Yapay zeka su tüketiyor mu? Gerçekte neler oluyor

Önce hayatımızdan bir sahne: musluk akmıyorken bulut nasıl serin kalıyor?

İstanbul’da sıcak bir temmuz günü; sitenin duyurusunda “öğlene kadar su kesintisi” yazıyor. Evden çalışıyorsun, toplantı arasında bir içerik taslağını hızlıca yapay zekâya yazdırıyorsun. Aklına şu soru düşüyor: Musluklar bile kesilirken, bu dev modelleri çalıştıran veri merkezleri nasıl serin kalıyor ve bunun için ne kadar su harcıyor? İşte bu yazı tam bu pratik merakı netleştiriyor: Yapay zekâ su tüketiyor mu, nerede ve ne kadar etkili?

Kısa cevap: Evet. Peki su tam olarak nerede “harcanıyor”?

Yapay zekânın su ayak izi iki ana kanaldan oluşur. İlki doğrudan veri merkezi soğutması: Sunucular 7/24 çalışırken ciddi ısı üretir; bu ısıyı atmak için ya su buharlaştıran sistemler (evaporatif soğutma) ya da su tüketmeyen ama daha çok elektrik isteyen kapalı devre chiller/dry cooler çözümleri kullanılır. İkincisi dolaylı kısım: elektrik üretimi. Kullandığınız elektriğin geldiği şebeke, bölgedeki santrallerin türüne bağlı olarak (özellikle termik ve nükleer) önemli miktarda tatlı su çekebilir; bu doğrudan veri merkezinin musluğundan akmasa da toplam su ayak izine yazılır.

Özetle, “AI su içer mi?” sorusunun teknik karşılığı şudur: Evet, soğutmada ve elektriği üretirken su kullanılır. Bu kullanımın düzeyi; iklim, veri merkezi tasarımı, seçilen enerji karışımı, çalıştırılan modelin boyutu ve kullanım yoğunluğuna göre değişir.

Veri merkezleri suyu nasıl kullanır: buhar mı, kapalı devre mi?

Soğutmada iki yaygın yaklaşım var. Evaporatif soğutma, sıcak havayı suyla temas ettirip buharlaştırarak düşürür; elektriği görece az harcar ama su tüketir. Chiller/dry cooler gibi kapalı devre çözümler ise su tüketimini asgariye indirir (çoğu senaryoda neredeyse sıfır), fakat buna karşılık daha çok elektrik kullanır. Şirketler genellikle iklime göre hibrit strateji seçer: Kuru ve serin havalarda dış hava ile soğutma, sıcak ve nemli günlerde chiller; su kıtlığı yüksek bölgelerde ise su yerine daha fazla elektrik harcayarak soğutma tercih edebilirler. Endüstride bu dengeyi izlemek için WUE (Water Usage Effectiveness) adıyla, kWh başına litre cinsinden su verimliliği metriği kullanılır ve birçok büyük oyuncu yıllık sürdürülebilirlik raporlarında paylaşır.

Eğitim mi, kullanım mı: En çok suyu hangisi yiyor?

Model eğitimi (haftalar süren, dev GPU kümeleriyle yapılan süreç) tek seferde çok büyük enerji ve dolayısıyla su talebi doğurabilir. Ancak bir de çalıştırma (inference) tarafı var: Her gün milyonlarca sorgu yanıtlamak, tekil oturum başına daha küçük olsa da toplamda ciddi bir hacme erişir. Bilimsel yayınlarda, kısa bir sohbetin su ayak izinin bir bardak su mertebesinde olabildiğine dair tahminler yer aldı; eğitimi ise bir veri merkezinin koşullarına bağlı olarak daha büyük, tek seferlik bir yük gibi düşünmek daha doğru. Dürüst olmak gerekirse; kesin değerleri bölge, iklim, altyapı gibi değişkenler belirler. Bu yüzden kurumsal tasarruf stratejileri, yalnızca eğitimi değil serviste kalma sürecini (ör. trafik dalgalanmaları, önbellekleme, model boyutu) de optimize eder.

Türkiye özelinde bir parantez

Türkiye’de veri merkezleri çoğunlukla İstanbul, Ankara, İzmir ve çevresinde yoğunlaşıyor; yaz aylarında sıcaklığın ve nemin arttığı, su stresinin mevsimsel yükseldiği koşullar tanıdık. Bu yüzden pratikte daha az su tüketen ama daha fazla elektrik isteyen kapalı devre sistemlerin ağırlık kazandığını görüyoruz. Elektrik tarafında ise şebekenin anlık karışımı (yenilenebilir payı, ithal kaynaklara bağımlılık) dolaylı su ayak izini etkiliyor. Kısacası, “AI su tüketiyor mu?” sorusunun Türkiye cevabı; evet, ama çoğu zaman su yerine elektrik harcaması artırılarak denge kuruluyor. Doğrusu işletmeciler, baraj seviyelerinin düşük olduğu dönemlerde su tüketen çözümlerden kaçınma eğiliminde.

Gündelik kullanımda sizin payınız ne kadar?

