AllCalculators.io

Calculadora de huella hídrica de la IA

Estima el agua que consumen las consultas de IA, las conversaciones de ChatGPT y la inferencia de modelos de lenguaje a partir del agua de enfriamiento por consulta.

Preguntas frecuentes

¿Por qué los modelos de IA consumen agua?

Los centros de datos grandes generan mucho calor por los cálculos en GPU y CPU. Las torres de enfriamiento evaporativo y los sistemas de refrigeración usan agua para disipar ese calor. El agua se evapora y no regresa a la cuenca local, creando una huella hídrica consuntiva.

¿Cuánta agua consume una conversación de ChatGPT?

Las estimaciones de investigación varían bastante, pero un estudio de 2023 (Li et al.) estimó cerca de 500 mL (unas 2 tazas) de agua por cada 20 a 50 consultas a ChatGPT, según la ubicación del centro de datos y la tecnología de enfriamiento. Las regiones con climas más cálidos requieren más enfriamiento evaporativo.

¿Cómo se compara el agua de la IA con otras actividades?

Producir un kilogramo de carne de res requiere unos 15,000 litros de agua; una taza de café usa cerca de 140 litros. El agua de la IA por consulta (10-500 mL) es modesta frente a la producción de alimentos, pero significativa a la escala agregada de miles de millones de consultas diarias en el mundo.

Cortesía de AllCalculators.io
Calculadoras en línea gratuitas para el día a día. Sin registro.

Estimaciones solo con fines informativos.

Aviso importante: Estimaciones solo con fines informativos.

Esta calculadora ofrece estimaciones con fines informativos. Los resultados se basan en supuestos y pueden no reflejar resultados reales. Consulta a profesionales calificados en las áreas correspondientes antes de tomar decisiones importantes basadas en estos resultados.

Se requiere JavaScript para usar la calculadora interactiva de arriba. Las preguntas y respuestas a continuación se pueden leer sin JavaScript.

Cómo funciona esta calculadora

Cada consulta de IA procesada por un modelo de lenguaje grande corre en servidores dentro de un centro de datos. Esos servidores generan calor, y los centros de datos usan agua para enfriar el hardware: ya sea con enfriamiento líquido directo o con torres de enfriamiento evaporativo que evaporan cantidades importantes de agua para disipar el calor. Esta calculadora estima el consumo total de agua por periodo a partir de tu volumen diario de consultas, el tipo de consultas y el tamaño del modelo, usando cifras de agua por consulta tomadas de investigación revisada por pares.

Las estimaciones son promedios por consulta. El consumo real varía según la ubicación del centro de datos (los climas más fríos requieren menos enfriamiento evaporativo), la tecnología de enfriamiento (aire vs. agua), la tasa de utilización de servidores y la arquitectura específica del modelo. Toma los resultados como estimaciones de orden de magnitud, no como mediciones precisas.

¿Por qué los modelos de IA consumen agua?

Los centros de datos son básicamente salas gigantes llenas de procesadores que corren de forma continua a carga alta. Un solo rack de servidores con GPU puede consumir entre 30 y 100 kilovatios de potencia, casi todo convertido en calor. Sacar ese calor lo suficientemente rápido para mantener el hardware por debajo de las temperaturas de throttling exige enfriamiento activo.

Los dos enfoques dominantes involucran agua de formas distintas:

Torres de enfriamiento evaporativo: hacen circular agua sobre superficies grandes donde se evapora y se lleva el calor. En una instalación grande pueden consumir cientos de galones por minuto.
Enfriamiento líquido directo: envía refrigerante directamente a los procesadores y luego disipa el calor mediante intercambiadores. Sigue consumiendo agua, pero de forma más eficiente.
Enfriamiento por aire: usa electricidad para mover compresores y ventiladores, gasta menos agua pero más energía, y las plantas que generan esa electricidad también pueden consumir agua.

La inferencia de modelos de lenguaje grandes es especialmente intensiva en agua porque las consultas son densas en cómputo comparadas con una solicitud web tradicional. Una conversación con ChatGPT implica multiplicaciones de matrices con miles de millones de parámetros sobre GPU o TPU especializadas que consumen mucha más potencia por operación que un servidor estándar.

