Pisanje jednog imejla od 100 reči uz pomoć ChatGPT-ja troši približno onoliko vode koliko stane u standardnu flašu, procenjuje se da će globalna infrastruktura koja obrađuje AI upite do 2027. godine koristiti količinu vode jednaku polovini godišnjeg zahvatanja vode u Ujedinjenom Kraljevstvu, a veliki deo te vode dolazi iz regiona koji se već suočavaju sa ozbiljnim sušama.
Analiza Washington Posta iz 2024. godine, sprovedena u saradnji sa istraživačima sa Univerziteta Kalifornije u Riversajdu, procenila je koliko je vode i električne energije potrebno da ChatGPT, koristeći model GPT-4, napiše prosečan imejl od 100 reči u tipičnom američkom data centru. Zaključak je predstavljen jednostavno: otprilike jedna flaša vode po imejlu.
Taj podatak jeste koristan, ali samo ako se pravilno tumači. To nije stalna mera koja važi za svaki odgovor koji ChatGPT generiše. Potrošnja vode zavisi od modela, data centra, lokalnih vremenskih uslova, sistema za hlađenje, izvora električne energije i metodologije obračuna. Isti upit može imati različit ekološki otisak u zavisnosti od toga gde i kada se obrađuje.
Širu naučnu osnovu za mnoge od ovih procena postavili su Pengfei Li, Jianyi Yang, Mohammad A. Islam i Shaolei Ren. Njihov rad „Making AI Less ‘Thirsty’“ prvi put je objavljen na platformi arXiv 2023. godine, a kasnije je prihvaćen za objavljivanje u časopisu Communications of the ACM. Prema njihovim procenama, model poput GPT-3 mogao bi da potroši oko 500 mililitara vode za približno 10 do 50 odgovora srednje dužine, u zavisnosti od mesta i vremena njegove upotrebe.
Upravo je taj raspon važan. On pokazuje razliku između posmatranja potrošnje vode kao univerzalne činjenice i njenog razumevanja kao infrastrukturnog problema koji zavisi od geografije.
Šta se računa kao potrošnja vode veštačke inteligencije?
Data centri koriste vodu na dva glavna načina.
Prvi je direktna potrošnja vode, najčešće za hlađenje. Serveri proizvode veliku količinu toplote, pa mnogi objekti koriste sisteme evaporativnog hlađenja u kojima voda odvodi toplotu. Deo te vode se pritom trajno izgubi jer ispari u atmosferu.
Drugi je indirektna potrošnja vode. Za proizvodnju električne energije takođe je često potrebna voda, naročito u termoelektranama koje je koriste za proizvodnju pare ili za hlađenje. Zato data centar koji na licu mesta izgleda veoma efikasno u pogledu potrošnje vode može zapravo biti povezan sa značajnom potrošnjom vode negde drugde kroz elektroenergetsku mrežu koja ga napaja.
Zbog toga istraživači pažljivo biraju terminologiju. Zahvatanje vode (water withdrawal) označava količinu vode uzete iz izvora, poput reke, podzemnog vodonosnika ili gradskog vodovoda. Potrošnja vode (water consumption) najčešće označava količinu vode koja se više ne može odmah ponovo koristiti, uglavnom zato što je isparila. Oba pokazatelja su važna, ali ne predstavljaju istu stvar.
Li i njegove kolege procenili su da bi globalna potražnja za AI sistemima mogla da dostigne između 4,2 i 6,6 milijardi kubnih metara zahvaćene vode tokom 2027. godine, u scenarijima koje su analizirali. U sažetku rada taj obim upoređuju sa ukupnim godišnjim zahvatanjem vode nekoliko Danskih ili približno polovinom godišnjeg zahvatanja vode u Ujedinjenom Kraljevstvu.
Važno je naglasiti da je reč o projekciji zasnovanoj na modelima, a ne o merenju stvarne potrošnje svih AI sistema danas. To nije predviđanje koje se mora ostvariti, ali daje predstavu o razmerama problema koji je inače lako sakriti iza jednostavnog prozora za dopisivanje.
Zašto se procene razlikuju?
Javno dostupne procene potrošnje vode veštačke inteligencije značajno se razlikuju.
Rad autora iz kompanije Google, objavljen na arXivu 2025. godine pod nazivom „Measuring the environmental impact of delivering AI at Google Scale“, navodi da je prosečan tekstualni upit u aplikaciji Gemini zahtevao 0,24 vat-sata električne energije i svega 0,26 mililitara vode, prema Googleovoj metodologiji obračuna. Autori navode da je to približno pet kapi vode.
Ta procena je višestruko manja od često citirane tvrdnje da je za jedan ChatGPT odgovor potrebna cela flaša vode. Međutim, to ne znači da je jedna procena tačna, a druga pogrešna. One jednostavno ne mere istu stvar. Koriste različite sisteme, vremenske periode, pretpostavke, vrste opterećenja i granice analize.
Googleovo istraživanje analiziralo je obradu Gemini tekstualnih upita unutar Googleove produkcione infrastrukture. Istraživanje Lija i Rena pokušalo je da proceni ukupni vodni otisak AI sistema, uključujući direktnu i indirektnu potrošnju vode. Analiza Washington Posta bila je fokusirana na GPT-4 koji generiše imejl od 100 reči u prosečnom američkom data centru.
