Kolik vody spotřebuje ChatGPT na jeden dotaz? Čísla v kontextu

Kolik vody spotřebuje ChatGPT na jeden dotaz? Sam Altman v červnu 2025 uvedl přibližně 0,32 mililitru. Je to ale zveřejněný průměr bez podrobné metodiky v daném příspěvku, nikoli univerzální účet za každou odpověď. Často citovaný půllitr pochází z jiného odhadu pro starší model a více odpovědí. Aby čísla dávala smysl, musíme vědět, co přesně zahrnují.

Kolik vody spotřebuje jeden dotaz v ChatGPT: přehled čísel

Na internetu se potkávají údaje, které vypadají jako odpovědi na stejnou otázku, ale vznikly jinak. Následující přehled proto není žebříček úspornosti chatbotů. U každého čísla uvádí systém, období a hlavní omezení. Zvlášť údaj pro Gemini neříká, kolik vody spotřebuje ChatGPT.

Altmanův původní údaj zní 0,000085 amerického galonu. Přepočet na české jednotky dává asi 0,322 ml. V textu The Gentle Singularity ovšem nenajdeme rozpis podle modelů, délky odpovědi ani jasné vymezení vodní stopy. Číslo proto uvádíme jako jeho tvrzení z konkrétní doby, ne jako nezávisle změřenou spotřebu dnešního dotazu.

Google zveřejnil metodiku podrobněji: vodu odvodil z energetické náročnosti provozu a průměrné účinnosti využití vody v datacentrech. Hodnota 0,26 ml se vztahuje ke květnu 2025 a k mediánovému textovému dotazu v Gemini Apps. Vodní část sleduje chlazení, nikoli úplnou stopu od výroby čipů po elektřinu. Jde navíc o údaje samotného provozovatele.

Odkud se vzalo tvrzení o půl litru vody na ChatGPT?

Výzkum Making AI Less Thirsty, poprvé zveřejněný v roce 2023 a později aktualizovaný, odhadoval provoz GPT‑3. Autoři uvádějí půllitrovou lahev přibližně na 10–50 středně dlouhých odpovědí podle místa a podmínek nasazení. Prosté rozdělení tohoto zaokrouhleného intervalu znamená asi 10–50 ml na odpověď. Nešlo o měření každého skutečného chatu.

Zkratka „jedna otázka rovná se jedna lahev“ mění význam výsledku. Stejně chybný by ale byl opačný závěr, že novější menší číslo celý problém vyřešilo. Srovnáváme různé systémy a různé hranice výpočtu. Starší odhad započítával také vodu spojenou s elektřinou, což ve vodní metrice Googlu chybí.

Proč umělá inteligence vůbec spotřebovává vodu?

AI běží na fyzických počítačích. Při trénování i při zpracování zadání vzniká teplo, které musí chladicí infrastruktura odvést. Přehled MIT upozorňuje, že nároky nekončí dokončením modelu: pokračují při jeho používání. Datacentrum je skutečná budova s technikou, napájením a chlazením, i když se k němu připojujeme přes službu označenou jako cloud.

Serverové skříně, napájecí infrastruktura a uspořádání sálu jsou dobře vidět i na fotografii datacentra CERN z roku 2010. Snímek zachycuje mimo jiné webové a poštovní servery. Ukazuje fyzickou podobu datacentra, způsob odvodu tepla je další vrstva jeho fungování.

Při odpařovacím chlazení se část vody mění na páru a odnáší teplo. Microsoft ve svém přehledu z června 2026 rozlišuje chladicí věže, hybridní systémy, venkovní vzduch i mechanické chlazení. Některá zařízení využívají vodu průběžně, jiná hlavně v horku. Samotné slovo datacentrum tedy neurčuje jednu technologii ani pevnou spotřebu.

Druhá cesta vede přes elektrickou zásuvku. USGS popisuje, jak voda chladí zařízení v tepelných elektrárnách a jak se ochlazuje před návratem do prostředí. Součástí některých systémů jsou opět chladicí věže s odparem. Vodní souvislosti digitální služby proto mohou sahat až k výrobci elektřiny, který stojí daleko od serverů.

Představme si dvě pomyslné kolonky: „voda v budově“ a „voda mimo budovu“. Pokud jeden přehled vyplní jen první a druhý obě, nemusí se rozcházet v měření. Mohou pouze odpovídat na jinak položenou otázku. Než začneme dělit jedno číslo druhým, potřebujeme srovnat rozsah těchto kolonek. Jinak získáme působivý poměr bez jasného významu.

Odběr vody a spotřeba vody nejsou totéž

Odběr je voda odebraná ze zdroje. Spotřeba v tomto účetnictví označuje část, která se nevrátí do bezprostředního vodního prostředí, například kvůli odpaření. Neznamená to, že voda zmizela z planety. Rozdíl je důležitý pro dostupnost vody v konkrétním místě.