Fuentes de datos e incertidumbre

Las cifras de agua por consulta usadas aquí se basan en estimaciones de Li et al. (2023), "Making AI Less 'Thirsty'", y otra investigación afín sobre centros de datos. Las cifras representan puntos medios razonables para centros de datos en Estados Unidos con infraestructura de enfriamiento mixta.

Las fuentes principales de incertidumbre incluyen:

Los centros de datos en climas fríos del norte (Islandia, Finlandia, norte de Canadá) pueden usar muy poca o ninguna agua evaporativa porque el aire ambiente ya es suficientemente frío para enfriamiento gratuito.
Los centros de datos en climas desérticos calurosos (Arizona, Texas) usan bastante más agua para enfriarse.
Las distintas generaciones de modelos varían mucho en eficiencia de inferencia: los modelos más nuevos a menudo entregan más con menos cómputo por token de salida.
El procesamiento por lotes, la cuantización de modelos y los chips de inferencia dedicados pueden reducir el agua por consulta en 50% o más.
Los proveedores de IA aún no publican cifras estandarizadas de agua por consulta, así que los investigadores deben estimar a partir de divulgaciones a nivel de instalación.

Las cifras usadas aquí se deben tratar como estimaciones plausibles basadas en la investigación disponible, no como mediciones definitivas.

Comparación

Para poner los volúmenes en contexto:

Un vaso de agua estándar: 250 mL
Una tina de baño: alrededor de 150 litros (150,000 mL)
Consumo diario de agua recomendado para una persona: cerca de 2 litros (2,000 mL)
Una carga de lavadora (de carga superior): aproximadamente 150-170 litros
Un ciclo de lavavajillas (modelo eficiente): 10-15 litros

Un usuario intensivo que lanza 100 consultas a un modelo grande por día consume cerca de 2.5 litros de agua diarios por enfriamiento de centros de datos, comparable al agua de una botella reutilizable grande. Al año son unos 900 litros, aproximadamente seis tinas. Los números son reales pero modestos frente a otros usos domésticos; la escala agregada se vuelve significativa cuando se multiplica por cientos de millones de usuarios diarios de IA.

Consejos y preguntas frecuentes

¿Usar un modelo más pequeño ahorra agua? Sí, y mucho. Cambiar de un modelo clase GPT-4 a uno clase GPT-3.5 puede reducir el agua por consulta en 60% o más según las estimaciones de la investigación citada. Las consultas más cortas y con menos vueltas también reducen el consumo.

¿La generación de imágenes es peor que el texto? Sí. Los modelos de difusión que se usan para generar imágenes son más intensivos en cómputo por salida que la generación de texto. Una sola imagen de alta resolución puede consumir entre 40 y 100 veces el agua de una consulta de texto corta.

¿Y los modelos de IA locales? Correr un modelo en tu propio hardware sí consume energía (y por tanto puede consumir agua de forma indirecta vía la generación eléctrica), pero evita por completo el agua de enfriamiento del centro de datos. El consumo de potencia en hardware de consumidor también es menor por salida útil que en GPU de centro de datos.

¿Por qué importa el consumo de agua si llueve? El agua usada en enfriamiento evaporativo se consume: se evapora y abandona la cuenca local. En regiones con estrés hídrico, los centros de datos grandes compiten con la agricultura y el suministro municipal por las mismas aguas subterráneas o superficiales finitas. La ubicación importa muchísimo: un centro de datos en una región con escasez de agua tiene un impacto real mucho mayor que uno en una región con agua abundante, aunque usen el mismo volumen.

¿Cómo puedo reducir mi huella hídrica de IA? Usa prompts más cortos y precisos para llegar a la respuesta en menos vueltas; elige modelos más pequeños para tareas simples; agrupa consultas similares; evita regenerar respuestas sin necesidad; y prefiere proveedores que publican compromisos de gestión del agua y que ubican instalaciones en regiones con agua abundante.