Akuntansi Karbon untuk Beban Kerja AI: Mengukur dan Melaporkan Emisi GPU

Diperbarui 11 Desember 2025

Pembaruan Desember 2025: NVIDIA mempublikasikan PCF H100 sebesar 1.312 kg CO2e per baseboard 8 kartu (164 kg/kartu). Studi Cornell memproyeksikan 24-44 juta metrik ton CO2 AI tahunan pada 2030. Emisi Amazon naik menjadi 68,25 juta metrik ton pada 2024, kenaikan pertama sejak 2021. Server AI diproyeksikan mengonsumsi 70-80% listrik pusat data AS (240-380 TWh) pada 2028.

NVIDIA mempublikasikan Product Carbon Footprint untuk baseboard H100 dengan delapan kartu H100 SXM, memperkirakan emisi terkandung sebesar 1.312 kg CO2e—sekitar 164 kg CO2e per kartu.[^1] Memori menyumbang 42% dari jejak terkandung, sirkuit terintegrasi menyumbang 25%, dan komponen termal menyumbang 18%. Pengungkapan ini merupakan penilaian berbasis vendor pertama yang menawarkan transparansi terhadap dampak lingkungan GPU, menetapkan baseline bagi organisasi yang melacak emisi infrastruktur AI.

Taruhan untuk akuntansi karbon AI tumbuh dengan setiap deployment. Sebuah studi Cornell menemukan bahwa pada 2030, tingkat pertumbuhan AI saat ini akan menghasilkan emisi tahunan 24 hingga 44 juta metrik ton CO2—setara dengan menambahkan 5 hingga 10 juta mobil di jalan raya AS.[^2] Amazon melaporkan emisi naik dari 64,38 juta metrik ton pada 2023 menjadi 68,25 juta metrik ton pada 2024, kenaikan pertama perusahaan sejak 2021, terutama didorong oleh pusat data dan operasi pengiriman.[^3] Emisi gas rumah kaca Google 2023 meningkat 13% year-over-year di tengah perlombaan AI.[^4] Organisasi yang mendeploy infrastruktur AI membutuhkan praktik akuntansi karbon yang mengukur dampak dan mengidentifikasi peluang pengurangan.

Memahami komponen jejak karbon AI

Jejak karbon AI terdiri dari dua komponen utama: emisi terkandung dari pembuatan peralatan IT dan konstruksi pusat data, dan emisi operasional dari listrik yang dikonsumsi selama komputasi terkait AI.[^5] Akuntansi karbon komprehensif harus menangani kedua kategori.

Emisi terkandung

Emisi terkandung terjadi sebelum sistem AI memproses satu token pun. Pembuatan GPU memerlukan fabrikasi semikonduktor yang intensif energi, ekstraksi logam tanah jarang, dan transportasi rantai pasokan global. Rincian PCF H100 NVIDIA menunjukkan sifat terdistribusi karbon terkandung di seluruh komponen memori, pemrosesan, dan pendinginan.[^6]

Konstruksi pusat data menambah emisi terkandung dari beton, baja, dan sistem mekanis. Pusat data hyperscale mengandung jutaan ton CO2e sebelum mulai beroperasi. Emisi konstruksi diamortisasi selama masa pakai fasilitas, tetapi deployment AI densitas tinggi mungkin memerlukan penyegaran infrastruktur lebih sering daripada komputasi tradisional.

Emisi operasional

Emisi operasional bergantung pada intensitas komputasi dan intensitas karbon listrik. Server AI mengonsumsi 23% dari total listrik pusat data AS pada 2024 dan akan mengonsumsi 70-80% (240-380 TWh per tahun) pada 2028 menurut Laporan Penggunaan Energi Pusat Data AS 2024.[^7]

Intensitas karbon listrik tersebut sangat bervariasi berdasarkan lokasi dan waktu. GPU yang mengonsumsi 700W di grid berbahan bakar batu bara menghasilkan emisi jauh lebih banyak daripada hardware identik di fasilitas bertenaga terbarukan. Sekitar 56% listrik yang dikonsumsi pusat data AS berasal dari pembangkit berbahan bakar fosil, dengan 16% dari batu bara.[^8] Optimalisasi geografis dan temporal beban kerja AI menawarkan peluang pengurangan emisi yang substansial.

Metrik dan standar

Akuntansi karbon untuk AI memerlukan metrik terstandarisasi yang memungkinkan perbandingan antar organisasi dan verifikasi klaim pengurangan.

Metrik pusat data yang sudah mapan

Power Usage Effectiveness (PUE) mengukur efisiensi infrastruktur pusat data dengan membandingkan daya total fasilitas dengan daya peralatan IT.[^9] PUE 1,5 berarti 50% daya digunakan untuk pendinginan dan overhead. Pusat data modern menargetkan PUE di bawah 1,2.

