Apakah AI Benar-benar Boros Energi? Ini Data Terbarunya (2026)

tl;dr: AI memang butuh energi dan air. Tapi bilang setiap prompt AI “boros energi” atau AI penyebab besar pemanasan global itu terlalu menyederhanakan. Data terbaru justru menunjukkan sesuatu yang lebih menarik: energi per tugas AI makin efisien, sementara total konsumsi listrik terus melonjak karena penggunaan AI, model reasoning, image/video generation, dan AI agent tumbuh sangat cepat. Masalahnya bukan satu prompt — tapi skala.

Jawaban singkat: AI tidak bisa disebut “boros” cuma berdasarkan satu prompt. Energi per AI task justru semakin efisien, tapi total konsumsi energi tetap meningkat karena jumlah penggunaan, kompleksitas workload, dan pertumbuhan AI agent naik sangat cepat.

AI boros energi atau tidak? Jawabannya tidak sesederhana yang terlihat

Tiap kali ngomongin dampak lingkungan AI, biasanya muncul dua kubu.

Kubu pertama bilang AI teknologi yang sangat boros energi. Mereka nunjuk kebutuhan GPU, pembangunan data center baru, pembangkit listrik tambahan, emisi karbon, sampai penggunaan air buat mendinginkan server.

Kubu kedua bilang teknologi AI makin efisien. Model jadi lebih kecil, hardware makin cepat, inference butuh energi makin sedikit, dan AI bahkan bisa dipakai buat mengoptimalkan konsumsi energi di industri, transportasi, bangunan, serta jaringan listrik.

Keduanya punya bagian yang benar. Masalahnya muncul ketika angka dari satu konteks dipakai buat menggambarkan seluruh ekosistem AI.

AI bukan sebuah mesin yang secara langsung “menghabiskan energi”. Yang pakai listrik adalah hardware dan infrastruktur yang menjalankan model AI: GPU atau accelerator, CPU, RAM, storage, networking, sistem power distribution, dan cooling di data center.

Karena itu pertanyaan yang lebih tepat bukan “Apakah AI boros energi?”, melainkan “Berapa banyak energi yang dibutuhkan buat menjalankan AI, gimana kebutuhan itu berubah ketika penggunaan meningkat, dan apa dampaknya terhadap listrik, air, serta emisi?”

Data terbaru: konsumsi listrik data center memang sedang melonjak

Data terbaru dari International Energy Agency (IEA) menunjukkan konsumsi listrik data center global meningkat 17% pada 2025. Yang lebih mencolok, konsumsi listrik data center yang berfokus pada AI tumbuh jauh lebih cepat. Pertumbuhannya melampaui pertumbuhan konsumsi listrik global secara keseluruhan yang cuma sekitar 3%.

IEA memperkirakan konsumsi listrik data center global naik hampir dua kali lipat, dari sekitar 485 TWh pada 2025 menjadi sekitar 950 TWh pada 2030. Dengan angka itu, data center secara keseluruhan bakal menyumbang sekitar 3% konsumsi listrik global pada 2030. Konsumsi listrik data center yang berfokus pada AI diproyeksikan tumbuh sekitar tiga kali lipat dalam periode yang sama.

Angka itu cukup besar buat jadi perhatian. Tapi ada satu kesalahan yang sering terjadi dalam pemberitaan: Data center ≠ AI.

Data center menjalankan banyak hal selain AI — cloud computing, storage, website, aplikasi perusahaan, streaming, database, networking, dan berbagai workload digital lainnya. Karena itu, bilang “AI menggunakan 3% listrik dunia” itu tidak tepat. Angka sekitar 3% itu proyeksi buat seluruh konsumsi listrik data center, bukan konsumsi AI aja.

Kenapa AI butuh begitu banyak listrik?

Model AI modern terutama dijalankan pakai accelerator seperti GPU atau TPU. Hardware itu melakukan operasi komputasi dalam jumlah sangat besar. Makin kompleks workload-nya, makin besar pula kebutuhan komputasinya.

