Hvor mye vann bruker ChatGPT per dag?

Kort svar: ChatGPTs globale tjeneste bruker sannsynligvis i størrelsesorden 2 millioner til 160 millioner liter vann hver dag — et svært bredt spenn drevet av usikkerhet rundt (1) hvor mye energi en enkelt forespørsel bruker, (2) hvor vannintensive datasentrene og strømnettet som forsyner dem med strøm er, og (3) hvor mange forespørsler som behandles hver dag. Et plausibelt «middel»-estimat ved bruk av veldokumenterte datapunkter er ~17 millioner liter per dag for ~2.5 milliarder prompter/dag.

Hva mener vi egentlig med «vannbruk» for ChatGPT?

Direkte vs. indirekte vannbruk

Når folk spør «hvor mye vann bruker ChatGPT», må vi være tydelige: selve AI-tjenesten (programvaren) heller ikke vann – vann forbrukes av fysisk infrastruktur som driver tjenesten. To kategorier er viktige:

Direkte vannbruk (på stedet): vann som brukes av kjøle- og luftfuktingssystemer i datasentre (fordampende kjøletårn, vannkjølere, luftfuktere). Dette måles vanligvis med bransjemålinger Vannforbrukseffektivitet (WUE), som er liter vann brukt per kWh IT-energi forbrukt. WUE fanger opp kjøling/fukting vann som forbrukes på stedet.
Indirekte (legemliggjort) vannbruk: Vann som brukes til å generere elektrisiteten som driver datasentrene (termoelektrisk kjøling ved kraftverk, vann som brukes til drivstoffutvinning og -prosessering, osv.). I noen regioner og kraftmikser kan vannet som brukes til å generere 1 kWh strøm være betydelig. IEEE Spectrum og andre analyser kvantifiserer vannuttaket og -forbruket per kWh for strømproduksjon.

Et forsvarlig estimat av totale vannavtrykk legger derfor sammen de to:
Totalt vann per kWh = WUE (L/kWh) + vannintensitet for strømproduksjon (L/kWh).

Hvordan konverterer du «energi per spørring» til «vann per spørring»?

Hvilke dataelementer er nødvendige?

Omdanning fra energi til vann krever tre innsatsfaktorer:

Energi per spørring (Wh/spørring) — hvor mange wattimer modellen bruker for å svare på én enkelt prompt.
WUE (L/kWh) — hvor mange liter vann som forbrukes per kilowattime som brukes i datasenteret.
Antall spørringer per dag – det totale antallet forespørsler som er behandlet av tjenesten.

Vann per forespørsel (liter) = (Wh/forespørsel ÷ 1,000) × WUE (L/kWh)

Totalt vann per dag = Vann per forespørsel × forespørsler/dag

Hvor pålitelige er disse inndataene?

Spørsmål/dagOpenAIs tall på 2.5 milliarder per dag er et pålitelig utgangspunkt fra bransjerapportering, men de reelle daglige tallene varierer etter måned og tidssone.
Energi per spørring: estimatene varierer enormt. OpenAIs administrerende direktør, Sam Altman, uttalte at en gjennomsnittlig ChatGPT-søknad bruker omtrent 0.34 Wh av energi (og han tilsvarte vannet per forespørsel til en brøkdel av en teskje). Uavhengige akademikere og presseestimater for moderne, tunge AI-modeller varierer fra under en wattime til flere eller til og med tosifrede wattimer per forespørsel, avhengig av hvilken modellversjon som betjener forespørselen og om estimatet inkluderer overhead (ruting, lagring osv.). Denne variasjonen er en viktig årsak til at vannestimatene avviker.
WUEvarierer også avhengig av datasenterets design og geografi – fra ≈0.2 L/kWh (svært effektivt, lukket sløyfe, ikke-fordampende) til over 10 L/kWh i noen fordampningsoppsett eller vann-ineffektive installasjoner. Internasjonale analyser viser et bredt bånd.

Fordi hver variabel har usikkerhet, multipliseres små endringer til svært forskjellige totaler.

Hvor mye vann bruker ChatGPT per dag – utarbeidede eksempler med plausible antagelser?

Nedenfor presenterer jeg et sett med transparente scenarier ved bruk av tallet 2.5 milliarder spørringer/dag og vanlige WUE- og energiestimater. Beregningene er enkle og reproduserbare; jeg viser lave, middels og høye tilfeller slik at du kan se følsomheten.

