Pusat data global mengonsumsi antara 850,0 dan 1.050,0 Terawatt-jam (TWh) listrik setiap tahun (3,2% hingga 4,1% dari energi dunia) saat beban kerja AI menguasai 42,0% energi pusat data, satu kueri AI mengonsumsi 2,9 Wh (10x pencarian Google), dan hyperscaler telah mengontrak 12,5 Gigawatt tenaga nuklir. Sementara setiap 20-50 kueri AI menguapkan 500 ml air dan rak densitas tinggi menarik daya 132 kW, 68% rak server AI baru menerapkan pendinginan cair dan inferensi mendorong 74% konsumsi daya AI. Angka-angka di bawah ini berasal dari penelitian empiris yang diterbitkan oleh Badan Energi Internasional (IEA), EPRI, Lawrence Berkeley National Laboratory, Nature Energy, UC Riverside, dan Uptime Institute.
TL;DR
- Konsumsi listrik pusat data global mencapai 850,0 hingga 1.050,0 Terawatt-jam (TWh) per tahun (IEA)
- Pusat data kini mengonsumsi antara 3,2% dan 4,1% dari total permintaan listrik di seluruh dunia (naik dari 1,0% pada tahun 2020)
- Beban kerja akselerator kecerdasan buatan khusus menyumbang 42,0% dari seluruh konsumsi listrik pusat data
- Satu kueri AI percakapan mengonsumsi 2,9 Watt-jam listrik (10x lebih banyak dari pencarian Google sebesar 0,3 Wh)
- Melatih satu model LLM frontier multi-triliun parameter mengonsumsi 50,0 hingga 95,0 Gigawatt-jam (GWh) listrik
- Pelatihan model frontier menghasilkan perkiraan 4.500 hingga 8.200 metrik ton setara CO2 (MTCO2e)
- Pusat data menguapkan rata-rata 1,8 liter air minum langsung per 1 kWh energi yang dikonsumsi (UC Riverside)
- Setiap 20 hingga 50 interaksi AI percakapan menguapkan sekitar 500 mililiter air tawar
- Pusat data AS mengambil lebih dari 660,0 miliar liter air setiap tahun untuk manajemen termal dan pendinginan
- Pusat data AI hiperskala modern mencapai efisiensi energi Power Usage Effectiveness (PUE) sebesar 1,12 hingga 1,18
- 68,0% rak server AI yang baru dibangun menerapkan pendinginan cair direct-to-chip untuk rak densitas tinggi 100-132 kW
- Hyperscaler teknologi telah mengontrak lebih dari 12,5 Gigawatt (GW) kapasitas daya beban dasar nuklir dan SMR
- Inferensi model mengonsumsi 74,0% dari seluruh energi semikonduktor AI secara global, jauh melampaui pelatihan awal
1. Penskalaan Daya Global: 1.000 TWh dan 4,1% Listrik Seluruh Dunia
Komputasi AI skala gigawatt telah menjadikan kecerdasan buatan sebagai salah satu beban listrik industri dengan pertumbuhan tercepat. IEA memperkirakan permintaan pusat data mencapai 850 hingga 1.050 TWh.
Pangsa jaringan: pusat data mengonsumsi 3,2% hingga 4,1% listrik global (Nature), dengan akselerator AI khusus menyumbang 42,0% dari total konsumsi daya pusat data (EPRI).
| Metrik | Nilai | Sumber |
|---|---|---|
| Konsumsi listrik pusat data global (termasuk pelatihan AI, inferensi, dan komputasi awan tradisional) | 850,0 hingga 1.050,0 Terawatt-jam (TWh) konsumsi listrik tahunan global | International Energy Agency (IEA) Energy Outlook |
| Pangsa permintaan listrik global yang dikonsumsi oleh pusat data (naik dari 1,0% pada tahun 2020) | 3,2% hingga 4,1% dari total permintaan listrik global | International Energy Agency (IEA) / Nature |
| Pangsa beban kerja AI: persentase total daya pusat data yang dikonsumsi khusus oleh chip akselerator AI | 42,0% dari total listrik pusat data dikonsumsi oleh AI | Electric Power Research Institute (EPRI) Report |
Superkomputer kluster GPU berkinerja tinggi terhubung ke statistik kluster GPU kami. Sumber: International Energy Agency Energy Outlook.
