Yapay Zekâ Ne Kadar Su Harcıyor? Veri Merkezleri, Enerji ve Çevre Etkisi

Yapay zekâ, suyu iki yoldan harcar: veri merkezlerinde ısınan sunucuları soğutmak için doğrudan, bu sunuculara elektrik üreten santraller üzerinden de dolaylı olarak. Tek bir sohbet sorusunun su payı küçüktür; Google'ın Ağustos 2025'te açıkladığı ölçüme göre ortalama bir Gemini metin isteği yaklaşık 0,26 mililitre, yani birkaç damla su harcıyor. Asıl etki, milyarlarca sorgunun toplamında, büyük modellerin eğitiminde ve veri merkezinin kurulduğu bölgenin su durumunda ortaya çıkıyor.

Aşağıda suyun tam olarak nerede harcandığını, eldeki tahminlerin ne söylediğini ve neden birbirinden bu kadar farklı çıktığını anlatıyoruz. Enerji tüketimini ve diğer çevre etkilerini de ele alıyor, en sonda bireysel kullanıcı olarak neler yapabileceğinizi sıralıyoruz. Verilen rakamlar, kaynağıyla ve yayın tarihiyle birlikte, birer tahmin olarak okunmalı.

Yapay zekâ nasıl su tüketir?

Yapay zekâ modelleri, veri merkezi denen ve binlerce sunucunun bir arada çalıştığı tesislerde çalışır. Bu sunuculardaki GPU gibi işlemciler yoğun hesap yaparken çok ısınır. Isının uzaklaştırılmaması, donanımın bozulmasına yol açar; bu yüzden veri merkezleri güçlü soğutma sistemlerine ihtiyaç duyar.

Yaygın yöntemlerden biri buharlaşmalı soğutmadır. Sıcak hava ya da sıcak su, soğutma kulelerinde suyun bir kısmının buharlaşmasıyla soğutulur. Buharlaşan su, o bölgenin su kaynaklarından çekilmiş ve geri dönmeyen sudur. Bazı tesisler bunun yerine kapalı devre ya da sıvı soğutma kullanır; bu sistemler daha az su harcayabilir, ama genellikle daha fazla elektrik tüketir.

İkinci yol dolaylıdır. Veri merkezine elektrik sağlayan termik ve nükleer santraller de kendi soğutmaları için büyük miktarda su kullanır. Rüzgâr ve güneş enerjisi ise elektrik üretirken neredeyse hiç su harcamaz. Bu nedenle aynı yapay zekâ işinin su ayak izi, veri merkezinin bağlı olduğu elektrik şebekesine göre büyük farklar gösterir.

Su tüketiminin kaynağı	Nerede olur	Neye bağlı
Doğrudan (soğutma)	Veri merkezinin içinde	Soğutma teknolojisi, iklim, mevsim
Dolaylı (elektrik üretimi)	Santrallerde	Şebekedeki enerji kaynakları
Donanım üretimi	Çip ve sunucu fabrikalarında	Üretim süreci, tedarik zinciri

Bir soru ne kadar su harcıyor?

Kesin ve bağımsız olarak doğrulanmış tek bir rakam yok; eldeki rakamlar şirketlerin kendi açıklamaları ya da akademik tahminlerdir. En somut veri Google'dan geldi. Şirketin Ağustos 2025'te yayımladığı ölçüme göre ortalama bir Gemini uygulaması metin isteği yaklaşık 0,24 watt-saat enerji ve 0,26 mililitre su harcıyor. Google bu enerjiyi, televizyonu dokuz saniyeden kısa süre izlemeye benzetiyor.

Bu rakamın neyi kapsamadığını da bilmek gerekir. Ölçüm, modelin cevap üretme aşamasını, yani çıkarım aşamasını kapsıyor; modelin önceden eğitilmesi için harcanan kaynaklar bu sayıya dahil değil. Ayrıca rakam ortalama bir metin isteği için; uzun belge analizi, görsel ya da video üretimi çok daha fazla kaynak gerektirebilir. Eleştirmenler, şirketin kendi ölçümünü yayımlamasının bağımsız doğrulamanın yerini tutmadığını da hatırlatıyor.

Önceki akademik tahminler daha yüksek rakamlar veriyordu. 2023'te Kaliforniya Üniversitesi Riverside'dan Shaolei Ren ve arkadaşlarının yayımladığı "Making AI Less Thirsty" başlıklı çalışma, GPT-3'ün, modelin nerede ve ne zaman çalıştırıldığına bağlı olarak yaklaşık 10-50 orta uzunlukta cevap için yarım litre civarında su tüketebileceğini tahmin etmişti. Rakamlar arasındaki fark, kullanılan model, donanım, veri merkezi konumu ve dolaylı suyun hesaba katılıp katılmamasından kaynaklanıyor.

