Preguntar cuánta agua consume ChatGPT parece pedir un único número. Sin embargo, la respuesta rigurosa se parece más a una factura desglosada: hay agua utilizada para refrigerar el centro de datos, agua consumida al producir electricidad y una huella incorporada en chips, servidores y construcción. Además, una pregunta breve de texto no requiere el mismo trabajo que generar una imagen, analizar un documento o mantener un agente ejecutándose durante varios minutos.

Tras revisar la publicación de Sam Altman, el estudio académico que popularizó la equivalencia de 500 ml, la divulgación técnica de Google sobre Gemini, la investigación de Lawrence Berkeley National Laboratory y los datos de Microsoft sobre refrigeración, esta guía separa lo medido, lo modelado y lo todavía desconocido. El propósito no es elegir la cifra más llamativa, sino enseñar a interpretar cualquier afirmación sobre agua e inteligencia artificial.

Última revisión documental: 28 de julio de 2026.

Cuánta agua consume ChatGPT: las cifras y sus límites

Estas son las tres referencias más útiles para entender el debate. La tabla no es un ranking: cada fila utiliza una unidad estadística y un perímetro ambiental distintos.

La cifra de ChatGPT procede de la entrada The Gentle Singularity. Convertir 0,000085 galones estadounidenses con el factor exacto de 3,78541 litros por galón da 0,32176 ml, redondeados a 0,32 ml. La conversión es comprobable; el alcance ambiental de la cifra original no lo es.

El valor de Google sí viene acompañado de una metodología técnica de inferencia. Contabiliza aceleradores activos, CPU, memoria, máquinas inactivas y la sobrecarga del centro de datos. Aun así, Google aclara que el resultado no ha sido verificado por un tercero y que una mediana de mayo de 2025 no representa todos los tipos de solicitud ni garantiza el rendimiento futuro.

La idea esencial: dos números pueden ser correctos dentro de su propio método y, al mismo tiempo, no ser comparables. Antes de preguntar cuál es “el verdadero”, hay que preguntar qué partes del sistema ha contado cada uno.

¿Es 0,32 ml la cifra oficial por pregunta?

Es la estimación pública más directa atribuible a la dirección de OpenAI, pero llamarla “medición oficial verificada” añadiría garantías que la fuente no ofrece. No conocemos, entre otros datos:

• qué versiones de ChatGPT y qué mezcla de modelos forman la media;
• cuántos tokens de entrada y salida tiene la consulta representativa;
• si incluye solo agua evaporada dentro del centro o también la electricidad;
• si pondera centros de datos con climas, tecnologías y fuentes de agua diferentes;
• si atribuye una parte del entrenamiento y de fabricar los chips;
• ni el intervalo de variación alrededor del promedio.

Por tanto, 0,32 ml sirve para documentar lo que OpenAI ha comunicado, no para calcular con precisión la huella de una conversación concreta.

La botella de 500 ml: qué decía realmente el estudio

El titular de que “ChatGPT bebe una botella de agua” procede de Making AI Less “Thirsty”, de Pengfei Li, Jianyi Yang, Mohammad A. Islam y Shaolei Ren. La primera versión apareció en 2023; la quinta revisión, de marzo de 2025, fue aceptada para su publicación en Communications of the ACM.

Los autores no colocaron un caudalímetro detrás de cada respuesta de ChatGPT. Construyeron un modelo que combina energía por solicitud, eficiencia del centro de datos, agua de refrigeración y consumo hídrico de la generación eléctrica. Para la inferencia de GPT-3 definieron una petición media como hasta 800 palabras de entrada y aproximadamente 150–300 palabras de salida, y asumieron 0,004 kWh por respuesta.

La versión actualizada del trabajo concluye que 500 ml corresponderían aproximadamente a 10–50 respuestas de tamaño medio según cuándo y dónde se ejecuten. No dice que una sola pregunta consuma medio litro, ni que todas las conversaciones de ChatGPT tengan el mismo resultado.

