Is het terecht om je schuldig te voelen over ChatGPT? We hebben de uitspraken van Sam Altman onderzocht en de waarheid boven tafel gekregen.
Moet je je schuldig voelen over het gebruik van ChatGPT? We onderzoeken de beweringen van Sam Altman en verduidelijken de realiteit van het gebruik van kunstmatige intelligentie.
De belangrijkste dingen die je moet weten
- De grote variatie in schattingen van het waterverbruik van AI-projecten ligt in de schaal van de meting; terwijl Altmans schatting zich richt op direct koelwater op locatie, omvatten andere studies ook het water dat wordt gebruikt voor de elektriciteitsopwekking, wat tot wel 75% van de totale watervoetafdruk kan uitmaken.
- De bewering van Sam Altman dat 38,000 ChatGPT-query's evenveel water verbruiken als één amandel, is gebaseerd op de meest gunstige scenario's voor moderne apparaten en lichte query's, terwijl onafhankelijke studies aangeven dat het werkelijke verbruik honderden keren hoger kan liggen.
- Het vergelijken van chatbotgebruik met amandelconsumptie is misleidend; hoewel het individuele gebruik laag is, blijft het totale volume van miljarden dagelijkse zoekopdrachten en modeltrainingen enorm, en datacenters vergroten de lokale waterstress in droge gebieden.
Als je tijd doorbrengt op sociale media, ben je waarschijnlijk wel eens het concept " AI- schuld" tegengekomen . Het komt erop neer dat elke keer dat je ChatGPT vraagt om een beleefde e-mail op te stellen of een snel recept voor het avondeten te bereiden, er ergens in een serverpark een enorme hoeveelheid schoon drinkwater wordt verbruikt om te voorkomen dat de chips oplossen.
Nu probeert Sam Altman , CEO van OpenAI , dit wijdverbreide idee te ontkrachten. In de eerste aflevering van de podcast Sources met Alex Heath daagde Altman de perceptie dat simpele AI-toepassingen rampen voor het milieu zijn, krachtig uit.
Zijn tegenargument was een vergelijking met een populaire snack.
38,000 ChatGPT-query's = één amandel? We hebben de cijfers nauwkeurig onderzocht om de waarheid te achterhalen.
Bekijk het op YouTube
Volgens Altman maken datacenters die miljoenen liters water verbruiken gebruik van verouderde koeltechnologieën. Hij beweerde dat het uitvoeren van 38,000 ChatGPT-query's in moderne faciliteiten evenveel water verbruikt als de productie van één enkele Californische amandel . Hij gaf toe dat hij het cijfer uit zijn geheugen noemde en dat het mogelijk niet helemaal accuraat was, maar hij hield vol dat het binnen de juiste marge lag.
Het is een opvallende bewering, bedoeld om uw dagelijkse gebruik van chatbots bijna milieuneutraal te laten lijken. Maar zijn deze cijfers wel bestand tegen een kritische blik, en moet u zich geen zorgen meer maken over de milieukosten van uw verzoeken?
Berekening: hoeveel water verbruikt een amandel eigenlijk?
Om Altmans bewering te beoordelen, moeten we beginnen bij de amandel.
Californië produceert ongeveer 80% van 's werelds amandelen , en de meest gangbare schatting in de landbouwsector stelt de waterbehoefte voor het telen van één amandel op ongeveer 1.1 gallon (circa 4.16 liter) . Een aparte analyse berekent de totale watervoetafdruk op ongeveer 12 liter (3.2 gallon) wanneer rekening wordt gehouden met regenval en compensatie voor vervuiling. Amandelen staan bekend als een waterintensief gewas, omdat de bomen het hele jaar door constante irrigatie nodig hebben.
Als we de Altman-ratio serieus nemen en daarbij de schatting van directe irrigatie gebruiken:
1 amandel = ~1.1 gallon (4,164 ml) water
38,000 ChatGPT-query's = 1 amandel
1 ChatGPT-query = ~0.0000289 gallons (~0.11 ml water)
Om 0.11 ml in perspectief te plaatsen: een standaard waterdruppel of oogdruppel is ongeveer 0.05 ml.
Volgens de cijfers van Altman verbruikt het stellen van een vraag op ChatGPT ongeveer twee druppels water.
Als dit cijfer belachelijk laag lijkt in vergelijking met wat u eerder hebt gelezen, dan verbeeldt u zich dat niet. Het strookt ook niet helemaal met Altmans eerdere uitspraken.
In juni 2025 schreef hij in zijn blogpost "The Gentle Singularity" dat een typische ChatGPT-query ongeveer 0.000085 gallon water verbruikt, oftewel ongeveer 0.32 ml.
Als we dit cijfer combineren met gangbare schattingen van de amandelconsumptie, komen we uit op ongeveer 11,000 aanvragen per amandel, en niet 38,000. Zijn eigen cijfers wijzen in dezelfde richting, maar verschillen in de details.
Waar komt het verhaal vandaan dat "kunstmatige intelligentie je watervoorraad uitput"?
Het publieke debat over het waterverbruik van kunstmatige intelligentie gaat ver terug tot een veelbesproken onderzoek onder leiding van onderzoekers van de Universiteit van Californië, Riverside en de Universiteit van Texas in Arlington.
Het onderzoeksartikel, getiteld "Making AI Less Thirsty ", dat in 2023 als conceptversie werd gepubliceerd en vervolgens in 2025 in het tijdschrift Communications of the ACM verscheen, schatte dat een kort gesprek bestaande uit 10 tot 50 reacties van een groot taalmodel (LLM) zoals GPT-3 ongeveer 500 milliliter water verbruikt – het equivalent van één standaard plastic waterfles. Dit komt neer op ongeveer 10 tot 50 milliliter per reactie, wat honderden keren hoger zou kunnen zijn dan de schatting van Altman.
