Keberlanjutan kecerdasan buatan: Panduan praktis 2026

Kecerdasan buatan dapat membantu perusahaan mengonsumsi lebih sedikit energi, mengurangi pemborosan, dan membuat pelaporan ESG menjadi lebih tidak manual. Namun, mereka yang membangun produk AI juga tahu separuh cerita lainnya: setiap model berjalan di infrastruktur yang boros energi, setiap panggilan API memiliki biaya komputasi, dan permintaan komputasi tidak melambat.

Karena itu, keberlanjutan kecerdasan buatan tidak boleh diperlakukan sebagai slogan ataupun sebagai dosa yang harus ditebus. Ini harus dikelola sebagai masalah operasional. Di Italia, perdebatan ini kini telah terstruktur di sekitar dua gagasan yang jelas: sustainability of AI dan AI for sustainability. Yang pertama menyangkut jejak AI itu sendiri. Yang kedua menyangkut penggunaan AI untuk meningkatkan proses, konsumsi, dan tata kelola lingkungan. Dalam konteks yang sama, komponen pelaporan ESG yang didukung AI dilaporkan “hampir tiga kali lipat dalam setahun terakhir” menurut analisis ini tentang keberlanjutan kecerdasan buatan dan tata kelola ESG.

Sebagai pendiri sebuah perusahaan AI, saya menganggap baik kepanikan otomatis maupun techno-optimism yang malas sama-sama tidak berguna. Intinya bukan memutuskan apakah AI itu “baik” atau “buruk” bagi lingkungan. Intinya adalah memahami di mana AI mengonsumsi sumber daya, kapan ia menciptakan nilai nyata, dan pilihan konkret apa yang dapat mengurangi dampaknya tanpa menghancurkan kegunaannya.

Pendahuluan: Dua Sisi AI Berkelanjutan

Percakapan tentang keberlanjutan kecerdasan buatan telah menjadi lebih dewasa. Akhirnya. Bukan karena masalahnya telah terpecahkan, tetapi karena sudah tidak mungkin lagi mereduksinya menjadi sekadar frasa klise.

Di satu sisi, AI membantu perusahaan dan fasilitas menggunakan energi dengan lebih baik, membatasi pemborosan, dan membuat pelaporan ESG lebih rapi. Di sisi lain, sistem yang sama membutuhkan daya komputasi, pusat data, pendinginan, jaringan, dan komponen perangkat keras yang memiliki biaya lingkungan yang nyata. Jika hanya melihat salah satu sisi saja, keputusan yang diambil akan salah.

Bahasa yang tepat untuk membicarakan masalah ini

Dua kategori yang paling sering saya gunakan adalah kategori yang kini juga umum digunakan dalam konteks Italia:

• Sustainability of AI. Mengurangi dampak energi dan material dari AI.
• AI for sustainability. Menggunakan AI untuk meningkatkan proses lingkungan, energi, dan tata kelola.

Perbedaan ini bukan sekadar teori. Perbedaan ini memaksa Anda mengajukan dua pertanyaan berbeda. Pertama: seberapa besar beban tumpukan AI saya? Kedua: apakah beban tersebut menghasilkan manfaat lingkungan atau operasional yang cukup konkret untuk membenarkannya?

Pertanyaan yang tepat bukanlah “menggunakan atau tidak menggunakan AI”. Pertanyaan yang tepat adalah “apakah tugas ini benar-benar membutuhkan jumlah komputasi sebesar ini?”.

Kesalahan paling umum di perusahaan

Kesalahan yang paling sering saya lihat bukanlah masalah teknologi. Ini masalah pengambilan keputusan. Banyak perusahaan mengadopsi AI seolah-olah seluruh daya yang tersedia harus selalu digunakan. Dalam praktiknya, mereka memilih model terbesar, alur kerja paling kompleks, dan otomatisasi paling luas, bahkan ketika masalahnya sebenarnya jauh lebih sederhana.

Kenyataannya, strategi yang berkelanjutan berangkat dari prinsip yang tidak begitu mencolok: proporsionalitas. Jika sebuah tugas dapat dijalankan dengan baik menggunakan lebih sedikit komputasi, lebih sedikit transfer data, dan lebih sedikit kompleksitas, itu bukan sebuah pengorbanan. Itu adalah pilihan yang lebih baik.