Somut bir hesap: günde 20 soru

Rakamı kendi kullanımınıza çevirmek için basit bir hesap yapalım. Google'ın açıkladığı 0,26 mililitreyi esas alırsak, günde 20 metin sorusu soran biri günde yaklaşık 5,2 mililitre, yılda yaklaşık 1,9 litre su payına karşılık gelir. Bu, bir çay bardağından biraz fazla suyun yılda birkaç kez tekrarı demektir.

Akademik tahminlerdeki gibi daha yüksek bir varsayımla, örneğin soru başına 10 mililitreyle hesaplarsak, aynı kullanım yılda 73 litreye çıkar. Hesap, varsayıma göre kırk kat değişebiliyor; bu da tek bir "doğru rakam" aramaktan çok, hangi varsayımın kullanıldığına bakmanın önemini gösteriyor. Karşılaştırma için: dakikada birkaç litre su akıtan bir duşta yalnız birkaç dakika, ilk hesaptaki yıllık rakamdan fazla su harcar.

Model eğitiminin kaynak maliyeti

Bir modeli eğitmek, tek seferlik ama çok büyük bir iştir. Binlerce işlemci haftalar ya da aylar boyunca kesintisiz çalışır. Ren ve arkadaşlarının aynı çalışması, GPT-3 modelinin Microsoft'un ABD'deki veri merkezlerinde eğitilmesinin yaklaşık 700.000 litre temiz tatlı suyun buharlaşmasına yol açtığını tahmin ediyordu. Bu bir tahmindir ve sonraki daha büyük modeller için kamuya açık, doğrulanmış rakam az.

Eğitimin yükü, model kullanıldıkça binlerce, milyonlarca soruya bölünür. Yine de şirketler sürekli yeni ve daha büyük modeller eğittiği için bu maliyet bir kez ödenip biten bir şey değildir. Ayrıca kullanıcı sayısı büyüdükçe, cevap üretmenin toplam tüketimi eğitimin tüketimini geçebilir. Bu iki aşamanın teknik farkını yapay zekâ nasıl çalışır yazısında anlattık.

Sorularınız hangi veri merkezinde cevaplanıyor?

Türkiye'den kullandığınız bir sohbet botunun cevabı çoğu zaman yurt dışındaki bir veri merkezinde üretilir. Hangi tesisin kullanıldığı, şirketin altyapısına ve o anki yoğunluğa göre değişir ve kullanıcıya genellikle gösterilmez. Bu yüzden bir sorunun su ayak izi, sizin bulunduğunuz yerin değil, isteğin işlendiği bölgenin iklimine ve elektrik şebekesine bağlıdır.

Bu durum, kurumsal kullanıcılar için ayrı bir soru da doğurur. Bulut bilişim hizmeti alan şirketler, bazı sağlayıcılarda verilerinin hangi bölgede işleneceğini seçebiliyor. Veri koruma kuralları nedeniyle yapılan bu seçim, dolaylı olarak çevre etkisini de değiştirebilir.

Yapay zekânın enerji tüketimi ne kadar?

Su, enerji tüketiminin bir yan ürünü gibidir; enerji büyüdükçe soğutma ihtiyacı da büyür. Uluslararası Enerji Ajansı'nın Nisan 2025'te yayımladığı "Energy and AI" raporu, dünya genelinde veri merkezlerinin elektrik talebinin 2030'a kadar yaklaşık iki katına çıkarak 945 TWh civarına ulaşacağını öngörüyor. Ajans bu miktarı, Japonya'nın bugünkü toplam elektrik tüketiminden biraz fazla olarak tarif ediyor ve artışın en büyük kaynağının yapay zekâ olduğunu belirtiyor.

Bu bir projeksiyondur, kesin bir sonuç değil. Raporun kendisi de yapay zekânın ne hızla benimseneceği ve donanımın ne kadar verimli hâle geleceği konusunda belirsizlik olduğunu vurguluyor. Verimlilik tarafında hızlı bir ilerleme de var: Google, aynı Ağustos 2025 açıklamasında ortalama bir isteğin enerji tüketiminin bir yıl içinde 33 kat azaldığını bildirdi. Daha verimli modeller toplam talebi yavaşlatabilir, ama kullanım arttıkça toplam tüketimin yine de büyümesi olasıdır.

Çevreye zararları yalnız su mu?

Hayır, su etkinin yalnız bir parçasıdır. Elektrik fosil yakıtlardan üretiliyorsa karbon salımı doğar; bu, iklim açısından genellikle en çok konuşulan etkidir. Donanım üretimi için gereken madenler, çiplerin üretimindeki yüksek saflıkta su ihtiyacı ve eskiyen sunuculardan çıkan elektronik atık da tablonun parçasıdır.