Data Center Infrastructure Efficiency (DCIE) membalik PUE, menyatakan daya IT sebagai persentase dari daya total. Kedua metrik membantu mengoptimalkan infrastruktur tetapi tidak secara langsung mengukur emisi karbon.

Carbon Usage Effectiveness (CUE) menghubungkan penggunaan energi dengan emisi karbon (kg CO2 per kWh), memperhitungkan sumber listrik.[^10] CUE menangkap dimensi intensitas karbon yang terlewatkan oleh PUE.

Energy Reuse Factor (ERF) mengukur pemanfaatan kembali panas buang, mengkreditkan fasilitas yang menyuplai panas ke konsumen eksternal.[^11] Pengaturan district heating di mana panas buang pusat data menghangatkan bangunan mengurangi emisi bersih.

Tantangan pengukuran khusus AI

TDP GPU telah meningkat rata-rata 41,5% per tahun (compounded) dari 2021 hingga 2025.[^12] Peningkatan daya melampaui peningkatan efisiensi, artinya GPU generasi berikutnya mengonsumsi lebih banyak energi meskipun memproses lebih banyak token per watt.

Emisi training versus inference memerlukan akuntansi terpisah. Training run yang mengonsumsi berbulan-bulan waktu GPU pada ribuan akselerator menghasilkan emisi satu kali yang substansial. Emisi inference terakumulasi saat pengguna melakukan query pada model yang sudah dilatih selama masa operasionalnya. Organisasi harus melacak kedua fase.

Alat pelacakan dan pelaporan

Beberapa alat dan kerangka kerja mendukung akuntansi karbon AI.

eco2AI

Paket open-source eco2AI membantu data scientist melacak konsumsi energi dan emisi CO2 ekuivalen dari model machine learning.[^13] Alat ini fokus pada pelacakan energi yang akurat dan akuntansi emisi CO2 regional, mengkonversi waktu komputasi menjadi dampak karbon berdasarkan intensitas karbon grid.

Peneliti mengintegrasikan eco2AI ke dalam pipeline training untuk mengakumulasi estimasi emisi di seluruh eksperimen. Pendekatan ini memunculkan biaya karbon bersama metrik akurasi, memungkinkan keputusan pengembangan model yang sadar karbon.

Kerangka regulasi

Pada awal 2024, pembuat undang-undang memperkenalkan Artificial Intelligence Environmental Impacts Act, mengarahkan EPA untuk mempelajari jejak lingkungan AI dan mengembangkan standar pengukuran melalui NIST.[^14] Sistem pelaporan sukarela yang diusulkan akan menstandarisasi cara organisasi mengungkapkan emisi AI.

EU AI Act menetapkan persyaratan tata kelola data yang mempengaruhi pelaporan keberlanjutan AI. Organisasi yang mendeploy sistem AI berisiko tinggi mungkin menghadapi persyaratan pengungkapan termasuk dampak lingkungan. Trajektori regulasi menunjukkan pelaporan wajib akan mengikuti kerangka sukarela.

Strategi pengurangan

Peneliti Cornell menyimpulkan bahwa "tidak ada solusi ajaib" untuk pengurangan emisi AI.[^15] Pemilihan lokasi, dekarbonisasi grid, dan operasi efisien bekerja bersama untuk mencapai pengurangan sekitar 73% untuk karbon dan 86% untuk air. Strategi efektif menggabungkan berbagai pendekatan.

Optimalisasi geografis

Lokasi pusat data menentukan intensitas karbon baseline. Fasilitas di wilayah dengan grid dominan terbarukan menghasilkan emisi lebih sedikit daripada fasilitas identik di wilayah bergantung fosil. Virginia menampung lebih banyak pusat data AS (301) daripada negara bagian lainnya, diikuti oleh California (248) dan Texas (221).[^16] Setiap negara bagian menawarkan profil karbon grid yang berbeda.

Organisasi dengan fleksibilitas beban kerja dapat merutekan pekerjaan ke lokasi karbon lebih rendah. Training run yang mentolerir latensi dapat bergeser ke waktu dan tempat di mana pembangkitan terbarukan mencapai puncak. Optimalisasi memerlukan kemampuan penjadwalan yang sadar karbon.

Efisiensi operasional

Operasi yang efisien mengurangi konsumsi energi terlepas dari intensitas karbon grid. Schneider Electric bermitra dengan NVIDIA untuk merancang arsitektur referensi yang mengurangi penggunaan energi pendinginan hampir 20%.[^17] Peningkatan efisiensi serupa di seluruh distribusi daya, pendinginan, dan utilisasi komputasi berlipat ganda menjadi pengurangan emisi yang signifikan.

Optimalisasi beban kerja AI mengurangi kebutuhan komputasi untuk output yang setara. Distilasi model, kuantisasi, dan kerangka inference yang efisien seperti NVIDIA NIM mengurangi energi per inference. Peningkatan efisiensi di tingkat beban kerja berlipat ganda di jutaan permintaan inference.