Secara sederhana: model → inference → accelerator bekerja → listrik digunakan → panas dihasilkan → panas harus dibuang.

Dan pada data center skala besar, bukan cuma chip yang pakai listrik. Ada juga CPU, RAM, storage, networking, power supply, UPS, cooling, pompa, dan sistem distribusi listrik. Karena itu menghitung konsumsi listrik AI cuma berdasarkan konsumsi GPU bisa menghasilkan angka yang terlalu rendah.

Google sendiri, ketika mengukur footprint inference Gemini, memasukkan CPU, RAM, mesin yang lagi idle, cooling, power distribution, serta overhead data center dalam metodologinya. Energi yang dipakai AI bukan cuma energi yang dipakai GPU ketika menghasilkan jawaban.

Tapi ada kabar baik: energi per tugas AI justru makin kecil

Di sinilah narasi “AI makin boros” mulai jadi lebih rumit. IEA mencatat konsumsi energi per AI task menurun dengan sangat cepat — bahkan menyebut efisiensi energi per AI task membaik dengan laju yang belum pernah terjadi dalam sejarah energi, turun setidaknya satu orde besaran (order of magnitude) tiap tahun belakangan ini.

Google kasih contoh konkret dari sisi penyedia model. Dalam pengukuran mereka terhadap median text prompt di Gemini Apps pada Mei 2025, Google memperkirakan energi 0,24 Wh, emisi 0,03 gram CO₂e, dan konsumsi air 0,26 mL per prompt — kira-kira setara nonton TV kurang dari sembilan detik. Google juga melaporkan bahwa dalam 12 bulan sebelumnya, estimasi energi buat median prompt itu turun sekitar 33× (dan total carbon footprint turun 44×) menurut metodologi mereka.

Tapi angka itu harus dibaca hati-hati. Itu pengukuran Google terhadap Gemini Apps text prompt, bukan angka universal buat semua AI. Image generation, video generation, reasoning, AI coding, dan AI agent bisa punya kebutuhan komputasi yang sangat berbeda.

Jadi kenapa total konsumsi energi tetap naik?

Inilah paradoks terbesar dalam diskusi energi AI. Bayangkan sebuah model butuh 100 unit energi, lalu 10 unit, lalu 1 unit per tugas karena hardware dan software makin efisien. Harusnya konsumsi energi turun.

Tapi kalau jumlah pengguna meningkat dari 1 juta jadi 100 juta atau 1 miliar pengguna, dan jenis tugas yang dilakukan jadi jauh lebih berat, total energi bisa tetap meningkat. Inilah yang sedang terjadi dalam skala industri.

IEA menemukan bahwa meskipun energi per AI task turun cepat, jumlah penggunaan AI meningkat dan workload yang lebih intensif energi — termasuk AI agent — ikut berkembang. Dengan kata lain: AI jadi lebih hemat per tugas, tapi manusia pakai AI jauh lebih banyak.

Dari chatbot ke AI agent: workload AI mulai berubah

Chatbot sederhana mungkin melakukan: pertanyaan → satu inference → jawaban.

AI agent bisa melakukan: tujuan → reasoning → mencari informasi → membuka website → memanggil API → membaca dokumen → melakukan kalkulasi → menjalankan kode → mengevaluasi hasil → inference lagi → menghasilkan output. Satu pekerjaan bisa menghasilkan banyak proses komputasi.

Kalau kamu belum familiar bedanya AI biasa yang sekali jawab dengan AI yang bisa mengambil tindakan bertahap, kami sudah bahas konsep ini terpisah di agentic AI: pengertian, cara kerja, dan bedanya dengan AI biasa. Intinya, membandingkan energi AI agent dengan satu pertanyaan sederhana ke chatbot bisa menghasilkan kesimpulan yang menyesatkan.

Apakah AI agent lebih boros energi daripada chatbot?

