Apa itu Dampak Lingkungan AI?

Diperbarui Juli 2026

Dampak lingkungan AI adalah energi, air, emisi karbon, dan limbah elektronik yang dihasilkan dari pelatihan serta pengoperasian model AI, terutama melalui pusat data, chip, dan sistem pendingin di baliknya. Hal ini mencakup seluruh siklus hidup AI, mulai dari pembuatan perangkat keras hingga inferensi sehari-hari, dan pertumbuhannya lebih cepat daripada yang diperhitungkan dalam sebagian besar rencana keberlanjutan perusahaan.

Bagi para pemimpin bisnis, pertanyaan "apa yang dilakukan AI terhadap lingkungan" bukan lagi sekadar wacana akademis. Pertanyaan ini muncul dalam kuesioner ESG vendor, dalam uji tuntas pengadaan (procurement due diligence), dan dalam laporan keberlanjutan yang kini harus dijelaskan perusahaan kepada dewan direksi dan regulator. Angka milik Google dan Microsoft di bawah ini menunjukkan alasannya: emisi kedua perusahaan tersebut melonjak dua digit dalam satu tahun, hampir seluruhnya karena pertumbuhan infrastruktur AI. Jika perusahaan Anda membeli, membangun, atau menjual kembali perangkat AI, ini adalah pos yang pada akhirnya harus Anda perhitungkan, bukan sekadar statistik yang menarik.

Empat Pilar Jejak Lingkungan AI

Dampak lingkungan AI bukanlah satu hal tunggal. Ini adalah empat masalah sumber daya yang berbeda, yang kebetulan disebabkan oleh infrastruktur yang sama.

Keempat pilar ini tidak selalu bergerak beriringan. Pusat data yang menggunakan listrik bersih tetap bisa membebani pasokan air setempat. Fasilitas dengan pendinginan yang efisien tetap bisa bergantung pada jaringan listrik yang padat karbon. Memperlakukan "dampak lingkungan AI" sebagai satu angka tunggal menyembunyikan sumber daya spesifik mana yang sebenarnya sedang tertekan di lokasi tertentu, dan perbedaan ini lebih penting daripada persentase headline mana pun.

Pelatihan vs. Inferensi: Dari Mana Sebenarnya Jejak Ini Berasal

Sebagian besar liputan tentang dampak lingkungan AI berfokus pada pelatihan, peristiwa satu kali yang mencolok saat sebuah lab menghabiskan waktu berminggu-minggu menjalankan ribuan GPU untuk membangun model baru. Hal itu memang nyata, tetapi bukan lagi tempat sebagian besar jejak ini berada.

Implikasi praktisnya: model yang terlihat efisien dalam benchmark pelatihan tetap bisa memiliki jejak lingkungan yang besar setelah diterapkan dalam skala besar, karena inferensi terjadi terus-menerus sepanjang masa pakai suatu produk. Fitur chatbot yang dilatih sekali dan melayani jutaan pengguna selama bertahun-tahun menyebabkan kerusakan lingkungan kumulatif yang lebih besar melalui inferensi dibandingkan melalui proses pelatihan yang menciptakannya. Ini adalah pergeseran yang sama yang perlu dipahami para pemimpin bisnis ketika menganggarkan biaya infrastruktur AI: tagihan yang berkelanjutan, baik dalam dolar maupun sumber daya, berasal dari inferensi, bukan pelatihan.

Angka Sebenarnya: Seberapa Besar Jejak AI Saat Ini

Skalanya paling mudah dipahami melalui perbandingan langsung, bukan melalui angka mentah terawatt-jam.

Penggunaan listrik pusat data global diproyeksikan hampir dua kali lipat, dari sekitar 415 terawatt-jam pada 2024 menjadi sekitar 945 terawatt-jam pada 2030, mendekati 3% dari total konsumsi listrik global. Dengan pertumbuhan saat ini, pusat data global sudah menggunakan sekitar 448 terawatt-jam listrik dalam satu tahun terakhir, lebih besar daripada konsumsi listrik semua negara di dunia kecuali sekitar 10 negara. Penggunaan listrik tersebut menghasilkan sekitar 189 juta ton karbon dioksida, kurang lebih setara dengan seluruh jejak nasional Argentina, dan mengonsumsi sekitar 4,5 triliun liter air untuk pendinginan.