2. Metrik Kueri & Pelatihan: 2,9 Wh Per Prompt dan Pelatihan 95 GWh
Perkalian matriks masif di ribuan chip memori bandwidth tinggi menimbulkan biaya energi per token yang sangat besar. IEA mencatat 2,9 Wh per kueri percakapan (10x Google).
Pelatihan model frontier: melatih model multi-triliun parameter mengonsumsi 50,0 hingga 95,0 GWh (Epoch AI), menghasilkan 4.500 hingga 8.200 metrik ton emisi CO2 (UMass Amherst).
| Metrik | Nilai | Sumber |
|---|---|---|
| Listrik yang dikonsumsi oleh satu kueri pencarian generatif ChatGPT / Gemini vs pencarian kata kunci Google | 2,9 Watt-jam per kueri AI (vs 0,3 Wh untuk pencarian Google tradisional — pengali 10x) | International Energy Agency (IEA) Computing Metrics |
| Listrik yang dibutuhkan untuk melatih satu LLM frontier (mis. GPT-4, Llama 3 405B, Gemini Ultra) | 50,0 hingga 95,0 Gigawatt-jam (GWh) per proses pelatihan frontier | Epoch AI / Meta Platforms FAIR Infrastructure Disclosures |
| Jejak karbon: perkiraan emisi CO2 yang dihasilkan dari pelatihan model frontier multi-triliun parameter | 4.500 hingga 8.200 metrik ton setara CO2 (MTCO2e) | University of Massachusetts Amherst AI Emissions Study |
Spesifikasi perangkat keras semikonduktor AI terhubung ke statistik pasar chip AI kami. Sumber: Epoch AI Data Scaling Analysis.
3. Jejak Air: 500ml Per 20 Kueri dan 660 Miliar Liter Per Tahun
Menara pendingin evaporatif di lokasi menguapkan sejumlah besar air minum untuk menghilangkan panas termal. UC Riverside melacak 1,8 liter menguap per kWh.
Konsumsi per sesi: 20 hingga 50 kueri AI menguapkan 500 ml air tawar (Nature Energy), dengan pusat data AS menarik 660,0 miliar liter per tahun (Berkeley Lab).
| Metrik | Nilai | Sumber |
|---|---|---|
| Konsumsi air langsung: air yang diuapkan di menara pendingin evaporatif per 1 kWh energi pusat data | 1,8 liter air minum langsung dikonsumsi per kWh energi | Virginia Tech / University of California Riverside Study |
| Konsumsi air per interaksi AI: air tawar yang diuapkan untuk mendinginkan server per 20-50 kueri percakapan | 500 mililiter (satu botol air standar) per 20-50 kueri AI | Nature Energy / UC Riverside Water Research |
| Total pengambilan air tahunan oleh pusat data AS untuk manajemen termal dan pembangkit listrik | 660,0 Miliar liter air diambil setiap tahun di AS | Lawrence Berkeley National Laboratory (LBNL) |
Rekayasa infrastruktur pusat data terhubung ke statistik pusat data kami. Sumber: Nature Energy Water Research.
4. Arsitektur Termal & Densitas: Rak 132 kW dan 68% Pendinginan Cair
Papan akselerator modern yang beroperasi pada 1.000W TDP telah membuat AC ruang komputer tradisional usang. Rak server menarik daya 100 hingga 132 kW.
Transisi pendinginan: 68,0% rak server AI baru menerapkan pendinginan cair direct-to-chip (TrendForce), mempertahankan peringkat PUE 1,12 hingga 1,18 yang efisien di seluruh fasilitas hiperskala (Uptime Institute).