Per satu proses, ya — AI agent biasanya melakukan lebih banyak inference dan tool call daripada chatbot yang cuma sekali jawab. Tapi “lebih boros” itu bukan perbandingan yang adil.

Satu AI agent bisa menyelesaikan pekerjaan yang tadinya butuh puluhan langkah manual atau beberapa jam kerja orang. Jadi ukuran yang tepat bukan energi per prompt, tapi energi buat menyelesaikan satu pekerjaan utuh.

Pertanyaan yang lebih relevan bukan “berapa energi per prompt?”, tapi “berapa energi yang diperlukan buat menyelesaikan satu pekerjaan AI?” Perbedaannya sangat besar.

Gimana dengan air? Bukankah AI juga butuh air buat mendinginkan server?

Ya, ini isu nyata. Server AI menghasilkan panas dalam jumlah besar, dan data center butuh sistem cooling buat menjaga temperatur hardware.

Salah satu metode yang bisa dipakai adalah evaporative cooling, di mana air dipakai dalam proses pembuangan panas dan sebagian air bisa menguap.

Tapi tidak semua data center pakai teknologi cooling yang sama. Ada sistem yang pakai air cooling, chilled water, evaporative cooling, direct liquid cooling, closed-loop liquid cooling, atau kombinasi berbagai teknologi. Akibatnya, tidak ada satu angka universal soal berapa banyak air yang “dihabiskan AI”.

Tidak ada angka universal “satu prompt = sekian liter air”

Penelitian Lawrence Berkeley National Laboratory pada 2025 menemukan variasi penggunaan air antar-workload data center bisa mencapai lebih dari 10.000 kali lipat. Perbedaan itu dipengaruhi antara lain oleh efisiensi server, konsumsi air dari sumber listrik, utilisasi server, teknologi cooling, efisiensi infrastruktur, zona iklim, server yang tidak aktif, dan siklus penggantian server.

Artinya, lokasi dan desain data center bisa sama pentingnya dengan model AI yang dijalankan. Klaim “satu prompt ChatGPT butuh X liter air” tidak bisa diperlakukan sebagai konstanta ilmiah — angkanya bisa berubah tergantung apa yang dihitung, model apa yang dipakai, hardware apa yang menjalankannya, data center ada di mana, sistem cooling-nya kayak apa, dan apakah konsumsi air buat pembangkitan listrik ikut dihitung.

Contoh konkret: Google memperkirakan 0,26 mL air per median Gemini text prompt

Google pada 2025 mempublikasikan metodologi buat mengukur footprint inference Gemini. Dalam pengukuran itu, median text prompt Gemini Apps diperkirakan mengonsumsi 0,26 mL air, atau kira-kira lima tetes air.

Tapi angka ini bukan “AI selalu butuh 0,26 mL air”. Itu estimasi berdasarkan metodologi dan kondisi tertentu.

Google menjelaskan angka itu pakai konsumsi energi prompt dan rata-rata water usage effectiveness armada data center Google pada 2024. Perbedaan kalimatnya kecil, tapi perbedaan maknanya besar.

Ada dua jenis water footprint yang perlu dibedakan

Persoalan air AI bahkan lebih kompleks karena air bisa masuk lewat dua jalur.

1. Air yang dipakai langsung oleh data center. Ini termasuk air dalam sistem cooling. Sebagian bisa dikembalikan, sebagian lain bisa hilang lewat evaporasi.
2. Air yang dipakai buat menghasilkan listrik. Data center butuh listrik, dan pembangkit listrik tertentu juga butuh air buat proses operasional dan cooling.

Karena itu, studi yang menghitung water footprint AI secara menyeluruh bisa menghasilkan angka berbeda dibanding studi yang cuma menghitung air yang dipakai di dalam data center.

Masalah air AI bukan terutama masalah global, tapi bisa jadi masalah lokal

Secara global, konsumsi air sebuah data center mungkin kelihatan kecil dibanding total penggunaan air dunia. Tapi data center tidak dibangun “secara global” — ia dibangun di lokasi tertentu.