ChatGPT secara khusus diperkirakan menggunakan sekitar 383 gigawatt-jam listrik per tahun, dengan jejak air yang setara dengan kebutuhan air rumah tangga tahunan sekitar 500.000 orang di Afrika Sub-Sahara. Jenis tugas sangat berpengaruh di sini: satu query chat biasa diperkirakan sekitar 200 kali lebih intensif energi dibandingkan tugas klasifikasi teks dasar, membuat satu gambar AI dapat menggunakan energi hingga 1.450 kali dari angka dasar tersebut, dan memproduksi video AI singkat dapat mengonsumsi energi setara sekitar 200.000 tugas klasifikasi dasar. Variasi inilah yang membuat "AI" sebagai kategori sulit dipatok dengan satu angka: obrolan dukungan pelanggan yang singkat dan sekumpulan iklan video hasil AI sama sekali bukan peristiwa lingkungan yang setara.

Pembuangan perangkat keras adalah bagian yang paling jarang dibahas dari keempat pilar ini. Para peneliti yang mempublikasikan hasil kerjanya di Nature Computational Science memperkirakan perangkat keras AI generatif dapat menghasilkan antara 1,2 juta hingga 5 juta ton metrik limbah elektronik per tahun pada 2030, didorong oleh pusat data yang mengganti GPU lebih cepat dibandingkan perangkat keras IT enterprise pada umumnya. Pendekatan ekonomi sirkular, memperbarui komponen dan memperpanjang masa pakai perangkat keras, dapat memangkas volume tersebut sekitar 16 hingga 86%, tetapi hanya jika operator pusat data benar-benar menerapkannya dalam skala besar.

Apa yang Sedang Dilakukan untuk Mengatasinya

Tidak ada satu pun dari hal ini yang statis. Peningkatan efisiensi dan investasi energi bersih sama-sama bergerak cepat, meskipun total permintaan tumbuh lebih cepat lagi.

• Efisiensi chip dan model. Generasi GPU yang lebih baru menghasilkan komputasi per watt yang lebih tinggi dibandingkan pendahulunya, dan teknik seperti quantization serta kompresi model mengurangi jumlah komputasi yang benar-benar dibutuhkan suatu tugas. Small language models dan inference optimization mengejar tujuan yang sama dari sudut yang berbeda: menghasilkan output yang sebanding dengan komputasi yang jauh lebih sedikit.
• Teknologi pendinginan. Pendinginan cair langsung ke chip dan sistem loop tertutup yang mendaur ulang air alih-alih mengonsumsinya, menggantikan desain evaporatif yang lebih lama, sehingga mengurangi penggunaan air per unit komputasi meskipun kepadatan daya rak terus meningkat.
• Pengadaan energi bersih. Perusahaan hyperscaler menandatangani perjanjian energi terbarukan berskala besar untuk mengimbangi permintaan pusat data. Google menandatangani perjanjian untuk lebih dari 12 gigawatt energi bersih baru hanya pada 2025 saja, dan Microsoft memperluas portofolio energi terbarukannya menjadi 40 gigawatt, naik dari 34 gigawatt pada tahun sebelumnya. Belum ada yang sepenuhnya mengimbangi pertumbuhan emisi yang didorong AI, tetapi keduanya bergerak ke arah tersebut.
• Komitmen water-positive dan net-zero. Beberapa penyedia besar telah berjanji untuk mengembalikan air lebih banyak daripada yang dikonsumsi pusat data mereka dan untuk mencapai status net-zero atau carbon-negative pada 2030, meskipun laporan kedua perusahaan tersebut mengakui bahwa pembangunan infrastruktur AI saat ini melampaui target tersebut.
• Strategi perangkat keras sirkular. Memperbarui GPU dan memperpanjang masa pakai server alih-alih menggantinya pada siklus tetap adalah pengungkit paling langsung untuk mengatasi masalah limbah elektronik, dan ini masih menjadi strategi yang paling belum matang di antara strategi-strategi di atas.

