA menos “sedenta” estimou tanto a água de resfriamento no local quanto a água associada à eletricidade. Seus pesquisadores modelaram localizações específicas de data centers, clima e redes elétricas, em vez de medir OpenAI frota privada.

O exemplo do título foi que um 500 garrafa de ml pode servir aproximadamente 20–50 respostas. Isso equivale a 10–25 ml por resposta de acordo com as premissas do artigo. Nunca apoiou “uma garrafa por mensagem”.

O serviço modelado, os pressupostos de infraestrutura e o tempo diferem da média posterior de Altman. Hardware e refrigeração também melhoraram. Uma fronteira que inclua a água para a geração indirecta de energia será normalmente mais ampla do que uma que se concentre no arrefecimento directo. Sem uma metodologia correspondente de OpenAI, não podemos isolar quanto da lacuna provém da eficiência e quanto provém da contabilidade.

O uso da água muda com o lugar e o tempo

O resfriamento evaporativo consome água para retirar o calor de um data center. A quantidade depende da temperatura e umidade, do equipamento de refrigeração e da carga do servidor. Uma instalação que utiliza ar externo ou refrigeração em circuito fechado pode consumir menos no local.

A geração de eletricidade também pode consumir água. Sua taxa muda com a combinação local de energia térmica, eólica, solar e outras fontes. Tanto a procura de arrefecimento como a mistura da rede podem variar de hora em hora, pelo que o mesmo pedido de modelo pode ter água alocada diferente em regiões diferentes.

A escassez altera as consequências e também o volume. Um mililitro numa bacia hidrográfica afectada pela seca tem um significado local diferente de um mililitro numa região com abundância de água. Uma média global não pode expressar isso. Veja como a IA usa a água para etapas diretas, indiretas e de fabricação.

Treinamento e chips ficam fora da maioria das reivindicações de consulta

O artigo acadêmico estimou que o treinamento GPT-3 nos data centers da Microsoft nos EUA poderiam consumir diretamente cerca de 700,000 litros sob seu modelo. Isso não é divulgado OpenAI medição e mais recentes ChatGPT modelos têm diferentes execuções de treinamento. Não deve ser apresentado como um total conhecido para o produto atual.

Compartilhar água de treinamento entre consultas é uma escolha contábil. A alocação por consulta cai se um modelo atender mais solicitações e aumenta se for retirado antecipadamente. A água foi consumida durante o treinamento, não sempre que o usuário pressiona enviar.

A fabricação de semicondutores também utiliza água ultrapura, enquanto a construção de data centers tem impactos a montante. Os números imediatos ao consumidor raramente incluem ambos porque a utilização, a vida útil do hardware e a alocação da cadeia de fornecimento são incertas. Uma estimativa operacional restrita continua útil, mas não é um ciclo de vida completo.

O que a comparação da garrafa dá errado

A frase “ChatGPT bebe uma garrafa de água” faz com que uma alocação modelada pareça um evento físico. Os servidores não abrem uma garrafa quando chega uma mensagem. Os sistemas de refrigeração operam em muitas cargas de trabalho, e os pesquisadores repartem parte do seu consumo a uma solicitação.

A comparação também incentiva uma taxa fixa. Até mesmo o artigo original deu uma 20–50 intervalo de resposta porque a localização e o tempo eram importantes. Números posteriores descrevem frações de mililitro. Escolher um ponto final sem sua origem e limite transforma a incerteza em isca de cliques.

Nossa auditoria dedicada—a IA realmente usa uma garrafa por mensagem?– rastreia a afirmação. A conclusão não é que a IA não utilize água. É que a unidade, o denominador e o escopo devem viajar com o número.

O que você pode fazer com essa incerteza?

Trate 0.32 ml como OpenAI é a média declarada, não sua medida exata. Trate 10–25 ml como um cenário de pesquisa para um limite de serviço diferente, não como um cenário atual ChatGPT lendo. Não faça a média entre eles: isso criaria um número não suportado por nenhuma das fontes.

Para uma utilização de menor impacto, mantenha o foco nas conversas, evite tentativas repetidas e utilize raciocínio avançado ou mídia gerada quando a tarefa justificar. A escolha de um modelo menor e adequado pode reduzir o cálculo e a carga de resfriamento alocada para a resposta.

Os provedores detêm os dados decisivos. Eles podem publicar distribuições por modelo e tarefa, água direta e indireta, localização das instalações e consumo sazonal. Até que isso aconteça, as estimativas responsáveis ​​devem permanecer amplas e explícitas. Treechat segue esse princípio em sua metodologia: o seu recebimento de água deriva da energia estimada e de um fator fixo, e não de uma leitura ao vivo de um data center.

Para comparações visuais sem perder as advertências, consulte Uso de água por IA versus coisas cotidianas. A lição principal é simples: a questão ambiental é uma infraestrutura local agregada – e não um gole literal tomado pela sua tela.