Bayangkan sebuah data center besar dibangun di wilayah yang mengalami kekeringan, punya cadangan air terbatas, mengalami water stress, butuh air buat pertanian, atau punya persaingan tinggi antara kebutuhan industri dan rumah tangga. Dalam kondisi itu, konsumsi air data center bisa jadi persoalan sosial dan lingkungan yang jauh lebih signifikan dibanding angka globalnya.

Pertanyaan yang lebih penting bukan cuma “berapa liter air yang dipakai AI?”, tapi “di mana air itu dipakai dan apakah wilayah itu mampu menyediakan air tambahan tanpa mengorbankan kebutuhan lain?”

Kenapa lokasi data center memengaruhi jejak lingkungan AI?

Karena air dan listrik itu sumber daya lokal, bukan global. Data center yang dibangun di wilayah kering menekan cadangan air setempat jauh lebih berat dibanding data center di wilayah berair melimpah.

Hal yang sama berlaku buat listrik. Data center yang menyala dari grid berbasis batu bara punya jejak karbon jauh lebih besar dibanding yang menyala dari grid berbasis energi terbarukan, walaupun modelnya sama persis.

Gimana dengan pemanasan global?

AI bisa menambah emisi secara tidak langsung lewat listrik yang dipakai data center. Tapi listrik sendiri tidak otomatis menghasilkan CO₂ — dampaknya bergantung pada gimana listrik itu diproduksi.

IEA memperkirakan seluruh data center saat ini menghasilkan sekitar 180 juta ton CO₂ emisi tidak langsung dari konsumsi listriknya. Angka itu mencakup seluruh workload data center, bukan AI aja, dan setara dengan sekitar 0,5% emisi CO₂ global dari pembakaran bahan bakar.

Jadi bilang “AI adalah salah satu penyebab utama pemanasan global” itu terlalu besar kalau didasarkan cuma pada footprint data center. Tapi bilang “AI tidak punya dampak terhadap iklim” juga jelas salah.

Kenapa isu ini tetap serius kalau porsinya relatif kecil?

Karena yang perlu diperhatikan bukan cuma ukuran sekarang, tapi arah pertumbuhannya. IEA memperkirakan emisi tidak langsung data center bisa meningkat hampir 80% sepanjang dekade ini dalam Base Case.

Data center juga termasuk kelompok sektor yang emisinya diproyeksikan meningkat hingga 2030 — beda dengan banyak sektor lain yang lagi berusaha menurunkan emisi. Masalahnya bukan data center adalah penyumbang emisi terbesar dunia. Masalahnya, data center adalah salah satu sumber permintaan listrik yang tumbuh cepat ketika dunia juga lagi berusaha melakukan dekarbonisasi sistem energi.

Bahkan lokasi data center bisa menentukan dampaknya

IEA mencatat data center adalah beban listrik yang besar, terkonsentrasi, dan berkembang cepat. Pembangunan data center bisa memicu kebutuhan investasi baru pada pembangkit listrik, jaringan transmisi, transformator, sistem distribusi, storage, dan infrastruktur energi lainnya. Dalam kondisi jaringan listrik yang lambat berkembang, operator data center bahkan mulai mempertimbangkan pembangkit gas secara onsite.

Ini menunjukkan pertanyaan lingkungan AI bukan sekadar “berapa listrik yang dipakai GPU?”, tapi “dari mana listrik itu berasal?” Batu bara, gas alam, nuklir, hidro, angin, dan surya punya intensitas karbon yang sangat berbeda per kWh — jadi data center yang sama bisa punya jejak emisi yang jauh berbeda cuma karena bauran sumber listriknya berubah.

Bagaimana dengan Indonesia?

Buat pembaca di Indonesia, pertanyaan soal jejak lingkungan AI jadi lebih konkret ketika dikaitkan dengan kondisi listrik dalam negeri.