Scenariovabler (kilder og begrunnelse)

Spørsmål/dag: 2.5 milliarder (OpenAI/presserapportering).
WUE-valg:
Lav (best i klassen): 0.206 l/kWh — publiserte eksempler på svært effektive anlegg.
Gjennomsnitt: 1.8 l/kWh — vanlig sitert gjennomsnitt i bransjen.
Høy: 12 l/kWh — OECD/industriintervaller for mer vannintensive geografiske områder/arkitekturer.
Energi per spørringsvalg:
Lav (OpenAI CEO-tall): 0.34 Wh/spørring (Sam Altmans uttalelse).
Høy (øvre estimat fra forskning/presse for de største modellene): 18 Wh/forespørsel (representativt for tyngre modellforekomster; brukt her som en illustrasjon av øvre grense).

Beregnede utganger (utvalgte tilfeller)

Jeg viser liter/dag og gallon/dag for lesbarhetens skyld. (1 liter = 0.264172 amerikanske gallon.)

Lav WUE og lavenergi (optimistisk)

WUE = 0.206 l/kWh; energi/forbruk = 0.34 Wh
Vann per forespørsel ≈ 0.000070 l (≈0.07 ml)
Totalt vann/dag ≈ 175,000 l/dag (≈ 46 300 amerikanske gallon/dag)

Gjennomsnittlig WUE og lavenergi (Altman + bransjegjennomsnitt)

WUE = 1.8 l/kWh; energi/forbruk = 0.34 Wh
Vann per forespørsel ≈ 0.000612 l (≈0.61 ml)
Totalt vann/dag ≈ 1,530,000 l/dag (≈ 153 000 gallon/dag).

Gjennomsnittlig WUE og moderat energi (1–2 Wh/forespørsel)

Ved 1 Wh/forespørsel → 4,500,000 l/dag (≈11 887 740 gallon/dag).
Ved 2 Wh/forespørsel → 9,000,000 l/dag (≈11 887 740 gallon/dag).

Gjennomsnittlig WUE og høy energi (10 Wh/forespørsel)

45,000,000 l/dag (≈11 887 740 gallon/dag).

Høy WUE og høy energi (pessimistisk verst tenkelig tilfelle)

WUE = 12 l/kWh; energi/forespørsel = 18 Wh/forespørsel
Vann per forespørsel ≈ 0.216 l
Totalt vann/dag ≈ 540,000,000 l/dag (≈ 143 millioner gallon/dag)

Disse øyeblikksbildene viser at det å endre enten WUE or Hv/spørring med beskjedne faktorer gir svært forskjellige totaler. Altman + gjennomsnittlig WUE-tilfellet (≈1.53 millioner liter/dag, ~400 000 gallon/dag) er et plausibelt mellomestimat hvis man aksepterer hans energi per spørre-tall og et gjennomsnittlig WUE for bransjen. T

Hvorfor varierer publiserte estimater så mye?

Primære kilder til usikkerhet

Energi per prompt (kWh): avhenger av modelltype, ledetekstlengde og inferenseffektivitet. Estimatene varierer med en størrelsesorden mellom enkle små modellkall og store multimodale GPT-4/GPT-5-stilforespørsler. Publiserte uavhengige analyser plasserer plausible verdier fra ~1 Wh til ~10 Wh per ledetekst.
WUE (vannforbruk på stedet): Moderne hyperskala-skyleverandører investerer tungt i design med lavt vannforbruk (luftøkonomisatorer, lukket væskekjøling). En hyperskaler i Microsoft-klassen kan oppnå svært lave WUE-er på mange steder (til og med eksperimenter mot null vannkjøling), mens eldre eller lokasjonsbegrensede anlegg kan ha mye høyere WUE-er. Dette intervallet driver en stor del av usikkerheten.
Vannnettintensitet: Elektrisitet kan produseres med svært ulik vannintensitet avhengig av kraftmiksen. Et datasenter drevet av 100 % PV/vind har et mye lavere indirekte vannavtrykk enn et drevet av termoelektriske anlegg som er avhengige av kjølevann.
Trafikkvolum og hva som teller som en «ledetekst»: OpenAIs «spørsmål» kan variere: korte spørsmål med ett enkelt spørsmål kontra lange frem-og-tilbake-økter. Publiserte daglige spørsmålssummer bidrar til å begrense problemet, men vannet per spørsmål varierer med samtalelengde og hjelpetjenester som brukes.

