Os sistemas de inteligência artificial são sedentos, consumindo até 500 mililitros de água – uma garrafa de água de porção única – para cada conversa curta que um usuário tem com a versão GPT-3 do sistema ChatGPT da OpenAI. Eles usam aproximadamente a mesma quantidade de água para redigir uma mensagem de e-mail de 100 palavras.
Esse número inclui a água usada para resfriar os servidores do data center e a água consumida nas usinas de energia que geram a eletricidade para operá-los.
Mas o estudo que calculou essas estimativas também apontou que o uso de água dos sistemas de IA pode variar amplamente, dependendo de onde e quando o computador que responde à consulta está funcionando.
Para mim, como bibliotecário acadêmico e professor de educação, entender a IA não se resume apenas a saber como escrever prompts. Também envolve entender a infraestrutura, os trade-offs e as escolhas cívicas que cercam a IA.
Muitas pessoas assumem que a IA é inerentemente prejudicial, especialmente dadas as manchetes que destacam sua vasta pegada de energia e água. Esses efeitos são reais, mas são apenas parte da história.
Quando as pessoas passam a ver a IA não apenas como um dreno de recursos, mas entendem sua verdadeira pegada, de onde vêm os efeitos, como eles variam e o que pode ser feito para reduzi-los, elas estão muito mais bem equipadas para fazer escolhas que equilibram inovação com sustentabilidade.
2 fluxos ocultos
Por trás de cada consulta de IA estão dois fluxos de uso de água.
O primeiro é o resfriamento no local dos servidores que geram enormes quantidades de calor. Isso geralmente usa torres de resfriamento evaporativo – gigantescos nebulizadores que borrifam água sobre tubos quentes ou bacias abertas. A evaporação remove o calor, mas essa água é retirada do suprimento local de água, como um rio, um reservatório ou um aquífero. Outros sistemas de resfriamento podem usar menos água, mas mais eletricidade.
O segundo fluxo é usado pelas usinas de energia que geram a eletricidade para alimentar o data center. Usinas de carvão, gás e nuclear usam grandes volumes de água para ciclos de vapor e resfriamento.
A energia hidrelétrica também consome quantidades significativas de água, que evapora dos reservatórios. Usinas solares concentradas, que funcionam mais como estações de energia a vapor tradicionais, podem ser intensivas em água se dependerem de resfriamento a úmido.
Em contraste, turbinas eólicas e painéis solares usam quase nenhuma água uma vez construídos, exceto para limpeza ocasional.
Clima e tempo importam
O uso de água muda dramaticamente com a localização. Um data center na Irlanda fresca e úmida pode muitas vezes contar com ar externo ou resfriadores e funcionar por meses com uso mínimo de água. Em contraste, um data center no Arizona em julho pode depender fortemente do resfriamento evaporativo. O ar quente e seco torna esse método altamente eficaz, mas também consome grandes volumes de água, já que a evaporação é o mecanismo que remove o calor.
O tempo também importa. Um estudo da Universidade de Massachusetts Amherst descobriu que um data center pode usar apenas metade da água no inverno em comparação ao verão. E ao meio-dia durante uma onda de calor, os sistemas de resfriamento trabalham em excesso. À noite, a demanda é menor.
Novas abordagens oferecem alternativas promissoras. Por exemplo, o resfriamento por imersão submerge os servidores em fluidos que não conduzem eletricidade, como óleos sintéticos, reduzindo quase totalmente a evaporação da água.
E um novo design da Microsoft afirma usar zero água para resfriamento, circulando um líquido especial através de tubos selados diretamente sobre os chips de computador. O líquido absorve calor e depois o libera através de um sistema de circuito fechado sem necessidade de evaporação. Os data centers ainda usariam alguma água potável para banheiros e outras instalações para funcionários, mas o resfriamento em si não mais retiraria das fontes de água locais.
Essas soluções ainda não são mainstream, no entanto, principalmente por causa do custo, complexidade de manutenção e a dificuldade de converter data centers existentes para novos sistemas. A maioria dos operadores depende de sistemas evaporativos.
Uma habilidade simples que você pode usar
O tipo de modelo de IA que está sendo consultado também importa. Isso se deve aos diferentes níveis de complexidade e ao hardware e à quantidade de poder de processamento que eles exigem. Alguns modelos podem usar recursos muito mais do que outros. Por exemplo, um estudo descobriu que certos modelos podem consumir mais de 70 vezes mais energia e água do que os ultraeficientes.