Sebagian besar listrik di Indonesia masih dipasok lewat grid yang dikelola PLN, dan bauran energinya sampai sekarang masih didominasi bahan bakar fosil. Per semester I 2025, Menteri ESDM Bahlil Lahadalia melaporkan porsi Energi Baru Terbarukan (EBT) baru mencapai 16,32% — masih di bawah target nasional 19% pada tahun yang sama (PP 40/2025) — sementara batu bara menyumbang 38,23%, minyak bumi 29,05%, dan gas bumi 16,39% dari bauran energi nasional.

Angka ini sebenarnya bagian dari tren naik. Kapasitas pembangkit EBT nasional tercatat sekitar 13.155 MW pada 2023, naik konsisten dari 9.427 MW di 2017. Bauran EBT bergerak dari kisaran 12–13% pada 2020–2023 ke arah 17–18% memasuki 2026.

Ke depan, arahnya lebih jelas lagi. RUPTL PLN 2025–2034 menargetkan 69,5 GW pembangkit baru, dengan 76% berasal dari EBT dan sistem penyimpanan energi (61% EBT murni — surya, air, angin, panas bumi — ditambah 15% baterai dan pumped storage). Sisanya, 24%, masih dari pembangkit fosil (gas dan batu bara). Ini sejalan dengan komitmen Indonesia mencapai Net Zero Emission pada 2060.

Tapi transisi ini butuh waktu, dan sampai grid nasional benar-benar hijau, jejak emisi dari satu unit listrik yang dipakai data center di Indonesia masih lebih tinggi dibanding negara yang gridnya sudah didominasi energi terbarukan.

Ini bukan soal AI-nya lebih boros di Indonesia. Ini soal dari mana listriknya berasal. Selama bauran listrik nasional masih bersandar pada fosil, tiap tambahan permintaan listrik — termasuk dari data center dan AI — membawa jejak karbon yang lebih tinggi dibanding grid yang sudah banyak energi terbarukan.

Ada satu peluang yang sering kelewat dalam diskusi ini: mayoritas pelanggan PLN adalah rumah tangga (sekitar 92% dari total pelanggan, menurut kajian G-Tech berbasis data PLN dan BPS), sehingga elektrifikasi berbasis PLTS atap skala rumah tangga punya potensi besar buat mempercepat bauran EBT dari sisi permintaan, bukan cuma dari sisi pembangkit skala besar.

Karena itu, perkembangan data center di Indonesia tidak bisa dilepaskan dari arah transisi energi nasional: percepatan energi terbarukan, pemilihan lokasi data center yang mempertimbangkan ketersediaan air dan listrik, serta efisiensi cara AI itu dipakai. Kabar baiknya, faktor terakhir — seberapa efisien AI dipakai — justru yang paling bisa kamu kendalikan sekarang, tanpa menunggu grid berubah.

AI tidak selalu jadi beban bagi sistem energi

AI juga bisa dipakai buat bikin sistem energi lebih efisien. Contohnya optimasi pembangkit, prediksi permintaan listrik, renewable energy forecasting, manajemen gedung, dan optimasi transportasi.

IEA memperkirakan aplikasi AI yang sudah tersedia pada sektor energi-intensif bisa menghasilkan pengurangan emisi yang besar kalau diadopsi secara luas — dalam skenario adopsi luas, potensinya mencapai sekitar 1.400 Mt CO₂ pada 2035. Tapi angka itu adalah potensi berdasarkan skenario adopsi luas, bukan pengurangan emisi yang sudah terjadi hari ini. Ini perbedaan penting antara potential impact dan realised impact.

Jadi apakah AI bisa jadi solusi perubahan iklim?

Bisa membantu, tapi tidak otomatis. IEA memperingatkan potensi pengurangan emisi AI bisa terhambat oleh keterbatasan data, kurangnya infrastruktur digital, kurangnya keterampilan, regulasi, keamanan, hambatan sosial, dan rebound effect.