Pouka nije da AI troši ili pet kapi ili jednu flašu vode. Pouka je da, bez transparentnog i uporedivog izveštavanja, javnost poredi podatke koji zapravo nisu međusobno uporedivi.
Lokalni problem
Voda nije isto što i ugljen-dioksid. Jedna tona ugljen-dioksida ima globalni efekat bez obzira na to gde je emitovana. Međutim, jedan litar vode uzet u području bogatom vodnim resursima nije isto što i litar vode zahvaćen iz podzemnog rezervoara koji je već pod velikim pritiskom.
Zbog toga je lokacija AI infrastrukture od presudnog značaja.
Analiza lista The Guardian iz 2026. godine pokazala je da se 517 od 809 planiranih data centara u SAD nalazi na lokacijama koje su tokom prethodne godine bile pogođene sušom. U istom tekstu navedeno je i da je ranija verzija članka pogrešno prenela procenu od 500 mililitara vode kao da se odnosi na svaki pojedinačni upit od 100 reči, nakon čega je tekst ispravljen kako bi odgovarao originalnom istraživanju koje govori o približno 10 do 50 odgovora srednje dužine GPT-3 modela.
Ta ispravka je važna jer pokazuje koliko lako ovakvi podaci mogu biti pogrešno predstavljeni. Lokalni rizik ipak ostaje stvaran čak i kada je pojednostavljena računica po jednom upitu netačna.
Ako se veliki data centar izgradi u sušnom području i koristi vodeno hlađenje, pitanje nije samo koliko je vode potrošio jedan korisnik. Važnije je da li se taj objekat nadmeće za iste vodne resurse sa domaćinstvima, poljoprivredom, rekama ili podzemnim vodama u regionu koji je već pod pritiskom.
Agencija Associated Press izvestila je još 2023. godine da je infrastruktura kompanije OpenAI, finansijski podržana od Microsofta u gradu West Des Moines u saveznoj državi Ajova, privukla pažnju nakon što su Microsoftovi objekti tokom jula 2022. godine potrošili oko šest odsto ukupne količine vode lokalnog vodovodnog sistema, mesec dana pre nego što je završena obuka modela GPT-4. Microsoft je tada saopštio da radi na smanjenju intenziteta korišćenja resursa.
Nije problem samo u čet-botovima
Lako je svesti celu priču na jednostavno pravilo: pišite manje imejlova uz pomoć AI i uštedećete vodu. U tome ima istine. Kraći upiti, kraći odgovori i manji modeli mogu doprineti manjoj potrošnji resursa.
Međutim, individualna štednja ne može zameniti transparentnost infrastrukture.
Većina ljudi ne može da bira koji će data centar obraditi njihov upit. Ne mogu da znaju da li je odgovor stigao iz objekta koji koristi vodeno hlađenje u sušnom području ili iz efikasnijeg sistema u regionu bogatom vodnim resursima. Takođe ne mogu da vide koliki je vodni otisak proizvodnje električne energije koja napaja taj zahtev.
Rad objavljen na arXivu 2026. godine autora Yuelina Hana, Pengfeija Lija, Adama Wiermana i Shaoleija Rena pod nazivom „Small Bottle, Big Pipe“ procenjuje da bi američkim data centrima do 2030. godine moglo biti potrebno više stotina miliona galona dodatnog kapaciteta za snabdevanje vodom dnevno, ukoliko intenzitet potrošnje vode ostane na nivou iz 2024. godine. Autori ovaj problem predstavljaju kao ograničenje javnih vodovodnih sistema, a ne samo kao pitanje efikasnosti pojedinačnih kompanija.
To je važna perspektiva. Data centar ne troši resurse tek kada počne sa radom. On od lokalne zajednice zahteva da obezbedi dovoljan kapacitet vodosnabdevanja za periode najveće potrošnje, često upravo tokom najtoplijih dana u godini, kada je potreba za hlađenjem najveća, a vodovodni sistemi već opterećeni.
Pravo pitanje
Poenta nije u tome da je svaka upotreba veštačke inteligencije neodgovorna. Suština je da se AI industrija razvijala mnogo brže nego što je raslo razumevanje javnosti o njenim fizičkim potrebama.
Veštačka inteligencija deluje gotovo bestelesno jer je njen interfejs samo tekst na ekranu. Ali infrastruktura koja stoji iza toga nimalo nije neopipljiva. Čine je čipovi, serveri, rashladni tornjevi, trafostanice, elektrane, lanci snabdevanja i lokalni vodovodni sistemi. Imejl od 100 reči jeste mali, ali infrastruktura koja svakodnevno obrađuje milione takvih zahteva nije.
Poređenje sa jednom flašom vode korisno je kao upozorenje, ali ga ne treba shvatati kao univerzalnu formulu. Mnogo je važnije postaviti konkretnija pitanja: gde se obrada podataka odvija, koji se AI model koristi, koja vrsta potrošnje vode se meri i ko još zavisi od istih vodnih resursa?
Dok odgovori na ta pitanja ne budu dosledno i transparentno objavljivani, javnost će veštačku inteligenciju i dalje doživljavati kao čistu digitalnu uslugu, dok će zajednice u blizini cevovoda, pumpi i sistema za hlađenje snositi njen stvarni fizički trošak.
Foto: ardian-pranomo-unsplash