Mengapa Ini Penting bagi Para Pemimpin Bisnis dan Pelaporan ESG

Jika perusahaan Anda melaporkan metrik ESG, menggunakan vendor AI dalam skala apa pun, atau menjawab kuesioner pengadaan dari pelanggan yang melakukannya, jejak lingkungan AI bukan lagi masalah yang bisa diserahkan kepada pihak lain untuk dipantau.

• Emisi vendor semakin menjadi emisi Scope 3 Anda. Jika emisi infrastruktur AI dari sebuah pemasok meningkat seperti yang terjadi pada Google dan Microsoft, dan Anda mengandalkan vendor tersebut untuk perangkat AI, pertumbuhan itu bisa muncul dalam pelaporan emisi rantai pasokan Anda sendiri, tergantung bagaimana kerangka ESG Anda mencakupnya.
• Klaim "vendor AI kami netral karbon" layak diteliti secara cermat. Tanyakan secara spesifik apakah klaim tersebut mencakup Scope 1 dan 2 (operasi langsung vendor) atau meluas ke Scope 3 (segala sesuatu di hulu dan hilir, termasuk pembuatan chip dan perangkat keras di akhir masa pakainya). Sebagian besar komitmen publik masih belum mencakup seluruh siklus hidup secara penuh.
• Volume inferensi adalah variabel yang dapat dikendalikan. Karena inferensi mendorong sebagian besar penggunaan energi AI yang berkelanjutan, keputusan produk seperti tingkatan model mana yang menjadi default, seberapa agresif Anda melakukan caching query berulang, dan apakah suatu tugas memerlukan pemrosesan real-time atau batch, secara langsung memengaruhi jejak AI Anda, bukan hanya tagihan AI Anda.
• Persyaratan pengungkapan regulasi terus meluas. Semakin banyak yurisdiksi menambahkan persyaratan pengungkapan energi dan emisi yang menyentuh operator pusat data dan, semakin lama semakin, pengguna AI besar. Memperlakukan ini sebagai isu kepatuhan sekarang lebih murah daripada menyesuaikan pelaporan di kemudian hari.

Pandangan yang Berimbang

Sangat mudah untuk membaca angka-angka di atas dan menyimpulkan bahwa AI adalah dampak negatif lingkungan yang tidak terbantahkan. Kesimpulan itu tidak sepenuhnya benar, tetapi juga tidak sepenuhnya salah.

Jejak ini nyata, terus bertambah, dan saat ini melampaui laju pembangunan energi bersih yang dimaksudkan untuk mengimbanginya, bagian itu tidak terbantahkan. Pada saat yang sama, AI juga diterapkan untuk pemodelan iklim, optimisasi jaringan listrik, penemuan material untuk baterai dan sel surya yang lebih baik, serta pekerjaan efisiensi industri yang memiliki manfaat lingkungannya sendiri. Tidak ada satu sisi yang meniadakan sisi lainnya. Posisi yang jujur bagi seorang pemimpin bisnis adalah bahwa biaya lingkungan AI merupakan pengeluaran yang nyata, terukur, dan saat ini terus bertambah, satu hal yang layak mendapatkan pengawasan yang sama seperti bagian bisnis lain yang intensif sumber daya, alih-alih kepanikan moral atau pembenaran bebas karena "AI juga membantu iklim." Kedua klaim tersebut bisa sama-sama benar pada bagian yang berbeda dari teknologi yang sama, pada waktu yang sama.