Los cocientes de la tercera columna son un cálculo aritmético —500 dividido por los mililitros de la segunda— a partir de la tabla del estudio. Su utilidad es explicar el modelo, no predecir una solicitud actual. La enorme diferencia geográfica también revela algo contraintuitivo: un lugar fresco no tiene por qué ofrecer la menor huella total si la electricidad que alimenta la carga presenta un consumo de agua elevado.

Por qué cambió el titular de “20–50” a “10–50”

Muchas noticias y entradas siguen citando una versión anterior del trabajo. La revisión de 2025 actualizó supuestos y muestra un rango más amplio. Repetir “20–50 preguntas” sin versión, tipo de petición ni perímetro convierte una estimación condicional en una regla universal que los autores no establecieron.

Lo que el estudio sí demuestra

• La electricidad puede aportar más agua indirecta que la refrigeración aporta directamente.
• El momento y la ubicación física del cálculo importan.
• La eficiencia energética por solicitud modifica también la huella hídrica.
• Una empresa puede reducir el agua del edificio y no reducir en la misma proporción el total operativo.

Agua directa, indirecta e incorporada: el perímetro cambia la respuesta

La palabra “consumo” suele esconder varias capas. Separarlas evita comparar un indicador de instalaciones con una huella de ciclo de vida.

1. Agua directa del centro de datos

Es el agua consumida en la operación del recinto, principalmente por sistemas de rechazo de calor que evaporan agua. No toda el agua que entra se consume: una parte puede descargarse, tratarse o reutilizarse. La métrica WUE —Water Usage Effectiveness— suele expresar litros de agua del emplazamiento por kWh de energía de equipos TI.

El valor de 0,26 ml publicado por Google para Gemini pertenece a esta capa. Utiliza el WUE de categoría 2 de su flota de 2024, 1,15 L/kWh, y no pretende ser una huella hídrica completa.

2. Agua indirecta de la electricidad

Generar electricidad también puede consumir agua: por ejemplo, mediante refrigeración en centrales térmicas o por evaporación atribuida a determinados embalses. El factor varía con la mezcla eléctrica, la central marginal, la estación y el método de contabilidad. En el escenario medio estadounidense del estudio de GPT-3, esta capa aporta 14,704 de los 16,904 ml por respuesta, casi el 87 %.

La comparación ilustra por qué no puede enfrentarse sin ajustes a una cifra de “agua del centro” con otra de “agua operativa total”. La segunda ha abierto una parte mucho mayor de la factura.

3. Agua incorporada en hardware y construcción

Fabricar semiconductores requiere agua ultrapura; producir materiales y construir servidores y edificios añade otros consumos. Esta capa de la cadena de suministro suele denominarse huella incorporada o alcance 3. Ninguna de las cifras por consulta de la tabla inicial la contabiliza de forma completa.

Atribuirla a una pregunta exige elegir una vida útil, una utilización y un reparto entre miles de productos y clientes. Es posible modelarla, pero el resultado depende mucho de esos supuestos. Omitirla debe declararse; inventar una división exacta también sería incorrecto.

Extracción no es lo mismo que consumo

La extracción o captación mide el agua retirada de una fuente. El consumo es la fracción que no regresa de inmediato al mismo sistema disponible, normalmente porque se evapora, se incorpora a un producto o se traslada. Un sistema puede extraer un volumen elevado y devolver gran parte; otro puede extraer menos y evaporarlo casi por completo.

Por qué una consulta puede consumir más o menos agua

El estudio de 2025 de Lawrence Berkeley National Laboratory sobre cargas de centros de datos encontró variaciones superiores a cuatro órdenes de magnitud —más de 10.000 veces— entre escenarios. No significa que dos preguntas comunes a ChatGPT difieran siempre en esa proporción. Demuestra que no hay una receta universal cuando cambian simultáneamente hardware, eficiencia, red, clima y refrigeración.

