Hoeveel water verbruikt ChatGPT per dag?

Wanneer we denken aan de ecologische voetafdruk van digitale technologie, gaat de aandacht vaak naar het enorme energieverbruik van datacenters. De koolstofemissies die gepaard gaan met het trainen en draaien van grote AI-modellen zoals ChatGPT zijn inmiddels een bekend gespreksonderwerp. Er is echter een andere, minder belichte hulpbron die cruciaal is voor deze processen: water.

De servers die kunstmatige intelligentie mogelijk maken, genereren aanzienlijke warmte en moeten continu worden gekoeld om uitval te voorkomen. Deze koeling gebeurt niet alleen met lucht, maar vaak ook met grootschalige watergebaseerde systemen, zoals koeltorens. Hierbij verdampt water om warmte af te voeren, wat leidt tot een aanzienlijk verbruik van zoetwater. Dit water, bekend als het 'verborgen water' van de cloud, is een essentieel maar vaak over het hoofd gezien onderdeel van elke interactie met AI.

De vraag naar de exacte dagelijkse waterbehoefte van ChatGPT zelf is complex, omdat OpenAI geen specifieke, real-time cijfers per dienst publiceert. We kunnen echter wel kijken naar gerapporteerde cijfers over het waterverbruik van de datacenters die dergelijke AI hosten. Onderzoek toont aan dat de training van een groot AI-model alleen al miljoenen liters water kan kosten voor de koeling. Het dagelijkse verbruik voor het draaiend houden van ChatGPT is daarom allesbehalve verwaarloosbaar en vormt een groeiende zorg in een wereld waar waterschaarste toeneemt.

Dit artikel duikt in de relatie tussen AI en waterverbruik. We onderzoeken hoe het verbruik wordt gemeten, welke factoren het beïnvloeden, en plaatsen de cijfers in een begrijpelijke context. Het doel is om inzicht te geven in de vaak onzichtbare ecologische kosten van onze digitale interacties.

Watergebruik voor koeling van datacenters: de directe kosten

Het waterverbruik voor de koeling van datacenters is een directe en substantiële operationele kostenpost. In tegenstelling tot de indirecte ecologische voetafdruk, zijn dit de tastbare uitgaven die beheerders dagelijks terugzien.

De kern van de kosten ligt in het verbruik van drinkwater van hoge kwaliteit of gezuiverd water. Koeltorens verdampen grote hoeveelheden water om warmte af te voeren. Dit verdampte water moet continu worden aangevuld. Daarnaast is regelmatig spuien noodzakelijk om zoutconcentratie en vervuiling tegen te gaan, wat tot extra verbruik leidt.

De directe financiële last wordt bepaald door de lokale waterprijs, die sterk kan variëren. Een groot datacenter kan gemakkelijk meer dan 100.000 liter per dag verbruiken. Bij een gemiddelde prijs per kubieke meter vertaalt dit zich direct in een aanzienlijke dagelijkse rekening. Dit zijn pure operationele kosten, zonder de investeringen in waterbehandelingsinstallaties of recirculatiesystemen mee te rekenen.

Daarnaast zijn er kosten voor waterbehandeling en -onderhoud. Chemicaliën om algengroei en corrosie tegen te gaan, filters en het onderhoud van het koelwatersysteem vormen een extra financiële last. Het niet optimaliseren van dit systeem leidt tot hoger verbruik en dus hogere kosten.

Deze directe uitgaven zijn voor beheerders een sterke drijfveer om efficiëntere koeltechnieken te zoeken, zoals luchtgekoelde systemen of het hergebruik van grijs water. Elke bespaarde liter is niet alleen goed voor het milieu, maar betekent ook een directe besparing op de bedrijfskosten.

Vergelijking met het waterverbruik van een gemiddeld huishouden

Om het waterverbruik van ChatGPT in perspectief te plaatsen, is een vergelijking met dagelijks huishoudelijk gebruik verhelderend. Een gemiddeld Nederlands huishouden verbruikt volgens het CBS ongeveer 120 liter drinkwater per persoon, per dag. Voor een gezin van vier personen komt dit neer op zo'n 480 liter per dag.

Het geschatte indirecte waterverbruik voor het draaiende houden van de servers voor ChatGPT ligt, afhankelijk van de locatie en koeling van het datacenter, in de orde van grootte van:

• 500 milliliter per 10 tot 50 prompts (gespreksinteracties).



• Dit kan oplopen tot tientallen liters per dag voor intensief gebruik door miljoenen gebruikers wereldwijd.

De kern van de vergelijking ligt in het type verbruik:

• Direct vs. indirect: Huishoudelijk water is direct, zichtbaar verbruik (drinken, douchen, wassen). Het water voor AI is vrijwel volledig indirect, verbruikt voor elektriciteitsopwekking en koeling in de toeleveringsketen.



