Adatközpontok, vízhasználat és amit az elektromos autó korai története taníthat az AI szabályozásáról

Az AI környezeti hatásairól szóló vita egyik leggyakoribb új témája a víz.

Adatközpontok épülnek gyors ütemben. A nagy teljesítményű AI-rendszerek energiaigénye növekszik. A szervereket hűteni kell, az áramtermelésnek pedig szintén lehet jelentős vízlábnyoma.

A probléma valós.

A kérdés azonban nem az, hogy létezik-e.

A fontosabb kérdés az, mit következtetünk belőle.

Ha egy új technológia jelenlegi infrastruktúrája jelentős környezeti terhelést okoz, ebből automatikusan az következik, hogy magának a technológiának a fejlődését kell korlátozni?

A technológiai történelem szerint ezzel érdemes óvatosan bánni.

A vízlábnyom valós — de nincs egyetlen „AI-vízlábnyom”

A Lawrence Berkeley National Laboratory 2024-es amerikai adatközpont-jelentése szerint az Egyesült Államok adatközpontjai 2023-ban becslés szerint mintegy 66 milliárd liter vizet fogyasztottak közvetlenül, elsősorban a helyszíni hűtéshez.

Ugyanezen adatközpontok villamosenergia-felhasználásához kapcsolódó közvetett vízlábnyom közel 800 milliárd liter volt az alkalmazott regionális villamosenergia-mix alapján.

Ez a különbség fontos.

Az adatközpont környezeti vízterhelésének jelentős része ugyanis nem feltétlenül az adatközpont területén jelentkezik. Megjelenhet azokban az erőművekben is, amelyek a számításhoz szükséges villamos energiát előállítják.

Vagyis az „AI mennyi vizet használ?” kérdés önmagában túl egyszerű.

Számít:

• milyen szerver végzi a feladatot;
• mennyire van kihasználva;
• milyen hűtési technológiát alkalmaznak;
• milyen éghajlaton működik az adatközpont;
• milyen villamosenergia-rendszer táplálja;
• milyen vízforrást használ;
• és pontosan hol található.

Ezt különösen erősen mutatja egy 2025-ös LBNL-kutatás. Nuoa Lei és szerzőtársai azt találták, hogy ugyanazon nagyságrendű adatközponti workload vízfelhasználása a különböző konfigurációk között több mint tízezerszeres eltérést mutathat.

A szerzők következtetése ezért nem egy univerzális vízfogyasztási szám, hanem éppen az ellenkezője: nincs egyetlen recept. A környezeti eredmény erősen rendszer- és helyspecifikus.

Ez azért fontos, mert az interneten terjedő „egy AI-kérdés X liter vizet fogyaszt” típusú számokat nem szabad természeti állandóként kezelni.

Ettől még a növekedés nagyon is komoly

A probléma másik felét sem érdemes kisebbíteni.

Az International Energy Agency 2026-os frissítése szerint az adatközpontok globális villamosenergia-igénye 17%-kal nőtt 2025-ben, miközben az AI-orientált adatközpontok fogyasztása ennél is gyorsabban emelkedett.

Az LBNL 2026-ban közzétett amerikai frissítése szerint az adatközpontok 2030-ra az Egyesült Államok teljes villamosenergia-felhasználásának 11,8%-át is elérhetik a referencia-forgatókönyvben; a becsült bizonytalansági tartomány 9,5–15,3%.

Ez nem jelentéktelen terhelés.

Ráadásul az adatközpontok földrajzilag koncentráltak. Egy globálisan kezelhető fogyasztás egy adott villamos hálózatban vagy vízgyűjtő területen súlyos lokális problémává válhat.

Ezért az Eco Watch álláspontja nem az, hogy „nincs itt semmi látnivaló”.

Éppen ellenkezőleg:

mérni és szabályozni kell.

De pontosan azt kell szabályozni, ami a környezeti kárt okozza.