La tarea y la longitud

Un mensaje no es una unidad de cómputo. Importan la cantidad de texto que el sistema debe leer, los tokens que genera, el modelo seleccionado, las herramientas que invoca y el número de pasos internos. Responder “sí” a una frase y analizar un informe de 200 páginas cuentan ambos como una consulta en una interfaz, pero no como el mismo trabajo.

Las imágenes, el audio, el vídeo, la búsqueda y los agentes pueden añadir modelos y servicios auxiliares. Sin telemetría del proveedor no existe un multiplicador público fiable que permita afirmar cuánto más consume cada modalidad en ChatGPT.

El modelo, el hardware y la utilización

Los modelos pequeños suelen requerir menos operaciones que los grandes para una tarea equivalente, aunque la arquitectura, la cuantización y el sistema de enrutamiento también cuentan. En el centro de datos influyen la generación del acelerador, su utilización real, la agrupación de peticiones, la memoria, la red y las máquinas de reserva.

La metodología de Google es útil porque incluye CPU, RAM, capacidad inactiva y sobrecarga del edificio, no solo el chip activo. La empresa informó de una reducción de 33 veces en energía por consulta mediana de Gemini Apps entre mayo de 2024 y mayo de 2025. Es evidencia de que una cifra envejece rápido, no una garantía de que todos los productos mejoren al mismo ritmo.

La ubicación y la hora

La temperatura y la humedad condicionan la refrigeración. La mezcla eléctrica y su factor hídrico cambian entre regiones y horas. También importa la escasez local: consumir un litro regenerado en una cuenca con abundancia no tiene el mismo riesgo social y ecológico que consumir un litro potable durante una sequía.

Cómo se reparte la infraestructura compartida

ChatGPT no ocupa necesariamente un servidor aislado. Redes, almacenamiento, bases de datos, seguridad y capacidad de reserva sirven a muchos usuarios. Calcular “por consulta” obliga a repartir consumo común. Una media por volumen total, una medición marginal y una asignación de ciclo de vida responden a preguntas distintas.

Entrenar GPT-3 no es lo mismo que usar ChatGPT

El mismo estudio académico estimó que el entrenamiento de GPT-3 consumió 5,4 millones de litros de agua operativa en su escenario estadounidense: alrededor de 700.000 litros directamente en centros de datos y 4,7 millones de litros asociados a la electricidad. La energía tomada como base fue 1.287 MWh.

La cifra de 700.000 litros se repite a menudo como si fuera el total, pero solo representa la parte directa del escenario. También se presenta a veces como un dato medido de todos los modelos de OpenAI. No lo es: es una estimación retrospectiva de GPT-3 a partir de supuestos técnicos.

Por qué no se puede convertir el entrenamiento en “litros por pregunta” sin más

Habría que conocer cuántas veces y durante cuánto tiempo se usa el modelo, cuántas versiones derivan del entrenamiento, qué parte se dedica a experimentación fallida, cómo se reparten los modelos entre productos y cuál es su vida útil. Dividir 5,4 millones de litros entre un número arbitrario de consultas ofrece una cifra precisa en apariencia, pero no una atribución defendible.

Tampoco es válido aplicar el dato de GPT-3 a modelos actuales sin advertencia. Han cambiado chips, tamaños, técnicas de entrenamiento, eficiencia del software, centros y fuentes eléctricas. OpenAI no ha publicado una cuenta hídrica completa y auditada por modelo que permita sustituir esos supuestos.

Entrenamiento, inferencia y desarrollo

• Entrenamiento: fase intensiva en la que el modelo aprende a partir de grandes conjuntos de datos.
• Inferencia: ejecución del modelo para responder solicitudes. Cada evento es menor, pero se repite a gran escala.
• Desarrollo: pruebas, ajustes, evaluaciones y experimentos anteriores y posteriores al entrenamiento final.

