Benarkah AI Boros Air? Ini Hubungannya dengan Kekeringan

Ketika seseorang menggunakan layanan AI, permintaan tersebut diproses oleh server yang berada di data center. Semakin banyak orang menggunakan AI dan semakin kompleks tugas yang dikerjakan maka semakin besar kebutuhan komputasi yang harus disediakan oleh infrastruktur tersebut. Server yang menjalankan komputasi dalam jumlah besar menghasilkan panas sehingga membutuhkan sistem pendinginan. Air dapat menjadi bagian dari sistem tersebut, sementara pembangkitan listrik untuk data center juga memiliki jejak air. Karena itu, penggunaan AI memiliki apa yang disebut sebagai water footprint atau jejak air.

Laporan United Nations University Institute for Water, Environment and Health (UNU-INWEH) yang diterbitkan pada Juni 2026 menunjukkan besarnya skala kebutuhan tersebut. UNU memperkirakan data center yang menopang AI secara global dapat mengonsumsi 945 terawatt-hours (TWh) listrik per tahun pada 2030, sedangkan jejak air terkait konsumsi listrik tersebut mencapai sekitar 9,3 triliun liter. Angka tersebut diperkirakan setara kebutuhan dasar air domestik tahunan sekitar 1,3 miliar orang di Afrika Sub-Sahara. UNU juga memperkirakan jejak lahan yang berkaitan konsumsi listrik data center mencapai lebih dari 14.500 kilometer persegi pada 2030.

Pembahasan mengenai dampak lingkungan AI selama ini sering berfokus pada proses pelatihan model berukuran besar. Padahal, setelah model selesai dilatih dan tersedia untuk publik, model tersebut terus bekerja setiap kali pengguna mengirimkan permintaan atau prompt. UNU memperkirakan proses inference, yakni ketika model AI digunakan untuk menjawab permintaan pengguna, menyumbang sekitar 80–90 persen dari total penggunaan energi AI. Laporan tersebut juga memperkirakan ChatGPT memproses sekitar 2,5 miliar prompt per hari, yang setara sekitar 383 GWh listrik per tahun untuk satu layanan.

Kebutuhan energi juga berbeda berdasarkan jenis tugas. Menurut laporan UNU, sebuah gambar yang dibuat menggunakan AI dapat membutuhkan sekitar 1.450 kali energi yang diperlukan untuk klasifikasi teks dasar. Kebutuhan tersebut dapat menjadi lebih besar lagi untuk pembuatan video AI yang kompleks. Artinya, jejak lingkungan AI bukan hanya berasal dari perusahaan yang melatih model berukuran besar. Aktivitas penggunaan sehari-hari juga ikut berkontribusi terhadap kebutuhan energi dan sumber daya yang dibutuhkan untuk menjalankan infrastruktur AI.

Hubungan AI dan kekeringan tidak terjadi secara langsung. Menggunakan chatbot AI, membuat gambar, atau menghasilkan video memakai AI tidak serta-merta membuat suatu daerah mengalami kekeringan. Persoalannya berada pada skala infrastruktur. Pertumbuhan penggunaan AI mendorong kebutuhan komputasi yang lebih besar, sementara komputasi tersebut membutuhkan data center. Data center membutuhkan listrik dan pendinginan, yang pada kondisi tertentu dapat meningkatkan penggunaan air.

Dampaknya sangat bergantung pada lokasi data center dan kondisi sumber daya air setempat. Jika data center dibangun di wilayah yang memiliki sumber air melimpah dan memakai teknologi pendinginan yang efisien, tekanannya dapat berbeda dibandingkan fasilitas yang berada di wilayah yang sudah mengalami water stress atau kekeringan. UNU memberikan contoh persoalan tersebut di beberapa lokasi. Di Querétaro, Meksiko, ekspansi infrastruktur komputasi disebut menarik pasokan air ketika wilayah tersebut mengalami kekeringan berkepanjangan. UNU juga menyoroti Uruguay, ketika rencana pembangunan data center yang membutuhkan banyak air bertepatan kekeringan pada 2023 yang mengurangi cadangan air tawar Montevideo.

