Sorotan utama kecerdasan buatan (AI) di Asia Pasifik termasuk Indonesia umumnya berfokus pada angka-angka besar: pembangunan pusat data yang semakin besar dan canggih, komitmen investasi yang terus meningkat, serta proyeksi belanja kawasan yang kian tinggi untuk mengejar ambisi AI.
Di balik angka-angka tersebut, muncul pertanyaan yang lebih mendasar: apakah kawasan ini mampu menghasilkan dan memasok cukup daya listrik untuk mendukung ambisi AI tersebut? Seiring skala AI yang terus berkembang, daya listrik lebih dari modal maupun chip kian menjadi kendala utama yang turut mendefinisikan ulang arti kepemimpinan infrastruktur.
Permintaan bukan lagi persoalannya. IDC memperkirakan kapasitas daya pusat data di Asia Pasifik (tidak termasuk Jepang) akan mencapai sekitar 142.600 MW pada 2029, sementara Gartner memproyeksikan permintaan listrik pusat data global akan berlipat ganda pada 2030. Namun, hambatan utama kini bukan pada sisi permintaan, melainkan pasokan. Dengan waktu tunggu koneksi jaringan listrik yang dapat melebihi empat tahun di pasar-pasar utama, akses terhadap energi yang andal dengan cepat menjadi pembeda strategis.
Tantangan ini juga semakin relevan di Indonesia, di tengah pesatnya investasi pada pusat data dan infrastruktur cloud yang siap mendukung AI. Komitmen PLN untuk memasok listrik hingga 1,2 GW bagi ekspansi pusat data menunjukkan besarnya kebutuhan energi yang menyertai percepatan transformasi digital nasional. Karena itu, perhatian industri kini tidak lagi hanya tertuju pada penambahan kapasitas, tetapi juga pada bagaimana pertumbuhan tersebut dapat diwujudkan secara efisien dan selaras dengan agenda keberlanjutan Indonesia.
Bagi para pemimpin perusahaan, kondisi ini menggeser isu yang sebelumnya bersifat fasilitas dan operasional menjadi persoalan strategi bisnis.
Dari menambah kapasitas komputasi ke menghasilkan dampak yang lebih besar
Selama satu dekade terakhir, skala AI dijawab dengan penambahan tanpa henti: lebih banyak akselerator, rak, dan kapasitas komputasi. Namun ketika dihadapkan pada keterbatasan daya listrik, pendekatan ini mulai kehilangan relevansinya.
Kini, pertanyaan utamanya bergeser: bukan lagi berapa besar komputasi yang bisa dibangun, melainkan seberapa besar output yang bisa dihasilkan dari setiap unit daya. Di titik ini, performa per watt menjadi salah satu metrik paling kritis dalam infrastruktur AI. Efisiensi tidak lagi sekadar aspek tambahan dalam laporan keberlanjutan, tetapi faktor penentu langsung kapasitas pertumbuhan sebuah organisasi.
Perubahan ini menuntut pergeseran pola pikir yang nyata, dengan implikasi komersial yang signifikan. Di tengah meningkatnya biaya energi, listrik kini menjadi komponen biaya operasional terbesar bagi sebagian besar pusat data. Hal ini membuat efisiensi setiap server, rak, hingga pilihan sistem pendinginan bukan lagi sekadar keputusan teknis di ruang server, melainkan keputusan strategis yang harus dibahas di tingkat dewan direksi. Organisasi yang mampu menghasilkan lebih banyak nilai dari setiap watt listrik akan memiliki ruang pertumbuhan yang lebih besar, sementara mereka yang menganggap efisiensi sebagai hal sekunder akan lebih cepat menghadapi keterbatasan dalam pilihan dan skalabilitas.
Para pembuat kebijakan juga mulai menetapkan standar yang lebih ketat. Pada akhir 2025, Singapore Economic Development Board (EDB) dan Infocomm Media Development Authority (IMDA) membuka gelombang kedua program Data Centre Call for Application (DC-CFA2), yang mengalokasikan setidaknya 200 MW kapasitas baru hanya kepada operator yang mampu memenuhi standar tinggi terkait efisiensi energi, efisiensi peralatan, serta penggunaan energi hijau.
Sementara itu, Malaysia mengaitkan insentif pajak untuk pusat data dengan target efisiensi energi dan pengurangan emisi sebagai bagian dari upaya nasional menuju 70% energi terbarukan dan target net-zero emission pada 2050. Di Asia Tenggara, termasuk Indonesia, perhatian industri kini tidak lagi hanya tertuju pada pembangunan lebih banyak pusat data, tetapi juga pada bagaimana memastikan infrastruktur tersebut siap mendukung AI sekaligus efisien dalam penggunaan energi.
Arah ini juga menjadi komitmen yang diadopsi Lenovo, di mana target untuk mencapai emisi gas rumah kaca net-zero pada tahun 2050 yang telah divalidasi oleh Science Based Targets initiative (SBTi) mengaitkan peningkatan efisiensi yang telah dibahas sebelumnya dengan komitmen yang terukur, bukan sekadar ambisi umum.
Merancang berdasarkan keseluruhan siklus hidup beban kerja
Salah satu kesalahan desain terbesar saat ini adalah hanya mengoptimalkan beban kerja yang terlihat di depan mata. Banyak diskusi soal AI masih berfokus pada pelatihan model besar yang intensif namun bersifat tidak teratur. Padahal, saat AI masuk ke tahap implementasi, beban kerja inferensi menjadi terus-menerus mulai dari menjawab pelanggan, memproses transaksi, hingga mengontrol proses operasional. Di Indonesia, hal ini berarti membangun fondasi infrastruktur yang mampu mendukung pemanfaatan AI dalam skala besar di berbagai sektor, seperti perbankan digital, ritel, manufaktur, logistik, dan layanan publik.
Meski konsumsi daya per tugas lebih kecil, sifatnya yang konstan membuatnya terakumulasi dalam skala besar. Bahkan, jika satu permintaan hanya bernilai satu sen, layanan dengan 10 juta pengguna yang masing-masing mengajukan 10 pertanyaan per hari dapat menghasilkan biaya sekitar satu juta dolar per hari hanya untuk komputasi dan energi. JLL memperkirakan inferensi akan melampaui pelatihan sebagai beban kerja utama AI di pusat data sekitar 2027, yang menandakan tekanan biaya akan terus meningkat seiring adopsi AI.
Jawabannya adalah menjadikan arsitektur sebagai keputusan strategis dan merancang untuk seluruh siklus hidup sebuah beban kerja. Dalam praktiknya, hal ini berarti memilih infrastruktur berdasarkan performa per watt, bukan sekadar kecepatan puncak, merancang sistem untuk kebutuhan nyata yang berkelanjutan, bukan hanya untuk hari dengan beban tertinggi, serta mencocokkan setiap beban kerja dengan lokasi atau lingkungan komputasi yang paling optimal.