Dampak Nyata AI terhadap Lingkungan

Bagian paling berguna dari diskusi ini dimulai ketika kita berhenti berbicara secara abstrak. Dampak lingkungan AI bukanlah opini. Ini adalah isu infrastruktur dengan angka-angka yang sudah cukup jelas untuk menuntut kehati-hatian.

Angka-angka yang tidak bisa diabaikan begitu saja

Sebuah sumber Italia yang mengutip data internasional menyebutkan bahwa sebuah studi tahun 2019 dari University of Massachusetts memperkirakan bahwa pelatihan satu model AI dapat menghasilkan lebih dari 284 ton CO₂, setara dengan emisi lima mobil selama seluruh siklus hidupnya. Sumber yang sama melaporkan bahwa pengembangan ChatGPT-3 diperkirakan membutuhkan sekitar 1.287 MWh listrik, setara dengan konsumsi tahunan sekitar 120-130 rumah tangga rata-rata di Amerika, dan juga mengutip proyeksi Goldman Sachs Research yang menyatakan bahwa permintaan listrik untuk data center dapat meningkat sebesar 160%, dengan kenaikan sekitar 200 TWh per tahun antara 2023 dan 2030, sementara pada tahun 2028 konsumsi yang terkait dengan AI dapat mencapai 19% dari total kebutuhan energi data center. Semua data ini dilaporkan dalam analisis Italia ini tentang biaya lingkungan AI.

Intinya bukan menggunakan angka-angka ini untuk membuat terorisme komunikasi. Intinya adalah memahami skalanya. Jika Anda membangun atau mengadopsi AI, Anda ikut berkontribusi pada pertumbuhan permintaan energi yang menyangkut seluruh infrastruktur, bukan hanya anggaran cloud Anda.

Aturan praktis: saat mengevaluasi sebuah proyek AI, lihat lebih jauh dari sekadar biaya per token atau per panggilan API. Masalah sesungguhnya seringkali ada di hulu, pada infrastruktur yang memungkinkan panggilan tersebut terjadi.

Di mana sebenarnya biaya energi terkonsentrasi

Banyak orang mengira bahwa biaya lingkungan AI hampir sepenuhnya berasal dari training. Ini adalah penyederhanaan yang praktis, tetapi keliru. Konsumsi tersebar di berbagai tingkatan:

Hal ini mengubah cara keberlanjutan kecerdasan buatan harus didekati. Tidak cukup hanya bertanya “berapa banyak konsumsi model tersebut”. Anda juga harus bertanya di mana model itu berjalan, berapa banyak lalu lintas yang dihasilkannya, berapa kali model itu diakses, dan apakah arsitekturnya dirancang untuk membatasi pemborosan.

Karena itu, masuk akal untuk juga mengamati kasus-kasus di mana AI digunakan untuk memperbaiki infrastrukturnya sendiri. Contoh yang berguna adalah optimisasi energi data center dengan AI, yang menunjukkan dengan baik satu hal sederhana: masalahnya bukan hanya model itu sendiri, tetapi seluruh lingkungan teknis yang mendukungnya.

AI sebagai Leverage Strategis untuk Keberlanjutan Bisnis

Jika berhenti pada biaya, kita kehilangan separuh gambaran. AI juga bisa menjadi leverage yang serius untuk meningkatkan keberlanjutan bisnis. Bukan dalam arti retoris, tetapi dalam proses yang sangat konkret.

Di mana AI menciptakan nilai lingkungan yang konkret

Dalam konteks Italia, ketika diterapkan pada sistem manajemen energi, AI dapat mengurangi konsumsi operasional di fasilitas industri dan UKM dengan memprediksi puncak permintaan dan mengatur secara real-time beban seperti HVAC dan pencahayaan. Hal ini berdampak langsung pada emisi Scope 2 dan membantu mengoptimalkan penggunaan sumber energi terbarukan yang intermiten, seperti yang dijelaskan dalam kajian mendalam ini tentang sistem manajemen energi dengan AI.

