Kecerdasan buatan dapat membantu perusahaan menghemat energi, mengurangi pemborosan, dan mengurangi ketergantungan pada proses manual dalam pelaporan ESG. Namun, para pengembang produk AI juga menyadari sisi lain dari cerita ini: setiap model berjalan di atas infrastruktur yang boros energi, setiap panggilan API memiliki biaya komputasi, dan permintaan akan daya komputasi tidak menunjukkan tanda-tanda melambat.
Oleh karena itu, keberlanjutan kecerdasan buatan tidak boleh diperlakukan baik sebagai slogan maupun sebagai kesalahan yang harus ditebus. Hal ini harus dikelola sebagai masalah operasional. Di Italia, perdebatan kini telah terstruktur di sekitar dua gagasan yang jelas: “sustainability of AI ” dan “AI for sustainability”. Yang pertama berkaitan dengan jejak lingkungan AI itu sendiri. Yang kedua berkaitan dengan penggunaan AI untuk meningkatkan proses, konsumsi, dan tata kelola lingkungan. Dalam konteks yang sama, komponen pelaporan ESG yang didukung oleh AI dilaporkan “hampir tiga kali lipat dalam setahun terakhir” menurut analisis ini mengenai keberlanjutan kecerdasan buatan dan tata kelola ESG.
Sebagai pendiri perusahaan AI, saya merasa baik sikap panik yang berlebihan maupun optimisme teknologi yang pasif sama-sama tidak produktif. Intinya bukanlah memutuskan apakah AI itu “baik” atau “buruk” bagi lingkungan. Intinya adalah memahami di mana AI menghabiskan sumber daya, kapan AI menciptakan nilai nyata, dan pilihan konkret apa saja yang dapat mengurangi dampaknya tanpa mengorbankan manfaatnya.
Pembahasan mengenai keberlanjutan dalam kecerdasan buatan kini telah menjadi lebih matang. Akhirnya. Bukan karena masalahnya telah teratasi, melainkan karena masalah tersebut tidak lagi bisa disederhanakan menjadi sekadar ungkapan klise.
Di satu sisi, AI membantu perusahaan dan fasilitas industri memanfaatkan energi dengan lebih baik, mengurangi pemborosan, serta menyusun pelaporan ESG secara lebih terstruktur. Di sisi lain, sistem-sistem tersebut sendiri membutuhkan daya komputasi, pusat data, sistem pendingin, jaringan, dan komponen perangkat keras yang memiliki dampak lingkungan yang nyata. Jika hanya melihat salah satu dari kedua sisi tersebut, keputusan yang diambil akan keliru.
Dua kategori yang paling sering saya gunakan adalah kategori yang kini juga sudah umum digunakan di Italia:
Perbedaannya bukan sekadar teori. Hal ini memaksa Anda untuk mengajukan dua pertanyaan yang berbeda. Yang pertama adalah: seberapa besar beban yang ditimbulkan oleh stack AI saya? Yang kedua adalah: apakah beban tersebut menghasilkan manfaat lingkungan atau operasional yang cukup nyata untuk membenarkannya?
Pertanyaan yang tepat bukanlah “menggunakan atau tidak menggunakan AI”. Pertanyaan yang tepat adalah “apakah tugas ini benar-benar membutuhkan daya komputasi sebesar ini?”.
Kesalahan yang paling sering saya temui bukanlah kesalahan teknis. Melainkan kesalahan dalam pengambilan keputusan. Banyak perusahaan menerapkan AI seolah-olah seluruh kapasitas yang tersedia harus selalu dimanfaatkan. Pada praktiknya, mereka memilih model terbesar, alur kerja paling rumit, dan otomatisasi paling luas, padahal masalahnya sebenarnya jauh lebih sederhana.
Sebenarnya, strategi yang berkelanjutan berawal dari prinsip yang tidak terlalu mencolok: proporsionalitas. Jika suatu tugas dapat diselesaikan dengan baik menggunakan lebih sedikit perhitungan, lebih sedikit transfer data, dan lebih sedikit kerumitan, hal itu bukanlah suatu pengorbanan. Itu adalah pilihan yang lebih baik.