På grunn av beregningens multiplikative natur (energi × vannintensitet), øker usikkerheten i hvert ledd, og det er derfor våre lave/middels/høye scenarier avviker med to størrelsesordener.

Hvilke praktiske tiltak reduserer vannavtrykket til kunstig intelligens?

Ingeniør- og driftsmekanismer

Flytt arbeidsmengder til områder med lavt vanninnhold eller anlegg med lavt vannforbruk: velg datasentre som bruker lukket sløyfe eller væske-til-brikke-kjøling, og som får strøm fra strømblandinger med lavt vannforbruk. Hyperskalerere publiserer i økende grad WUE- og PUE-målinger for å informere slike valg.
Ta i bruk væskekjøling og nedsenking på brikkenivå: Væskekjøling reduserer behovet for fordampende vann dramatisk sammenlignet med store fordampende kjøletårn. Flere operatører tester ut eller skalerer væskekjøling for GPU-klynger.
Forbedre modelleffektivitet og inferensbatching: Optimaliseringer på programvarenivå (smartere batching, kvantiserte modeller, destillasjon) reduserer energi per respons, noe som direkte senker vannintensiteten når energi→vann-konvertering brukes. Akademisk arbeid er aktivt her.
Åpenhet og rapportering: Standardisert, tredjepartsrevidert rapportering av PUE/WUE og slutningsmålinger per modell ville muliggjøre bedre offentlig regnskapsføring og politikkutforming. Regulatorer i noen jurisdiksjoner presser allerede på for åpenhet om vanntillatelser og lokale påvirkninger.

Kan brukere redusere ChatGPTs vannavtrykk?

Brukere påvirker det samlede fotavtrykket ved å forme etterspørselen. Praktiske forslag:

Still fokuserte spørsmål av høy kvalitet i stedet for mange små ledetekster (dette reduserer gjentatte beregninger).
Foretrekker kortere, målrettede resultater når det passer seg.
Bruk lokale verktøy for repeterende oppgaver (f.eks. modeller på enheten eller hurtigbufrede resultater) der personvern og ytelse tillater det.
Når det er sagt, er infrastrukturvalgene til leverandørene (hvilke datasentre som betjener forespørslene og hvilken kjøleteknologi de bruker) langt mer avgjørende for vannforbruket enn en enkelt brukers forespørsler.

Konklusjon: hva er et ansvarlig estimat for «ChatGPT-vann per dag»?

Hvis du godtar OpenAIs rapporterte 2.5 milliarder prompter/dag, deretter:

Ved hjelp av Altmans 0.34 Wh/spørring pluss en Gjennomsnittlig WUE i bransjen på 1.8 l/kWh fører til en **midtpunktestimat ≈ 1.53 millioner liter/dag (~404 000 amerikanske gallon/dag)**Det er et forsvarlig overskriftsestimat hvis man godtar disse to innspillene.
Men endrede antagelser gir et plausibelt spekter fra ~175 000 l/dag (≈46 000 gallon) i optimistiske, best-in-class-scenarier opp til hundrevis av millioner liter/dag i pessimistiske kombinasjoner av høy energi per spørring og høy WUE. Den nedre enden tilsvarer datasentre i verdensklasse med lavt vannforbruk og lav energi per spørring; den øvre enden tilsvarer tunge modellforekomster som betjenes i vann-ineffektive anlegg. Spredningen er reell og vesentlig.

På grunn av denne usikkerheten er de mest nyttige tiltakene (a) å presse operatører til å publisere klare, standardiserte WUE- og energi-per-inferensmålinger, (b) å prioritere design med lavt vannforbruk for nye AI-datasentre, og (c) å fortsette forskningen på programvare- og maskinvaretilnærminger som reduserer beregningsbehovet per spørring.

For å begynne, utforsk ChatGPT-modellen, for eksempel GPT-5 Pro s evner i lekeplass og konsulter API-veiledning for detaljerte instruksjoner. Før du får tilgang, må du sørge for at du har logget inn på CometAPI og fått API-nøkkelen. CometAPI tilby en pris som er langt lavere enn den offisielle prisen for å hjelpe deg med å integrere.

Klar til å dra? → Registrer deg for CometAPI i dag !