AI Ternyata Punya Gardu Listrik

Sebuah perintah kepada kecerdasan artifisial terasa hampir tanpa bobot. Kalimat diketik, tombol ditekan, dan jawaban muncul beberapa detik kemudian. Tidak ada asap, suara mesin, atau kabel tegangan tinggi di layar. Karena pengalaman itu, AI mudah dibayangkan sebagai sesuatu yang hidup di ruang abstrak bernama cloud.

Namun cloud bukan awan. Ia adalah bangunan.

Perjalanan satu prompt dimulai dari telepon atau komputer pengguna. Perintah melewati jaringan operator dan rangkaian router menuju pusat data yang menjalankan layanan AI. Di dalamnya terdapat rak-rak server berisi prosesor, memori, penyimpanan, serta perangkat jaringan. Model membaca input, melakukan banyak operasi matematis, lalu mengirimkan hasil kembali melalui jaringan.

Untuk model generatif, beban komputasi tidak berhenti pada masa pelatihan. Memang, melatih model besar membutuhkan banyak chip dan listrik dalam periode panjang. Namun setiap penggunaan setelah model diluncurkan—disebut inferensi—juga memakai sumber daya. Satu pertanyaan sederhana mungkin membutuhkan energi relatif kecil, tetapi jutaan pengguna dapat mengirim perintah secara bersamaan. Permintaan video, penalaran panjang, dan sistem yang menjalankan banyak langkah sendiri membutuhkan komputasi jauh lebih besar daripada jawaban teks singkat.

Laporan International Energy Agency mengenai energi dan AI memperkirakan pusat data di seluruh dunia menggunakan sekitar 415 terawatt jam listrik pada 2024, sekitar 1,5 persen konsumsi listrik global. Dalam skenario dasarnya, penggunaan tersebut dapat lebih dari dua kali lipat menjadi sekitar 945 terawatt jam pada 2030. Pusat data bukan satu-satunya sumber pertumbuhan permintaan listrik, tetapi AI mempercepat pemasangan server berperforma tinggi dan meningkatkan kepadatan daya di dalam bangunan.

Kepadatan adalah kata penting. Pusat data konvensional menyebarkan konsumsi listrik pada banyak rak. Server AI menggunakan akselerator yang dapat menarik daya jauh lebih besar dalam ruang yang sama. Akibatnya, persoalan tidak hanya terletak pada berapa banyak energi yang dipakai selama setahun. Jaringan harus mampu menyediakan daya besar pada lokasi tertentu, setiap saat, dengan gangguan sangat kecil.

Di sinilah AI bertemu gardu listrik. Sebuah pusat data membutuhkan sambungan tegangan tinggi, gardu, transformator, perangkat pengatur daya, generator atau sistem cadangan, serta jalur transmisi dan distribusi yang memadai. Pusat data dapat dibangun lebih cepat daripada pembangkit dan jaringan baru. Jika banyak proyek terkonsentrasi di satu kawasan, permintaan sambungan dapat melampaui kapasitas lokal meskipun sistem kelistrikan nasional secara agregat terlihat memiliki pasokan cukup.

Listrik yang masuk pun tidak seluruhnya mencapai chip. Server menghasilkan panas yang harus dibuang agar tetap bekerja aman. Energi tambahan digunakan untuk pendinginan, pompa, kipas, penyimpanan, penerangan, dan konversi daya. Operator mengukur efisiensi fasilitas melalui perbandingan total energi bangunan dengan energi peralatan komputasi. Semakin dekat nilainya ke satu, semakin kecil beban tambahan. Namun pusat data yang efisien tetap dapat meningkatkan konsumsi total bila ukurannya terus membesar.

Efisiensi per tugas juga tidak menjamin permintaan turun. Chip dan perangkat lunak memang berkembang cepat sehingga satu keluaran dapat dihasilkan dengan energi lebih sedikit. Akan tetapi, biaya yang turun mendorong penggunaan lebih banyak dan membuka aplikasi yang sebelumnya terlalu mahal. Video generatif, AI dalam pencarian, agen yang bekerja melalui banyak tahapan, serta layanan yang selalu aktif dapat mengimbangi bahkan melampaui penghematan per perintah.

Lalu ada air. Banyak pusat data memakai sistem pendinginan evaporatif atau air dalam rangkaian pelepasan panas. Jumlahnya dipengaruhi iklim, desain, beban server, sumber listrik, dan teknologi pendinginan. Air juga digunakan di luar lokasi untuk menghasilkan listrik pada jenis pembangkit tertentu serta dalam produksi semikonduktor. Karena itu, jejak air satu layanan AI tidak dapat diringkas menjadi satu angka universal per prompt.

Lokasi menentukan dampaknya. Penggunaan air mungkin relatif mudah dikelola di wilayah dengan pasokan berlimpah dan tata kelola kuat, tetapi menjadi persoalan di kawasan yang mengalami musim kering, kompetisi dengan rumah tangga, industri, atau pertanian, serta kehilangan air tinggi. Penggunaan air bersih dan penggunaan air daur ulang juga tidak memiliki konsekuensi yang sama. Tanpa pelaporan lokal, klaim efisiensi global dapat menyembunyikan tekanan pada satu daerah aliran sungai.