Bagian paling bermanfaat dari diskusi ini dimulai ketika kita berhenti berbicara secara abstrak. Dampak lingkungan dari AI bukanlah sekadar pendapat. Ini adalah isu infrastruktur dengan data yang sudah cukup jelas sehingga menuntut kehati-hatian.
Sebuah sumber dari Italia yang mengutip data internasional melaporkan bahwa sebuah studi tahun 2019 dari Universitas Massachusetts memperkirakan bahwa pelatihan satu model AI dapat menghasilkan lebih dari 284 ton CO₂, setara dengan emisi lima mobil sepanjang 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 Amerika rata-rata, dan juga mengutip proyeksi dari Goldman Sachs Research yang menyatakan bahwa permintaan listrik pusat data dapat meningkat sebesar 160%, dengan kenaikan sekitar 200 TWh per tahun antara tahun 2023 dan 2030, sementara pada tahun 2028 konsumsi energi terkait AI diperkirakan mencapai 19% dari total kebutuhan energi pusat data. Semua data ini tercantum dalam analisis Italia mengenai biaya lingkungan AI.
Intinya bukanlah menggunakan angka-angka ini untuk menebar ketakutan melalui media. Intinya adalah memahami skalanya. Jika Anda mengembangkan atau mengadopsi AI, Anda turut berkontribusi pada peningkatan permintaan energi yang berdampak pada seluruh infrastruktur, bukan hanya anggaran cloud Anda.
Aturan praktis: saat mengevaluasi sebuah proyek AI, jangan hanya melihat biaya per token atau per panggilan API. Masalah sebenarnya sering kali terletak pada tahap awal, yaitu pada infrastruktur yang memungkinkan panggilan tersebut dilakukan.
Banyak orang beranggapan bahwa dampak lingkungan dari AI hampir sepenuhnya terkait dengan proses pelatihan. Ini adalah penyederhanaan yang mudah, namun keliru. Konsumsi energi tersebar di berbagai tingkatan:
| Komponen | Mengapa hal ini penting |
|---|---|
| Pelatihan | Membutuhkan kapasitas komputasi yang sangat besar dan terkonsentrasi |
| Inferensi | Setiap permintaan pengguna menimbulkan pekerjaan yang berulang dari waktu ke waktu |
| Pusat data | Pasokan daya, redundansi, dan pengelolaan infrastruktur secara berkelanjutan |
| Pendinginan | Panas yang dihasilkan oleh sistem tersebut harus dibuang secara efisien |
| Jaringan dan transfer data | Memindahkan data antar sistem, wilayah, dan layanan memerlukan konsumsi energi |
Hal ini mengubah cara kita menangani keberlanjutan dalam kecerdasan buatan. Tidak cukup hanya bertanya, “Berapa banyak daya yang dikonsumsi model tersebut?”. Anda juga harus mempertanyakan di mana model tersebut dijalankan, seberapa besar lalu lintas yang dihasilkannya, seberapa sering model tersebut diakses, dan apakah arsitekturnya dirancang untuk meminimalkan pemborosan.
Oleh karena itu, masuk akal untuk juga mengamati kasus-kasus di mana AI digunakan untuk meningkatkan infrastrukturnya sendiri. Contoh yang bermanfaat adalahoptimalisasi energi pusat data dengan AI, yang dengan jelas menunjukkan satu hal sederhana: masalahnya bukan hanya pada modelnya, melainkan pada seluruh lingkungan teknis yang mendukungnya.
Jika kita hanya berfokus pada biaya, kita akan kehilangan setengah dari gambaran besarnya. AI juga dapat menjadi pendorong yang signifikan untuk meningkatkan keberlanjutan perusahaan. Bukan sekadar retorika, melainkan melalui proses-proses yang sangat konkret.
Dalam konteks Italia, ketika diterapkan pada sistem manajemen energi, kecerdasan buatan (AI) dapat mengurangi konsumsi energi operasional di fasilitas industri dan usaha kecil menengah (UKM) dengan memprediksi puncak permintaan dan mengatur beban seperti sistem HVAC dan pencahayaan secara real-time. Hal ini berdampak langsung pada emisi Scope 2 dan membantu mengoptimalkan pemanfaatan sumber energi terbarukan yang bersifat intermiten, sebagaimana dijelaskan dalam ulasan mendalam mengenai sistem manajemen energi dengan AI ini.
