Metodologi & sumber
Angka di CarbonLens adalah ESTIMASI berbasis riset publik, bukan hasil pengukuran meteran di data center. Vendor AI belum mempublikasikan konsumsi energi per model secara rinci, sehingga perhitungan memakai kelas model dan disajikan sebagai rentang (batas bawah–atas). Gunakan sebagai indikasi material untuk laporan keberlanjutan, dan cantumkan lampiran metodologi ini agar bisa ditelusuri auditor.
Rumus
- 1. kWh = (jumlah token ÷ 1.000) × faktor energi kelas model, atau jumlah kueri × faktor per kueri.
- 2. Liter air = kWh × WUE (0.3–2 L/kWh, titik tengah 1.1).
- 3. kg CO2e = kWh × faktor emisi grid lokasi data center.
Google 2024Li, Yang, Islam & Ren (UC Riverside / UT Arlington) 2023
Faktor energi per kelas model
Vendor tidak mempublikasikan energi per model secara rinci, jadi kami memakai kelas model dan menyajikan rentang. Angka dalam kWh per 1.000 token.
Model kecil / cepat
GPT-4o mini, Claude Haiku, Gemini Flash0.00015 kWh/1.000 token (rentang 0.00005–0.0003)
Rentang diturunkan dari sebaran energi per-inferensi antar ukuran model pada Luccioni dkk. (2024), diskalakan ke pengukuran per-prompt Google (2025).
Model menengah (default)
GPT-4o, Claude Sonnet, Gemini Pro0.0009 kWh/1.000 token (rentang 0.0004–0.002)
Titik tengah bersandar langsung pada dua pengukuran/estimasi publik: 0,24 Wh per prompt (Google 2025) dan ~0,3 Wh per kueri (Epoch AI 2025).
Model besar / reasoning
GPT-4.5/o-series, Claude Opus, Gemini Ultra0.005 kWh/1.000 token (rentang 0.002–0.012)
Belum ada pengukuran per-model yang dipublikasikan vendor untuk kelas ini. Rentang sengaja lebar dan HARUS dibaca sebagai estimasi kasar, bukan angka audit.
Faktor emisi grid listrik
| Wilayah | kg CO2e/kWh | Sumber |
|---|---|---|
| Indonesia (grid PLN) | 0.78 (0.65–0.9) | |
| Singapura (region data center Asia Tenggara) | 0.41 (0.35–0.48) | |
| Amerika Serikat (rata-rata eGRID) | 0.37 (0.32–0.43) | |
| Uni Eropa | 0.25 (0.2–0.31) | |
| Rata-rata global (default kalau lokasi data center tidak diketahui) | 0.48 (0.4–0.55) |
Daftar sumber lengkap
Measuring the environmental impact of delivering AI (median prompt Gemini: 0,24 Wh energi; 0,26 mL air; 0,03 gCO2e)
Google, 2025
https://services.google.com/fh/files/blogs/measuring_the_environmental_impact_of_delivering_ai.pdfPower Hungry Processing: Watts Driving the Cost of AI Deployment? (ACM FAccT 2024)
Luccioni, Jernite & Strubell, 2024
https://arxiv.org/abs/2311.16863How much energy does ChatGPT use? (estimasi ~0,3 Wh per kueri GPT-4o)
Epoch AI, 2025
https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-useMaking AI Less "Thirsty": Uncovering and Addressing the Secret Water Footprint of AI Models
Li, Yang, Islam & Ren (UC Riverside / UT Arlington), 2023
https://arxiv.org/abs/2304.03271Google Environmental Report 2024 (fleet-wide data centre WUE ~1,1 L/kWh)
Google, 2024
https://sustainability.google/reports/google-2024-environmental-report/Yearly Electricity Data — intensitas karbon listrik per negara
Ember, 2024
https://ember-energy.org/data/yearly-electricity-data/Electricity 2024 / Emissions Factors — rata-rata global intensitas karbon listrik
IEA, 2024
https://www.iea.org/data-and-statistics/data-product/emissions-factors-2024eGRID — Emissions & Generation Resource Integrated Database (Amerika Serikat)
US EPA, 2024
https://www.epa.gov/egrid
Batasan yang kami akui
- Estimasi ini hanya mencakup energi inference (pemakaian), bukan porsi energi pelatihan model.
- Lokasi data center provider sering tidak diumumkan; pilih wilayah grid yang paling mendekati atau pakai rata-rata global.
- Efisiensi model berubah cepat; faktor akan diperbarui saat ada publikasi baru dan versinya dicatat di laporan.
- CarbonLens bukan lembaga verifikasi/asurans pihak ketiga.