¿Cuánta agua usa la IA?
Un prompt típico de chat de IA usa entre 0,3 mL y 50 mL de agua (de cinco gotas a un vasito), según qué se cuente. Un año de uso diario de ChatGPT queda entre un vaso de agua y unas pocas bañeras. Los centros de datos de EE. UU. consumieron unos 17.000 millones de galones directamente en 2023, con proyección de duplicarse hacia 2028.
Esa dispersión no es mala ciencia. Las cifras bajas cuentan la refrigeración del centro de datos para una consulta; las altas añaden el agua detrás de la generación eléctrica, el entrenamiento del modelo y la fabricación del hardware. Cada cifra de este sitio lleva su etiqueta de escenario: Bajo (solo refrigeración), Medio (+ electricidad) o Alto (ciclo de vida completo). Así siempre sabes qué pregunta se está respondiendo.
Calcula tu propio uso de agua por IA
Clase frontera · 2 Wh por 1.000 tokens (referencia media)
El mismo prompt puede ser «cinco gotas» o «una botella de agua» según qué se cuente: solo la refrigeración del centro de datos (Bajo), el agua detrás de la electricidad (Medio), o también el entrenamiento y el hardware (Alto).
Lee la metodología63,9litros
= 16,9 galones
ChatGPT (estándar), 25 prompts/día · por año, escenario Medio
Energía
12,8 kWh
Carbono
4,5 kg CO₂e
Por qué «cinco gotas» y «una botella de agua» son ambas correctas
Las dos cifras que enmarcan el debate público:
| Cifra | Quién | Qué cuenta |
|---|---|---|
| ~0,32 mL por consulta | Sam Altman, OpenAI (2025) | refrigeración in situ: nuestro Bajo |
| 0,26 mL por prompt mediano | Cifra oficial de Gemini, Google (2025) | refrigeración in situ, prompt mediano: Bajo |
| ~45 mL por respuesta de 400 tokens | Análisis de ciclo de vida de Mistral (2025) | ciclo de vida completo: nuestro Alto |
| ~519 mL por correo de 100 palabras | Washington Post con UC Riverside (2024) | refrigeración + electricidad, con una estimación de energía alta de 2024 para GPT-4 (nuestro límite Medio) |
Entre las cifras de los operadores y la cifra de ciclo de vida de Mistral está el escenario Medio: refrigeración más el agua consumida al generar la electricidad, que en la red de EE. UU. ronda los 4–5 litros por kWh. Medio es nuestro valor por defecto porque la electricidad es real y atribuible, mientras que la amortización del ciclo de vida implica más decisiones de modelado.
Extracción vs. consumo: el factor 4× silencioso
Un centro de datos (o una central eléctrica) extrae agua cuando la toma de un río o acuífero, y la consume cuando el agua no vuelve, normalmente porque se evaporó. Una instalación puede extraer un gran volumen, calentarlo un poco y devolver casi todo; otra puede extraer poco y evaporar la mayor parte de lo que toma. Los titulares suelen citar cifras de extracción (más grandes) donde el consumo es la cantidad ecológicamente relevante para una cuenca tensionada, o al revés, cuando el objetivo es tranquilizar. Cada cifra de este sitio es consumo salvo que se indique lo contrario, siguiendo la convención de UC Riverside y LBNL. Cuando dos cifras publicadas para la misma instalación difieren 3–4×, esta distinción suele ser la razón.
El panorama agregado
Los prompts individuales son pequeños. Las flotas no:
- Los centros de datos de EE. UU. usaron unos 176 TWh de electricidad en 2023 (~4,4% del consumo nacional) y 17.000 millones de galones de agua directa (LBNL, 2024). Las proyecciones a 2028 duplican ambas cifras.
- Contar el agua detrás de su electricidad multiplica la huella varias veces (Siddik et al. 2021).
- Solo Google consumió unos 7.700 millones de galones en sus centros de datos en 2024, frente a los 6.100 millones que aún se citan (cifra de 2023).
Dos cosas son ciertas a la vez: tu hábito personal de chatbot es hidrológicamente minúsculo, y un campus hiperescala en un condado con sequía es un usuario de agua local real. El primer hecho es la calculadora de arriba; el segundo, nuestro mapa de centros de datos.
Cómo se compara la IA con el resto de tu día
Usando el límite Alto (ciclo de vida completo) en todo (la contabilidad más generosa, así que son comparaciones de techo), con cifras de Water Footprint Network para los alimentos:
| Una unidad de… | Agua, ciclo completo |
|---|---|
| Prompt de chat de IA (Alto, LCA de Mistral) | ~45 mL |
| Taza de café, incluyendo cultivar los granos | ~130 L |
| Hamburguesa (150 g de carne), incluyendo el pienso | ~2.500 L |
| Un par de jeans de algodón | ~7.500 L |
| Un día de agua doméstica de un estadounidense medio (EPA) | ~310 L |
Cincuenta prompts diarios durante un año suman unos 800 litros en Alto (el agua incorporada de unos seis cafés) o 3–8 litros en Bajo. No es un argumento de que los totales de la industria no importen; es un argumento de que la aritmética por usuario y la ubicación de infraestructura son preguntas distintas, y la sustancia está en la segunda.
Entrenamiento vs. inferencia
El entrenamiento es un costo único en bloque: se estimó que el de GPT-3 evaporó ~700.000 litros in situ (unos 5,4 millones de litros contando el agua detrás de su electricidad); Mistral reportó 281.000 m³ para el entrenamiento de Mistral Large 2 más sus primeros 18 meses de uso. Repartido entre miles de millones de consultas posteriores, el entrenamiento normalmente suma menos que el término eléctrico. Por eso solo aparece en nuestro escenario Alto.
Cómo leer un titular sobre IA y agua
Cuatro preguntas decodifican cualquier afirmación sobre IA y agua que encuentres:
- ¿Qué límite? ¿Solo refrigeración, + electricidad, o ciclo completo? Esto solo ya mueve la respuesta ~100×. Una cifra sin límite todavía no es un hecho; es una sensación con unidades.
- ¿Extracción o consumo? Si el artículo no lo dice, asume que se eligió la que suena más grande.
- ¿Qué modelo, de qué año? Una estimación de la era GPT-3 aplicada a un modelo eficiente de 2026 exagera en un orden de magnitud; una cifra de prompt mediano aplicada a una carga de razonamiento se queda corta en proporción similar.
- ¿Mediana o media, y de qué? Los operadores publican medianas de prompts cortos de consumo; los investigadores modelan tareas concretas más largas. Ambos son honestos; no son el mismo número.
Un ejemplo resuelto: «ChatGPT usa una botella de agua por conversación» se decodifica como UC Riverside, refrigeración + electricidad (nuestro límite Medio), hardware de la era GPT-3, 10–50 respuestas por botella de 500 mL: una estimación defendible de 2023 para hardware más antiguo y menos eficiente, no una descripción de lo que se evaporó mientras pedías una receta. Igualmente, «unas gotas por prompt» se decodifica como cifra de operador, Bajo (solo refrigeración), prompt mediano corto: también cierto, y tampoco el cuadro completo.
Qué cambiaría estas cifras
Sobre todo, la transparencia. Cuando Google publicó su cifra por prompt, el coeficiente de Gemini de este sitio cambió esa misma semana. Las mejoras de eficiencia (mejores chips, mejor refrigeración, redes más limpias) empujan las cifras por consulta hacia abajo cada año, mientras el volumen empuja las agregadas hacia arriba. Ambas cosas pueden ser ciertas a la vez; la página de metodología registra cada coeficiente y fuente que usamos.