Inilah jenis aplikasi yang menurut saya dapat dibenarkan bahkan dari sudut pandang lingkungan. Bukan karena aplikasi ini gratis, melainkan karena aplikasi ini memanfaatkan perhitungan untuk menghilangkan pemborosan fisik yang terus-menerus. Di sebuah fasilitas dengan permintaan yang bervariasi, pengaturan ventilasi, pendinginan, atau pencahayaan secara real-time bisa lebih berharga daripada seribu slide tentang transisi hijau.
Tiga bidang di mana AI cenderung sangat berguna adalah sebagai berikut:
Bagi sebuah UKM, manfaatnya seringkali tidak berasal dari model yang spektakuler. Manfaat tersebut justru berasal dari sistem yang mencegah pekerjaan ganda. Ekspor data secara manual, banyak lembar kerja Excel, lampiran yang dikirim berulang kali, serta rekonsiliasi yang dilakukan oleh orang yang berbeda terhadap data yang sama. Semua hal ini menghabiskan waktu, sumber daya, bandwidth, dan perhatian.
Sebuah proses yang diulang lima kali oleh orang yang berbeda-beda juga tidak efisien dari segi lingkungan, bukan hanya dari segi organisasi.
Ketika AI memusatkan data, mengotomatiskan langkah-langkah yang berulang, dan membuat analisis dapat digunakan kembali, nilai tambahnya tidak terletak pada satu kesimpulan saja. Nilai tambahnya terletak pada penghilangan redundansi.
Bagi mereka yang bekerja di bidang pelaporan, salah satu contoh yang relevan dengan masalah ini adalah ELECTE untuk pelaporan ESG, yang berguna untuk memahami bagaimana otomatisasi dapat mengurangi langkah-langkah manual dan penyebaran informasi yang tidak teratur tanpa mengubah setiap aktivitas menjadi proyek TI yang rumit.
Hal yang menggembirakan adalah bahwa industri ini tidak stagnan. AI memang menimbulkan masalah, tetapi juga mendorong inovasi-inovasi yang bertujuan mengurangi konsumsi energinya. Namun, kita harus jujur: tidak ada solusi tunggal.
Salah satu arah yang menjanjikan adalah yang berfokus pada interkoneksi dan efisiensi infrastruktur. Ketika sistem komputasi menunggu data, daya yang terpasang tidak dimanfaatkan secara optimal. Inilah salah satu alasan mengapa perangkat keras generasi baru tidak hanya harus dinilai dari segi kinerja, tetapi juga dari segi efisiensi.
Dalam perdebatan seputar teknologi, beredar berbagai usulan yang berfokus pada koneksi fotonik, transmisi data yang lebih baik, dan pengurangan disipasi. Bagi mereka yang membeli layanan cloud—bukan chip—intinya justru berbeda: memilih tumpukan teknologi yang dapat menghasilkan lebih banyak pekerjaan bermanfaat dengan waktu tunggu lebih singkat, lalu lintas data lebih sedikit, dan beban tambahan yang lebih rendah.
Logika ini juga berlaku di luar bidang kecerdasan buatan (AI) dalam arti sempit. Bagi mereka yang ingin memikirkan secara lebih umum mengenai model produksi yang lebih hemat sumber daya, praktik-praktik ekonomi berkelanjutan ini dapat menjadi sumber inspirasi yang berguna, terutama untuk mengaitkan efisiensi digital dengan pengurangan limbah material dalam proses produksi.
Dari sisi perangkat lunak, fitur-fitur yang paling menarik seringkali kurang glamor namun lebih langsung:
Berdasarkan pengalaman saya, inilah pilihan yang paling berdampak. Perubahan yang paling efektif bukanlah dengan memperkenalkan teknologi masa depan, melainkan berhenti menggunakan model paling canggih untuk segala hal. Klasifikasi, pemformatan, ekstraksi pola yang sudah dikenal, dan banyak operasi pendukung lainnya tidak selalu memerlukan model terdepan. Yang dibutuhkan adalah disiplin arsitektural.
