Berapa banyak air yang digunakan ChatGPT per hari?

Jawaban singkat: Layanan global ChatGPT kemungkinan menghabiskan sekitar 2 juta hingga 160 juta liter air setiap harinya — rentang yang sangat luas didorong oleh ketidakpastian tentang (1) berapa banyak energi yang dikonsumsi oleh satu prompt, (2) seberapa intensifnya penggunaan air di pusat data dan jaringan listrik yang memasoknya, dan (3) berapa banyak prompt yang diproses setiap harinya. Estimasi “tengah” yang masuk akal menggunakan titik data yang terdokumentasi dengan baik adalah ~17 juta liter per hari untuk ~2.5 miliar permintaan/hari.

Apa sebenarnya yang kita maksud dengan “penggunaan air” untuk ChatGPT?

Penggunaan air langsung vs. tidak langsung

Ketika orang bertanya “berapa banyak air yang digunakan ChatGPT,” kita harus menjelaskan secara eksplisit: layanan AI itu sendiri (perangkat lunak) tidak menuangkan air — air dikonsumsi oleh infrastruktur fisik yang menjalankan layanan. Ada dua kategori yang penting:

Penggunaan air langsung (di lokasi): Air yang digunakan oleh sistem pendingin dan pelembapan pusat data (menara pendingin evaporatif, pendingin air, pelembap). Hal ini umumnya diukur dengan metrik industri. Efektivitas Penggunaan Air (WUE), yang merupakan liter air yang digunakan per kWh energi TI yang dikonsumsi. WUE menangkap pendinginan/pelembapan air yang dikonsumsi di lokasi tersebut.
Penggunaan air tidak langsung (terwujud): Air yang digunakan untuk menghasilkan listrik yang menggerakkan pusat data (pendinginan termoelektrik di pembangkit listrik, air yang digunakan dalam ekstraksi dan pemrosesan bahan bakar, dll.). Di beberapa wilayah dan bauran daya, air yang digunakan untuk menghasilkan 1 kWh listrik bisa sangat besar. IEEE Spectrum dan analisis lainnya mengukur penarikan dan konsumsi air per kWh untuk pembangkitan listrik.

Oleh karena itu, estimasi yang dapat dipertahankan mengenai total jejak air menambahkan keduanya:
Total air per kWh = WUE (L/kWh) + intensitas air pembangkitan listrik (L/kWh).

Bagaimana Anda mengubah “energi per kueri” menjadi “air per kueri”?

Data apa saja yang dibutuhkan?

Konversi dari energi menjadi air memerlukan tiga masukan:

Energi per kueri (Wh/kueri) —berapa watt-jam yang dikonsumsi model untuk menjawab satu perintah.
WUE (L/kWh) —berapa liter air yang dikonsumsi untuk setiap kilowatt-jam yang digunakan di pusat data.
Jumlah pertanyaan per hari — total permintaan yang diproses oleh layanan.

Air per kueri (liter) = (Wh/kueri ÷ 1,000) × WUE (L/kWh)

Total air per hari = Air per permintaan × permintaan/hari

Seberapa andalkah masukan tersebut?

Pertanyaan/hariAngka 2.5 miliar/hari OpenAI merupakan titik awal yang dapat diandalkan dari pelaporan industri, tetapi jumlah harian sebenarnya bervariasi berdasarkan bulan dan zona waktu.
Energi per kueri:Perkiraan sangat bervariasi. CEO OpenAI, Sam Altman, menyatakan bahwa rata-rata kueri ChatGPT menggunakan sekitar 0.34 Wh energi (dan dia menyamakan air per kueri dengan sepersekian sendok teh). Estimasi akademis dan pers independen untuk model AI modern dan berat berkisar dari kurang dari satu watt-jam hingga beberapa atau bahkan dua digit watt-jam per kueri, tergantung pada versi model yang melayani permintaan dan apakah estimasi tersebut mencakup biaya overhead (perutean, penyimpanan, dll.). Variasi tersebut merupakan alasan utama mengapa estimasi air berbeda-beda.
WUE: juga bervariasi berdasarkan desain dan geografi pusat data — dari ≈0.2 L/kWh (sangat efisien, loop tertutup, non-evaporatif) hingga di atas 10 L/kWh pada beberapa pengaturan evaporatif atau instalasi yang tidak efisien air. Analisis internasional menunjukkan rentang yang lebar.

Karena setiap variabel memiliki ketidakpastian, perubahan-perubahan kecil akan berlipat ganda menjadi total yang sangat berbeda.

Berapa banyak air yang digunakan ChatGPT per hari — contoh nyata dengan asumsi yang masuk akal?