Fakta Penting

• Konsumsi listrik pusat data global diproyeksikan hampir dua kali lipat menjadi 945 terawatt-jam pada 2030, sekitar 3% dari total penggunaan listrik global, naik dari sekitar 415 terawatt-jam pada 2024. IEA
• Pusat data global diproyeksikan menghasilkan sekitar 399 juta ton karbon dioksida dari penggunaan listrik pada 2030 dan mengonsumsi sekitar 9,3 triliun liter air, setara dengan kebutuhan air rumah tangga tahunan dasar bagi 1,3 miliar orang di Afrika Sub-Sahara. United Nations University, UNU-INWEH
• ChatGPT saja diperkirakan menggunakan sekitar 383 gigawatt-jam listrik per tahun untuk sekitar 2,5 miliar prompt harian, dengan jejak air yang setara dengan kebutuhan tahunan sekitar 500.000 orang di Afrika Sub-Sahara; satu gambar hasil AI dapat menggunakan energi hingga 1.450 kali lipat dari tugas klasifikasi teks dasar. United Nations University, UNU-INWEH
• Melatih model berskala GPT-3 mengonsumsi sekitar 1.287 megawatt-jam listrik dan menghasilkan sekitar 552 ton karbon dioksida; mendinginkan sebuah pusat data membutuhkan sekitar 2 liter air untuk setiap kilowatt-jam energi yang digunakannya. MIT News
• Perangkat keras AI generatif berpotensi menghasilkan antara 1,2 juta hingga 5 juta ton metrik limbah elektronik per tahun pada 2030, meskipun strategi ekonomi sirkular seperti pembaruan dan penggunaan kembali dapat memangkas volume tersebut sebesar 16 hingga 86%. Nature Computational Science
• Jejak karbon operasional Google pada 2025 meningkat 18% dibandingkan tahun sebelumnya dan kini 81% lebih tinggi dari baseline 2019, sebuah lonjakan yang menurut perusahaan sebagian besar disebabkan oleh pertumbuhan pusat data AI yang melampaui laju dekarbonisasi jaringan listrik. Google 2026 Environmental Report
• Emisi Microsoft pada tahun fiskal 2025 meningkat 25% dibandingkan tahun sebelumnya menjadi sekitar 20 juta ton metrik setara karbon dioksida, naik dari 16 juta ton pada tahun sebelumnya, terutama didorong oleh konstruksi pusat data AI baru. Microsoft

Konsep AI Terkait

• Apa itu Pusat Data AI? - Fasilitas fisik di balik sebagian besar jejak energi, air, dan karbon AI
• Apa itu Infrastruktur AI? - Seluruh stack, dari komputasi hingga observability, yang menghasilkan jejak lingkungan ini
• Apa itu Inferensi AI? - Beban kerja produksi yang berkelanjutan, bertanggung jawab atas 80 hingga 90% total penggunaan energi AI
• Inference Optimization - Teknik yang memangkas energi dan biaya pengoperasian model AI dalam produksi
• Quantization - Teknik utama untuk memperkecil ukuran model dan komputasi yang dibutuhkan untuk menjalankannya
• Small Language Models - Alternatif dengan komputasi lebih rendah dibandingkan model frontier untuk banyak kasus penggunaan produksi
• AI Total Cost of Ownership - Bagaimana biaya infrastruktur dan inferensi, baik finansial maupun lingkungan, bertambah seiring waktu
• Model Serving - Lapisan deployment tempat inferensi, dan sebagian besar jejak berkelanjutan AI, sebenarnya terjadi
• Foundation Models - Model pra-latih berskala besar yang menjadi sumber sebagian besar biaya lingkungan terkait pelatihan
• AI Governance - Kerangka pengawasan yang semakin diharapkan untuk mencakup klaim lingkungan dan ESG

Sumber Eksternal

• IEA: Energy and AI, Executive Summary - Proyeksi permintaan listrik pusat data global hingga 2030
• MIT News: Explained, Generative AI's Environmental Impact - Biaya energi, air, dan karbon dari pelatihan dan pengoperasian AI generatif
• United Nations University, UNU-INWEH: Environmental Cost of AI's Energy Use - Proyeksi jejak karbon, air, dan lahan untuk pusat data global hingga 2030
• Nature Computational Science: E-waste Challenges of Generative Artificial Intelligence - Proyeksi limbah elektronik dari perangkat keras AI generatif hingga 2030
• Google 2026 Environmental Report - Emisi operasional Google, pengisian kembali air, dan komitmen energi bersih
• Microsoft: Responsibly Building the AI Future - Emisi tahun fiskal 2025 dan kemajuan keberlanjutan Microsoft

Bagian dari Koleksi Istilah AI. Terakhir diperbarui: 2026-07-20