Jika hasilnya tetap sama bagi pengguna, mengurangi beban komputasi bukanlah suatu kompromi. Itu adalah desain yang lebih baik.
Itulah sebabnya saya sering berbicara tentang “model yang tepat untuk tugas yang tepat”. Pada dasarnya, ini berarti membuat lapisan perutean yang mengalokasikan setiap operasi ke tingkat daya yang diperlukan. Ini merupakan pertimbangan biaya, tetapi juga keberlanjutan.
Bagi yang ingin mempelajari lebih lanjut mengenai hubungan antara solusi teknis dan dampak lingkungan, dapat juga membaca artikel ELECTE tentang AI dan lingkungan, yang mengumpulkan berbagai studi kasus dan arah pengembangan tanpa menyajikannya sebagai solusi ajaib.
Keberatan yang paling penting sekaligus yang paling tidak menyenangkan adalah: meningkatkan efisiensi AI tidak secara otomatis menjamin penurunan konsumsi energi secara keseluruhan. Justru, terkadang yang terjadi justru sebaliknya.
Ketika komputasi menjadi lebih murah, lebih terjangkau, dan lebih cepat, perusahaan cenderung menggunakannya lebih sering. Semakin banyak otomatisasi, semakin banyak permintaan, semakin banyak integrasi, dan semakin banyak proses yang dihasilkan “karena biayanya memang murah”. Inilah inti dari paradoks efisiensi.
Oleh karena itu, keberlanjutan dalam kecerdasan buatan tidak boleh hanya sekadar soal chip yang lebih baik atau model yang lebih ringkas. Hal ini harus menjadi kriteria prioritas. Ada beberapa pertanyaan yang perlu diajukan sebelum setiap implementasi:
Salah satu kelemahan yang paling mencolok dalam perdebatan di Italia adalah hal ini: kurangnya metrik yang terstandarisasi dan pendekatan holistik untuk mengukur jejak AI sepanjang siklus hidupnya, sebuah isu yang ditekankan dalam perspektif sistemik mengenai keberlanjutan kecerdasan buatan ini.
Masalahnya, oleh karena itu, bukanlah menghambat inovasi. Melainkan berhenti menganggap komputasi sebagai sumber daya yang gratis dan tak terbatas. Setiap organisasi seharusnya memperlakukannya seperti halnya memperlakukan anggaran atau waktu karyawan: sesuatu yang harus dialokasikan ke tempat yang benar-benar menghasilkan nilai.
Bagi sebuah UMKM, membicarakan keberlanjutan tanpa rencana operasional tidak akan banyak berguna. Sebaiknya dimulai dengan empat keputusan yang dapat diambil segera, bahkan tanpa pengukuran jejak lingkungan yang sempurna.
Sebuah sumber dari Italia mencatat bahwa banyak pembahasan mengenai keberlanjutan AI mengabaikan pertimbangan biaya-manfaat, padahal pusat data sudah mengonsumsi sekitar 3% dari total energi global. Pertanyaan yang sering terabaikan adalah: kapan lebih baik menggunakan model yang lebih kecil atau proses tradisional untuk menghindari peningkatan konsumsi energi dan biaya yang tidak berkelanjutan? Hal ini dirangkum dengan baik dalam artikel ini mengenai pertimbangan lingkungan dalam AI.
Pilihlah model yang sesuai dengan masalahnya
Inilah pendekatan yang menawarkan keseimbangan terbaik antara kesederhanaan dan dampak. Jangan gunakan model yang paling kuat sebagai pengaturan default. Gunakanlah hanya jika hal itu benar-benar membuat perbedaan. Untuk banyak aktivitas sehari-hari, model yang lebih ringan atau sistem non-generatif sudah cukup.
Pertimbangkan juga profil energi dari penyedia layanan cloud tersebut
Jangan hanya memperhatikan harga, latensi, dan kepatuhan. Perhatikan juga transparansi terkait pusat data, komposisi sumber energi regional, dan pendekatan terhadap efisiensi operasional. Lokasi geografis itu penting. Beban kerja tidak memiliki jejak karbon yang sama di setiap wilayah.
