Bagaimana Pemimpin Bisnis Dapat Mencapai Tujuan Mereka dalam Kecerdasan Buatan dan Keberlanjutan

Bagi perusahaan, mengimbangkan adopsi kecerdasan buatan dan dampak lingkungan adalah suatu keharusan. Menurut World Economic Forum, daya yang dibutuhkan untuk mendukung pertumbuhan kecerdasan buatan meningkat dua kali lipat setiap 100 hari. Pada tahun 2028, konsumsi energi kecerdasan buatan dapat melebihi total daya yang digunakan oleh Islandia pada tahun 2021. Kecerdasan buatan dapat menjadi pedang bermata dua: sementara dapat secara signifikan memajukan inisiatif lingkungan, juga dapat sama-sama merugikan jika digunakan sembarangan.

Tidak ada cetakan biru universal untuk penggunaan kecerdasan buatan yang berkelanjutan – setiap pendekatan organisasi harus selaras dengan keadaan unik mereka. Sebaliknya, mengintegrasikan kecerdasan buatan dan memajukan tujuan ramah lingkungan memerlukan sikap tertentu.

Pikirkan tentang garis-garis yang terbentuk di luar toko Apple pada hari peluncuran produk: pengadopsi awal dengan bangga menampilkan gadget terbaru sebagai simbol status. Sikap itu tidak akan berhasil di sini. Perusahaan tidak boleh terburu-buru mengadopsi alat kecerdasan buatan yang mencolok hanya untuk dilihat sebagai pemimpin tren. Sebaliknya, mereka harus fokus pada implementasi kecerdasan buatan yang bertujuan dan mendukung tujuan keberlanjutan jangka panjang.

Berikut beberapa strategi yang dapat dipertimbangkan.

Otomatisasi dengan memperhatikan penghematan energi

Beberapa pemimpin mungkin tidak menyukai karyawan yang mengambil jalan pintas, tetapi saya tidak pernah melakukan itu. Di Jotform, saya mendorong karyawan untuk terus mencari cara yang lebih cepat untuk menyelesaikan tugas-tugas mereka, selama kualitas output mereka tidak menurun. Otomatisasi adalah inti dari bisnis kami dan sentral dalam budaya kami. Jika ada alat otomatis yang dapat menangani tugas manual yang membosankan, maka saya katakan: lakukan itu.

Seperti yang terjadi, mengotomatisasi tugas menggunakan alat kecerdasan buatan juga dapat memajukan tujuan keberlanjutan Anda. Seperti yang WEF catat, mengoptimalkan penjadwalan untuk penghematan energi, yaitu menggeser beban kerja kecerdasan buatan untuk sesuai dengan waktu permintaan energi yang lebih rendah, adalah taktik yang efektif untuk memanfaatkan kecerdasan buatan dan mengurangi jejak karbon.

Misalnya, Anda telah memilih alat kecerdasan buatan untuk mengotomatisasi pemindaian keamanan reguler untuk melindungi data Anda. Mengatur tugas-tugas tersebut pada malam hari adalah cara yang mudah untuk menjadi lebih hemat energi. Konsumsi energi umumnya menurun pada malam hari, dan grid energi dapat berjalan lebih efisien. Sebagai manfaat tambahan, biaya energi Anda seringkali menurun juga.

Atau, jika Anda berada di wilayah dengan cuaca hangat dan penggunaan AC yang besar, Anda dapat menggeser proyek yang memerlukan energi ke bulan-bulan yang lebih sejuk, ketika grid energi kurang tertekan. Yang penting, pergeseran ini memerlukan perencanaan tetapi hampir tidak memerlukan usaha tambahan. Mereka dapat berjumlah penghematan energi yang signifikan.

Pilih model dasar

Bayangkan Anda berada di dapur restoran bintang Michelin. Koki telah dilatih di sekolah kuliner dan restoran berkualitas tinggi. Bersama, tim dapat mengeksekusi berbagai hidangan dan mengembangkan yang baru. Jika seseorang ingin menyajikan hidangan yang luar biasa, mereka tidak perlu melatih tim koki baru – mereka dapat menggunakan tim ini, memanfaatkan keahlian yang ada dan memberikan bimbingan yang tepat.

Dalam kecerdasan buatan, itu adalah gagasan tentang model dasar: program yang sudah dilatih pada jumlah data yang besar. Jika seseorang memerlukan alat kecerdasan buatan tertentu, mereka dapat memulai dengan model dasar ini daripada membangun model dari awal.