A technológia már most reagál a problémára

A jelenlegi vízigényt hiba lenne a jövő adatközpontjainak megváltoztathatatlan tulajdonságaként kezelni.

A Microsoft például 2024-ben olyan új adatközponti konstrukciót jelentett be, amely direct-to-chip folyadékhűtést és zárt kört alkalmaz, így működés közben nincs szükség párologtatásos vízhűtésre.

A vállalat saját becslése szerint ez évente több mint 125 millió liter víz felhasználását kerülheti el adatközpontonként a korábbi konstrukciókhoz képest.

Ez vállalati adat, ezért nem szabad független mérésként kezelni. Technológiai szempontból azonban fontos bizonyíték arra, hogy a mai vízigény nem szükségszerűen a nagy teljesítményű számítás fizikailag állandó velejárója.

Ráadásul a víz és az energia között trade-off is lehet.

A párologtatásos hűtés csökkentheti a hűtés villamosenergia-igényét. A teljesen száraz rendszer kevesebb vizet fogyaszthat, miközben bizonyos körülmények között több energiát igényelhet.

Ezért egy rosszul megfogalmazott szabály — például egyszerűen „nulla helyszíni vízhasználat” — akár máshová is áthelyezheti a környezeti terhelést.

A helyes cél nem egyetlen mutató minimalizálása.

A teljes rendszer optimalizálása.

Egy százéves figyelmeztetés: az elektromos autó

1900 körül az amerikai személyautó-piacon három technológia versenyzett egymással: a gőz, a benzin és az elektromosság.

Néhány évtizeddel később a belső égésű motor szinte teljes dominanciát szerzett.

Ezt hosszú ideig egyszerű technológiai szükségszerűségként magyarázták: a benzines autó gyorsabb volt, messzebbre jutott, az elektromos autó pedig állítólag eleve alkalmatlan volt általános közlekedésre.

Egy 2021-ben a Nature Energy folyóiratban publikált kutatás azonban több mint 36 000 korabeli személyautómodellt vizsgált meg.

Josef Taalbi és Hana Nielsen azt találták, hogy a villamosenergia-infrastruktúra lassú kiépülése kulcsszerepet játszott a benzines technológia győzelmében. Modelljük szerint ha az elektromos hálózat 15–20 évvel korábban terjed el, az elektromos autó különösen a nagyvárosi piacokon akár domináns pályára kerülhetett volna.

Ez nem bizonyítja, hogy egy elektromos XX. század automatikusan környezeti paradicsomot eredményezett volna.

A korabeli akkumulátoroknak komoly anyag- és toxikológiai problémáik voltak. Az áramtermelés nagy része fosszilis volt. A hosszú távú közlekedésben az akkori elektromos technológia valódi korlátokkal rendelkezett.

A történeti példa mást bizonyít:

egy korai infrastrukturális hátrány képes technológiai útfüggőséget létrehozni, amelyet később könnyű úgy értelmezni, mintha maga a technológia lett volna életképtelen.

A mai adatok pedig megmutatják, miért fontos ez.

Az IEA 2024-es teljes életciklus-elemzése szerint egy 2023-ban eladott középkategóriás akkumulátoros elektromos autó globális átlagban körülbelül fele akkora életciklusú üvegházhatásúgáz-kibocsátással jár, mint egy hasonló belső égésű jármű.

Az elektromos autó tehát nem környezeti ingyenebéd.

De az sem bizonyult igaznak, hogy az elektromos hajtás korai problémái a technológia végleges alkalmatlanságát jelentették.

Mi köze ennek az AI-hoz?

Nem azt állítjuk, hogy az AI-adatközpontok és az elektromos autók ugyanazt a történetet fogják végigjárni.

A történelmi analógia nem bizonyíték.

Figyelmeztetés.