• Lokale impact vs. globale footprint: Je douchewater komt uit de lokale bron en wordt lokaal gezuiverd. Het 'AI-water' wordt vaak verbruikt in de regio waar de energiecentrale staat of het datacenter koelwater uit een rivier gebruikt, wat een grensoverschrijdende ecologische voetafdruk creëert.

Een concrete rekenvergelijking maakt het inzichtelijk:

1. Stel: 1 miljoen gebruikers stellen elk 10 vragen aan ChatGPT.



2. Geschat verbruik: 500 ml water per 20 prompts = 250.000 liter water in totaal.



3. Die 250.000 liter is gelijk aan het directe dagelijkse waterverbruik van meer dan 520 Nederlanders (bij 120 liter per persoon).

Conclusie: Hoewel het verbruik per individuele chat verwaarloosbaar lijkt, wordt de totale impact pas duidelijk bij schaalgrootte. Het indirecte waterverbruik van een wereldwijd AI-systeem zoals ChatGPT is vergelijkbaar met het directe drinkwaterverbruik van een middelgrote stad. Dit onderstreept het belang van duurzame energiebronnen voor de digitale infrastructuur.

Invloed van jouw prompt-gebruik op het totale waterverbruik

Het waterverbruik van ChatGPT is direct gekoppeld aan de rekenkracht die nodig is om jouw verzoek te verwerken. Elke prompt die je verstuurt, activeert servers in datacenters, die koeling nodig hebben. Hoewel één enkele interactie een bescheiden hoeveelheid water kost voor koeling, bepaalt de totale som van alle prompts wereldwijd de uiteindelijke milieu-impact.

Een korte, duidelijke prompt is efficiënter dan een lange, vage of complexe vraag. Het model hoeft minder te verwerken, wat resulteert in een kortere serverbelasting en dus minder koelwaterverbruik. Het vermijden van onnodige herhalingen of het continu opnieuw genereren van antwoorden voor kleine aanpassingen heeft een vergelijkbaar positief effect.

Het gebruik van contextbeheer is cruciaal. Een nieuwe chat starten voor een nieuw onderwerp is vaak efficiënter dan een extreem lange conversatie voort te zetten, omdat het model de hele voorgeschiedenis bij elke interactie moet analyseren. Voor voortbouwende gesprekken is het echter weer efficiënter om binnen hetzelfde chatvenster te blijven.

Ook het type taak is van invloed. Het genereren van een lange tekst of een complexe code-analyse vereist meer rekenuren dan een eenvoudige definitie. Wees daarom doelbewust: bundel gerelateerde vragen in één prompt waar mogelijk en specificeer duidelijk de gewenste outputformaat en lengte.

Jouw keuze heeft dus een directe, meetbare invloed. Door bewust en gestructureerd te prompten, help je de operationele efficiëntie te verhogen. Dit vertaalt zich direct in een verminderde energievraag en, als gevolg daarvan, een lager waterverbruik voor de essentiële koeling van de infrastructuur die AI mogelijk maakt.

Veelgestelde vragen:

Hoeveel liter water kost één gesprek met ChatGPT ongeveer?

Een concrete schatting is moeilijk te geven, omdat het waterverbruik sterk afhangt van de locatie en koeling van het datacenter. Onderzoekers van de Universiteit van Californië, Riverside, hebben wel een indicatief cijfer berekend. Zij schatten dat voor een eenvoudig gesprek van ongeveer 20 tot 50 vragen en antwoorden met een chatbot als ChatGPT, de indirecte waterafdruk kan oplopen tot 500 milliliter. Dat is ongeveer een halve liter. Dit water wordt voornamelijk gebruikt voor het koelen van de servers en de stroomvoorziening in de datacenters. Het is belangrijk om te begrijpen dat dit een gemiddelde is; als het datacenter in een koel, vochtig klimaat staat of geavanceerde koeltechnieken gebruikt, kan het verbruik lager zijn.

Waarom verbruiken AI-diensten zoals ChatGPT zoveel water, en wat doet het bedrijf eraan?

Het hoge waterverbruik komt vooral door de koeling. De servers die AI-modellen draaien, genereren intense hitte. Om oververhitting te voorkomen, gebruiken datacenters vaak verdampingskoeling, waarbij water verdampt om de lucht te koelen. Dit proces verbruikt grote hoeveelheden water. OpenAI, het bedrijf achter ChatGPT, erkent dit probleem. Zij hebben als doelstelling om de efficiëntie van hun systemen te verbeteren, zodat ze minder rekenkracht en dus ook minder koeling nodig hebben voor dezelfde taak. Daarnaast proberen ze hun rekenwerk zoveel mogelijk te plannen in datacenters op locaties en tijdstippen waar duurzame energie beschikbaar is en de impact op lokale waterbronnen en het elektriciteitsnet kleiner is. De exacte cijfers over hun waterbesparing publiceren ze niet regelmatig, dus onafhankelijke controle blijft lastig.