Di bawah ini saya menyajikan serangkaian skenario transparan menggunakan angka 2.5 miliar kueri/hari dan estimasi WUE serta energi yang umum dikutip. Perhitungannya sederhana dan dapat direproduksi; saya menampilkan kasus rendah, sedang, dan tinggi agar Anda dapat melihat sensitivitasnya.

Variabel skenario (sumber dan pembenaran)

Pertanyaan/hari: 2.5 miliar (OpenAI/pelaporan pers).
Pilihan WUE:
Rendah (terbaik di kelasnya): 0.206 L/kWh — menerbitkan contoh-contoh fasilitas yang sangat efisien.
Rata-rata: 1.8 L/kWh — rata-rata industri yang umum dikutip.
Tinggi: 12 L/kWh — OECD/industri berkisar untuk geografi/arsitektur yang lebih intensif air.
Pilihan energi per kueri:
Rendah (angka CEO OpenAI): 0.34 Wh/kueri (Pernyataan Sam Altman).
Tinggi (penelitian/tekan perkiraan atas untuk model terbesar): 18 Wh/kueri (mewakili contoh model yang lebih berat; digunakan di sini sebagai ilustrasi batas atas).

Output yang dihitung (kasus tertentu)

Saya akan menunjukkan liter/hari dan galon/hari agar mudah dibaca. (1 liter = 0.264172 galon AS.)

WUE Rendah & Energi Rendah (optimis)

WUE = 0.206 L/kWh; energi/kueri = 0.34 Wh
Air per kueri ≈ 0.000070 L (≈0.07 mL)
Total air/hari ≈ 175,000 L / hari (≈ 46,300 galon AS/hari)

WUE Rata-rata & Energi Rendah (Altman + rata-rata industri)

WUE = 1.8 L/kWh; energi/kueri = 0.34 Wh
Air per kueri ≈ 0.000612 L (≈0.61 mL)
Total air/hari ≈ 1,530,000 L / hari (≈ 404,000 galon/hari).

WUE Rata-rata & Energi Sedang (1–2 Wh/kueri)

Pada 1 Wh/kueri → 4,500,000 L / hari (≈1,188,774 galon/hari).
Pada 2 Wh/kueri → 9,000,000 L / hari (≈2,377,548 galon/hari).

WUE Rata-rata & Energi Tinggi (10 Wh/kueri)

45,000,000 L / hari (≈11,887,740 galon/hari).

WUE Tinggi & Energi Tinggi (kasus terburuk yang pesimistis)

WUE = 12 L/kWh; energi/kueri = 18 Wh/kueri
Air per kueri ≈ 0.216 L
Total air/hari ≈ 540,000,000 L / hari (≈ 143 juta galon/hari)

Gambar-gambar ini menunjukkan bahwa mengubah WUE or Wh/kueri dengan faktor-faktor sederhana menghasilkan total yang sangat berbeda. Kasus Altman + WUE rata-rata (≈1.53 juta liter/hari, ~400 ribu galon/hari) adalah salah satu perkiraan tengah yang masuk akal jika Anda menerima angka energi per kueri dan WUE rata-rata industri. T

Mengapa perkiraan yang dipublikasikan sangat bervariasi?

Sumber utama ketidakpastian

Energi per prompt (kWh): bergantung pada jenis model, panjang prompt, dan efisiensi inferensi. Estimasi bervariasi berdasarkan urutan besarnya antara panggilan model kecil yang sederhana dan permintaan multimodal bergaya GPT-4/GPT-5 yang besar. Analisis independen yang dipublikasikan menempatkan nilai yang masuk akal dari ~1 Wh hingga ~10 Wh per prompt.
WUE (penggunaan air di tempat): Penyedia cloud hyperscale modern berinvestasi besar-besaran dalam desain hemat air (penghemat udara, pendinginan cairan loop tertutup). Hyperscaler sekelas Microsoft dapat mencapai WUE yang sangat rendah di banyak lokasi (bahkan dalam eksperimen menuju pendinginan tanpa air), sementara fasilitas yang lebih tua atau terbatas lokasi mungkin memiliki WUE yang jauh lebih tinggi. Rentang tersebut mendorong sebagian besar ketidakpastian.
Intensitas air jaringan: Listrik dapat diproduksi dengan intensitas air yang sangat berbeda, tergantung pada bauran daya. Pusat data yang ditenagai oleh 100% PV/angin memiliki jejak air tidak langsung yang jauh lebih rendah dibandingkan pusat data yang ditenagai oleh pembangkit listrik termoelektrik yang mengandalkan air pendingin.
Volume lalu lintas dan apa yang dianggap sebagai “prompt”: "Prompt" OpenAI dapat bervariasi: prompt pertanyaan tunggal yang singkat vs. sesi tanya jawab yang panjang. Total prompt harian yang dipublikasikan membantu mengatasi masalah ini, tetapi jumlah prompt per prompt bervariasi tergantung pada panjang percakapan dan layanan tambahan yang digunakan.

