Jakarta: 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.
Menempatkan beban kerja pada platform yang paling optimal
Lokasi tempat sebuah beban kerja dijalankan merupakan salah satu faktor yang paling menentukan biaya, performa, dan konsumsi energi, sehingga pendekatan hybrid menjadi semakin relevan. Proses pelatihan model berskala besar sebaiknya ditempatkan di lingkungan dengan kapasitas komputasi tinggi dan sistem pendinginan yang memadai.
Sebaliknya, inferensi lebih ideal dijalankan lebih dekat dengan sumber data dan titik pengambilan keputusan, termasuk di edge. Pendekatan ini dapat mengurangi latensi, kebutuhan bandwidth, serta konsumsi daya. Selain itu, menempatkan beban kerja lebih dekat dengan sumber datanya juga membantu memenuhi persyaratan kedaulatan data dan kepatuhan yang semakin ketat di berbagai negara.
Bagi negara kepulauan seperti Indonesia, arsitektur hybrid AI juga dapat meningkatkan responsivitas aplikasi dengan memproses AI lebih dekat ke lokasi data dihasilkan, sekaligus mendukung kebutuhan tata kelola data yang terus berkembang.
Tidak ada satu lingkungan komputasi yang cocok untuk semua kebutuhan. Yang terpenting adalah memilih lingkungan yang paling sesuai untuk setiap beban kerja.
Efisiensi terwujud melalui sinergi
Tidak ada satu komponen pun yang dapat menghasilkan efisiensi seperti ini secara sendiri. Peningkatan justru terjadi ketika silikon, desain sistem, perangkat lunak, dan pendinginan direkayasa untuk saling bekerja sama, masing-masing membantu mengatasi keterbatasan yang lain. Kolaborasi lintas seluruh lapisan teknologi antara pembuat chip, penyedia infrastruktur, dan organisasi yang menerapkan AI adalah tempat di mana kemajuan nyata terjadi.
Pendinginan telah bergeser dari bagian belakang ruang data menjadi pusat strategi. Perusahaan kini menginginkan infrastruktur AI yang dapat berjalan secara efisien, sehingga lebih banyak daya dan anggaran yang dimiliki dapat dialokasikan untuk memanfaatkan AI dalam mendorong pertumbuhan bisnis, bukan untuk menghilangkan panas. Seiring rak AI yang semakin panas, pendinginan berbasis udara mulai mencapai batasnya.
Menjaga rak berkepadatan tinggi tetap dingin dengan udara berarti harus mengoperasikan lebih banyak kipas dan bergantung pada chiller, dan perangkat pendukung ini menambah porsi biaya energi yang terus meningkat di luar kebutuhan komputasi itu sendiri. Mengurangi beban pendinginan ini menjadi salah satu cara tercepat untuk meningkatkan efisiensi pusat data.
Neptune warm-water cooling menunjukkan penerapan nyata efisiensi ini. Dengan mengalirkan air hangat langsung ke komponen panas, sistem ini mengurangi kebutuhan kipas dan chiller yang digunakan pada pendinginan berbasis udara. Hasilnya, konsumsi daya pusat data dapat turun hingga 40% dibanding sistem air cooling konvensional, terutama dari penghematan di sisi pendinginan, bukan dari server itu sendiri.
Dalam beberapa konfigurasi, pendekatan ini juga dapat menurunkan power usage effectiveness (PUE) hingga sekitar 1,1, jauh lebih efisien dibanding desain tradisional. Teknologi ini sudah digunakan di berbagai institusi riset, universitas, dan lembaga meteorologi di Asia Pasifik. Ketika seluruh stack dirancang untuk efisiensi, dampaknya menjadi signifikan.
Mengapa Asia Pasifik berpeluang menjadi pemimpin
Ada dividen lingkungan yang dapat diperoleh dari semua ini. Penggunaan energi yang lebih rendah berarti emisi yang lebih rendah, yang membantu memenuhi ekspektasi pelaporan yang semakin ketat di seluruh kawasan. Namun alasan yang lebih langsung mengapa efisiensi kini semakin penting dalam agenda adalah hal yang lebih sederhana: ketika daya listrik terbatas, efisiensi menjadi faktor yang menjaga pertumbuhan tetap dapat dicapai, apa pun bauran energi di masing-masing negara. Baik dari sisi komersial maupun lingkungan, keduanya mengarah pada hal yang sama.
Asia Pasifik memiliki satu keunggulan penting: sebagian besar kapasitas yang mampu mendukung AI sedang dibangun saat ini, sehingga efisiensi dapat dirancang sejak awal. Hal ini terutama berlaku bagi pasar AI yang sedang berkembang seperti Indonesia, di mana keputusan infrastruktur yang diambil saat ini akan menentukan kemampuan negara untuk mengembangkan AI secara berkelanjutan dalam jangka panjang.
Para pemimpin yang akan unggul bukanlah mereka yang sekadar membelanjakan lebih banyak, melainkan mereka yang membelanjakan dengan lebih tepat, serta memandang infrastruktur sebagai rangkaian keputusan desain terkait efisiensi dan penempatan, bukan sekadar perlombaan menambah kapasitas.
Pada fase adopsi AI berikutnya, keunggulan kompetitif tidak lagi ditentukan oleh seberapa banyak infrastruktur yang diterapkan, melainkan oleh seberapa besar nilai yang dapat diekstraksi dari setiap watt. Ketika daya listrik lebih dari sekadar ambisi menjadi input yang paling terbatas, organisasi yang mampu memaksimalkan setiap watt akan berada pada posisi terbaik untuk berkembang.
(Kumar Mitra, Commercial Leader, Greater Asia Pacific, Lenovo)
Jadikan Medcom.id sumber informasi pilihan Anda
FOLLOW US
Ikuti media sosial medcom.id dan dapatkan berbagai keuntungan
