¿Cuánta agua consume realmente ChatGPT? Un desarrollador investiga la cifra de 0,32 ml
¿Cuánta agua consume realmente ChatGPT? Un desarrollador investiga la cifra de 0,32 ml
REPETIDO EN INTERNET DESDE JUNIO DE 2025
¿Cuánta agua consume realmente una sola consulta de ChatGPT?
El consumo de agua de ChatGPT lleva más de un año resumido en una sola cifra: unos 0,32 mililitros por consulta, aproximadamente una quinceava parte de una cucharadita. Escribo software, y cuando un número carga con tanto peso mi primera pregunta no es si es cierto. Es qué midió.
EN RESUMEN
La aritmética es correcta. La metodología pública no existe. La cifra encaja con contar solo el agua evaporada en la refrigeración del centro de datos, que es la mitad menor del problema.
Plausible bajo ciertas hipótesis. No verificable. No es una constante.
Por Zubair Hussain, desarrollador full stack. Revisado el 18 de septiembre de 2026.
De dónde sale la cifra
La fuente es una entrada de blog personal. Sam Altman escribió el 10 de junio de 2025 en The Gentle Singularity: "La consulta media usa unos 0,34 vatios hora... También usa unos 0,000085 galones de agua, aproximadamente una quinceava parte de una cucharadita" [1]. No hay metodología, ni definición de consulta media, ni hardware, ni revisión por pares [2].
El 1 de septiembre de 2026 Altman afirmó que 38.000 consultas equivalen al agua de una almendra californiana. PolitiFact calificó la comparación como mayormente falsa el 4 de septiembre de 2026 [3].
La aritmética es correcta
Las dos formulaciones de la misma frase son coherentes entre sí. El problema no está en las cuentas.
Las GPU no beben agua
Una GPU consume electricidad y genera calor. El agua se consume en otros tres puntos: en la generación eléctrica, en la refrigeración del centro de datos, y en la cadena de suministro. La refrigeración líquida directa al chip en circuito cerrado no consume agua porque el mismo refrigerante vuelve.
Agua directa e indirecta
El agua directa, alcance 1, se evapora en las torres de refrigeración y se mide con la water usage effectiveness en litros por kWh. Google declaró 1,15 l/kWh para 2023 y 2024 [4]. El agua indirecta, alcance 2, se consume en las centrales eléctricas. En el estudio Making AI Less Thirsty, entrenar GPT-3 consumió unos 0,7 millones de litros in situ y unos 5,4 millones incluyendo el agua de la electricidad [5].
Reconstruir la cifra al revés
Google publica su fórmula: agua = (energía total menos overhead) x WUE. Comprobación con sus propios datos: (0,24 menos 0,02) x 1,15 = 0,253 ml, que redondea a los 0,26 ml publicados [4]. Aplicada a las cifras de OpenAI, con un overhead del 8 por ciento:
Ese valor es realista para una instalación moderna. La cifra puede ser plausible bajo ciertas hipótesis, en concreto si solo cuenta la refrigeración in situ y excluye el agua de generar esos 0,34 vatios hora.
Por qué no puede existir un valor universal
El agua por consulta es el producto de muchas variables: tamaño del modelo, tokens de entrada y salida, carga de razonamiento, tipo de acelerador, batching, utilización, ubicación, clima, tecnología de refrigeración, fuente de energía, PUE y WUE. Epoch AI estima unos 0,3 Wh para una consulta típica de GPT-4o, unos 2,5 Wh con 10.000 tokens de entrada y unos 40 Wh con 100.000 [6]. Jegham y colegas encontraron un factor superior a 65 entre 30 modelos en prompts largos [7]. La misma carga costaba unos 7,6 ml en Texas y unos 47,6 ml en Washington [5].