Você pode estimar a pegada hídrica da IA você mesmo em apenas três etapas, sem necessidade de matemática avançada.
Passo 1 – Procure pesquisas credíveis ou divulgações oficiais. Análises independentes estimam que uma resposta de comprimento médio do GPT-5, que é de cerca de 150 a 200 palavras de saída, ou aproximadamente 200 a 300 tokens, usa cerca de 19,3 watt-horas. Uma resposta de comprimento semelhante do GPT-4o usa cerca de 1,75 watt-horas.
Passo 2 – Use uma estimativa prática para a quantidade de água por unidade de eletricidade, combinando o uso para resfriamento e para energia.
Pesquisadores independentes e relatórios da indústria sugerem que uma faixa razoável hoje é de cerca de 1,3 a 2,0 mililitros por watt-hora. O extremo inferior reflete instalações eficientes que usam resfriamento moderno e redes mais limpas. O extremo superior representa locais mais típicos.
Passo 3 – Agora é hora de juntar as peças. Pegue o número de energia que você encontrou no Passo 1 e multiplique pelo fator de água do Passo 2. Isso lhe dará a pegada hídrica de uma única resposta de IA.
Aqui está a fórmula que você precisará:
Energia por prompt (watt-horas) × Fator de água (mililitros por watt-hora) = Água por prompt (em mililitros)
Para uma consulta de comprimento médio ao GPT-5, esse cálculo deve usar os números de 19,3 watt-horas e 2 mililitros por watt-hora. 19,3 x 2 = 39 mililitros de água por resposta.
Para uma consulta de comprimento médio ao GPT-4o, o cálculo é 1,75 watt-horas x 2 mililitros por watt-hora = 3,5 mililitros de água por resposta.
Se você assumir que os data centers são mais eficientes e usam 1,3 mililitros por watt-hora, os números caem: cerca de 25 mililitros para o GPT-5 e 2,3 mililitros para o GPT-4o.
Um relatório técnico recente do Google disse que um prompt de texto mediano para seu sistema Gemini usa apenas 0,24 watt-horas de eletricidade e cerca de 0,26 mililitros de água – aproximadamente o volume de cinco gotas. No entanto, o relatório não diz quanto tempo esse prompt tem, então não pode ser comparado diretamente com o uso de água do GPT.
Essas diferentes estimativas – variando de 0,26 mililitros a 39 mililitros – demonstram o quanto os efeitos da eficiência, do modelo de IA e da infraestrutura de geração de energia importam.
Comparações podem adicionar contexto
Para realmente entender quanto água essas consultas usam, pode ser útil compará-las a outros usos de água familiares.
Quando multiplicadas por milhões, o uso de água das consultas de IA se acumula. A OpenAI relata cerca de 2,5 bilhões de prompts por dia. Esse número inclui consultas ao seu GPT-4o, GPT-4 Turbo, GPT-3.5 e sistemas GPT-5, sem uma divisão pública de quantas consultas são emitidas para cada modelo específico.
Usando estimativas independentes e o relatório oficial do Google, dá para ter uma noção da faixa possível:
Todos os prompts medianos do Google Gemini: cerca de 650.000 litros por dia.
Todos os prompts medianos do GPT 4o: cerca de 8,8 milhões de litros por dia.
Todos os prompts medianos do GPT 5: cerca de 97,5 milhões de litros por dia.
Para comparação, os americanos usam cerca de 34 bilhões de litros por dia para irrigar gramados e jardins residenciais. Um litro é cerca de um quarto de galão.
A IA generativa realmente usa água, mas – pelo menos por enquanto – seus totais diários são pequenos em comparação com outros usos comuns, como gramados, chuveiros e lavanderia.
Mas sua demanda por água não é fixa. A divulgação do Google mostra o que é possível quando os sistemas são otimizados, com chips especializados, resfriamento eficiente e gerenciamento inteligente de carga de trabalho. A reciclagem de água e a localização de data centers em regiões mais frescas e úmidas também podem ajudar.
A transparência é importante, também: Quando as empresas divulgam seus dados, o público, os formuladores de políticas e os pesquisadores podem ver o que é alcançável e comparar provedores de forma justa.