Karena sifat perkalian dari perhitungan (energi × intensitas air), ketidakpastian dalam setiap istilah bertambah, itulah sebabnya skenario rendah/menengah/tinggi kami berbeda hingga dua kali lipat.

Langkah praktis apa yang mengurangi jejak air AI?

Tuas rekayasa dan operasional

Pindahkan beban kerja ke wilayah dengan tingkat air rendah atau fasilitas dengan WUE rendah: Pilih pusat data yang menggunakan pendinginan loop tertutup atau liquid-to-chip dan sumber dayanya berasal dari campuran listrik rendah air. Para hyperscaler semakin banyak menerbitkan metrik WUE dan PUE untuk menginformasikan pilihan tersebut.
Mengadopsi pendinginan cair dan perendaman tingkat chip: Pendinginan cair mengurangi kebutuhan air evaporatif secara drastis dibandingkan dengan menara pendingin evaporatif berukuran besar. Beberapa operator sedang menguji coba atau meningkatkan skala pendinginan cair untuk kluster GPU.
Meningkatkan efisiensi model dan pengumpulan inferensi: Optimasi tingkat perangkat lunak (pengolahan batch yang lebih cerdas, model terkuantisasi, distilasi) mengurangi energi per respons, yang secara langsung menurunkan intensitas air ketika konversi energi→air diterapkan. Penelitian akademis sedang aktif di sini.
Transparansi dan pelaporan: Pelaporan PUE/WUE yang terstandarisasi dan diaudit pihak ketiga serta metrik inferensi per model akan memungkinkan akuntansi publik dan pembuatan kebijakan yang lebih baik. Regulator di beberapa yurisdiksi sudah mendorong transparansi perizinan air dan dampak lokalnya.

Bisakah pengguna mengurangi jejak air ChatGPT?

Pengguna memengaruhi jejak agregat dengan membentuk permintaan. Saran praktis:

Ajukan pertanyaan yang terfokus dan berkualitas tinggi daripada banyak perintah kecil (ini mengurangi perhitungan berulang).
Lebih suka keluaran yang lebih pendek dan tertarget bila sesuai.
Gunakan perkakas lokal untuk tugas-tugas berulang (misalnya, model pada perangkat atau hasil yang di-cache) jika privasi dan kinerja memungkinkan.
Meski begitu, pilihan infrastruktur oleh penyedia (pusat data mana yang melayani pertanyaan dan teknologi pendingin apa yang mereka gunakan) jauh lebih menentukan penggunaan air daripada permintaan pengguna individu.

Intinya: berapa perkiraan yang tepat untuk “air ChatGPT per hari”?

Jika Anda menerima laporan OpenAI 2.5 miliar permintaan/hari, kemudian:

Menggunakan Kueri Altman 0.34 Wh/kueri ditambah sebuah WUE rata-rata industri sebesar 1.8 L/kWh mengarah ke a **estimasi titik tengah ≈ 1.53 juta liter/hari (~404,000 galon AS/hari)**Itu adalah estimasi utama yang dapat dipertahankan jika Anda menerima kedua masukan tersebut.
Tapi mengubah asumsi memberikan kisaran yang masuk akal dari ~175,000 L/hari (≈46 ribu galon) dalam skenario terbaik di kelasnya yang optimis hingga ratusan juta liter/hari dalam kombinasi pesimistis antara energi per kueri yang tinggi dan WUE yang tinggi. Batas bawah berkaitan dengan pusat data kelas dunia dengan tingkat air rendah dan energi per kueri yang rendah; batas atas berkaitan dengan instans model berat yang dilayani di pabrik-pabrik yang tidak efisien air. Perbedaannya nyata dan material.

Karena ketidakpastian itu, tindakan yang paling berguna adalah (a) mendorong operator untuk menerbitkan WUE yang jelas dan terstandarisasi serta metrik energi per inferensi, (b) memprioritaskan desain pendinginan air rendah untuk pusat data AI baru, dan (c) melanjutkan penelitian terhadap pendekatan perangkat lunak dan perangkat keras yang menurunkan komputasi per kueri.

Untuk memulai, jelajahi model ChatGPT seperti GPT-5 Pro kemampuan dalam tempat bermain dan konsultasikan Panduan API untuk petunjuk terperinci. Sebelum mengakses, pastikan Anda telah masuk ke CometAPI dan memperoleh kunci API. API Komet menawarkan harga yang jauh lebih rendah dari harga resmi untuk membantu Anda berintegrasi.

Siap untuk berangkat?→ Daftar ke CometAPI hari ini !