A jelenlegi AI-infrastruktúra víz- és energiaigénye jelentős. Ha azonban ebből azt a következtetést vonjuk le, hogy ezért a számítási technológia vagy az AI képességeinek fejlődését kell általánosan korlátozni, könnyen összekeverhetjük:

a technológiát annak jelenlegi implementációjával.

Közben ugyanaz az AI-technológia alkalmazható:

• villamosenergia-hálózatok optimalizálására;
• megújuló energia jobb integrációjára;
• ipari energiahatékonyság javítására;
• metánszivárgások felismerésére;
• közlekedési rendszerek optimalizálására;
• új anyagok, akkumulátorok és energiatechnológiák kutatásának gyorsítására.

Az IEA modellezése szerint a már ismert AI-alkalmazások széles körű elterjedése 2035-ben akár 1,4 gigatonna CO₂-kibocsátás csökkentéséhez is hozzájárulhatna az energiafelhasználó ágazatokban.

Ez nem előrejelzés és nem garancia. Az IEA maga hangsúlyozza, hogy ehhez jelenleg nincs biztosított fejlődési pálya, és rebound hatások is ellensúlyozhatják az előnyöket.

De megmutatja, miért nem elegendő csak az AI által elfogyasztott erőforrásokat számolni.

A potenciális környezeti hasznát is mérni kell.

Mit kellene tehát szabályozni?

Az Eco Watch számára a racionális modell két szélsőség között van.

Nem:

„az AI fontos, ezért építsünk bármit bárhová”.

És nem:

„az AI vizet fogyaszt, ezért korlátozzuk a fejlődését”.

Hanem:

1. Kötelező környezeti transzparencia

Nyilvánossá kell tenni legalább:

• az abszolút vízfogyasztást;
• a vízkivételt és a tényleges vízfogyasztást külön;
• a Water Usage Effectiveness értéket;
• az energiafogyasztást és PUE-t;
• a közvetlen és közvetett vízlábnyomot;
• a felhasznált víz eredetét.

2. Vízgyűjtő-alapú engedélyezés

Százmillió liter víz nem ugyanazt jelenti egy vízbőséges és egy súlyosan vízstresszes térségben.

Az engedélyezésnek ezért nem pusztán országos vagy vállalati éves számokat, hanem a helyi ökoszisztéma terhelhetőségét kell vizsgálnia.

3. Ivóvíz helyett alternatív források

Ahol technikailag lehetséges, előnyt kell kapnia:

• tisztított szennyvíznek;
• visszanyert víznek;
• zárt hűtőköröknek;
• alacsony vízigényű hűtési rendszereknek.

4. Okos telephelyválasztás

Az IEA maga is javasolja, hogy az adatközpontokat megfelelő klímájú, alacsonyabb vízstresszű és kevésbé túlterhelt villamosenergia-rendszerrel rendelkező területekre telepítsék.

A számítások egy része időben és térben is mozgatható oda, ahol éppen kedvezőbb a tiszta energiaellátás.

5. Technológiasemleges környezeti határértékek

A szabályozónak nem feltétlenül azt kell megmondania, milyen szervert, AI-modellt vagy hűtési technológiát használjon egy vállalat.

Azt kell meghatároznia:

mekkora környezeti terhelés fér bele.

A mérnök feladata pedig az legyen, hogy ezen a határon belül egyre több és jobb számítási kapacitást hozzon létre.

A valódi kérdés

A vízhiány valós.

Az energiaigény valós.

Az adatközpontok lokális környezeti hatása valós.

Ez azonban még nem jelenti azt, hogy a helyes válasz szükségszerűen a technológiai fejlődés lassítása.

Az elektromos autó történetének egyik fontos tanulsága éppen az, hogy egy technológia első infrastruktúrájának gyengesége és magának a technológiának a hosszú távú potenciálja két külön kérdés.

A környezetvédelemnek ezért nem választania kell innováció és ökoszisztéma között.