Indonesia perlu membaca ekspansi AI melalui kondisi sistem energinya sendiri. Data Kementerian ESDM menunjukkan batu bara masih memegang peran besar dalam pembangkitan listrik nasional. Artinya, pusat data yang ditempatkan di Indonesia belum otomatis menghasilkan komputasi rendah karbon. Perusahaan dapat membeli sertifikat atau mengumumkan target energi terbarukan, tetapi dampak sistem tetap bergantung pada tambahan pembangkit apa yang benar-benar memasok kebutuhan baru, kapan pembangkit itu tersedia, dan apakah jaringan mampu menyalurkannya.

Pertanyaan tentang energi terbarukan juga tidak selesai dengan kontrak tahunan. Pusat data beroperasi sepanjang waktu, sedangkan tenaga surya dan angin berubah menurut cuaca serta jam. Klaim menggunakan energi bersih harus menjelaskan kecocokan waktu, lokasi, penyimpanan, dan sumber cadangan. Bila permintaan malam hari akhirnya dipenuhi pembangkit fosil yang sudah ada, pencocokan sertifikat tahunan tidak menggambarkan seluruh konsekuensi operasional.

Bukan berarti Indonesia harus menolak pusat data. Infrastruktur tersebut dapat mendukung layanan digital, keamanan data, investasi, riset, dan pengembangan AI dalam negeri. Kedekatan komputasi juga dapat mengurangi keterlambatan serta membantu kebutuhan yang menuntut pemrosesan lokal. Namun keuntungan ekonomi harus dibandingkan dengan listrik, air, lahan, insentif, dan jaringan yang disediakan.

Jumlah investasi yang diumumkan bukan ukuran yang cukup. Pemerintah perlu mengetahui berapa banyak tenaga kerja permanen yang tercipta setelah konstruksi selesai, keahlian apa yang dialihkan, seberapa besar belanja kepada pemasok lokal, dan layanan bernilai tinggi apa yang berkembang di sekitarnya. Pusat data bersifat padat modal. Sebuah fasilitas dapat membawa investasi besar tanpa menghasilkan pekerjaan langsung sebanyak industri manufaktur dengan nilai proyek serupa.

Perizinan karena itu membutuhkan sekurangnya enam pengujian. Pertama, kapasitas jaringan dan biaya penguatannya harus dibuka. Kedua, sumber tambahan listrik perlu ditunjukkan, bukan hanya bauran rata-rata. Ketiga, konsumsi air, sumbernya, serta dampak musimannya harus dinilai pada tingkat daerah. Keempat, operator perlu melaporkan efisiensi energi dan air dengan metode yang dapat dibandingkan. Kelima, fasilitas harus mampu menyesuaikan sebagian beban atau menyediakan dukungan ketika sistem listrik tertekan. Keenam, manfaat ekonomi lokal harus diukur setelah insentif dan biaya infrastruktur diperhitungkan.

Transparansi dari penyedia AI juga masih terbatas. Pengguna jarang mengetahui model mana yang paling hemat untuk suatu tugas, berapa banyak komputasi yang digunakan, atau bagaimana pusat datanya ditenagai. Perusahaan sering mengumumkan target keberlanjutan pada tingkat korporasi, sementara data per layanan dan per wilayah tidak tersedia. Tanpa ukuran yang konsisten, pemerintah, peneliti, dan konsumen sulit membedakan peningkatan efisiensi nyata dari pemasaran.

AI memang dapat membantu sektor energi. Model dapat memperkirakan permintaan, mendeteksi kerusakan, mengoptimalkan jaringan, dan membantu integrasi energi terbarukan. IEA melihat peluang AI menurunkan biaya pada industri intensif energi bila diterapkan dengan baik. Namun potensi penghematan itu tidak menghapus energi yang digunakan AI sendiri. Kedua sisi harus dihitung bersamaan.

Satu prompt mungkin tidak menyalakan pembangkit baru. Miliaran prompt, pusat data baru, dan aplikasi berkomputasi tinggi dapat mengubah pola permintaan sebuah sistem listrik. Itulah sebabnya kebijakan AI tidak cukup membahas talenta, etika, investasi, dan aturan data. Ia juga harus hadir dalam perencanaan pembangkit, transmisi, air, tata ruang, dan iklim.

Kecerdasan artifisial terlihat ringan karena hasilnya sampai sebagai teks dan gambar. Infrastruktur yang menopangnya sama sekali tidak ringan. Di belakang jawaban yang muncul dalam beberapa detik terdapat beton, tembaga, chip, pipa, air, gardu, dan pembangkit. Masa depan AI Indonesia pada akhirnya tidak hanya ditentukan oleh model apa yang dapat kita jalankan, tetapi juga oleh cara kita memilih untuk memberinya tenaga.