Comparación de las estimaciones publicadas
| Fuente | Fecha | Cifra | Límite del sistema | Metodología pública |
|---|---|---|---|---|
| Sam Altman [1] | jun 2025 | 0,32 ml, 0,34 Wh | no indicado | no |
| Google [4] | ago 2025 | 0,26 ml, 0,24 Wh (mediana) | solo refrigeración in situ | sí, con fórmula |
| Li et al. [5] | 2023, rev. 2025 | 500 ml por 10 a 50 respuestas | alcance 1 y 2 | sí, revisado por pares |
| Epoch AI [6] | feb 2025 | 0,3 Wh | energía del acelerador | sí |
| Estudio citado por PolitiFact [3] | sep 2026 | 0,6 a 17 ml | más amplio que la refrigeración | sí |
Entrenamiento e inferencia son presupuestos distintos
El entrenamiento es un coste único que se amortiza entre todas las consultas posteriores. La inferencia es el coste marginal por consulta, y de eso trata la cifra de 0,32 ml. Para dar escala: con 700 millones de consultas diarias, 0,32 ml suman unos 225.000 litros al día y unos 82 millones de litros al año. Por consulta es un error de redondeo; al año es la cuenta de agua de un municipio.
La comparación con la almendra
Según PolitiFact, la huella hídrica total de una almendra californiana ronda los 12 litros, de los cuales unos 6 son riego directo; el resto es lluvia y agua de dilución [3].
La multiplicación es correcta y la comparación no lo es. Un lado usa la huella completa y el otro, aparentemente, solo agua de refrigeración. Comparando agua directa con agua directa salen unas 1.000 a 10.000 consultas por almendra [3].
Los límites del sistema, explicados con latencia
El equipo A mide 12 ms porque solo instrumenta la consulta a la base de datos. El equipo B mide 180 ms porque incluye red, TLS, autenticación y serialización. Ambos miden bien y las cifras no son comparables. El agua por prompt tiene exactamente ese problema, y además sin convención compartida.
Por qué la botella de agua también era una simplificación
Antes circulaba lo contrario: una conversación se bebe una botella de 500 ml. También venía de investigación real, que decía 500 ml por unas 10 a 50 respuestas de longitud media según dónde y cuándo se ejecute [5]. Se perdieron las condiciones: modelo GPT-3, unas 800 palabras de entrada, valores modelados y un rango que refleja ubicaciones distintas.
Qué debe preguntar un desarrollador
- ¿Qué modelo se midió?
- ¿Cuántos tokens de entrada y salida?
- ¿Qué hardware?
- ¿Qué centro de datos?
- ¿Qué sistema de refrigeración?
- ¿Se incluyó el agua indirecta de la electricidad?
- ¿Qué periodo de medición?
- ¿Media, mediana o estimación?
- ¿Se puede reproducir de forma independiente?
Preguntas frecuentes
¿Cuánta agua usa una consulta de ChatGPT?
Altman indicó unos 0,32 ml. Las estimaciones independientes van de 0,6 a 17 ml. La respuesta honesta es un rango.
¿Las GPU consumen agua directamente?
No. Consumen electricidad y generan calor. El agua se consume en la refrigeración y en las centrales eléctricas.
¿Incluye el entrenamiento?
No. Es una cifra de inferencia.
¿Por qué varían tanto las estimaciones?
Porque límites contables distintos producen estimaciones distintas.
Conclusión
La cifra de 0,32 ml no está inventada. La conversión es correcta y la WUE implícita cae en un rango realista, así que puede ser plausible bajo ciertas hipótesis. No es verificable y no es una constante universal. La metodología pública se limita a dos frases.
La cuestión importante no es si una consulta cuesta 0,32 ml, cinco gotas u otro número. Es si la metodología, las hipótesis de infraestructura y los límites contables son lo bastante transparentes para poder interpretar la cifra.
Fuentes
- Sam Altman, The Gentle Singularity, 10/06/2025.
- Data Center Dynamics, junio 2025.
- PolitiFact, 04/09/2026.
- Google, Measuring the environmental impact of delivering AI at Google Scale, arXiv:2508.15734.
- Li, Yang, Islam, Ren, Making AI Less Thirsty, arXiv:2304.03271.
- Epoch AI, How much energy does ChatGPT use?, 07/02/2025.
- Jegham et al., How Hungry is AI?, arXiv:2505.09598.
LECTURAS RELACIONADAS EN ESTE SITIO
- La ruta completa de una petición en una app LLM
- PUE y WUE explicados para desarrolladores web
- Cómo verifico una cifra técnica viral
Leer este artículo en: English · اردو · Deutsch · Français · Português · 日本語 · 中文