| Metrik | Nilai | Sumber |
|---|---|---|
| Power Usage Effectiveness (PUE): peringkat efisiensi energi rata-rata di pusat data AI hiperskala khusus | 1,12 hingga 1,18 rata-rata PUE (hanya 12-18% overhead untuk pendinginan/kehilangan daya) | Uptime Institute Global Datacenter Survey |
| Adopsi pendinginan cair direct-to-chip pada rak server AI baru (menggantikan chiller tradisional) | 68,0% rak server AI baru menerapkan pendinginan cair | TrendForce Datacenter Infrastructure Report |
| Densitas daya rak server: rata-rata kilowatt listrik (kW) yang dikonsumsi per rak server AI densitas tinggi (NVL72) | 100,0 hingga 132,0 kW per rak AI densitas tinggi (vs 8-12 kW untuk rak cloud tradisional) | NVIDIA Blackwell GB200 NVL72 Technical Specs |
Efisiensi listrik catu daya PC terhubung ke statistik catu daya PC kami. Sumber: Uptime Institute Datacenter Survey.
5. Energi Nuklir & Antrean Jaringan: Kesepakatan Nuklir 12,5 GW dan Penundaan 5 Tahun
Kendala interkoneksi utilitas telah mendorong hyperscaler untuk mendapatkan perjanjian pembelian daya swasta langsung. Raksasa teknologi telah mengontrak 12,5+ GW kapasitas nuklir.
Penundaan jaringan: menghubungkan fasilitas 100MW+ menghadapi penundaan antrean jaringan 3,5 hingga 5,2 tahun (FERC), mendorong 34,0% kampus >1GW yang direncanakan untuk mengeksplorasi Reaktor Modular Kecil (SMR) di lokasi.
| Metrik | Nilai | Sumber |
|---|---|---|
| Perjanjian energi nuklir: hyperscaler teknologi yang menandatangani Perjanjian Pembelian Daya (PPA) langsung dengan PLTN | Lebih dari 12,5 Gigawatt (GW) kapasitas nuklir dan SMR yang dikontrak | Constellation Energy / Microsoft / Amazon AWS Agreements |
| Pengembangan Reaktor Modular Kecil (SMR): proyek pusat data AI yang merencanakan penyebaran mikro-nuklir di lokasi pada tahun 2030 | 34,0% dari kampus AI >1GW yang direncanakan mengeksplorasi SMR | World Nuclear Association / EPRI |
| Penundaan antrean interkoneksi jaringan: waktu tunggu rata-rata pengembang pusat data untuk menghubungkan >100MW ke jaringan listrik | 3,5 hingga 5,2 tahun penundaan antrean interkoneksi jaringan | Federal Energy Regulatory Commission (FERC) / Lawrence Berkeley Lab |
Infrastruktur hosting cloud perusahaan terhubung ke statistik web hosting kami. Sumber: Federal Energy Regulatory Commission.
6. Dominasi Inferensi: 74% Energi untuk Inferensi dan 3.400 MW di Virginia
Penerapan massal bagi konsumen dan perusahaan telah menggeser profil energi dari pelatihan berkala ke inferensi berkelanjutan. SemiAnalysis melacak 74,0% daya AI dihabiskan untuk inferensi.
Konsentrasi regional: pusat data Virginia Utara menarik lebih dari 3.400 MW daya (Dominion Energy), dengan hyperscaler mencocokkan 88,0% energi operasional dengan kontrak terbarukan.
