AI Boros Air, Setara Kebutuhan 1,3 Miliar Manusia

Telset.id – Laporan baru dari United Nations University Institute for Water, Environment and Health (UNU-INWEH) mengungkap fakta mengejutkan: pusat data kecerdasan buatan (AI) diprediksi akan mengonsumsi air sebanyak kebutuhan dasar 1,3 miliar penduduk Afrika Sub-Sahara pada tahun 2030.

Laporan yang dirilis pekan ini itu menegaskan bahwa dampak lingkungan dari AI selama ini “systematically mismeasured” atau diukur secara sistematis keliru. Fokus penilaian saat ini hanya tertuju pada emisi karbon dari pelatihan model bahasa besar, sementara jejak air dan lahan dari teknologi ini nyaris diabaikan.

Jejak air berasal dari sistem pendingin dan pasokan listrik pusat data, sedangkan jejak lahan berasal dari infrastruktur energi dan rantai pasok yang dibutuhkan untuk membangun serta menjalankannya. Padahal, menurut laporan tersebut, biaya awal pelatihan model ternyata kalah besar jika dibandingkan dengan biaya inference—yakni biaya menjalankan model untuk menjawab perintah pengguna—yang mencapai 80 hingga 90 persen dari total konsumsi energi AI.

Sebagai gambaran, pelatihan model GPT-4 milik OpenAI tercatat menghabiskan listrik hingga 70 gigawatt-jam (GWh). Namun, menjalankan ChatGPT untuk menjawab miliaran perintah per hari diperkirakan membutuhkan 383 GWh—lebih dari lima kali lipat biaya pelatihannya.

Jika biaya inference diperhitungkan, pusat data AI akan menggunakan 945 terawatt-jam (TWh) listrik pada 2030. Angka ini tiga kali lipat dari total konsumsi listrik gabungan Pakistan, Bangladesh, dan Nigeria—negara-negara yang menjadi rumah bagi lebih dari 650 juta jiwa.

Konsekuensinya terhadap air pun tak kalah mengerikan. Pada tahun yang sama, dahaga AI akan menyedot 9,3 triliun liter air—setara dengan kebutuhan air tahunan dasar seluruh 1,3 miliar penduduk Afrika Sub-Sahara.

Transisi Energi Hijau Bisa Memperparah Krisis Air

Laporan UNU-INWEH memperingatkan bahwa mengatasi dampak lingkungan AI tidak sesederhana beralih ke sumber energi yang lebih hijau. Mengganti batu bara dengan bioenergi memang bisa menekan emisi karbon hingga 70 persen, tetapi dampaknya justru sebaliknya terhadap sumber daya lain: jejak air melonjak 30 kali lipat, dan jejak lahan membengkak 100 kali lipat.

“Yang paling mengejutkan kami adalah seberapa sering pilihan yang tampak paling hijau dari sisi karbon justru berakhir lebih buruk bagi air atau lahan,” ujar Miriam Aczel, peneliti utama UNU-INWEH, dalam pernyataan resmi. “Jika kita terus menilai keberlanjutan AI hanya dari karbon, kita mungkin mengira energi terbarukan membuat infrastruktur AI bersih. Padahal itu hanya menyelesaikan satu masalah sambil menciptakan masalah lain, seringkali di tempat yang tidak menginginkannya.”

Paradoks lainnya: membuat AI lebih efisien secara energi justru berpotensi memperbesar jejak lingkungannya. “Banyak orang berpikir bahwa jejak lingkungan AI berkurang seiring teknologi membaik dan proses menjadi lebih efisien. Tapi itu hanya gambaran parsial dari masalah keseluruhan,” jelas Kaveh Madani, direktur UNU-INWEH. “AI dan energi yang lebih efisien serta murah berarti konsumsi AI semakin besar, membuat jejak total jauh lebih besar dari penghematan yang kita raih melalui efisiensi.”

Fenomena ini dikenal sebagai Efek Rebound atau paradoks Jevons, di mana peningkatan efisiensi justru mendorong peningkatan konsumsi secara keseluruhan. Dalam konteks AI, model yang lebih murah dan cepat beroperasi akan menarik lebih banyak pengguna dan penggunaan, sehingga konsumsi sumber daya absolut justru naik.

Laporan ini menekankan perlunya metrik keberlanjutan yang lebih komprehensif—tidak hanya karbon, tetapi juga air dan lahan—dalam setiap tahap siklus hidup AI, mulai dari pelatihan hingga inference. Tanpa itu, keputusan yang tampak ramah lingkungan di atas kertas bisa menjadi bumerang bagi ekosistem global.

Implikasinya jelas: para pembuat kebijakan, operator pusat data, dan pengembang AI harus mulai mempertimbangkan trade-off antar sumber daya. Memilih lokasi pusat data di daerah dengan sumber air melimpah, misalnya, bisa mengurangi tekanan pada wilayah rawan kekeringan. Atau mendesain ulang arsitektur pendingin agar tidak terlalu bergantung pada air.

Namun, tanpa kesadaran publik dan tekanan regulasi, dorongan untuk menekan biaya operasional—termasuk biaya energi dan air—akan terus mendorong ekspansi pusat data yang boros sumber daya. Laporan UNU-INWEH menjadi alarm keras bahwa era AI yang sustainable tidak akan tercapai hanya dengan panel surya dan turbin angin.

Di tengah hiruk-pikuk pengembangan model AI generasi berikutnya, pertanyaan mendasar ini harus dijawab: seberapa besar harga yang bersedia kita bayar—dalam tetesan air dan hektar lahan—demi kecanggihan yang kita nikmati setiap hari?