Persoalan tersebut menjadi menarik ketika dikaitkan dengan kondisi Indonesia saat ini. BMKG pada 17 September 2026 menyebut fenomena El Niño kategori sangat kuat yang berlangsung bersamaan dengan musim kemarau telah menghasilkan kondisi atmosfer yang kering, tutupan awan minim, dan peningkatan suhu permukaan. Sebagian besar wilayah Indonesia bagian selatan juga mengalami HTH ekstrem, yakni lebih dari 60 hari berturut-turut tanpa hujan. Kondisi tersebut dilaporkan terjadi di Sumatra bagian selatan, sebagian besar Jawa, Kalimantan bagian selatan, Sulawesi bagian utara dan selatan, Maluku, Bali, Nusa Tenggara, serta Papua Selatan.

Analisis BMKG pada Dasarian I September 2026 menunjukkan indeks ENSO tiga bulanan untuk periode Juli–September berada di angka 2,6, yang termasuk kategori El Niño sangat kuat. BMKG juga mengeluarkan peringatan dini kekeringan meteorologis untuk sejumlah wilayah, termasuk beberapa kabupaten di Bali, Kalimantan Selatan, Kalimantan Tengah, Kalimantan Timur, Nusa Tenggara Timur, Papua Selatan, Sulawesi Tenggara, dan Sumatra Selatan. Di wilayah Banten dan sekitarnya, pemantauan BMKG juga menunjukkan kekeringan ekstrem lebih dari 60 hari pada sejumlah daerah. Bahkan, HTH terpanjang yang tercatat dalam pemantauan tersebut mencapai 131 hari di Kecamatan Pajangan, Kabupaten Bantul, DI Yogyakarta.

Besarnya jejak air AI juga tidak bisa disamaratakan. Lokasi data center, teknologi pendinginan, efisiensi server, sumber listrik, jenis model, dan jenis tugas yang dijalankan dapat memengaruhi besarnya kebutuhan sumber daya. UNU menekankan bahwa jejak karbon, air, dan lahan tidak selalu bergerak ke arah yang sama. Misalnya, pilihan energi yang lebih rendah karbon tidak otomatis berarti memiliki jejak air atau lahan yang lebih rendah. Karena itu, menilai keberlanjutan AI hanya berdasarkan emisi karbon dapat mengabaikan tekanan terhadap sumber daya lainnya.

Laporan tersebut juga memperingatkan adanya rebound effect. Ketika teknologi AI menjadi semakin efisien dan murah, penggunaan justru dapat meningkat sehingga penghematan per aktivitas tidak selalu menghasilkan penurunan konsumsi sumber daya secara keseluruhan. Dengan kata lain, membuat AI lebih efisien memang penting, tetapi pertumbuhan jumlah pengguna dan semakin banyaknya tugas yang dikerjakan AI juga perlu diperhitungkan.

UNU mendorong pendekatan yang tidak hanya melihat emisi karbon, tetapi juga memperhitungkan jejak air dan lahan. Pemerintah dinilai perlu memasukkan kebutuhan data center dalam perencanaan energi, tata kelola air, dan penggunaan lahan. Perusahaan pengembang AI dan operator data center juga dapat meningkatkan efisiensi teknologi, memilih lokasi secara lebih cermat, dan mengembangkan sistem yang mengurangi konsumsi sumber daya.

Sementara itu, pengguna dapat memilih teknologi dan model yang sesuai kebutuhan, terutama ketika tugas sederhana tidak membutuhkan model atau keluaran yang sangat kompleks. Pendekatan tersebut menjadi semakin penting bagi negara yang menghadapi tekanan terhadap sumber daya air. Pertumbuhan ekonomi digital dan AI dapat memberikan manfaat besar, tetapi pembangunan infrastrukturnya tetap perlu mempertimbangkan kondisi lingkungan di lokasi fasilitas tersebut.

Pada akhirnya, AI memang memiliki jejak air yang tidak boleh diabaikan. Namun, AI bukan penyebab langsung kekeringan yang sedang terjadi di Indonesia. Kekeringan saat ini lebih berkaitan dengan kondisi iklim, musim kemarau, dan El Niño sangat kuat, sementara perkembangan AI menjadi persoalan tersendiri karena kebutuhan air data center berpotensi menambah tekanan terhadap sumber daya air di wilayah tertentu.