Vezměme čistě ilustrační příklad: provoz odebere 100 litrů a 80 litrů vrátí. Odběr je 100 litrů, spotřeba 20 litrů. Obě čísla jsou správná, ale každé popisuje něco jiného. Když někdo uvede pouze „datacentrum použilo 100 litrů“, chybí nám právě tato informace. A pokud mluví o pitné vodě, měli bychom se navíc ptát, zda skutečně popisuje její zdroj a kvalitu, nebo jen celkový objem.

Proč se spotřeba AI mění podle úlohy a datacentra

Krátký textový požadavek není vhodná jednotka pro libovolnou práci AI. Studie Googlu upozorňuje na rozdíly související s počtem zpracovaných tokenů, tedy částí textu, i s vytížením modelů. Medián navíc popisuje prostředek rozdělení, nepředstavuje automaticky aritmetický průměr potřebný pro výpočet celkové spotřeby.

Z toho plyne praktické pravidlo pro čtení podobných zpráv: hledejte popis úlohy. „Dotaz“ může znamenat jednoduchou otázku, nebo práci nad dlouhým dokumentem. Bez srovnatelného vstupu a výstupu nelze poctivě prohlásit jednu službu za vodně úspornější. Stejně tak samotná nízká hodnota pro text neudává vodní účet za vygenerovaný obrázek či video.

Podmínky venku také hrají roli. Vzduchové a odpařovací systémy reagují na klima jinak, horké počasí může potřebu vody zvýšit. Microsoft popisuje i využívání recyklované, znovu používané nebo nepitné vody v některých lokalitách. Je proto užitečné znát nejen počet litrů, ale i konkrétní místo a použitý zdroj.

Kolik vody spotřebuje trénování AI oproti běžnému používání?

Trénování je fáze, v níž model získává své schopnosti z dat. Používání hotového modelu se označuje jako inference. MIT zdůrazňuje, že obě fáze vyžadují výpočetní prostředky a že opakované používání přidává další nároky. Údaj za trénink proto nelze bez dalšího vydávat za denní spotřebu chatbotu.

Představme si, že chceme náklady na vznik nějakého modelu rozdělit mezi jeho uživatele. Museli bychom určit dobu používání i počet a charakter úloh, mezi které účet rozdělíme. Samotný velký součet za přípravu tak nestačí k odpovědi, kolik připadá na právě napsanou větu. A provozní údaj na jednu větu zase sám nepopisuje celý životní cyklus služby.

Mohou datacentra fungovat bez spotřeby vody na chlazení?

Ano, existují návrhy, které při chlazení vodu neodpařují. Microsoft v prosinci 2024 představil řešení s uzavřeným okruhem mezi servery a chladicími jednotkami. Po naplnění kapalina obíhá a opakovaně předává teplo. Firma zároveň výslovně upozorňovala, že její tehdejší infrastruktura dál kombinuje různé způsoby chlazení.

„Bez vody na chlazení“ proto není totéž jako „bez jakékoli vodní stopy“. Microsoft u svého návrhu zmiňuje vodu pro kuchyně a toalety i energetický kompromis: nahrazení odpařování mechanickým chlazením může zvýšit spotřebu elektřiny. Posuzovat je potřeba celý systém, ne pouze nejhezčí nulu v propagačním titulku.

Hledání jiného prostředí pro výpočet zahrnuje také úvahy o datacentrech ve vesmíru, kde se mění podmínky napájení a odvodu tepla. Pro posouzení pozemské služby ale stále potřebujeme údaje o infrastruktuře, která její úlohy skutečně zpracovává. Zajímavá budoucí možnost není měřením dnešního provozu.

Co má smysl sledovat místo počítání lahví

MIT upozorňuje na možné dopady chlazení na místní zásobování vodou a ekosystémy. To je jiná otázka než osobní účet za několik zpráv. Pro okolí datacentra je důležité, odkud voda přichází a kdy je potřeba, nikoli jen to, jak nenápadně vypadá globální přepočet na jedno kliknutí.

Uvažujme jednoduchý model: jestliže spotřeba jedné srovnatelné úlohy klesne na polovinu, ale počet úloh vzroste na trojnásobek, výsledný součet stoupne o polovinu. Nejde o předpověď pro ChatGPT, pouze o násobení. Ukazuje, proč nižší náročnost jednotlivého požadavku a nižší celková spotřeba nejsou zaměnitelné zprávy.

Při další zprávě o spotřebě AI si proto zkontrolujte datum, druh úlohy, hranice výpočtu a to, zda jde o odběr, nebo spotřebu. Pak teprve dává smysl řešit velikost čísla. Pro vlastní práci je rozumné zadat jasný cíl a požadovaný rozsah, aby výsledek nepotřeboval zbytečně opakovat. Přesnou úsporu vody za takový postup ale bez měření slibovat nelze.

U firemního reportu bych chtěl vidět vedle sebe celkový objem a náročnost srovnatelné úlohy. První údaj odpovídá na otázku, jak velký je účet. Druhý ukazuje, jak efektivně služba pracuje. Teprve jejich společný vývoj umožňuje rozlišit technické zlepšení od prostého snížení provozu. A stejné rozlišení bych požadoval i od kritiky AI: velký součet sám neříká, jaká část připadá na konkrétní službu.

Časté otázky o spotřebě vody ChatGPT a AI