Rebound effect terjadi ketika efisiensi bikin sebuah aktivitas jadi lebih murah atau mudah sehingga penggunaannya justru meningkat. Kalau AI bikin suatu proses 10 kali lebih efisien tapi penggunaannya meningkat 20 kali, konsumsi total tetap naik. AI yang lebih efisien tidak otomatis berarti dunia pakai lebih sedikit energi.

Masalah sebenarnya bukan “AI”

Kalau semua data itu disatukan, sumber masalah sebenarnya lebih luas: AI model → AI inference/training → GPU/accelerator → data center → electricity → power generation → cooling → water → CO₂ dan environmental footprint.

Tiap lapisan punya karakteristik berbeda. Model yang sama bisa punya footprint berbeda kalau dijalankan pada hardware berbeda, dan hardware yang sama bisa punya footprint berbeda kalau dipakai di data center berbeda.

Bahkan data center yang sama bisa punya footprint berbeda kalau sumber listriknya berubah. Karena itu tidak ada satu angka yang bisa menjelaskan “dampak lingkungan AI”.

Cara yang lebih tepat mengukur dampak lingkungan AI

Kalau mau benar-benar membandingkan dua AI, jangan cuma tanya “model mana yang paling pintar?” Tambahkan beberapa pertanyaan: berapa energi per task, apa jenis task-nya, hardware apa yang dipakai, berapa utilisasi server, gimana efisiensi data center, dari mana listriknya, gimana sistem cooling-nya, di mana data center berada, berapa lama hardware dipakai, dan berapa banyak pekerjaan yang benar-benar diselesaikan AI.

AI harusnya tidak cuma diukur berdasarkan energy per prompt, tapi juga energy per useful outcome. AI yang butuh lebih banyak energi tapi menyelesaikan pekerjaan yang sebelumnya butuh berjam-jam proses manual belum tentu punya dampak bersih yang lebih buruk. Sebaliknya, AI yang sangat murah tapi dipakai buat menghasilkan jutaan konten yang tidak pernah dipakai tetap punya konsumsi sumber daya yang perlu diperhitungkan.

Sudut pandang Komunitech: efisiensi ditentukan cara kamu memakainya

Dari sisi praktik lapangan, ada satu implikasi yang sering kelewat: dampak lingkungan AI paling besar ditentukan oleh cara kerja yang kamu bangun di atasnya, bukan cuma model yang kamu pilih.

Kami di Komunitech membantu bisnis membangun karyawan AI dan alur otomatisasi yang menggantikan proses manual berjam-jam. Prinsip energy per useful outcome di atas persis yang membuat pendekatan ini masuk akal secara sumber daya: satu AI agent yang menyelesaikan pekerjaan yang tadinya butuh tiga orang bekerja seharian bukan cuma hemat biaya, tapi juga sering lebih hemat energi per hasil dibanding menjalankan puluhan alur manual yang berputar-putar. Yang bikin boros bukan AI-nya — tapi workflow yang serampangan: prompt bertele-tele, memanggil model paling berat buat tugas ringan, atau menghasilkan output massal yang tidak pernah dipakai.

Beberapa cara praktis menekan jejak sumber daya sambil tetap produktif:

• Pilih model sesuai beban. Tugas ringan (klasifikasi, ekstraksi, balasan template) tidak perlu model reasoning terberat. Pakai model kecil buat tugas kecil.
• Rancang agent yang efisien, bukan yang loncat-loncat. Semakin sedikit tool call dan inference yang mubazir buat menyelesaikan satu pekerjaan, semakin kecil energi per hasil.
• Ukur hasil, bukan jumlah prompt. Fokus ke berapa pekerjaan nyata yang selesai, bukan berapa banyak konten yang dihasilkan.