Menulis untuk Harvard Business Review, Christina Shim, kepala petugas keberlanjutan di IBM, menjelaskan mengapa memilih model dasar adalah pendekatan yang hemat energi. Sebaliknya dengan membuat model baru, “model dasar dapat disesuaikan untuk tujuan tertentu dalam waktu yang jauh lebih singkat, dengan data yang jauh lebih sedikit, dan biaya energi yang jauh lebih rendah.”

Shim mencatat bahwa ukuran model dasar juga dapat berdampak – sebagian besar memiliki 3, 8, atau 20 miliar parameter. Menurut penelitian IBM, model yang lebih kecil yang dilatih pada data yang spesifik dan relevan dapat berkinerja sama baiknya dengan model yang lebih besar, tetapi lebih cepat dan mengonsumsi lebih sedikit energi. Lebih besar tidak selalu lebih baik. Seperti yang Salesforce katakan, memilih model terbesar dan paling kuat untuk kebutuhan perusahaan tertentu adalah seperti “menggunakan truk semi untuk pergi membeli barang atau menjemput seorang penumpang” – dengan kata lain, sama sekali tidak perlu.

Model yang lebih besar tentu saja datang dengan harga yang lebih mahal. Mengambil waktu untuk memilih model yang sesuai dengan tujuan Anda adalah investasi yang sepadan yang dapat menghemat sumber daya keuangan dan ekologis.

Pilih perangkat lunak sumber terbuka

Pilihan lain yang sangat penting di awal setiap perjalanan kecerdasan buatan adalah apakah memilih perangkat lunak sumber terbuka. Opsi sumber terbuka mungkin tidak menyelesaikan setiap masalah, tetapi dalam banyak kasus, mereka dapat menyediakan solusi yang hemat energi dan biaya yang efektif yang memanfaatkan kebijaksanaan para ahli. Anda dapat fokus pada memperbaiki solusi yang ada (dan membagikan hasilnya), daripada menghabiskan energi untuk mengembangkan roda baru setiap kali. Seperti yang Shim katakan, perangkat lunak sumber terbuka menikmati keuntungan perbaikan kolektif – dengan lebih banyak mata yang memperhatikan masalah, produk yang dihasilkan lebih baik, dan permintaan energi dalam fase pengembangan didistribusikan di antara pengguna.

Perangkat lunak yang baik layak untuk dibeli, tetapi harus sesuai dengan kebutuhan dan anggaran – pertimbangan yang semakin relevan selama inflasi. Dalam banyak kasus, solusi sumber terbuka tersedia secara gratis atau dengan biaya yang jauh lebih rendah.

Implementasikan otomatisasi untuk meningkatkan efisiensi sistem

Akhirnya, alat otomatisasi yang ditenagai kecerdasan buatan dapat menghemat energi dengan membantu meningkatkan efisiensi sistem. Mereka dapat melakukan ini secara langsung, dengan mengurangi waktu yang dibutuhkan untuk menyelesaikan tugas-tugas yang membosankan. Misalnya, jika Anda melakukan penelitian, alat seperti ChatGPT dapat menghilangkan jam-jam duduk di depan layar monitor dengan mengidentifikasi dan mensintesis informasi kunci dalam hitungan detik.

Alat kecerdasan buatan juga dapat memainkan peran dalam tahap perencanaan sistem. Ambil Salesforce: tim infrastruktur pusat data mereka menggunakan kecerdasan buatan untuk memprediksi dan mengantisipasi pola penggunaan pelanggan, kemudian secara otomatis menskalakan volume server yang diperlukan. Ini memungkinkan mereka untuk menyesuaikan cara infrastruktur pusat data mereka digunakan dan menghindari pemborosan energi yang berlebihan. Demikian pula, perusahaan perangkat lunak menggunakan kecerdasan buatan untuk membuat keputusan untuk mengurangi jejak karbon mereka dengan menganalisis jutaan titik data dari rantai pasokan, perjalanan bisnis, real estat, dan lain-lain.

Kecerdasan buatan dapat berfungsi seperti konsultan keberlanjutan, idealnya menghemat lebih banyak energi daripada yang dibutuhkan untuk melakukan analisis dan tugas yang sesuai. Dalam arti itu, kecerdasan buatan dapat menjadi pedang bermata satu, memberikan lebih banyak manfaat daripada kerugian yang terkait.