Határt kell szabnia a környezeti kárnak, miközben nyitva hagyja az utat azoknak a technológiáknak, amelyek képesek ugyanazon a határon belül egyre hatékonyabban működni.

Egy liter édesvíz, amelyet egy súlyosan vízstresszes térségben fölöslegesen elpárologtatunk, környezeti költség.

Szabályozzuk.

Egy megawattóra fölöslegesen elhasznált energia szintén költség.

Csökkentsük.

De ha ugyanazt a számítási feladatot holnap tizedannyi energiával, újrahasznosított vízzel vagy zárt hűtőkörrel lehet elvégezni, ne a tegnapi technológia pazarlásából vezessük le a holnapi technológia tilalmát.

Ez nem korlátlan technológiai optimizmus.

Ez környezeti fegyelem és technológiai nyitottság egyszerre.

És lehet, hogy hosszú távon pontosan erre lesz szükségünk.

Források

1. Lei, N., Lu, J., Shehabi, A., Masanet, E. R. (2025). The water use of data center workloads: A review and assessment of key determinants. Resources, Conservation and Recycling, 219, 108310. DOI: 10.1016/j.resconrec.2025.108310
2. Shehabi, A. et al. (2024). 2024 United States Data Center Energy Usage Report. Lawrence Berkeley National Laboratory. DOI: 10.71468/P1WC7Q
3. Smith, S. J. et al. (2026). United States Data Center Energy Usage Report: 2025 Update. Lawrence Berkeley National Laboratory.
4. International Energy Agency (2026). Key Questions on Energy and AI. IEA, Paris.
5. International Energy Agency (2025). Energy and AI. IEA, Paris.
6. Microsoft (2024). Sustainable by design: Next-generation datacenters consume zero water for cooling. Microsoft Cloud.
7. Taalbi, J. & Nielsen, H. (2021). The role of energy infrastructure in shaping early adoption of electric and gasoline cars. Nature Energy, 6, 970–976. DOI: 10.1038/s41560-021-00898-3
8. International Energy Agency (2024). Global EV Outlook 2024 – Outlook for emissions reductions. IEA, Paris.
9. International Council on Clean Transportation (2025). Life-cycle greenhouse gas emissions from passenger cars in the European Union. BEV estimate: 63 g CO₂e/km versus 235 g CO₂e/km for gasoline ICEV under the study assumptions.

Regulate the Waste, Not the Compute

Data centres, water use, and what the early electric-car transition can teach us about governing AI

Water has become one of the most prominent environmental concerns surrounding artificial intelligence.

Data centres are expanding rapidly. High-performance AI systems require substantial electricity. Servers generate heat, cooling systems may consume water, and electricity generation itself can carry a significant water footprint.

The problem is real.

The harder question is what we should conclude from it.

When the current infrastructure supporting a new technology creates environmental pressure, does it automatically follow that development of the technology itself should be constrained?

Technological history suggests caution.

The water footprint is real — but there is no single “AI water footprint”

Lawrence Berkeley National Laboratory's 2024 assessment estimated that U.S. data centres directly consumed about 66 billion litres of water in 2023, primarily through on-site cooling.

The estimated indirect water footprint associated with their electricity consumption approached 800 billion litres, based on regional electricity-grid mixes.

That distinction matters.

A large share of the water footprint associated with computing may occur not inside the data centre itself, but at the power plants supplying its electricity.

The question “How much water does AI use?” is therefore too simple on its own.

The answer depends on:

• server efficiency;
• utilisation;
• cooling technology;
• climate;
• electricity generation;
• water source;
• infrastructure efficiency;
• and location.

A 2025 LBNL study by Nuoa Lei and colleagues illustrates the scale of this variability. The researchers found more than a 10,000-fold variation in workload-level water consumption across different combinations of infrastructure and operating conditions.

Their conclusion was not that there is one universal number for the water cost of computation.

It was the opposite.

There is no single recipe. Outcomes are highly system- and site-specific.