Kalau kamu baru mulai dan bingung urutan belajarnya biar tidak asal pakai AI, kami sudah susun jalur praktisnya di panduan belajar AI dari nol untuk pemula. Dan kalau kamu ingin memastikan tim benar-benar paham cara kerja AI (bukan cuma bisa ngetik ke ChatGPT), bahasan soal literasi AI: bisa ChatGPT belum tentu melek AI menjelaskan kenapa pemahaman ini penting sebelum membangun otomatisasi.

Cara mengurangi jejak energi AI dalam pemakaian sehari-hari

Kamu tidak bisa mengubah bauran listrik nasional sendirian. Tapi cara kamu memakai AI sepenuhnya di tanganmu, dan di situlah efisiensi paling nyata bisa didapat.

1. Pilih model sesuai berat tugas. Untuk tugas ringan seperti klasifikasi, ekstraksi data, atau balasan template, pakai model kecil. Model reasoning terberat cuma perlu buat tugas yang benar-benar kompleks.
2. Tulis prompt yang jelas dan ringkas. Prompt bertele-tele dan bolak-balik revisi berarti lebih banyak inference buat hasil yang sama. Prompt yang tepat sejak awal memangkas komputasi mubazir.
3. Rancang alur AI agent yang efisien. Kurangi tool call dan loop yang tidak perlu. Semakin sedikit langkah mubazir buat menyelesaikan satu pekerjaan, semakin kecil energi per hasil.
4. Ukur hasil, bukan volume. Fokus ke berapa pekerjaan nyata yang selesai, bukan berapa banyak output yang dihasilkan. Jutaan konten yang tidak pernah dipakai tetap membakar sumber daya.
5. Pertimbangkan lokasi dan sumber listrik untuk workload besar. Kalau kamu menjalankan training atau workload berat berskala besar, pemilihan penyedia cloud dengan grid lebih hijau dan sistem cooling efisien memengaruhi jejak akhirnya.

Metodologi

Artikel ini disusun dari data publik terbaru yang dirilis International Energy Agency (IEA), Google, dan Lawrence Berkeley National Laboratory. Tiap angka konsumsi energi, air, dan emisi diverifikasi langsung ke sumber primernya, bukan diambil dari kutipan sekunder.

Angka-angka itu tidak diperlakukan sebagai konstanta universal. Konsumsi energi, air, dan emisi AI bergantung pada model, jenis workload, hardware, lokasi data center, sistem cooling, dan sumber listrik — sehingga tiap angka disajikan dengan konteks metodologi dan batasannya, dan dibedakan tegas antara fakta terukur, estimasi, proyeksi, dan skenario.

Kesimpulan: masalahnya bukan satu prompt, tapi skala

Narasi “satu prompt AI menghabiskan banyak energi dan air” terlalu sederhana. Begitu pula narasi “AI makin efisien jadi tidak ada masalah lingkungan” juga tidak tepat. Data terbaru menunjukkan keduanya berjalan bersamaan: energi per AI task turun, jumlah penggunaan AI naik, workload makin kompleks, AI agent mulai melakukan banyak inference dan tool call, data center makin besar, kebutuhan listrik meningkat, cooling tetap butuh sumber daya, dan dampaknya sangat bergantung pada lokasi, teknologi, serta sumber listrik yang dipakai.

IEA memperkirakan konsumsi listrik data center global akan meningkat hampir dua kali lipat dari 485 TWh pada 2025 jadi sekitar 950 TWh pada 2030, dan pada saat yang sama AI-focused data center diproyeksikan tumbuh jauh lebih cepat.

Maka pertanyaan yang seharusnya kita ajukan bukan “apakah AI jahat bagi lingkungan?”, tapi “seberapa efisien AI bisa jadi ketika penggunaannya terus berkembang, dan apakah pembangunan energi bersih, grid, cooling, serta infrastruktur data center mampu mengimbangi pertumbuhan itu?”

AI bukan satu-satunya penyebab perubahan iklim, tapi AI juga bukan teknologi yang otomatis ramah lingkungan.