Una evaluación completa debe contemplar las tres, además de la fabricación de infraestructura. Centrarse solo en el gran entrenamiento oculta la acumulación cotidiana; mirar solo la consulta marginal oculta la inversión material que la hace posible.

Refrigeración líquida no significa automáticamente “sin consumo de agua”

Los chips convierten en calor casi toda la electricidad que utilizan. Ese calor atraviesa varias etapas: del chip a una placa fría o al aire del servidor; de la sala a un circuito del edificio; y del edificio al ambiente. Confundir estas etapas produce afirmaciones engañosas.

Un circuito líquido directo al chip puede ser cerrado y recircular el mismo fluido. Sin embargo, el centro aún debe expulsar el calor. Puede hacerlo mediante torres evaporativas, enfriadores secos, una combinación híbrida o, en condiciones adecuadas, aprovechamiento de calor. El agua del circuito del servidor y el agua consumida al rechazar calor no son la misma cosa.

Microsoft presentó en diciembre de 2024 un diseño de circuito cerrado que no evapora agua para refrigeración. La empresa indicó que el diseño se lanzó en agosto de 2024, que los primeros pilotos llegarían a Phoenix y Mount Pleasant en 2026 y que los nuevos centros basados en él empezarían a operar desde finales de 2027.

Esto documenta una mejora tecnológica relevante, no demuestra que todos los centros que sirven ChatGPT ya funcionen sin agua. Microsoft también advirtió de un aumento nominal de energía frente a ciertos sistemas evaporativos, aunque espera compensarlo con refrigeración a mayor temperatura y equipos más eficientes. Es un ejemplo real del equilibrio agua–energía.

¿Basta con usar agua regenerada?

El agua regenerada puede reducir la competencia por agua potable, pero no elimina la evaporación ni todos los impactos. Hay que conocer su origen, tratamiento, energía, disponibilidad estacional y uso alternativo. La mejor decisión depende de la cuenca, no solo de una etiqueta corporativa.

ChatGPT vs. Gemini vs. Claude: lo que puede compararse en 2026

No existe una clasificación pública y homogénea del agua por respuesta de los principales asistentes. Utilizar el WUE corporativo de Microsoft, Google o Amazon como sustituto del consumo de un producto concreto mezclaría nubes, regiones y miles de servicios.

Anthropic ha publicado compromisos sobre refrigeración eficiente y nueva energía —por ejemplo, en su anuncio de febrero de 2026 sobre costes eléctricos e infraestructura—, pero no una métrica de agua por petición de Claude que cumpla los mismos criterios. La ausencia de dato no demuestra ni mayor ni menor consumo.

La única conclusión responsable es que Gemini ofrece hoy el desglose de producto más reproducible de los tres, no que sea necesariamente el asistente con menor huella total. La transparencia metodológica y el desempeño ambiental son cualidades relacionadas, pero distintas.

Por qué una tabla de informes corporativos no resuelve la comparación

Microsoft suministra infraestructura a OpenAI; Google opera Gemini; Anthropic utiliza infraestructura propia y de distintos socios. Aun así, los promedios corporativos incluyen correo, almacenamiento, publicidad, nube y otros servicios. Tampoco sabemos en qué región se atendió una solicitud concreta. Asignar el promedio de toda una empresa a un asistente produciría una falsa precisión.

Del mililitro por pregunta al impacto acumulado y local

En términos individuales, incluso 16,9 ml es un volumen pequeño. El problema ambiental no se evalúa por la impresión que causa una botella, sino por la combinación de escala, concentración, fuente y momento. Millones de solicitudes, entrenamiento, almacenamiento y servicios auxiliares operan dentro de instalaciones que pueden agruparse en una misma cuenca.

El informe de 2024 de Berkeley Lab sobre centros de datos en Estados Unidos estimó para 2023 unos 66.000 millones de litros de consumo directo y cerca de 800.000 millones de litros indirectos asociados a su electricidad. Son cifras de todo el sector estadounidense, no de ChatGPT, pero muestran por qué el perímetro eléctrico puede dominar el resultado.