This is why viral claims that “one AI query uses X litres of water” should not be treated as physical constants.

The growth challenge is nevertheless serious

None of this makes rapid infrastructure growth environmentally trivial.

The International Energy Agency reported in its 2026 update that global data-centre electricity consumption rose by 17% in 2025, while demand from AI-focused facilities grew even faster.

A 2026 LBNL update estimates that U.S. data centres could account for 11.8% of total U.S. electricity consumption by 2030 in its reference case, with an uncertainty range of 9.5–15.3%.

That is a substantial infrastructure challenge.

Data centres are also geographically concentrated. A demand that looks manageable at global level can become a serious constraint on a particular electricity grid or watershed.

The Eco Watch position is therefore not that these impacts should be ignored.

Quite the opposite.

They should be measured and governed.

But regulation should target the environmental harm itself.

The technology is already responding

It would be a mistake to treat today's cooling requirements as immutable characteristics of future computing.

In 2024 Microsoft announced a new data-centre architecture using direct-to-chip liquid cooling and a closed-loop system designed to eliminate operational water evaporation for cooling.

According to the company's own estimate, the design could avoid the use of more than 125 million litres of water per year per data centre compared with previous designs.

This is a corporate claim and should not be mistaken for independent verification.

It is nevertheless technologically significant because it demonstrates that high operational water consumption is not necessarily an unavoidable physical property of high-performance computing.

There are also trade-offs.

Evaporative cooling can reduce electricity required for cooling. Eliminating it may decrease local water consumption while increasing electricity demand under some operating conditions.

A badly designed rule focused only on “zero on-site water” could therefore shift part of the environmental burden elsewhere.

The objective should not be to minimise one metric in isolation.

It should be to optimise the system.

A century-old warning: the electric car

Around 1900, three propulsion systems competed in the U.S. passenger-car market: steam, gasoline and electricity.

Within little more than a decade, gasoline vehicles had established overwhelming dominance.

This outcome was subsequently easy to explain as technological inevitability: gasoline cars travelled farther, while electric vehicles were supposedly inherently unsuitable for general transport.

A 2021 study published in Nature Energy examined data on more than 36,000 historical passenger-car models and reached a more complicated conclusion.

Josef Taalbi and Hana Nielsen found that the slow expansion of electricity infrastructure played a key role in manufacturers' technology choices. Their counterfactual modelling suggested that an electricity grid spreading 15 to 20 years earlier could have tipped the balance towards electric vehicles, particularly in metropolitan markets.

This does not prove that an electric twentieth century would automatically have produced an environmental paradise.

Early batteries involved substantial material and toxicity problems. Much electricity generation relied on fossil fuels. Long-distance transport presented genuine technological challenges.

The lesson is different:

an early infrastructure disadvantage can create technological path dependence, which later becomes easy to mistake for proof that the losing technology was inherently unviable.

Modern environmental evidence makes that lesson more consequential.

The IEA's 2024 lifecycle assessment found that a medium-sized battery-electric car sold in 2023 produces, on a global average, around half the lifecycle greenhouse-gas emissions of an equivalent internal-combustion vehicle.

Electric vehicles are not environmentally free.

But history did not ultimately support the claim that their early disadvantages represented permanent technological inferiority.

What does this have to do with AI?

We are not arguing that AI data centres and electric vehicles will follow identical histories.

Historical analogy is not proof.

It is a warning.

Today's AI infrastructure carries significant electricity and water requirements. But concluding from this that the development of computation or AI capabilities themselves should therefore be broadly constrained risks confusing:

a technology with its present implementation.

Meanwhile, the same underlying AI technologies can be applied to:

• electricity-grid optimisation;
• renewable-energy integration;
• industrial efficiency;
• methane-leak detection;
• transport optimisation;
• and accelerated research into materials, batteries and energy technologies.

The IEA estimates that widespread deployment of already known AI applications across end-use sectors could enable as much as 1.4 gigatonnes of CO₂ reductions in 2035.