AI adalah teknologi yang memperbesar permintaan komputasi — dampak lingkungannya akan ditentukan oleh gimana komputasi itu diproduksi, diberi energi, didinginkan, dan dipakai. Bukan AI versus bumi, tapi efisiensi versus skala.

Data penting yang perlu diingat

Indikator	Data terbaru
Pertumbuhan listrik data center 2025	+17%
Pertumbuhan listrik AI-focused data center 2025	Jauh lebih cepat dari rata-rata global
Konsumsi listrik data center 2025	~485 TWh
Proyeksi konsumsi data center 2030	~950 TWh
Porsi konsumsi listrik global data center 2030	~3%
Emisi CO₂ tidak langsung seluruh data center saat ini	~180 Mt CO₂
Porsi emisi combustion global	~0,5%
Estimasi air median Gemini text prompt	0,26 mL (~5 tetes)
Variasi water use antar-workload data center	>10.000×

Catatan: angka 0,26 mL adalah estimasi Google buat median Gemini Apps text prompt berdasarkan metodologi dan periode pengukuran tertentu; bukan angka universal buat seluruh AI. Angka 180 Mt CO₂ mencakup seluruh workload data center, bukan AI aja.

Pertanyaan yang Sering Ditanya

Apakah AI menggunakan banyak listrik?

Secara total, konsumsi listrik yang terkait dengan data center meningkat cepat. IEA mencatat konsumsi listrik data center naik 17% pada 2025 dan memperkirakan konsumsi globalnya hampir dua kali lipat jadi sekitar 950 TWh pada 2030. Tapi angka itu mencakup seluruh workload data center, bukan AI aja.

Apakah satu prompt AI menghabiskan banyak air?

Tidak ada angka universal. Google memperkirakan median Gemini Apps text prompt pakai sekitar 0,26 mL air dalam metodologinya, tapi penelitian Berkeley Lab menunjukkan penggunaan air antar-workload bisa berbeda lebih dari 10.000 kali.

Mengapa data center membutuhkan air?

Air bisa dipakai dalam sistem cooling buat membuang panas yang dihasilkan server. Tapi teknologi cooling berbeda-beda dan tidak semua data center punya water footprint yang sama.

Apakah AI menyebabkan pemanasan global?

AI bisa menambah emisi secara tidak langsung lewat listrik yang dipakai data center. Tapi IEA memperkirakan seluruh data center saat ini menyumbang sekitar 0,5% emisi CO₂ global dari pembakaran bahan bakar, dan angka itu mencakup semua workload data center, bukan AI aja.

Apakah AI semakin boros?

Tidak, kalau yang dimaksud energi per task. Efisiensi energi per AI task meningkat sangat cepat. Masalahnya, penggunaan AI dan workload yang lebih berat tumbuh sangat cepat sehingga konsumsi total tetap meningkat.

Apakah AI bisa membantu mengurangi emisi?

Bisa. AI bisa dipakai buat optimasi energi, industri, transportasi, bangunan, dan sistem listrik. Tapi manfaat itu bergantung pada adopsi nyata dan bisa dikurangi oleh rebound effect.

Referensi

• International Energy Agency — Key Questions on Energy and AI: Executive Summary (2026)
• International Energy Agency — Energy and AI: AI and Climate Change
• International Energy Agency — Data centre electricity use surged in 2025 (2026)
• Lawrence Berkeley National Laboratory — The water use of data center workloads (2025)
• Google — Measuring the environmental impact of AI inference (2025)
• Kementerian ESDM — Bauran EBT Indonesia 16,32% pada 2025 (via Warta Ekonomi)
• RUPTL PLN 2025–2034 — Ringkasan target bauran energi
• Renewable Energy Indonesia — Data Kapasitas Pembangkit EBT Nasional
• Hertadi dkk. (2022) — Kajian Industri Energi Terbarukan Tenaga Listrik di Indonesia, G-Tech Vol. 6 No. 2

Artikel telah diupdate pada 15/08/2026 untuk memastikan artikel tetap sesuai kondisi terkini.