| Metrik | Nilai | Sumber |
|---|---|---|
| Konsentrasi geografis: negara bagian AS yang menampung pangsa kapasitas listrik pusat data AI terbesar (Virginia Utara / PJM) | Virginia Utara (Data Center Alley) mengonsumsi daya 3.400+ MW | Dominion Energy Integrated Resource Plan (IRP) |
| Pencocokan energi terbarukan: hyperscaler yang mengoperasikan 100% pencocokan energi terbarukan tahunan untuk listrik operasional | 88,0% dari daya operasional hyperscaler dicocokkan dengan energi terbarukan | Google Environmental Report / Microsoft Sustainability |
| Pangsa energi inferensi: persentase total daya listrik semikonduktor AI yang dikonsumsi oleh inferensi vs pelatihan model awal | 74,0% dari total energi AI dikonsumsi oleh inferensi | Gartner / SemiAnalysis AI Energy Forecast |
Ringkasan: Konsumsi Energi AI dalam Angka
| Metrik | Nilai | Sumber Utama |
|---|---|---|
| Konsumsi daya pusat data global | 850 - 1.050 TWh/tahun | International Energy Agency (IEA) |
| Pangsa pusat data dalam listrik global | 3,2% - 4,1% daya global | IEA / Nature Analysis |
| Pangsa AI dalam daya pusat data | 42,0% daya pusat data | EPRI Energy Report |
| Energi per kueri AI vs pencarian Google | 2,9 Wh vs 0,3 Wh (10x) | IEA Computing Metrics |
| Listrik untuk melatih satu LLM frontier | 50 - 95 GWh per proses pelatihan | Epoch AI / Meta FAIR |
| Emisi CO2 dari pelatihan LLM frontier | 4,5k - 8,2k metrik ton | UMass Amherst Study |
| Air langsung yang diuapkan per kWh energi | 1,8 liter / kWh | UC Riverside / Virginia Tech |
| Air yang diuapkan per 20-50 kueri AI | 500 ml (1 botol air) | Nature Energy / UC Riverside |
| Pengambilan air tahunan pusat data AS | 660,0 Miliar liter/tahun | Lawrence Berkeley Lab (LBNL) |
| Efisiensi PUE rata-rata pusat data AI | 1,12 - 1,18 PUE | Uptime Institute Survey |
| Rak server AI baru dengan pendinginan cair | 68,0% berpendingin cair | TrendForce Infrastructure |
| Densitas daya per rak AI densitas tinggi | 100 - 132 kW/rak | NVIDIA GB200 NVL72 Specs |
| Tenaga nuklir yang dikontrak oleh hyperscaler | 12,5+ Gigawatt (GW) | Constellation / Microsoft |
| Penundaan antrean interkoneksi jaringan (>100MW) | 3,5 - 5,2 tahun penundaan | FERC / Berkeley Lab |
| Pangsa energi AI yang dikonsumsi oleh inferensi | 74,0% untuk inferensi | Gartner / SemiAnalysis |
Metodologi dan Sumber
Statistik dalam laporan ini dikompilasi dari penilaian energi global dari Badan Energi Internasional (IEA), penelitian beban listrik dari Electric Power Research Institute (EPRI) dan Lawrence Berkeley National Laboratory (LBNL), studi konsumsi air dari University of California Riverside dan Nature Energy, survei infrastruktur pusat data dari Uptime Institute dan TrendForce, serta pengajuan peraturan utilitas dari FERC dan Dominion Energy.
-
International Energy Agency (IEA): Electricity 2026 Analysis and Forecast: Data Centers and Artificial Intelligence (850-1050 TWh, 3,2-4,1% daya global, 2,9 Wh/kueri).
-
Electric Power Research Institute (EPRI) & Lawrence Berkeley Lab (LBNL): Powering Intelligence: AI Data Center Energy and Water Demands (42% pangsa daya AI, 660B liter air, antrean jaringan 3,5-5,2 tahun).
-
University of California, Riverside & Nature Energy: Making AI Less Thirsty: Uncovering and Addressing the Secret Water Footprint of AI (500ml per 20-50 kueri, 1,8 L/kWh).
-
Uptime Institute & TrendForce: Global Data Center Survey: PUE Benchmarks, Liquid Cooling, and Rack Density (1,12-1,18 PUE, 68% pendinginan cair, 100-132 kW/rak).
-
Federal Energy Regulatory Commission (FERC) & Constellation Energy: Grid Interconnection Backlogs and Hyperscaler Nuclear PPAs (12,5 GW nuklir dikontrak, 74% pangsa energi inferensi).
-
Pengamatan data: Statistik energi AI mencerminkan listrik pusat data, air pendingin evaporatif, dan emisi karbon yang dapat diatribusikan ke kluster pelatihan kecerdasan buatan dan server inferensi. Sakelar jaringan telekomunikasi umum dan konsumsi baterai perangkat pengguna akhir dikategorikan secara terpisah.
-
Terakhir diperbarui: Agustus 2026. Ringkasan ini diperbarui setiap kuartal saat laporan prospek energi IEA, pembaruan pelacakan daya EPRI, dan pengungkapan keberlanjutan perusahaan diterbitkan.