AI vattenanvändning kontra vardagliga saker
Jämför publicerade AI-vattenuppskattningar med en flaska, dusch och hushållsanvändning – utan att blanda ihop modellerade tilldelningar med direkt förbrukning.
Publicerade uppskattningar för en vanlig AI-textprompt sträcker sig från ca 0.26–0.32 milliliter i de senaste operatörsmeddelandena till ungefär 10–25 ml i en tidigare akademisk modell. Mot a 500 ml flaska, det är runt 1,560–1,900 frågar vid de lägre siffrorna, eller 20–50 svar under forskningsscenarierna.
Dessa jämförelser beskriver volym, inte lika miljöpåverkan. AI-siffrorna allokerar vatten som används av delade kyl- och elsystem; en flaska är direkt produktvolym. Plats, brist och redovisningsgräns betyder mer än den mentala bilden. Använd vardagliga jämförelser för att förstå skalan, inte för att deklarera en exakt vattenkostnad för ditt meddelande.
Börja med de tre publicerade uppskattningarna
Google uppmätt 0.26 ml för en median Gemini App-textmeddelande i maj 2025. Sam Altman angav ett genomsnitt ChatGPT fråga används 0.000085 US gallons, cirka 0.32 ml, utan att publicera metoden.
Tidningen 2023 Gör AI mindre "törstig" gav den högre jämförelsen: 500 ml för ungefär 20–50 medellånga svar, eller cirka 10–25 ml vardera under dess modellerade platser och tider.
Gör inte genomsnittet av dessa till en snygg mitt. De täcker olika produkter, infrastruktur och gränser. Ett intervall som behåller sina etiketter är mer informativt än ett blandat nummer som ingen källa faktiskt hittades.
Jämfört med en 500 ml flaska
Aritmetiken är enkel. Dela 500 ml av Googles 0.26 ml ger ca 1,923 medianmeddelanden. Dela med Altmans 0.32 ml ekvivalent ger ca 1,563 angivet medelvärde ChatGPT frågor. Avrundning på lämpligt sätt, det är ungefär 1,900 och 1,560.
Enligt den akademiska uppskattningen har författarna redan tillhandahållit jämförelsen: 20–50 svar per flaska. Gapet mellan 20 och 1,900 är inte normalt mätljud. Det speglar olika system, antaganden och definitioner.
Det är därför påståendet om flaska per meddelande är falskt. Även det höga forskningsscenariot satte en flaska över många svar. De låga leverantörsavslöjandena sprider det över tusen vanliga textuppmaningar.
Jämfört med en dusch
US Environmental Protection Agency säger att vanliga duschmunstycken används 2.5 gallons per minute, ungefär 9.5 liter, medan WaterSense-märkta modeller inte använder mer än 2.0 gallon per minut. En minut av en vanlig dusch handlar alltså om 9,500 ml direkt hushållsvattenflöde.
Den volymen är mycket större än någon av de vanliga textmeddelandena ovan. Men att förvandla det till ett exakt antal "AI-meddelanden per dusch" skulle förstärka ojämförliga antaganden. En duschåtgärd är uttag vid kranen; AI-vatten kan inkludera allokerad förbrukning vid ett kyltorn och kraftverk. En kan förekomma i ett annat upptagningsområde.
Den användbara slutsatsen är storleksordningen: en individuell kort textuppmaning är liten jämfört med det dagliga vattenflödet i hushållen. Skala och plats gör att det inte är irrelevant.
Jämfört med en kran eller drink
Ett 250 ml glas är ett definierat exempel snarare än ett påstående om hur mycket alla dricker. Den innehåller cirka 780 av Altmans angivna genomsnittliga 0.32 ml-frågor eller cirka 960 av Google s 0.26 ml medianmeddelanden. Under det akademiska utbudet motsvarar det cirka 10–25 svar.
Återigen är förhållandena aritmetiska illustrationer. De visar inte vad som hände på en specifik anläggning. En lång resonemangsförfrågan, genererad bild eller verktygsanvändande uppgift kanske inte liknar textuppmaningarna bakom de låga värdena.
Direkt hushållsanvändning är också lättare att observera. Det tilldelade vattnet för digital infrastruktur beror på kyla, el och delad kapacitet. Vår guide till varför datacenter använder vatten förklarar det systemet.
Volym är inte detsamma som vattenpåverkan
Vattenuttag räknar vad som tas från en källa; konsumtionen räknar det som inte returneras omgående, ofta för att det avdunstar. En dusch skickar vatten till ett avloppsvattensystem. Ett kyltorn släpper ut det till atmosfären. Båda har behandlings- och infrastruktureffekter, men vägarna skiljer sig åt.
Källa och knapphet spelar roll. Återvunnet vatten som används för kylning har olika sociala avvägningar från dricksvatten. Konsumtion under torka kan vara mer skadlig än samma volym i en våt period. Indirekt elproduktionsvatten kan förekomma långt från datacentret.
Det är därför "vattenekvivalent" inte bör bli "miljöekvivalent". Ett enkelt literförhållande kan inte fånga avrinningsstress, kvalitet, timing eller ekologisk effekt.
Små siffror per användning kan skapa stora summor
Det är frestande att titta på 0.26 ml och dra slutsatsen att det inte är något problem. På nivån för en vanlig prompt är tilldelningen verkligen liten. I tjänsteskala är meddelanden många, arbetsbelastningen varierar och faciliteterna stöder mer än textchatt.
Systemefterfrågan inkluderar även utbildning, ledig kapacitet, icke-AI-molntjänster och hårdvaruförsörjningskedjor. Berkeley Labs USA-rapport modellerar datacentervatten sammantaget eftersom lokal infrastruktur måste tjäna det totala, inte en idealiserad medianprompt.
Den omvända frestelsen är att multiplicera det högsta gamla scenariot med varje tänkt framtida fråga. Det förutsätter att alla förfrågningar delar dess modell, plats och gräns. Ärlig planering använder scenariointervall och uppdaterar dem när uppmätta data förbättras.
Gör jämförelser utan att bli vilseledda
När du ser ett förhållande mellan AI och hushåll, kontrollera källår, produkt, statistik och uppgift. Fråga om vattnet är direkt, indirekt, utdraget eller förbrukat. Bevara "median" och "genomsnitt". Undvik ett förhållande när nämnaren är en vag "fråga".
För personligt bruk, välj en mindre kapabel modell, håll sammanhanget relevant och undvik engångsgenerationer. För leverantörer och organisationer är absolut anläggningsvatten, upptagningsstress och säsongsmässiga toppar mer praktiska än en flaskgrafik. Se hur mycket vatten ChatGPT använder för tjänstespecifika varningar.
Treechat s metodik tillämpar en fast faktor på uppskattad meddelandeenergi, så dess vattenmottagning modelleras snarare än mäts. Det är tänkt att synliggöra resursanvändningen, inte för att påstå att en exakt bråkdel av ditt dricksvatten försvunnit. Vardagliga jämförelser är mest ärliga när de också synliggör osäkerhet.