Sustainable AI Group: Startup Ini Dorong Perusahaan Pakai Kekuatan Belanja untuk Pangkas Jejak Energi AI

Kecerdasan buatan (AI) berkembang dengan pesat—begitu pula dengan infrastruktur yang dibutuhkan untuk menjalankannya. Seiring pusat data yang kian membesar dan beban kerja AI yang berlipat ganda, kekhawatiran soal permintaan listrik, emisi, dan penggunaan sumber daya menjadi isu sentral bagi masa depan industri ini.

Sebuah firma riset dan konsultasi baru, Sustainable AI Group (SAIG), berargumen bahwa tuas paling kuat untuk mengatasi dampak lingkungan ini mungkin bukan berada di dalam pusat data. Sebaliknya, tuas itu ada di tangan perusahaan-perusahaan yang membeli layanan AI.

Apa Itu Sustainable AI Group?

Sustainable AI Group (SAIG) adalah firma riset dan konsultasi yang diluncurkan pada 13 Mei 2026 untuk membantu perusahaan mengukur, membandingkan, dan mengurangi dampak lingkungan dari sistem AI .

Organisasi ini didirikan oleh dua tokoh ternama di bidang keberlanjutan AI:

• Dr. Sasha Luccioni, mantan AI & Climate Lead di Hugging Face
• Boris Gamazaychikov, mantan Head of AI Sustainability di Salesforce

Tujuan mereka adalah membantu perusahaan memahami bagaimana sistem AI memengaruhi penggunaan energi, emisi, dan permintaan infrastruktur—lalu menerjemahkan pemahaman itu menjadi keputusan praktis tentang bagaimana AI dibeli dan diterapkan .

Masalahnya: Dampak Lingkungan AI Sulit Terlihat

Pertumbuhan AI mendorong investasi besar-besaran di infrastruktur komputasi. Pusat data raksasa, cip khusus, sistem pendingin, dan kapasitas listrik baru terus dibangun untuk mendukung lonjakan beban kerja AI.

SAIG berargumen bahwa perusahaan yang mengadopsi AI seringkali tidak memiliki data jelas mengenai dampak lingkungan dari model dan layanan yang mereka beli . Tanpa pengukuran atau pelaporan yang konsisten, perusahaan mungkin kesulitan menilai:

• konsumsi energi model AI
• emisi yang terkait dengan listrik pusat data
• penggunaan air dan kebutuhan pendinginan
• pilihan infrastruktur seperti sumber daya listrik

Tantangan lainnya adalah sistem AI yang berbeda bisa memiliki jejak lingkungan yang sangat berbeda pula. Sebuah model kecil yang telah disesuaikan (fine-tuned) mungkin bisa melakukan tugas dengan komputasi yang jauh lebih sedikit daripada model skala frontier, tergantung pada aplikasi dan lingkungan penerapannya .

Meskipun ada perbedaan ini, para pembeli seringkali memilih model terbesar atau yang paling dikenal tanpa visibilitas terhadap efisiensi atau dampak lingkungannya.

Argumen Utama Pendiri: Pembeli Korporat Punya Pengaruh Besar

Sebagian besar perusahaan yang menggunakan AI tidak membangun model atau pusat data mereka sendiri. Mereka bergantung pada penyedia layanan cloud dan vendor AI.

Namun, para pendiri SAIG berargumen bahwa pelanggan korporat tetaplah yang membentuk seluruh ekosistem infrastruktur.

Anggaran belanja perusahaan pada akhirnya mendanai ekspansi infrastruktur AI. Akibatnya, keputusan pengadaan—mulai dari persyaratan tender (RFP) hingga kontrak vendor—mengirimkan sinyal permintaan ke seluruh rantai nilai AI .

Dengan kata lain, sementara jaringan listrik dan pusat data adalah “sisi suplai” yang kasat mata, permintaan pelangganlah yang menentukan apa yang dibangun oleh penyedia.

Dinamika ini memberi organisasi besar pengaruh untuk membentuk:

• ekspektasi efisiensi model
• standar pelaporan penggunaan energi
• transparansi infrastruktur
• di mana dan bagaimana beban kerja AI dijalankan

Bagaimana Proses Pengadaan dan Kontrak Dapat Membentuk Infrastruktur AI

SAIG berargumen bahwa perusahaan dapat mulai memengaruhi keberlanjutan AI melalui proses pembelian sehari-hari.

Mekanisme kuncinya meliputi:

1. Persyaratan Tender (RFP)

Perusahaan dapat memasukkan kriteria lingkungan saat mengevaluasi vendor AI, meminta data tentang efisiensi model, konsumsi energi, dan praktik infrastruktur.

Kerangka kerja pengadaan semakin menekankan pertanyaan seputar praktik optimasi model dan pelaporan lingkungan, yang memungkinkan pembeli membedakan vendor dengan komitmen keberlanjutan yang lebih kuat .