Pengadaan energi terbarukan

Pengadaan terbarukan langsung melalui power purchase agreements memastikan listrik bersih untuk operasi AI. Organisasi dapat mengadakan energi bebas karbon 24/7 yang mencocokkan konsumsi jam per jam daripada tahunan, menghilangkan konsumsi fosil residual selama jeda terbarukan.

Pembangkitan on-site dengan tenaga surya dan penyimpanan baterai menyediakan daya terbarukan tanpa kehilangan transmisi. Kampus pusat data di wilayah dengan sinar matahari tinggi dapat menghasilkan porsi substansial konsumsi mereka secara lokal.

Mengimplementasikan akuntansi karbon

Organisasi yang mengimplementasikan akuntansi karbon AI harus menetapkan pengukuran baseline, mengintegrasikan pelacakan ke dalam operasi, dan mengembangkan roadmap pengurangan.

Penetapan baseline

Inventarisasi infrastruktur AI yang ada termasuk jumlah GPU, rating daya, dan pola utilisasi. Dokumentasikan lokasi pusat data dan sumber listrik. Hitung emisi operasional saat ini menggunakan konsumsi daya terukur dan faktor intensitas karbon regional.

Perkirakan emisi terkandung menggunakan pengungkapan vendor seperti PCF H100 NVIDIA dan rata-rata industri untuk komponen yang tidak terdaftar. Amortisasi emisi terkandung selama masa pakai peralatan yang diharapkan, biasanya 3-5 tahun untuk akselerator.

Integrasi operasional

Integrasikan pelacakan emisi ke dalam pemantauan infrastruktur. Alat pemantauan GPU seperti NVIDIA DCGM menyediakan data konsumsi daya. Kombinasikan telemetri daya dengan API intensitas karbon yang menyediakan informasi karbon grid real-time.

Jaringan 550 field engineer Introl mendukung organisasi yang mengimplementasikan pemantauan infrastruktur GPU berfokus keberlanjutan.[^18] Perusahaan ini berada di peringkat #14 pada Inc. 5000 2025 dengan pertumbuhan tiga tahun 9.594%, mencerminkan permintaan akan layanan infrastruktur profesional.[^19]

Mendeploy pemantauan di 257 lokasi global memerlukan praktik konsisten yang memungkinkan akuntansi karbon yang sebanding di seluruh fasilitas.[^20] Introl mengelola deployment yang mencapai 100.000 GPU dengan lebih dari 40.000 mil infrastruktur jaringan fiber optik, menyediakan skala operasional untuk pelacakan emisi komprehensif.[^21]

Roadmap pengurangan

Tetapkan target pengurangan emisi yang selaras dengan target berbasis sains dan komitmen organisasi. Identifikasi peluang pengurangan di seluruh efisiensi, pengadaan terbarukan, dan optimalisasi geografis. Prioritaskan tindakan berdasarkan dampak emisi dan kelayakan implementasi.

Lacak kemajuan terhadap baseline dan target. Laporkan emisi mengikuti standar yang muncul dan persyaratan regulasi. Bersiap untuk persyaratan pengungkapan yang meningkat seiring matangnya akuntansi karbon AI.

Imperatif akuntabilitas

Goldman Sachs Research memperkirakan 60% dari peningkatan permintaan listrik pusat data akan berasal dari pembakaran bahan bakar fosil, meningkatkan emisi karbon global sekitar 220 juta ton.[^22] Trajektori emisi membuat akuntansi karbon menjadi esensial daripada opsional bagi organisasi AI.

Organisasi yang membangun akuntansi karbon yang kuat sekarang bersiap untuk persyaratan regulasi sambil mengidentifikasi peluang efisiensi yang mengurangi emisi dan biaya. Fondasi pengukuran memungkinkan strategi pengurangan yang seharusnya tidak memiliki targeting. Infrastruktur AI yang sadar karbon merepresentasikan tanggung jawab lingkungan dan keunggulan operasional.

Poin-poin penting

Untuk tim keberlanjutan: - Emisi terkandung NVIDIA H100: 1.312 kg CO2e per baseboard (8 kartu); memori menyumbang 42%, IC 25%, termal 18% - AI dapat mengemisi 24-44 juta metrik ton CO2 per tahun pada 2030—setara dengan 5-10 juta mobil di jalan raya AS (Cornell) - TDP GPU meningkat 41,5% CAGR (2021-2025); pertumbuhan daya melampaui peningkatan efisiensi

Untuk arsitek infrastruktur: - Server AI: 23% listrik pusat data AS (2024), diproyeksikan 70-80% (240-380 TWh) pada 2028 - 56% listrik pusat data AS dari bahan bakar fosil, 16% dari batu bara; optimalisasi geografis kritis - PUE mengukur efisiensi infrastruktur; CUE menghubungkan penggunaan energi dengan intensitas karbon (kg CO2/kWh)

Untuk tim operasi: - eco2AI open-sou

[Konten dipotong untuk terjemahan]