Dampak AI terhadap Lingkungan, dari Konsumsi Energi hingga Krisis Air

Dampak AI terhadap lingkungan kini menjadi salah satu isu paling krusial yang luput dari layar ponsel pintar kita, saat menikmati keajaiban ChatGPT, Midjourney, atau Google Gemini.

KEMAMPUAN teknologi kecerdasan buatan atau AI (Artificial Intelligence) membuat tulisan, karya sastra, musik, gambar dan video, menulis kode pemrograman, merancang molekul obat baru dan banyak lagi, sangatlah membantu. Namun, semua itu tidak gratis. Terdapat infrastruktur raksasa yang bekerja tanpa henti di baliknya.

Setiap perintah (prompt) yang kita ketikkan memicu gelombang kalkulasi rumit di dalam ribuan prosesor mutakhir yang tersimpan di ruang-ruang server steril. Infrastruktur global ini menuntut pasokan energi yang luar biasa besar, hingga memicu krisis energi gaya baru di berbagai belahan dunia.

Laporan dari International Energy Agency (IEA) dalam proyeksi listrik globalnya mengungkapkan fakta mengejutkan: konsumsi listrik data center secara global diperkirakan akan melampaui 1.000 terawatt-hour (TWh) pada tahun 2026.

Angka ini setara dengan konsumsi listrik seluruh negara Jepang. Lonjakan eksponensial ini sebagian besar didorong oleh adopsi massal teknologi kecerdasan buatan generatif (generative AI), yang membutuhkan daya komputasi hingga sepuluh kali lipat lebih besar dibandingkan dengan sistem pencarian internet tradisional.

Untuk memahami mengapa fenomena ini terjadi, kita harus membedah apa yang sebenarnya terjadi di balik dinding-dinding beton pusat data modern. Seberapa besar dampak kecerdasan buatan ini untuk kehidupan manusia di masa depan?

Mengapa Generative AI Membutuhkan Energi Raksasa?

Akar masalah dari tingginya konsumsi listrik data center untuk kecerdasan buatan terletak pada arsitektur fundamental dari model bahasa besar (Large Language Models atau LLM). Berbeda dengan pemrosesan data konvensional yang hanya mencocokkan kata kunci, generative AI melakukan miliaran operasi matematika secara simultan demi memprediksi kata atau piksel berikutnya.

Perbedaan Beban Kerja: Pencarian Google vs Prompt AI

Saat Anda melakukan pencarian di Google, server hanya mencari indeks halaman web yang sudah ada. Namun, saat Anda meminta AI generatif untuk membuat analisis, server harus menghidupkan miliaran parameter jaringan saraf tiruan secara bersamaan.

Sebuah studi dari University of Washington mengestimasi bahwa satu interaksi dengan ChatGPT membutuhkan energi sekitar 10 hingga 30 kali lipat lebih banyak daripada satu pencarian Google standar.

Jika seluruh pencarian Google beralih menggunakan model AI generatif penuh tanpa optimalisasi efisiensi, industri ini membutuhkan tambahan energi yang setara dengan konsumsi listrik negara Irlandia dalam setahun.

Fase Training dan Inference yang Haus Daya

Konsumsi energi AI terbagi menjadi dua tahapan utama, yang keduanya sama-sama rakus listrik:

• Fase Pelatihan (Training): Proses mendidik model AI dengan miliaran data teks, gambar, atau video. Fase ini memakan waktu berminggu-minggu hingga berbulan-bulan, menggunakan ribuan kartu grafis (GPU) performa tinggi yang berjalan 100% tanpa henti.
• Fase Inferensi (Inference): Proses saat model AI merespons permintaan pengguna setelah diluncurkan secara komersial. Meski energi per prompt terhitung kecil, akumulasi dari jutaan pengguna aktif harian di seluruh dunia membuat total konsumsi energinya melonjak drastis mengalahkan fase pelatihan dalam jangka panjang.

Anatomi Hardware: GPU Modern dan Sistem Pendingin

Pusat data konvensional umumnya mengandalkan Central Processing Unit (CPU) untuk menangani tugas sehari-hari. Namun, tuntutan komputasi kecerdasan buatan memaksa industri berpindah ke Graphics Processing Unit (GPU) atau Tensor Processing Unit (TPU) berspesifikasi tinggi. Pergeseran perangkat keras inilah yang mengubah lanskap penggunaan energi global secara radikal.

Kelaparan Energi di Level Chip

Akselerator AI mutakhir seperti Nvidia H100 atau varian B200 Blackwell dirancang khusus untuk memproses data dalam volume masif dengan kecepatan tinggi. Satu unit GPU Nvidia H100 dapat mengonsumsi daya hingga 700 watt dalam kondisi puncak—lebih besar daripada konsumsi listrik rata-rata satu rumah tangga di beberapa negara berkembang. Ketika puluhan ribu GPU ini digabungkan ke dalam satu klaster server, pasokan listrik lokal langsung mengalami tekanan hebat.

Paradoks Pendinginan: Membuang Panas dengan Energi Baru

Ketika chip bekerja melampaui batas, mereka menghasilkan panas ekstrem. Untuk mencegah kerusakan perangkat keras, pusat data harus menjaga suhu ruangan tetap dingin. Di sinilah letak ironinya: sistem pendingin udara (chiller) dan pompa air besar di pusat data membutuhkan energi listrik yang hampir setara dengan energi yang digunakan untuk menjalankan komputer itu sendiri.