Günlük hayatta sorduğumuz her soru, oluşturduğumuz her görsel veya yazı, küçük bir enerji ve su izi bırakır. Tek tek bakınca küçük; ama ayda yüzlerce sorgu, milyonlarca kullanıcıyla çarpıldığında anlamlı oluyor. İyi haber şu ki, kullanıcı tarafında birkaç basit alışkanlık su ayak izini hissedilir biçimde düşürür: Gereksiz yeniden üretimlerden kaçınmak (örneğin cevabı dört kez “yeniden dene” demek yerine başta daha net istem girmek), çok uzun çıktı istememek (binlerce kelimelik taslak yerine nokta atışı özet), ve mümkün olduğunda cihaz üstünde çalışan küçük modelleri tercih etmek.

Geliştiriciler ve ekipler için pratik azaltım yolları

Kendi deneyimime göre, özellikle üretim ortamında birkaç teknik dokunuş ciddi fark yaratıyor:

• Model seçimi ve küçültme: Büyük bir modeli körlemesine çağırmak yerine, aynı işi çoğu senaryoda 7B–13B sınıfı, quantized ve hatta distilled sürümlerle görmek mümkün. Token başına enerji (ve dolaylı su) maliyeti düşer.
• İstem mühendisliği ve kısaltma: Girdi/çıktı token sayısını sınırlamak, few-shot örnekleri minimize etmek ve çıktı uzunluğunu net tarif etmek doğrudan tasarruf sağlar.
• Önbellekleme ve çoğullama: Sık tekrarlanan istemleri cache’ten sunmak, yoğun trafikte istekleri batch etmek GPU’ların verimini artırır; birim iş başına enerji ve su talebi düşer.
• Bölge/altyapı seçimi: Su stresi düşük ve şebekede yenilenebilir payı yüksek bölgeler tercih edildiğinde dolaylı su izi azalır. Bazı bulut sağlayıcılar, bölge bazlı sürdürülebilirlik metrikleri yayınlıyor; mümkünse bunlara bakın.
• Isı geri kazanımı ve yeni soğutma teknikleri: Sıvı soğutma, arka kapı ısı eşanjörü, ısıyı bölge ısıtmasına verme gibi yöntemler yaygınlaşıyor. Tedarikçiniz bu opsiyonları sunuyorsa öncelik verin.

Benim tavsiyem, önce ölçerek başlamak: Çağrı başına token, süre ve enerji izlerini FinOps araçlarıyla takip edin; sonra “büyükten küçüğe” optimizasyona gidin. Sürpriz değil; en büyük kazanç genellikle model/istem seçimi ve önbelleklemeden geliyor.

“Su ayak izi” hakkında sık karıştırılanlar

“Yalnızca veri merkezinin musluğundan akan su sayılır.” Hayır. Elektrik üretiminde çekilen su da dolaylı izdir. Bölgenin enerji karışımı, toplam etkiyi ciddi biçimde değiştirir.

“Deniz suyu kullanılıyor, sorun yok.” Bazı tesisler deniz suyunu ısı atımı için kullanabilir; ama bu her yerde mümkün değil ve tatlı su tüketimi sıfırlandığı anlamına gelmez. Ayrıca çevresel etkiler sahaya özgüdür.

“Kışın sorun yok.” Düşük sıcaklıklar yardımı olur ama nem, partikül, yerel düzenlemeler ve yük profili etkiler. Yani mevsim tek başına belirleyici değil.

Kısa vadede tabloyu ne değiştirecek?

Yakın gelecekte üç trend öne çıkıyor. Birincisi, donanım verimliliği: Yeni nesil hızlandırıcılar, aynı işi daha az enerjiyle yapacak, bu da dolaylı su tüketimini azaltacak. İkincisi, soğutmada sıvı çözümler ve daha akıllı hibrit stratejiler: Su tüketimini hassas dönemlerde minimize eden, yük ve hava durumuna göre ayar yapan sistemler yaygınlaşıyor. Üçüncüsü, model mimarileri: Daha küçük ama görev odaklı modeller ve speculative decoding, caching gibi teknikler token başına maliyeti düşürüyor. Doğrusu, bu üçü birlikte çalışınca kullanıcı deneyiminden ödün vermeden su izini küçültmek mümkün.

Ben nasıl kullanıyorum, size ne öneririm?

Ben gündelik işlerimde önce küçük, görev odaklı modelleri deniyorum; uzun rapor yerine özet istiyorum, görsel üretimde taslak alıp kalanını yerel araçlarla tamamlıyorum. Eğitim/deney tarafında ise işi geceye ya da serin saatlere yığmak, önbellekle birlikte ciddi tasarruf sağlıyor. Küçük bir ipucu: İçerik üretirken ilk istemi olabildiğince net yazın; “yeniden dene” sayısını iki-üç turla sınırlayın. Hem zaman, hem enerji, hem de su iziniz azalır.

Su hesabını unutmadan yapay zekâdan verim almak mümkün mü?

Kısa cevap: Evet. Yapay zekâ, arka planda soğutma ve elektrik üretimiyle suya ihtiyaç duyar; ama bunun düzeyini model seçimi, istem kalitesi, önbellekleme ve bölge/altyapı tercihleri ile ciddi şekilde düşürebilirsiniz. Benim tavsiyem, önce mevcut kullanımınızı ölçün; ardından küçük modeller ve net istemlerle başlayın. Kurumsal ölçekteyseniz, sürdürülebilirlik metrikleri yayımlayan sağlayıcılara öncelik verin ve bölge seçimini su stresi düşük lokasyonlara kaydırın. Böylece cebinizden para çıkmadan önce değil; su hesabı büyümeden önce verimli bir düzene geçmiş olursunuz.