Ini adalah jenis aplikasi yang menurut saya dapat dipertahankan juga dari sudut pandang lingkungan. Bukan karena gratis, tetapi karena menggunakan komputasi untuk menghilangkan pemborosan fisik yang terus-menerus. Dalam fasilitas dengan permintaan yang bervariasi, mengatur secara real-time ventilasi, pendinginan udara, atau pencahayaan bisa lebih berarti daripada seribu slide tentang transisi hijau.

Tiga area di mana AI cenderung benar-benar berguna adalah sebagai berikut:

• Energi operasional. Sensor, meteran, dan algoritma membantu menghindari puncak yang tidak perlu.
• Rantai pasok. Prediksi permintaan yang lebih baik dapat mengurangi stok yang tidak perlu, pergerakan barang, dan produksi berlebih.
• Pelaporan ESG. Mengotomatisasi pengumpulan, pembersihan, dan penataan data mengurangi pekerjaan manual dan fragmentasi.

Poin praktis untuk UKM

Bagi UKM, manfaatnya sering kali tidak berasal dari model yang spektakuler. Manfaatnya berasal dari sistem yang menghindari kerja duplikat. Ekspor manual, banyak lembar Excel, lampiran yang dikirim berkali-kali, rekonsiliasi yang dilakukan oleh orang berbeda pada data yang sama. Semua ini menghabiskan waktu, mesin, bandwidth, dan perhatian.

Sebuah proses yang dikerjakan ulang lima kali oleh orang berbeda tidak efisien juga dari sudut pandang lingkungan, bukan hanya dari sudut pandang organisasi.

Ketika AI mensentralisasi data, mengotomatiskan langkah-langkah berulang, dan membuat analisis dapat digunakan kembali, nilai lingkungannya tidak terletak pada satu inferensi tunggal. Nilainya terletak pada penghapusan redundansi.

Bagi yang bekerja di bidang reporting, contoh yang dekat dengan masalah ini adalah Electe untuk reporting ESG, yang berguna untuk memahami bagaimana otomatisasi dapat mengurangi langkah manual dan dispersi informasi tanpa mengubah setiap aktivitas menjadi proyek IT yang rumit.

Solusi-solusi Baru untuk AI yang Lebih Hijau

Hal yang menggembirakan adalah bahwa industri ini tidak diam saja. AI sedang menciptakan masalahnya, tetapi juga mendorong inovasi yang berusaha mengurangi biaya energinya. Namun perlu jujur diakui: tidak ada solusi tunggal.

Perangkat keras dan infrastruktur

Salah satu arah yang menjanjikan adalah yang berfokus pada interkoneksi dan efisiensi infrastruktur. Ketika sistem komputasi menunggu data, daya yang terpasang digunakan secara tidak efisien. Inilah salah satu alasan mengapa perangkat keras generasi baru tidak boleh hanya dilihat dari sisi performa, tetapi juga dari sisi efisiensi.

Dalam perdebatan teknologi beredar berbagai proposal yang berfokus pada koneksi fotonik, transmisi data yang lebih baik, dan disipasi yang lebih rendah. Poin praktisnya, bagi mereka yang membeli layanan cloud dan bukan chip, adalah lain: memilih stack yang melakukan lebih banyak pekerjaan berguna dengan lebih sedikit waktu tunggu, lebih sedikit trafik, dan lebih sedikit overhead.

Logika ini juga berlaku di luar AI secara khusus. Mereka yang ingin berpikir lebih umum tentang model produksi yang lebih rendah tingkat pemborosannya dapat menemukan ide-ide berguna dalam praktik ekonomi berkelanjutan ini, terutama untuk menghubungkan efisiensi digital dengan pengurangan pemborosan material dalam proses.

Perangkat lunak dan arsitektur yang lebih ramping

Di sisi perangkat lunak, pengungkit yang paling menarik seringkali kurang mencolok namun lebih cepat memberikan hasil:

• Model yang lebih kecil ketika tugasnya sudah terdefinisi dengan jelas.
• Routing cerdas antar model berbeda berdasarkan jenis permintaan.
• Inferensi yang dioptimalkan untuk mengurangi panggilan yang tidak perlu, latensi, dan transfer data.
• Alur kerja tradisional untuk aktivitas yang sebenarnya tidak memerlukan LLM.

