Ranking de modelos
¿Qué modelo de IA usa más agua?
Intensidad estimada por 1.000 tokens para los modelos que la gente realmente nombra, en el escenario Medio (refrigeración + el agua detrás de la electricidad). Primero la intensidad medida más alta.
Las asignaciones de clase, los anclajes de benchmark y los ajustes oficiales están completos en la página de metodología.
mL / 1K tokens · Escenario Medio
- 01
ChatGPT (razonamiento / o3)
razonamiento
7 Wh · 2,5 g CO₂e
35 mL
- 02
DeepSeek-R1
razonamiento
7 Wh · 2,5 g CO₂e
35 mL
- 03
ChatGPT (estándar)
frontera
2 Wh · 0,7 g CO₂e
10 mL
- 04
Claude Opus
frontera
2 Wh · 0,7 g CO₂e
10 mL
- 05
Gemini Pro
frontera
2 Wh · 0,7 g CO₂e
10 mL
- 06
Grok
frontera
2 Wh · 0,7 g CO₂e
10 mL
- 07
ChatGPT (mini)
estándar
0,8 Wh · 0,28 g CO₂e
4 mL
- 08
Claude Sonnet
estándar
0,8 Wh · 0,28 g CO₂e
4 mL
- 09
Mistral Large
estándar
0,8 Wh · 0,28 g CO₂e
4 mL
- 10
Llama (70B+)
estándar
0,8 Wh · 0,28 g CO₂e
4 mL
- 11
Gemini (app)
estándar
0,34 Wh · 0,12 g CO₂e
1,7 mL
- 12
ChatGPT (nano)
eficiente
0,3 Wh · 0,11 g CO₂e
1,5 mL
- 13
Claude Haiku
eficiente
0,3 Wh · 0,11 g CO₂e
1,5 mL
- 14
Gemini Flash
eficiente
0,3 Wh · 0,11 g CO₂e
1,5 mL
- 15
Llama (pequeño)
eficiente
0,3 Wh · 0,11 g CO₂e
1,5 mL
Escenario Medio, valores medios de benchmark. Los modelos de razonamiento encabezan la lista porque generan largas cadenas de pensamiento ocultas por cada respuesta visible. Los modelos de imagen y vídeo quedan fuera: su unidad es por generación, no por token.
La energía marca el orden
Aquí el agua y el carbono son la energía por un factor Medio fijo, así que las tres pestañas ordenan los modelos igual. Solo cambia la escala.
Clases, no conjeturas
Pocos modelos publican una cifra por token. Cada uno se ubica en el rango medido de su clase, y se usa la cifra oficial allí donde existe.
Razonar cuesta más
Los modelos de razonamiento escriben largas cadenas de pensamiento ocultas antes de responder, así que la misma respuesta visible consume muchos más tokens.
Cita esta páginav1.3.1 · 2026-09
Tu cifra
¿Cuánto consume realmente tu IA?
Elige tu modelo, define tu uso y obtén la cifra, con fuentes.
Fuentes
Citadas en esta página, en orden de aparición.
- 1Jegham, N., Abdelatti, M., Elmoubarki, L., & Hendawi, A. (2025). How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference. arXiv preprint arXiv:2505.09598 (v6, Nov 2025). (consultada 2026-06) prepublicación
- 2Siddik, M. A. B., Shehabi, A., & Marston, L. (2021). The environmental footprint of data centers in the United States. Environmental Research Letters 16(6): watershed-scale direct + indirect water footprint. (consultada 2026-06) revisión por pares
- 3You, J. (Epoch AI) (2025). How much energy does ChatGPT use?. Epoch AI Gradient Updates: GPT-4o per-query energy estimate ~0.3 Wh. (consultada 2026-06) informe de industria
- 4Altman, S. (2025). The Gentle Singularity. blog.samaltman.com: 0.34 Wh and 0.000085 gal of water per average ChatGPT query. (consultada 2026-06) divulgación oficial
- 5Google (2025). Measuring the environmental impact of AI inference. Google Cloud technical disclosure: 0.24 Wh / 0.26 mL / 0.03 gCO₂e per median Gemini Apps prompt. (consultada 2026-06) divulgación oficial
- 6Mistral AI (2025). Our contribution to a global environmental standard for AI. Mistral AI lifecycle analysis with Carbone 4 and ADEME, reviewed by Resilio and Hubblo: 45 mL water & 1.14 gCO₂e per 400-token Le Chat response (marginal inference); Mistral Large 2 training plus its first 18 months of use: 20.4 ktCO₂e and 281,000 m³ of water. No energy (Wh) figure disclosed. (consultada 2026-09) divulgación oficial
- 7AIWaterUse (2026). AIWaterUse methodology: disclosed site assumptions and derivations. aiwateruse.org/methodology: blended tokens per exchange, input/output split, unit definitions and arithmetic derivations, reviewed quarterly. (consultada 2026-06) supuesto del sitio