AI-waterverbruik: Waarom de virale cijfers misleidend zijn

Elke paar maanden beweert een nieuw bericht dat het stellen van een vraag aan ChatGPT een fles water verbruikt. De cijfers klinken alarmerend en verspreiden zich snel. Maar als je de methodologie achter deze beweringen onderzoekt, wordt het beeld aanzienlijk troebeler. AI-waterverbruik is een brandpunt geworden in debatten over duurzaamheid, maar de virale statistieken die online circuleren missen vaak de context die nodig is om te begrijpen wat ze werkelijk betekenen. De realiteit is genuanceerder en in veel gevallen veel minder dramatisch dan critici suggereren.

Statistieken over AI-waterverbruik die online circuleren, misrepresenten de realiteit vaak door eenmalige modeltraining gelijk te stellen met doorlopende queries en door worst-case koelscenario’s universeel toe te passen. Google’s daadwerkelijke metingen laten zien dat een typische tekstprompt ongeveer 0,26 milliliter water verbruikt — bijna 2.000 keer minder dan virale beweringen suggereren. Hoewel de uitbreiding van datacenters in regio’s met waterschaarste aandacht verdient, blijft de voetafdruk van de industrie klein in vergelijking met landbouw of productie, en verbeteringen in efficiëntie blijven het resourcegebruik per query aanzienlijk verminderen.

De virale beweringen over AI en water

De meest geciteerde figuur suggereert dat een enkel ChatGPT-gesprek (vaak gedefinieerd als 20 tot 50 vragen) 500 ml water verbruikt. Dit getal is afkomstig uit een onderzoek uit 2023 dat ook schatte dat het trainen van GPT-3 in de Amerikaanse datacenters van Microsoft 700.000 liter schoon zoetwater kon doen verdampen. De statistiek is technisch accuraat voor dat specifieke scenario, maar is van zijn context ontdaan en breed toegepast op elke AI-interactie, ongeacht het model, de locatie of de infrastructuur.

Wat begon als een beperkte bevinding over het trainen van een specifiek model in specifieke faciliteiten, werd een universele aanklacht tegen alle AI-gebruik. Dat is een probleem. Training gebeurt één keer, maar inferentie gebeurt miljarden keren. Ze door elkaar halen leidt tot uiterst misleidende conclusies.

Krantenkoppen versus realiteit

De bewering van “een fles water per query” haalt training en inferentie door elkaar, negeert regionale variaties in koelmethoden en gaat uit van worst-case scenario’s. Google’s eigen metingen vertellen een ander verhaal: de mediaan Gemini Apps-tekstprompt verbruikt slechts 0,26 milliliter water, ongeveer vijf druppels. Dat is bijna 2.000 keer minder dan de bovenstaande beweringen suggereren.

De kloof tussen deze cijfers onthult hoe belangrijk methodologie is. Een studie die training meet in Arizona tijdens de zomer zal dramatisch andere cijfers opleveren dan een studie die inferentie meet in Finland tijdens de winter.

Hoe deze cijfers worden berekend

De meest alarmerende schattingen leunen op toeslagmethoden die het volledige waterverbruik van datacenters aan AI-workloads toewijzen, zelfs wanneer die faciliteiten talloze andere diensten draaien. Ze gebruiken vaak piekverbruikscijfers van waterintensieve koelsystemen in warme klimaten en passen die cijfers vervolgens wereldwijd toe. Onderzoeksraamwerken die proberen de ecologische voetafdruk van AI te benchmarken, erkennen een kernobstakel: commerciële AI-aanbieders maken geen modelspecifieke inferentiegegevens openbaar, waardoor onderzoekers aannames moeten doen die de schattingen dramatisch kunnen opblazen.

Hoe datacenterkoeling daadwerkelijk werkt

Om AI-waterverbruik te begrijpen, moet men begrijpen hoe datacenters met hitte omgaan. Servers genereren warmte tijdens berekeningen, en die warmte moet worden afgevoerd om uitval van apparatuur te voorkomen. De gekozen methode is sterk afhankelijk van het klimaat, lokale hulpbronnen en efficiëntieprioriteiten. Een faciliteit in Phoenix werkt heel anders dan een in Stockholm, maar critici behandelen ze vaak als identiek bij het berekenen van de impact op het milieu.

Koelsystemen uitgelegd

Traditionele luchtkoeling gebruikt ventilatoren en airconditioning, wat relatief weinig water maar meer elektriciteit verbruikt. Verdampingskoeling, steeds populairder in grote faciliteiten, ruilt water in voor energie-efficiëntie door verdamping te gebruiken om hitte af te voeren. Nieuwere benaderingen zoals vloeistofdompeling (immersion liquid cooling) dompelen apparatuur onder in niet-geleidende vloeistof, waardoor waterverbruik volledig wordt geëlimineerd.

De keuze is afhankelijk van lokale omstandigheden. Bedrijven plaatsen faciliteiten steeds vaker daar waar waterschaarste het laagst is en hernieuwbare energie overvloedig aanwezig is, waardoor algemene uitspraken inherent misleidend zijn.