Ini, menurut pengalaman saya, adalah pilihan dengan dampak paling besar. Perubahan paling efektif bukanlah memperkenalkan teknologi futuristik, melainkan berhenti menggunakan model paling kuat untuk segala hal. Klasifikasi, pemformatan, ekstraksi pola yang sudah dikenal, dan banyak operasi pendukung tidak selalu memerlukan model frontier. Yang dibutuhkan adalah disiplin arsitektural.

Jika hasil bagi pengguna tetap setara, menggunakan lebih sedikit komputasi bukanlah sebuah kompromi. Itu adalah desain yang lebih baik.

Karena itu saya sering berbicara tentang “model yang tepat untuk tugas yang tepat”. Dalam praktiknya, ini berarti menciptakan sebuah layer routing yang menetapkan setiap operasi ke tingkat daya yang diperlukan. Ini adalah pilihan biaya, tetapi juga pilihan keberlanjutan.

Bagi yang ingin mendalami hubungan antara solusi teknis dan dampak lingkungan juga dapat membaca Electe tentang AI dan lingkungan, yang mengumpulkan berbagai kasus dan arah pengembangan tanpa menyajikannya sebagai solusi ajaib.

Paradoks Efisiensi dan Tanggung Jawab dalam Memilih

Keberatan yang paling penting sekaligus paling tidak nyaman adalah: membuat AI lebih efisien tidak secara otomatis menjamin pengurangan konsumsi secara keseluruhan. Bahkan, terkadang yang terjadi justru sebaliknya.

Mengapa efisiensi saja tidak cukup

Ketika komputasi menjadi lebih murah, lebih mudah diakses, dan lebih cepat, perusahaan cenderung menggunakannya lebih banyak. Lebih banyak otomatisasi, lebih banyak permintaan, lebih banyak integrasi, lebih banyak proses yang dibuat “karena toh biayanya murah”. Inilah inti dari paradoks efisiensi.

Karena itu, keberlanjutan kecerdasan buatan tidak bisa hanya menjadi soal chip yang lebih baik atau model yang lebih ringkas. Ini harus menjadi kriteria prioritas. Beberapa pertanyaan sebaiknya diajukan sebelum setiap implementasi:

• Apakah tugas ini benar-benar membutuhkan AI generatif?
• Apakah dibutuhkan model besar, atau model ringan sudah cukup?
• Apakah otomatisasi ini menghilangkan biaya nyata, atau hanya menambah kompleksitas yang tampak elegan?
• Apakah output-nya akan benar-benar digunakan, atau hanya akan menambah kebisingan digital?

Salah satu kesenjangan yang paling nyata dalam perdebatan di Italia adalah justru ini: kurangnya metrik yang terstandardisasi dan pendekatan holistik untuk mengukur jejak AI di sepanjang siklus hidupnya, sebuah tema yang ditekankan dalam perspektif sistemik ini tentang keberlanjutan kecerdasan buatan.

Jadi, masalahnya bukan menghambat inovasi. Masalahnya adalah berhenti menganggap komputasi sebagai sumber daya gratis dan tak terbatas. Setiap organisasi seharusnya memperlakukannya seperti anggaran atau waktu orang: sesuatu yang harus dialokasikan di tempat yang benar-benar menghasilkan nilai.

Panduan Praktis untuk UKM: 4 Langkah Menuju AI yang Berkelanjutan

Bagi UKM, berbicara tentang keberlanjutan tanpa rencana operasional tidak banyak gunanya. Lebih baik memulai dari empat keputusan yang bisa diambil segera, bahkan tanpa pengukuran jejak lingkungan yang sempurna.

Sebuah sumber dari Italia mencatat bahwa banyak diskusi tentang keberlanjutan AI mengabaikan trade-off biaya-manfaat, padahal data center sudah mengonsumsi sekitar 3% dari energi global. Pertanyaan yang sering diremehkan adalah: kapan lebih baik menggunakan model yang lebih kecil atau proses tradisional untuk menghindari peningkatan konsumsi dan biaya yang tidak berkelanjutan? Poin ini dirangkum dengan baik dalam artikel ini tentang trade-off lingkungan AI.