Una media nacional puede ocultar el riesgo

El impacto relevante para una comunidad depende de la cuenca y de la estación. Conviene preguntar:

• ¿el agua es potable, superficial, subterránea, regenerada o recogida?
• ¿el consumo coincide con periodos de sequía o máxima demanda urbana?
• ¿se publica el volumen del emplazamiento o solo un promedio mundial?
• ¿la empresa repone agua en la misma cuenca y en un momento útil?
• ¿el proyecto modifica tarifas, infraestructuras o disponibilidad para otros usuarios?

Una estrategia que reduce litros globales puede empeorar el riesgo si desplaza la carga hacia una región más vulnerable. Del mismo modo, aumentar ligeramente el consumo en una cuenca abundante podría permitir una reducción mayor en otra sometida a estrés. Por eso las decisiones necesitan datos locales.

No compare una botella con agricultura sin definir el agua

Las huellas de alimentos suelen distinguir agua de lluvia, superficial, subterránea y contaminación asimilada. Las cifras de centros de datos pueden incluir solo agua azul consumida en operación. Compararlas directamente, sin el mismo método y geografía, ofrece una escala llamativa pero no una evaluación ambiental válida.

Para comprender el sistema físico que hay detrás, consulte también nuestra guía sobre centros de datos de IA, energía y agua en el mundo.

Qué puede hacer un usuario sin caer en la culpa individual

La mayor capacidad de reducción corresponde a proveedores, diseñadores de chips, operadores eléctricos y autoridades. Ellos deciden arquitectura, ubicación, refrigeración, compra de energía y transparencia. Aun así, una utilización deliberada puede evitar cómputo que no aporta valor:

1. Defina el resultado antes de enviar: objetivo, contexto necesario, formato y límites reducen rondas provocadas por ambigüedad.
2. Use el modelo adecuado cuando exista elección: reserve los modelos de razonamiento más intensivo para tareas que realmente lo necesiten. No siempre se muestra el coste de cada opción.
3. Evite regenerar por curiosidad si la respuesta ya sirve: una nueva generación implica trabajo adicional aunque el texto anterior permanezca en pantalla.
4. Controle automatizaciones y agentes: establezca un objetivo, un límite de pasos y una condición de parada; revise los bucles que repiten búsquedas o pruebas.
5. Reutilice un resultado validado: guárdelo o compártalo cuando varias personas necesitan exactamente la misma respuesta, en lugar de solicitarla de nuevo.
6. Recorte contexto irrelevante: una conversación muy larga puede obligar al sistema a procesar texto que ya no aporta. No hay una regla universal: la caché y la arquitectura del proveedor pueden cambiar el coste.

No hace falta contar mililitros imaginarios por cada mensaje. El usuario carece de los datos necesarios y podría evitar una consulta útil mientras ignora procesos automáticos mucho mayores. Una mejor prioridad es exigir información comparable y utilizar la herramienta con propósito.

Acciones que no tienen un ahorro demostrado

• Borrar el historial: puede mejorar privacidad u organización, pero no recupera el agua ya consumida ni existe evidencia pública de un ahorro operativo directo.
• Mantener siempre el mismo chat: conserva contexto, aunque también puede aumentar el texto procesado. No es una recomendación ambiental universal.
• Cambiar de asistente por una cifra aislada: 0,26 y 0,32 ml no son una comparación equivalente de huella total.
• Evitar preguntas breves necesarias: la relevancia del uso importa más que una contabilidad personal basada en promedios incompletos.

Este enfoque forma parte de una idea más amplia: una IA sostenible no se consigue trasladando toda la responsabilidad al usuario, sino midiendo el ciclo de vida y gobernando sus efectos.

