Quanta água o ChatGPT realmente consome? Um desenvolvedor investiga os 0,32 ml

Quanta água o ChatGPT realmente consome? Um desenvolvedor investiga os 0,32 ml

O consumo de água do ChatGPT vem sendo resumido há mais de um ano em um único número: cerca de 0,32 mililitro por consulta, aproximadamente um quinze avos de colher de chá. Eu escrevo software, e quando um número carrega tanto peso a minha primeira pergunta não é se ele é verdadeiro. É o que ele mediu.

Por Zubair Hussain, desenvolvedor full stack. Verificado em 18 de setembro de 2026.

De onde vem o número

A fonte é um post de blog pessoal. Em 10 de junho de 2025, Sam Altman escreveu em The Gentle Singularity: "A consulta média usa cerca de 0,34 watt-hora... Também usa cerca de 0,000085 galão de água, aproximadamente um quinze avos de colher de chá" ^[1]. Não há metodologia, definição de consulta média, hardware citado nem revisão por pares ^[2].

Em 1 de setembro de 2026, Altman afirmou que 38.000 consultas equivalem à água de uma amêndoa californiana. O PolitiFact classificou a comparação como majoritariamente falsa em 4 de setembro de 2026 ^[3].

A aritmética está correta

0,000085 gal x 3785,411784 ml/gal = 0,32176 ml
1 colher de chá = 4,92892 ml; um quinze avos = 0,3286 ml

As duas formulações da mesma frase são consistentes entre si. O problema não está nas contas.

GPUs não bebem água

Uma GPU consome eletricidade e gera calor. A água é consumida em outros três pontos: na geração elétrica, no resfriamento do data center e na cadeia de suprimentos. Resfriamento líquido direto ao chip em circuito fechado não consome água, porque o mesmo fluido retorna.

Água direta e indireta

A água direta, escopo 1, evapora nas torres de resfriamento e é medida pela water usage effectiveness, em litros por kWh. O Google reportou 1,15 l/kWh em 2023 e 2024 ^[4]. A água indireta, escopo 2, é consumida nas usinas. No estudo Making AI Less Thirsty, treinar o GPT-3 consumiu cerca de 0,7 milhão de litros no local e cerca de 5,4 milhões incluindo a água da eletricidade ^[5].

Refazendo o número de trás para frente

O Google publica a fórmula: água = (energia total menos overhead) x WUE. Conferindo com os dados deles: (0,24 menos 0,02) x 1,15 = 0,253 ml, que arredonda para os 0,26 ml publicados ^[4]. Aplicando ao par de números da OpenAI, com 8 por cento de overhead:

0,32176 ml / 0,313 Wh = cerca de 1,03 l/kWh de WUE implícita

Esse valor é realista para uma instalação moderna. O número pode ser plausível sob certas suposições, especificamente se contar apenas o resfriamento no local e excluir a água usada para gerar aqueles 0,34 watt-hora.

Por que não existe um valor universal

Água por consulta é o produto de muitas variáveis: tamanho do modelo, tokens de entrada e saída, carga de raciocínio, tipo de acelerador, batching, utilização, localização, clima, tecnologia de resfriamento, fonte de energia, PUE e WUE. A Epoch AI estima cerca de 0,3 Wh para uma consulta típica do GPT-4o, cerca de 2,5 Wh com 10.000 tokens de entrada e cerca de 40 Wh com 100.000 ^[6]. Jegham e colegas encontraram um fator acima de 65 entre 30 modelos em prompts longos ^[7]. A mesma carga custou cerca de 7,6 ml no Texas e cerca de 47,6 ml em Washington ^[5].

Comparação das estimativas publicadas

Treinamento e inferência são orçamentos diferentes

O treinamento é um custo único amortizado entre todas as consultas seguintes. A inferência é o custo marginal por consulta, e é disso que trata o número de 0,32 ml. Para dar escala: com 700 milhões de consultas por dia, 0,32 ml somam cerca de 225.000 litros diários e cerca de 82 milhões de litros por ano. Por consulta, um erro de arredondamento. No ano, uma conta de água municipal.

A comparação com a amêndoa

Segundo o PolitiFact, a pegada hídrica total de uma amêndoa californiana fica em torno de 12 litros, dos quais cerca de 6 são irrigação direta; o restante é chuva e água de diluição ^[3].

12,1 l / 0,32176 ml = cerca de 37.600 consultas

A multiplicação está certa e a comparação não. De um lado, a pegada completa; do outro, aparentemente só a água de resfriamento. Comparando água direta com água direta, o resultado fica em torno de 1.000 a 10.000 consultas por amêndoa ^[3].

Fronteiras de medição explicadas com latência

O time A reporta 12 ms porque instrumentou só a chamada ao banco. O time B reporta 180 ms porque mediu a requisição inteira, incluindo rede, TLS, autenticação e serialização. Os dois mediram certo e os números não são comparáveis. Água por prompt tem exatamente esse problema, e sem nenhuma convenção compartilhada.

Por que a garrafa de água também era simplificação

Antes o número viral ia na direção oposta: uma conversa beberia uma garrafa de 500 ml. Isso também veio de pesquisa real, que dizia 500 ml para cerca de 10 a 50 respostas de tamanho médio, dependendo de onde e quando ^[5]. As condições sumiram no caminho: modelo GPT-3, cerca de 800 palavras de entrada, valores modelados e não medidos, e uma faixa que reflete locais diferentes.

O que um desenvolvedor deve perguntar

1. Qual modelo foi testado?
2. Quantos tokens de entrada e saída?
3. Qual hardware?
4. Qual data center?
5. Qual sistema de resfriamento?
6. A água indireta da eletricidade foi incluída?
7. Qual o período de medição?
8. Média, mediana ou estimativa?
9. O cálculo pode ser reproduzido de forma independente?

Perguntas frequentes

Conclusão

Os 0,32 ml não são inventados. A conversão está correta e a WUE implícita cai numa faixa realista, então o número pode ser plausível sob certas suposições. Ele não é verificável e não é uma constante universal. A metodologia pública se resume a duas frases.

A questão importante não é se uma consulta custa 0,32 ml, cinco gotas ou outro valor. É se a metodologia, as suposições de infraestrutura e as fronteiras contábeis são transparentes o bastante para o número poder ser interpretado.

Fontes

1. Sam Altman, The Gentle Singularity, 10/06/2025.
2. Data Center Dynamics, junho de 2025.
3. PolitiFact, 04/09/2026.
4. Google, Measuring the environmental impact of delivering AI at Google Scale, arXiv:2508.15734.
5. Li, Yang, Islam, Ren, Making AI Less Thirsty, arXiv:2304.03271.
6. Epoch AI, How much energy does ChatGPT use?, 07/02/2025.
7. Jegham et al., How Hungry is AI?, arXiv:2505.09598.