Empat keputusan yang benar-benar penting

1. Pilih model yang sesuai dengan masalahnya
   Ini adalah tuas dengan rasio terbaik antara kesederhanaan dan dampak. Jangan gunakan model paling kuat sebagai default. Gunakan hanya di tempat yang benar-benar membuat perbedaan nyata. Untuk banyak aktivitas sehari-hari, model yang lebih ringan atau sistem non-generatif sudah cukup.
2. Evaluasi penyedia cloud juga dari segi profil energi
   Jangan hanya melihat harga, latensi, dan kepatuhan. Lihat juga transparansi soal data center, bauran energi regional, dan pendekatan terhadap efisiensi operasional. Geografi berpengaruh. Sebuah workload tidak memiliki jejak yang sama di setiap wilayah.
3. Pangkas redundansi dalam alur kerja
   Jika data yang sama diekspor, disalin ulang, diformat ulang, dan dikirim ulang berkali-kali, Anda sudah memboroskan sumber daya bahkan sebelum berbicara soal AI. Platform seperti Electe, sebuah AI-powered data analytics platform for SMEs, dapat digunakan untuk mensentralisasi data, mengotomatiskan laporan, dan mengurangi analisis yang duplikat. Keuntungannya, dalam konteks ini, bukan “melakukan lebih banyak AI”. Melainkan melakukan lebih sedikit pekerjaan yang sia-sia.
4. Ukur, meskipun tidak sempurna
   Tidak semua perusahaan memiliki alat untuk mengukur kWh atau CO₂ per inferensi tunggal. Tidak apa-apa. Mulailah dari metrik operasional yang sudah ada di tangan Anda.

Apa yang perlu dipantau meskipun tanpa metrik yang sempurna

Dengan tidak adanya standar industri yang benar-benar mapan, saya akan mulai dari tabel sederhana:

Mengukur dengan tidak sempurna tetapi konsisten lebih baik daripada tidak mengukur sama sekali.

Jika setelah tiga bulan Anda melihat bahwa jumlah panggilan per tugas menurun, model besar diaktifkan lebih jarang, dan transfer data lebih terkendali, Anda memang belum memiliki carbon accounting yang sempurna. Namun Anda memiliki sesuatu yang sangat berguna: sebuah disiplin efisiensi yang mengurangi pemborosan komputasi, biaya, dan kemungkinan besar juga dampak lingkungan.

Kesimpulan: Menerangi Masa Depan dengan AI yang Bertanggung Jawab

Keberlanjutan kecerdasan buatan tidak bisa diselesaikan dengan slogan. Juga tidak dengan penolakan ideologis terhadap AI. Keberlanjutan dibangun dengan keputusan teknis dan manajerial yang lebih baik.

Siapa pun yang menggunakan AI saat ini harus memegang dua kebenaran sekaligus. Pertama: biaya lingkungannya nyata, terus meningkat, dan tidak boleh diremehkan. Kedua: AI dapat menghasilkan manfaat nyata ketika mengurangi pemborosan, meningkatkan efisiensi penggunaan energi, dan menggantikan proses yang berulang serta tidak teratur dengan sistem yang lebih cerdas. Kualitas pilihan terletak pada keseimbangan antara kedua sisi ini.

Bagi perusahaan-perusahaan Eropa, ada pula tingkat tanggung jawab kedua. Tidak cukup hanya patuh terhadap regulasi. Perlu dipahami bagaimana teknologi, infrastruktur, tata kelola, dan kekayaan intelektual saling terkait. Mengenai poin terakhir ini, bagi yang ingin mendalami kerangka hukum yang menyertai adopsi AI, saya sarankan panduan tentang paten kecerdasan buatan ini, yang berguna untuk memahami keberlanjutan teknologi juga sebagai pilihan strategis jangka panjang.

Arah yang tepat bukanlah menggunakan AI lebih sedikit secara mutlak. Melainkan menggunakan AI yang tepat, di tempat yang tepat, dengan tingkat daya yang tepat.

Jika Anda ingin mengadopsi AI dengan cara yang lebih efisien dan lebih sadar, Anda bisa melihat cara kerja Electe. Platform ini membantu UKM untuk memusatkan data, mengotomatiskan laporan, dan mengurangi pekerjaan analitis yang berlebihan, dengan pendekatan pragmatis terhadap pemilihan model dan efisiensi operasional.