La información que OpenAI y otros proveedores deberían publicar

Una métrica de agua por consulta puede ser útil si permite reconstruir el cálculo. Como mínimo, un informe de producto debería indicar:

• producto, modelo y versión, incluida la mezcla de enrutamiento automático;
• tamaño de la petición: tokens de entrada y salida, modalidad y herramientas;
• media, mediana y distribución, no solo un único promedio favorable;
• energía completa de servicio: acelerador, CPU, memoria, red, capacidad inactiva y PUE;
• perímetro hídrico: agua directa, electricidad y cadena de suministro por separado;
• tipo de agua: dulce, potable, regenerada u otra, además de extracción y consumo;
• ubicación y estrés de cuenca, al menos de forma agregada que no comprometa seguridad;
• periodo y variación estacional;
• método de asignación de infraestructura y entrenamiento;
• verificación independiente, incertidumbre y cambios metodológicos.

La Unión Europea ya exige a operadores de centros de datos con una potencia TI instalada de al menos 500 kW comunicar indicadores de energía y agua mediante el Reglamento Delegado (UE) 2024/1364. Los resultados públicos se agregan principalmente por país y por la Unión: mejoran la visión sectorial, pero todavía no conectan un producto concreto con una carga, centro y cuenca.

Publicar una cifra de marketing sin esas variables impide seguir el progreso. Publicar el método permite a investigadores, clientes y autoridades distinguir una mejora real de un cambio de perímetro.

Regla 7P: cómo evaluar cualquier cifra de agua por consulta

Durante esta investigación encontramos que casi todos los malentendidos podían localizarse con siete preguntas. Las reunimos en la Regla 7P, una ficha de lectura que puede aplicarse a ChatGPT, Gemini, Claude o a cualquier futuro modelo:

1. Producto: ¿qué servicio, modelo, versión y hardware representa?
2. Petición: ¿cuántos tokens, qué salida y qué herramientas incluye?
3. Perímetro: ¿cuenta centro de datos, electricidad y fabricación?
4. Punto estadístico: ¿es media, mediana, valor marginal o escenario?
5. Periodo: ¿de qué fecha y estación son los datos?
6. Plaza: ¿en qué región, red eléctrica y cuenca se ejecuta?
7. Prueba: ¿hay metodología, incertidumbre y verificación externa?

Si una afirmación no supera la ficha, no es necesario descartarla: basta con reducir la fuerza de la conclusión. “La empresa estima” es adecuado cuando “cada pregunta consume exactamente” no lo es.

Preguntas frecuentes sobre el agua que consume ChatGPT

¿Cuánta agua consume una pregunta a ChatGPT?

No hay una cifra universal verificable. Sam Altman publicó un promedio de unos 0,32 ml por consulta, sin metodología pública. Un modelo académico para GPT-3 calculó 7,1–47,5 ml por respuesta media al incluir agua directa e indirecta. No son equivalentes ni predicen una pregunta concreta.

¿ChatGPT consume una botella de agua por pregunta?

No. El estudio que originó esa comparación estimó una botella de 500 ml por unas 10–50 respuestas de tamaño medio, según la ubicación y el momento, y para GPT-3. No midió medio litro por una sola pregunta.

¿Por qué 0,32 ml y 16,9 ml son tan diferentes?

La estimación académica estadounidense incluye 2,2 ml directos más 14,704 ml asociados a generar electricidad. La publicación de 0,32 ml no especifica su perímetro. También difieren el modelo, el año, el tamaño de solicitud y el método.

¿El agua se mezcla con los servidores?

Normalmente no. Los circuitos de refrigeración mantienen el fluido separado de la electrónica y pueden recircularlo. El consumo aparece sobre todo cuando el centro expulsa calor mediante evaporación. Un circuito líquido interno no garantiza que el edificio completo no evapore agua.

¿Generar imágenes consume más agua que escribir texto?