Onttrekking versus verbruik

Critici halen wateronttrekking en waterverbruik vaak door elkaar. Onttrekking betekent water dat uit een bron wordt gehaald; verbruik betekent water dat niet terugkeert. Veel koelsystemen onttrekken water, gebruiken het en retourneren het grootste deel naar de bron. Dit onderscheid is enorm belangrijk: een faciliteit kan miljoenen liters onttrekken, terwijl er slechts een fractie van daadwerkelijk wordt verbruikt. Bij het evalueren van veilige AI-oplossingen voor bedrijven helpt het begrijpen van dit verschil om echte zorgen te scheiden van opgeblazen statistieken.

AI-waterverbruikscijfers in context plaatsen

Cijfers zonder context misleiden. Datacenters zijn goed voor ongeveer 0,2% van het zoetwaterverbruik in de VS. Dat klinkt enorm totdat je het vergelijkt met andere industrieën. De landbouw is goed voor ongeveer 70% van de wereldwijde zoetwateronttrekkingen. Een enkele golfbaan in Arizona verbruikt jaarlijks meer water dan veel datacenters. De vraag is niet of AI water verbruikt; het is of dat verbruik in verhouding staat tot de waarde en vergelijkbaar is met alternatieven.

Vergelijkingen binnen de industrie

Beschouw deze verhoudingen:

• Voor de productie van één kilogram rundvlees is wereldwijd ongeveer 15.000 liter water nodig. Dit is echter grotendeels regenafhankelijk “groen” water; het werkelijke “blauwe” water (afkomstig uit rivieren en grondwaterlagen) bedraagt in de VS ongeveer 2.000 liter, nog steeds een enorme hoeveelheid vergeleken met digitale diensten.
• Voor de productie van een enkel katoen t-shirt wordt ongeveer 2.700 liter water gebruikt, grotendeels vanwege de hoge irrigatiebehoeften van katoen en het intensieve verfproces.
• Een typische halfgeleiderfabriek verbruikt jaarlijks miljarden liters.
• Thermische centrales gebruiken aanzienlijk meer water dan alle datacenters samen.

Datacenters vormen nog steeds maar een klein aandeel van het totale waterverbruik in de VS. De voetafdruk van de AI-industrie is, hoewel groeiend, bescheiden in vergelijking met gevestigde industrieën die zelden met soortgelijke kritiek worden geconfronteerd. Niemand deelt virale berichten over de watervoetafdruk van hun ochtendkoffie, terwijl voor een enkel kopje ongeveer 140 liter nodig is om te produceren als je rekening houdt met de teelt en verwerking van de bonen.

Dagelijkse activiteiten

Google’s metingen plaatsen AI-queries in perspectief: een enkele tekstprompt verbruikt energie die gelijk is aan minder dan negen seconden tv-kijken. Video’s streamen, e-mailservers draaien en smartphones opladen verbruiken allemaal hulpbronnen. De infrastructuur die uw Netflix-gewoonte of Instagram-scrollen ondersteunt, gebruikt vergelijkbare koelsystemen. AI eruit pikken en vergelijkbare digitale activiteiten negeren, creëert een vertekend beeld van de impact van technologie op het milieu.

Wat techbedrijven daadwerkelijk doen

Het verhaal dat techbedrijven zich niets aantrekken van milieuzorgen komt niet overeen met de realiteit. Grote aanbieders hebben zwaar geïnvesteerd in efficiëntieverbeteringen en alternatieve waterbronnen. Google verminderde de energie-uitstoot van zijn datacenters in 2024 met 12%, ondanks een stijging van 27% in de elektriciteitsvraag. Microsoft heeft zich ten doel gesteld om in 2030 waterpositief (water positive) te zijn. Dit kunnen slechts PR-verklaringen zijn, maar ze vertegenwoordigen vaak miljarden aan infrastructuurinvesteringen.

De industrie heeft sterke financiële prikkels om het verbruik te verminderen. De kosten van water en energie beïnvloeden de marges direct, waardoor efficiëntieverbeteringen winstgevend zijn in plaats van louter altruïstisch.

Niet-drinkwaterbronnen

Veel moderne datacenters gebruiken gerecycled afvalwater, gezuiverd grijs water of zeewater voor koeling in plaats van te concurreren met de drinkwatervoorziening. Locatiebeslissingen geven steeds vaker voorrang aan regio’s met overvloedig water en schone energienetwerken. Onderzoekers van Cornell ontdekten dat slimme plaatsing gecombineerd met operationele efficiëntie de waterimpact van AI met 86% zou kunnen verminderen in vergelijking met worst-case scenario’s. De Midwest- en “windbelt”-staten bieden de beste gecombineerde koolstof- en waterprofielen voor nieuwe faciliteiten.