2. Pemilihan Vendor

Organisasi dapat memilih penyedia AI yang menunjukkan intensitas energi lebih rendah atau transparansi yang lebih baik seputar infrastruktur.

Jika cukup banyak pembeli korporat yang memprioritaskan faktor-faktor ini, vendor mungkin akan mulai bersaing tidak hanya pada performa dan harga, tetapi juga pada efisiensi dan keberlanjutan.

3. Klausul Kontrak

Perjanjian layanan utama dan kontrak perusahaan dapat mewajibkan pengungkapan tentang dampak lingkungan.

Sebagai contoh, kontrak mungkin mewajibkan pelaporan tentang:

• sumber energi yang memberi daya pada pusat data
• apakah fasilitas bergantung pada pembangkit listrik berbahan bakar fosil di luar jaringan
• metrik efisiensi untuk beban kerja AI

Persyaratan ini menciptakan insentif langsung bagi penyedia untuk meningkatkan transparansi dan pilihan infrastruktur .

Layanan Apa yang Akan Disediakan Sustainable AI Group

SAIG memposisikan diri sebagai organisasi riset sekaligus penasihat strategis yang membantu perusahaan mengoperasionalkan praktik AI berkelanjutan.

Riset Terbuka

Firma ini berencana menerbitkan studi yang menganalisis dampak lingkungan AI, termasuk penggunaan energi dari beban kerja pelatihan (training) dan inferensi, serta efek infrastruktur yang lebih luas .

Konsultasi Perusahaan

SAIG akan membantu organisasi mengintegrasikan keberlanjutan ke dalam strategi AI melalui:

• panduan pengadaan
• lokakarya internal dan sesi strategi
• kerangka pengukuran
• alat bantu pengambilan keputusan
• penyelarasan pemangku kepentingan di tim teknis dan keberlanjutan

Firma ini juga berencana membantu perusahaan memetakan di mana AI digunakan secara internal dan menetapkan metrik lingkungan dasar untuk beban kerja tersebut .

Alat Ukur dan Tolok Ukur

Fokus utama adalah membuat efisiensi AI terukur dan dapat dibandingkan di berbagai sistem.

Salah satu contohnya adalah AI Energy Score, sebuah inisiatif tolok ukur yang dirancang untuk menilai konsumsi energi model AI di berbagai tugas umum .

Kerangka kerja ini menyediakan peringkat energi terstandarisasi dan perbandingan publik antar model, membantu pengembang dan pembeli mengidentifikasi opsi yang lebih efisien . Implementasi awal sistem ini telah mengevaluasi ratusan model yang banyak digunakan di berbagai tugas AI, menciptakan titik acuan untuk efisiensi energi dalam sistem AI .

Pemilihan Model yang Sesuai Kebutuhan

Kemampuan lain yang direncanakan adalah peranti yang membantu organisasi mengarahkan tugas ke model yang paling tepat—alih-alih selalu memilih model frontier besar untuk setiap kasus penggunaan.

Memilih model yang lebih kecil atau terspesialisasi jika memungkinkan dapat secara signifikan mengurangi permintaan komputasi namun tetap memenuhi persyaratan kinerja .

Mengapa Waktunya Tepat

Para pendiri berargumen bahwa momen saat ini sangat kritis karena investasi infrastruktur AI sedang mengalami akselerasi cepat.

SAIG memperkirakan bahwa pengeluaran untuk infrastruktur AI dapat mencapai $5 triliun pada akhir dekade ini, menciptakan jendela kesempatan yang sempit untuk membentuk bagaimana infrastruktur itu dibangun .

Begitu pusat data, kontrak daya listrik, dan rantai pasokan perangkat keras telah terkunci, mengubah arah lingkungan dari AI menjadi jauh lebih sulit.

Strategi mereka berfokus untuk memengaruhi sistem sebelum penguncian itu terjadi—dengan mendorong perusahaan untuk memperlakukan keberlanjutan sebagai kriteria pembelian inti, bukan sekadar renungan.

Gagasan Besarnya: Keberlanjutan sebagai Sinyal Pasar

Visi yang lebih luas di balik Sustainable AI Group sederhana namun ambisius: mengubah permintaan perusahaan menjadi sinyal pasar yang memberi penghargaan pada sistem AI yang efisien.

Jika para pembeli mulai mewajibkan transparansi dan efisiensi energi, vendor mungkin akan bersaing di dimensi tersebut sama agresifnya seperti mereka bersaing dalam kecepatan, kapabilitas, dan harga.

Apakah pergeseran itu terjadi akan bergantung pada apakah perusahaan memilih untuk menggunakan pengaruh yang sudah mereka miliki dalam rantai pasokan AI.