Kurangi redundansi dalam alur kerja
Jika data yang sama diekspor, disalin ulang, diformat ulang, dan dikirim ulang berkali-kali, Anda sedang membuang-buang sumber daya bahkan sebelum membicarakan soal AI. Platform seperti ELECTE, sebuah platform analitik data berbasis AI untuk UMKM, dapat digunakan untuk memusatkan data, mengotomatiskan laporan, dan mengurangi analisis yang berulang. Keuntungannya, dalam konteks ini, bukanlah “melakukan lebih banyak AI”. Melainkan mengurangi pekerjaan yang tidak perlu.
Meskipun tidak sempurna, tetaplah mengukur
Tidak semua perusahaan memiliki alat untuk mengukur kWh atau CO₂ per proses. Tidak apa-apa. Mulailah dengan metrik operasional yang sudah tersedia.
Karena belum ada standar industri yang benar-benar mapan, saya akan memulainya dengan tabel sederhana:
| Metrik operasional | Apa yang dikatakannya kepadamu |
|---|---|
| Panggilan API untuk tugas yang telah diselesaikan | Jika kamu harus bekerja terlalu keras untuk mendapatkan hasil |
| Ukuran rata-rata model per operasi | Jika kamu menetapkan ukuran tugas yang terlalu besar |
| Volume data yang ditransfer per sesi | Jika alur kerja Anda menghasilkan lalu lintas yang sebenarnya bisa dihindari |
| Analisis yang telah dihasilkan tetapi tidak digunakan | Jika Anda mengotomatiskan hasil yang tidak dibaca oleh siapa pun |
Pengukuran yang kurang akurat namun konsisten lebih baik daripada tidak melakukan pengukuran sama sekali.
Jika setelah tiga bulan Anda melihat bahwa jumlah panggilan per tugas menurun, model-model besar lebih jarang diaktifkan, dan transfer data menjadi lebih sedikit, berarti sistem perhitungan karbon Anda belum sempurna. Namun, Anda sudah memiliki sesuatu yang sangat berguna: suatu praktik efisiensi yang mengurangi pemborosan komputasi, biaya, dan kemungkinan besar juga dampak lingkungan.
Keberlanjutan kecerdasan buatan tidak dapat diselesaikan hanya dengan sebuah slogan. Begitu pula dengan penolakan ideologis terhadap AI. Keberlanjutan tersebut dibangun melalui keputusan teknis dan manajerial yang lebih baik.
Siapa pun yang menggunakan AI saat ini harus mempertimbangkan dua kenyataan. Yang pertama: dampak lingkungan memang ada, terus meningkat, dan tidak boleh diremehkan. Yang kedua: AI dapat memberikan manfaat nyata ketika mengurangi pemborosan, meningkatkan efisiensi penggunaan energi, serta menggantikan proses-proses yang berulang dan tidak teratur dengan sistem yang lebih cerdas. Kualitas keputusan terletak pada keseimbangan antara kedua aspek tersebut.
Bagi perusahaan-perusahaan Eropa, terdapat pula tingkat tanggung jawab kedua. Tidak cukup hanya dengan mematuhi peraturan. Penting untuk memahami bagaimana teknologi, infrastruktur, tata kelola, dan kekayaan intelektual saling terkait. Mengenai poin terakhir ini, bagi yang ingin mendalami kerangka hukum yang menyertai penerapan AI, saya merekomendasikan panduan tentang paten kecerdasan buatan ini, yang berguna untuk memandang keberlanjutan teknologi juga sebagai pilihan strategis jangka panjang.
Langkah yang tepat bukanlah mengurangi penggunaan AI secara mutlak. Melainkan menggunakan AI yang tepat, di tempat yang tepat, dengan tingkat kemampuan yang tepat.
Jika Anda ingin menerapkan AI secara lebih efisien dan lebih terarah, Anda dapat melihat cara kerja ELECTE. Platform ini membantu UMKM untuk mengonsolidasikan data, mengotomatiskan pelaporan, dan mengurangi pekerjaan analitis yang berulang, dengan pendekatan pragmatis dalam pemilihan model dan efisiensi operasional.
.svg)
.svg)
.svg)