Yerel etki de önemlidir. Aynı miktarda su tüketimi, bol yağış alan bir bölgede fark edilmeyebilirken kuraklık yaşanan bir bölgede tarım ve içme suyuyla rekabet edebilir. Bu yüzden son yıllarda bazı yerlerde yeni veri merkezi projelerine yerel halktan itirazlar geldi. Şirketlerin "yeşil enerji" ya da "suya pozitif" iddialarının ne ölçüde gerçek olduğunu değerlendirirken yeşil aklama riskine karşı dikkatli olmak, bu iddiaların sürdürülebilirlik raporu gibi belgelerdeki ölçüm yöntemine bakmak gerekir.

Etki	Kaynağı	Azaltma yolu
Su tüketimi	Soğutma, elektrik üretimi	Daha az su kullanan soğutma, su sıkıntısı olmayan bölge seçimi
Karbon salımı	Fosil yakıtlı elektrik	Yenilenebilir enerji, verimli donanım
Elektronik atık	Eskiyen sunucu ve çipler	Geri dönüşüm, donanım ömrünü uzatma
Yerel kaynak baskısı	Büyük tesislerin tek bölgede toplanması	Şeffaf planlama, yerel katılım

Etkiyi azaltmak için neler yapılıyor?

Şirketler ve araştırmacılar farklı yollar deniyor. Daha küçük ve verimli modeller geliştirmek bunlardan biri: küçük dil modelleri ve büyük bir modelin bilgisini daha küçük bir modele aktaran bilgi damıtma yöntemi, aynı işi daha az hesapla yapmayı hedefliyor. Bazı işler ise doğrudan telefonda ya da bilgisayarda yapılarak veri merkezine hiç gitmeden çözülebiliyor; bu yaklaşıma kenar bilişim deniyor.

Altyapı tarafında soğutma teknolojileri değişiyor, veri merkezleri daha serin iklimlere ya da yenilenebilir enerjiye yakın bölgelere kuruluyor ve bazı tesisler arıtılmış atık su kullanıyor. Bu önlemlerin ne kadar uygulandığını dışarıdan izlemek ise zor; şirketlerin tesis bazında su ve enerji verisi yayımlaması, bağımsız değerlendirmenin ön koşulu olarak görülüyor. Yapay zekânın kendisinin enerji ve iklim sorunlarına nasıl yardım edebileceğini, örneğin şebeke yönetimi ve hava tahmini gibi alanlarda, yapay zekânın çevreye katkısı yazısında ele aldık.

Bireysel kullanıcı olarak atabileceğiniz adımlar

Bir kişinin günlük sohbet sorularının su payı küçüktür; bu yüzden kullanmayı bırakmak yerine bilinçli kullanmak daha anlamlı bir hedeftir. Önce en büyük tüketimi yaratan işlere bakın: uzun video üretimi, aynı görseli onlarca kez yeniden ürettirmek ve gereksiz yere en büyük modeli seçmek. Basit bir yazım düzeltmesi için en güçlü "düşünen" modeli kullanmak, hem daha yavaş hem daha fazla kaynak harcayan bir tercihtir.

Bu hafta şu adımları deneyebilirsiniz:

1. İsteğinizi baştan net yazın; belirsiz bir soruyu beş kez düzeltmek yerine tek seferde bağlamı verin.
2. Görsel üretirken önce birkaç deneme yapıp tarifi netleştirin, sonra son hâli üretin.
3. Kısa ve basit işler için hafif modelleri ya da cihazınızda çalışan araçları tercih edin; bilgisayarınızda yerel model kurmak isterseniz kendi bilgisayarınızda ücretsiz yapay zekâ sistemi kurma yazısı yol gösterir.
4. Kullandığınız hizmetin sürdürülebilirlik açıklamalarını okuyun ve ölçüm yöntemini belirtmeyen iddialara temkinli yaklaşın.

Haberlerde yeni bir rakamla karşılaştığınızda üç soru sorun: Bu rakam yalnız cevap üretmeyi mi, eğitimi de mi kapsıyor? Dolaylı su hesaba katılmış mı? Rakamı kim ölçmüş ve yöntemi açık mı? Bu sorular, birbirinden yüz kat farklı görünen tahminleri doğru yere koymanızı sağlar.

Çevre etkisi, yapay zekâ etiğinde de "toplumsal fayda" başlığı altında tartışılan bir konu; bu çerçeveyi yapay zekâ etik ilkeleri yazısında bulabilirsiniz. Kaynak tüketimini yapay zekânın sağladığı yararlarla birlikte tartmak isterseniz yapay zekânın faydaları ve zararları yazısı dengeli bir başlangıç sunar.