Puede requerir más cómputo que una respuesta breve, pero OpenAI no publica un factor hídrico verificable por imagen que permita cuantificarlo. El resultado depende del modelo, resolución, número de pasos, centro y electricidad.

¿Qué asistente consume menos: ChatGPT, Gemini o Claude?

No puede determinarse con la información pública disponible. Gemini publica 0,26 ml de agua directa por consulta de texto mediana; ChatGPT cuenta con una estimación de 0,32 ml cuyo alcance no se detalla; para Claude no encontramos una cifra comparable. Ordenarlos sería mezclar métodos.

¿El entrenamiento consume más que las consultas?

Un entrenamiento individual concentra mucha energía, pero la inferencia se repite millones de veces. Su peso relativo depende del número de usuarios, vida del modelo, frecuencia de nuevas versiones y tareas. Sin datos del proveedor no se puede asignar un porcentaje universal.

¿Usar un centro de datos en un país frío elimina el consumo de agua?

No. El clima fresco puede reducir ciertas necesidades de refrigeración, pero siguen contando la tecnología del edificio y el agua de su electricidad. En el modelo académico, el factor eléctrico hizo que algunos lugares frescos no presentaran el menor total.

¿Borrar una conversación ahorra agua?

No recupera el agua ya consumida y no hay evidencia pública de que borrar un chat produzca un ahorro operativo medible. Puede ser útil por privacidad. Evitar regeneraciones innecesarias sí evita cómputo adicional en ese momento.

¿Qué dato sería necesario para saber la huella de mi consulta?

Como mínimo: modelo y hardware, tokens de entrada y salida, energía marginal y compartida, PUE, WUE, centro o región, agua de la electricidad, tipo de agua y asignación de entrenamiento y hardware. La interfaz de ChatGPT no ofrece hoy ese desglose al usuario.

¿Significa esto que no importa usar IA?

No. Significa que el impacto debe evaluarse con utilidad, escala y contexto, no con una botella descontextualizada. Una consulta que evita desplazamientos o trabajo repetido puede aportar valor; una automatización sin control puede multiplicar tareas inútiles. El diseño del proveedor sigue siendo el factor principal.

Metodología, cálculos y fuentes

Esta guía prioriza fuentes primarias y distingue declaraciones empresariales, mediciones de producto, modelos académicos y datos sectoriales. No convierte informes corporativos de sostenibilidad en huellas de un asistente cuando no existe una asignación de producto.

Cálculos reproducibles utilizados

• Conversión de Sam Altman: 0,000085 galones estadounidenses × 3,78541 L/galón × 1.000 ml/L = 0,32176 ml.
• Respuestas por botella: 500 ml divididos por el consumo modelado por respuesta; por ejemplo, 500 / 16,904 = 29,58.
• Participación indirecta en el escenario medio de EE. UU.: 14,704 / 16,904 = 86,98 %.

Los redondeos no aumentan la precisión de las fuentes. “0,32 ml” conserva dos cifras significativas; los valores con tres decimales se muestran únicamente para que la tabla académica pueda verificarse.

Fuentes principales consultadas

• Sam Altman — The Gentle Singularity: estimación de energía y agua por consulta media.
• Li, Yang, Islam y Ren — Making AI Less “Thirsty”: metodología y escenarios de agua para entrenamiento e inferencia de GPT-3.
• Google — impacto de una consulta de Gemini Apps y su documento técnico asociado.
• Lawrence Berkeley National Laboratory — variación del uso de agua por carga.
• Berkeley Lab — 2024 United States Data Center Energy Usage Report.
• Microsoft — diseño de centros sin evaporación de agua para refrigeración.
• Reglamento Delegado (UE) 2024/1364: información energética e hídrica de centros de datos.

Las cifras de proveedores pueden cambiar con nuevas versiones e infraestructura. Actualizaremos esta página cuando OpenAI publique una metodología de producto reproducible o aparezca evidencia revisada que permita sustituir las estimaciones actuales.