Efficiëntieverbeteringen

Google-datacenters gebruiken nu 84% minder overhead-energie dan het industriegemiddelde. Over een recente periode van 12 maanden daalden de energie- en koolstofvoetafdruk van de mediaan Gemini-tekstprompts met respectievelijk 33x en 44x. De meetgegevens voor watergebruiksefficiëntie (Water Usage Effectiveness) zijn in de hele industrie gestaag verbeterd. Deze winsten stapelen zich op: efficiëntere modellen die draaien op efficiëntere hardware in efficiëntere faciliteiten verminderen het resourcegebruik per query dramatisch.

Het echte duurzaamheidsgesprek

Alle milieuzorgen over AI afwijzen zou net zo misleidend zijn als virale statistieken kritiekloos accepteren. De industrie staat wel degelijk voor echte uitdagingen, met name rondom snelle uitbreiding in regio’s met waterschaarste. De afgelopen drie jaar zijn er in de VS meer dan 160 nieuwe AI-datacenters verschenen, sommige in gebieden die al te maken hebben met droogte. De vraag is niet of AI impact op het milieu heeft; het is of die impact verantwoord wordt beheerd en in verhouding staat tot de geleverde voordelen.

Gerechtvaardigde zorgen versus paniek

Gerechtvaardigde kritiekpunten zijn onder meer het gebrek aan transparantie van aanbieders, de clustering van faciliteiten in reeds gestresseerde regio’s en onvoldoende regelgevend toezicht op waterrechten. Wat overdreven is: beweringen dat AI uniek destructief is in vergelijking met andere digitale diensten, of dat individuele queries een betekenisvolle milieuschade vertegenwoordigen. Bij het evalueren van AI-diensten die niet trainen op uw gegevens, verdient de ecologische voetafdruk overweging naast privacy, maar door paniek gedreven statistieken helpen niemand om weloverwogen beslissingen te nemen.

Betere vragen om te stellen

In plaats van te vragen “hoeveel water gebruikt AI?”, kunt u beter vragen: Waar is dit datacenter gevestigd en hoe is de lokale watersituatie? Welke koeltechnologie wordt gebruikt? Wat is de energiebron? Publiceert de aanbieder geverifieerde milieumetrics? Deze vragen leveren bruikbare informatie op. Transparantie eisen en aanbieders steunen die echte efficiëntieverbeteringen laten zien, creëert betere prikkels dan het delen van misleidende statistieken.

Een alternatief met minder impact: Open Source AI

De modelkeuze beïnvloedt de ecologische voetafdruk meer dan de meeste gebruikers zich realiseren. Redeneermodellen zoals o3 en DeepSeek-R1 overschrijden 29 Wh per lange prompt, meer dan 65 keer het verbruik van kleinere modellen. Het kiezen van modellen van de juiste grootte voor uw werkelijke behoeften vermindert het resourceverbruik zonder in te leveren op functionaliteit. Open source modellen draaien vaak op meer gedistribueerde, efficiënte infrastructuur dan enorme propriëtaire systemen.

Waarom open source modellen minder water verbruiken

Recente innovaties in open-source AI hebben de efficiëntie dramatisch verbeterd door architecturen zoals Mixture-of-Experts (MoE). In plaats van het hele model te draaien voor elk woord, activeren deze modellen slechts een klein deel van hun netwerk. Het recente open-source model MiniMax M2.5 heeft bijvoorbeeld 230 miljard parameters, maar activeert er tijdens inferentie slechts ongeveer 10 miljard (4,3%). Evenzo bevat GLM-5 744 miljard parameters, maar activeert het er slechts 40 miljard.

Dit betekent dat het draaien van deze zeer capabele open-source modellen aanzienlijk minder rekenkracht, energie en uiteindelijk koelwater vereist in vergelijking met enorme dense modellen die honderden miljarden parameters activeren voor elk afzonderlijk token. Het begrijpen van GDPR-compliance AI-opties leidt vaak tot de ontdekking van deze zeer efficiënte alternatieven die vergelijkbare bedrijfsresultaten opleveren met een fractie van de resourcevoetafdruk.

Probeer DentroChat: de duurzame AI-optie van Europa

Europese datacenters werken doorgaans in koelere klimaten met schonere energienetwerken, wat zowel de water- als de koolstofvoetafdruk verkleint. Grote Noord-Europese datacenteroperators zoals atNorth rapporteren bijvoorbeeld een Water Usage Effectiveness (WUE) van slechts 0,1 liter per kWh. Veel lager dan het industriegemiddelde van 1,8 L/kWh. Bovendien recyclen faciliteiten in Finland, IJsland en Zweden actief serverwarmte voor stadsverwarming en voedselproductie in plaats van water te verdampen.

DentroChat draait open source modellen op Europese infrastructuur en biedt een alternatief met minder impact dan GPT of Claude voor gebruikers die om duurzaamheid geven naast privacy. De combinatie van efficiënte modellen, gunstige locaties en transparante operaties vertegenwoordigt hoe verantwoorde AI-implementatie eruit kan zien.