Wat is dan de reden voor dit grote verschil?
Een deel van het antwoord ligt in de hardware en het gebruikte model. Altmans schatting heeft betrekking op lichte query's die worden uitgevoerd op moderne infrastructuur met actuele modellen. De studie van de Universiteit van Californië, Riverside, analyseerde het GPT-3-model echter op oudere systemen.
Maar de belangrijkste factor is waar elk cijfer precies rekening mee houdt. Altmans schatting weerspiegelt bijna uitsluitend het koelwater ter plaatse – het water dat direct in het datacenter wordt verbruikt. Het cijfer van de Universiteit van Californië, Riverside, omvat echter zowel het koelwater ter plaatse als het water dat in energiecentrales wordt gebruikt om de elektriciteit op te wekken die door die servers wordt verbruikt – een bredere berekening die bekend staat als het waterverbruik op schaal 1 en schaal 2. Onafhankelijke analyses suggereren dat de energieopwekking tot wel 75% van de totale watervoetafdruk achter een enkele AI-query kan uitmaken. Dit betekent dat het verschil niet simpelweg een kwestie is van oude versus nieuwe hardware; het gaat erom waar de meetgrenzen liggen.
Altman kaartte het probleem van verouderde apparatuur direct aan in de podcast en betoogde dat eerdere schattingen gebaseerd waren op installaties die gebruik maakten van verdampingskoeling. In die oudere systemen verdampen enorme koeltorens letterlijk vers water in de atmosfeer om de hete lucht die door de serverracks wordt uitgestoten te koelen. Zodra dat water verdampt is, verdwijnt het uit het lokale waterwingebied.
Altman betoogde dat moderne, ultragrote datacenters massaal gebruikmaken van gesloten vloeistofkoelsystemen, waarbij water of een speciaal koelmiddel door afgesloten leidingen circuleert, net als een radiator in een auto, met vrijwel geen vloeistofverlies door verdamping. In deze faciliteiten, zo merkte Altman op, is het waterverbruik niet te vergelijken met dat van een gemiddeld kantoorgebouw met standaard wastafels en toiletten.
De ironie: waarom het vergelijken van amandelen gewoon een klassieke Silicon Valley-truc is.
Hoewel de efficiëntie van moderne datacenters per token ongetwijfeld toeneemt, negeert het vergelijken van chatbotcommando's met landbouwgewassen een aantal fundamentele feiten.
De algehele schaal versus individuele schuld. Je gebruikt misschien maar twee druppels water om een formule in een spreadsheet te controleren, maar OpenAI bedient momenteel zo'n 900 miljoen wekelijkse actieve gebruikers die dagelijks miljarden commando's verwerken . Wanneer je minuscule fracties van een millimeter vermenigvuldigt met deze wereldwijde schaal, plus de voortdurende modeltraining die volgens onderzoekers van de Universiteit van Californië, Riverside, vooraf honderdduizenden liters water verbruikt, blijft het totaal enorm.
De lokale waterstress is groter dan het wereldwijde gemiddelde. De amandelboomgaard in de Central Valley is afhankelijk van water dat door de staat wordt toegewezen en van bestaande irrigatiekanalen voor de landbouw. AI-datacenters daarentegen worden vaak gebouwd in voorstedelijke gebieden en semi-aride regio's (zoals Phoenix, Noord-Virginia en delen van Texas en Georgia), waar ze direct afhankelijk zijn van gemeentelijke waterleidingnetten. Zelfs een moderne, efficiënte faciliteit kan problemen veroorzaken wanneer deze concurreert met woonwijken tijdens extreme hittegolven in de zomer.
Niet alle AI-vragen zijn gelijk. Altmans cijfer van 38,000 vragen is gebaseerd op standaard, eenvoudige redeneringen – denk aan basis GPT-4 tekstgebaseerde antwoorden. Maar de industrie evolueert snel naar redeneermodellen en autonome AI-agenten. Wanneer AI "denkt" voordat het antwoordt, Python-code uitvoert in een interne, geïsoleerde testomgeving, het live web doorzoekt en zichzelf corrigeert via meerdere logische lussen, verbruikt het aanzienlijk meer rekenkracht per commando dan een simpele chatbot. Onafhankelijke onderzoekers hebben erop gewezen dat deze zwaardere workloads meerdere malen meer energie en dus meer water kunnen verbruiken dan een bot.
Energieafweging. Wanneer datacenterbeheerders afzien van waterkoeling met verdamping, vervangen ze dit vaak door energie-intensieve koelinstallaties, mechanische warmtepompen en snelle ventilatoren. Kortom: het verminderen van het waterverbruik ter plaatse betekent vaak dat er aanzienlijk meer elektriciteit van het lokale elektriciteitsnet wordt afgenomen, wat op zichzelf weer een indirecte water- en CO2-voetafdruk heeft, afhankelijk van hoe die elektriciteit wordt opgewekt.
afsluitende gedachten
Altmans bewering is sterk gebaseerd op de meest gunstige scenario's voor moderne, gesloten systemen, terwijl hij de enorme infrastructuurvereisten voor een succesvolle AI negeert. Zijn cijfer van 38,000 query's per amygdala is wellicht acceptabel als ruwe schatting van een enkele, lichte query op de nieuwste hardware, maar het vertelt slechts een deel van het verhaal en negeert de ontwikkeling van de industrie.
Reacties zijn gesloten.