That is not a forecast or a guarantee. The IEA explicitly notes that current deployment pathways do not ensure such an outcome, and rebound effects could offset part of the benefit.

But it demonstrates why environmental accounting cannot stop at resources consumed by AI.

Potential environmental benefits must also be assessed.

So what should be regulated?

For Eco Watch, the rational position lies between two extremes.

Not:

“AI is important, so build anything, anywhere.”

And not:

“AI uses water, therefore slow the technology.”

Instead:

1. Mandatory environmental transparency

Operators should disclose at least:

• absolute water consumption;
• water withdrawal and water consumption separately;
• Water Usage Effectiveness;
• energy consumption and PUE;
• direct and indirect water footprints;
• and the source of water used.

2. Watershed-based permitting

One hundred million litres do not have the same ecological meaning in a water-abundant region and in a severely water-stressed basin.

Permitting should therefore consider the carrying capacity of the local ecosystem, not only national or corporate annual totals.

3. Alternatives to potable water

Where technically feasible, policy should encourage or require the use of:

• reclaimed wastewater;
• recycled water;
• closed-loop cooling;
• and low-water cooling technologies.

4. Smarter siting

The IEA recommends locating data centres where climate conditions, water stress and grid availability make them more sustainable.

Some computational workloads can also be shifted geographically or temporally towards periods and locations with greater availability of low-carbon electricity.

5. Technology-neutral environmental limits

Regulators do not necessarily need to prescribe a particular server, model architecture or cooling system.

They should determine:

how much environmental burden is acceptable.

Engineers should then compete to deliver more useful computation inside those limits.

The real question

Water scarcity is real.

Energy demand is real.

Local environmental impacts from data centres are real.

But none of these facts automatically establishes that slowing technological progress is the correct response.

One lesson from the early history of the electric car is that the limitations of a technology's first infrastructure and the long-term potential of the technology itself are separate questions.

Environmental governance therefore does not need to choose between innovation and ecosystems.

It should establish hard boundaries for environmental damage while leaving open the technological pathways capable of operating increasingly efficiently within them.

A litre of freshwater unnecessarily consumed in a severely water-stressed basin has an environmental cost.

Regulate it.

A megawatt-hour unnecessarily wasted also has a cost.

Reduce it.

But if tomorrow the same computational task can be performed with one tenth of the energy, reclaimed water or a closed cooling loop, we should not derive tomorrow's technological limits from yesterday's inefficient implementation.

That is not unlimited technological optimism.

It is environmental discipline combined with technological openness.

And over the long term, we may need both.

References

1. Lei, N., Lu, J., Shehabi, A., Masanet, E. R. (2025). The water use of data center workloads: A review and assessment of key determinants. Resources, Conservation and Recycling, 219, 108310. DOI: 10.1016/j.resconrec.2025.108310
2. Shehabi, A. et al. (2024). 2024 United States Data Center Energy Usage Report. Lawrence Berkeley National Laboratory. DOI: 10.71468/P1WC7Q
3. Smith, S. J. et al. (2026). United States Data Center Energy Usage Report: 2025 Update. Lawrence Berkeley National Laboratory.
4. International Energy Agency (2026). Key Questions on Energy and AI. IEA, Paris.
5. International Energy Agency (2025). Energy and AI. IEA, Paris.
6. Microsoft (2024). Sustainable by design: Next-generation datacenters consume zero water for cooling. Microsoft Cloud.
7. Taalbi, J. & Nielsen, H. (2021). The role of energy infrastructure in shaping early adoption of electric and gasoline cars. Nature Energy, 6, 970–976. DOI: 10.1038/s41560-021-00898-3
8. International Energy Agency (2024). Global EV Outlook 2024 – Outlook for emissions reductions. IEA, Paris.
9. International Council on Clean Transportation (2025). Life-cycle greenhouse gas emissions from passenger cars in the European Union.