Agentic AI sebagai Asisten Pengelolaan Jejak Karbon

Pendahuluan

Pengelolaan jejak karbon membutuhkan proses yang cukup panjang, mulai dari mengumpulkan data penggunaan listrik dan bahan bakar, menghitung emisi, memantau perubahan, hingga menyusun laporan. Jika perusahaan memiliki banyak fasilitas, kendaraan, produk, dan pemasok, jumlah data yang harus dikelola dapat menjadi sangat besar.

Teknologi Artificial Intelligence (AI) dapat membantu perusahaan mengolah dan menganalisis data tersebut. Salah satu perkembangan AI yang dapat dimanfaatkan adalah Agentic AI, yaitu sistem AI yang dirancang untuk menjalankan rangkaian tugas berdasarkan tujuan, aturan, data, dan akses yang diberikan.

Dalam pengelolaan jejak karbon, Agentic AI dapat berperan sebagai asisten digital yang membantu mengumpulkan data, memeriksa kelengkapan, melakukan perhitungan berdasarkan metode yang ditentukan, mendeteksi anomali, memperbarui dashboard, dan membuat ringkasan untuk tim perusahaan.

Secara sederhana:

Data Aktivitas → Agentic AI → Validasi → Perhitungan Emisi → Analisis → Dashboard → Tindakan

Agentic AI tidak menggantikan tanggung jawab manusia. Perusahaan tetap membutuhkan tim yang menentukan metodologi, memeriksa hasil, memberikan persetujuan, dan mengambil keputusan.

Apa Itu Agentic AI?

Agentic AI adalah pendekatan AI yang memungkinkan sistem menjalankan serangkaian tindakan untuk mencapai tujuan tertentu dengan menggunakan data, aturan, perangkat lunak, dan alat yang tersedia.

Berbeda dengan AI yang hanya menjawab pertanyaan, sistem Agentic AI dapat dirancang untuk melakukan beberapa tahapan pekerjaan.

Misalnya:

Ambil Data → Periksa → Hitung → Analisis → Buat Ringkasan → Kirim untuk Ditinjau

Dalam carbon tracking, sistem dapat membantu mengurangi pekerjaan manual yang dilakukan secara berulang.

Apa Itu Pengelolaan Jejak Karbon?

Pengelolaan jejak karbon merupakan proses untuk mengetahui, memantau, dan mengurangi emisi gas rumah kaca dari aktivitas perusahaan.

Data dapat berasal dari:

Penggunaan listrik

Bahan bakar

Produksi

Transportasi

Perjalanan bisnis

Bahan baku

Limbah

Pemasok

Distribusi produk

Data tersebut kemudian digunakan untuk menghitung emisi dalam satuan karbon dioksida ekuivalen (CO₂e).

Mengapa Agentic AI Relevan untuk Carbon Tracking?

Carbon tracking dapat melibatkan ribuan data dari berbagai sumber.

Misalnya:

Tagihan Listrik + Data Bahan Bakar + ERP + Transportasi + Supplier + Produksi

Jika seluruh data diperiksa dan dimasukkan secara manual, proses dapat membutuhkan banyak waktu.

Agentic AI dapat membantu mengotomatisasi beberapa pekerjaan rutin sehingga tim dapat lebih fokus pada analisis dan strategi pengurangan emisi.

1. Membantu Mengumpulkan Data Emisi

Tahap pertama carbon tracking adalah mengumpulkan data aktivitas.

Agentic AI dapat dirancang untuk mengambil data dari sistem yang telah terhubung dan memiliki izin.

Contohnya:

ERP

Database perusahaan

Smart meter

Sistem transportasi

Sistem procurement

Data pemasok

Sistem perjalanan bisnis

Alurnya:

Sumber Data → Agentic AI → Database Carbon Tracking

Dengan integrasi tersebut, kebutuhan memasukkan data secara manual dapat dikurangi.

2. Memeriksa Kelengkapan Data

Data emisi tidak selalu lengkap.

Misalnya, perusahaan membutuhkan data listrik dari 20 fasilitas tetapi hanya menerima data dari 18 fasilitas.

Agentic AI dapat membantu mendeteksi data yang belum tersedia.

Contohnya:

Fasilitas A → Lengkap

Fasilitas B → Lengkap

Fasilitas C → Data Belum Tersedia

Sistem kemudian dapat menandai bagian yang membutuhkan tindak lanjut.

3. Membantu Validasi Data

Kesalahan input dapat memengaruhi hasil carbon accounting.

Misalnya:

Konsumsi normal = 10.000 kWh

Tetapi data bulan berikutnya:

100.000 kWh

Agentic AI dapat menandai perubahan yang tidak biasa berdasarkan aturan atau pola historis.

Data tersebut kemudian dapat diperiksa oleh tim sebelum digunakan.

4. Menstandarkan Format Data

Data dari berbagai divisi dapat memiliki format berbeda.

Contohnya:

1.000 kg

dan:

1 ton

Keduanya memiliki nilai massa yang sama tetapi menggunakan satuan berbeda.

Agentic AI dapat membantu mengubah data ke format standar sebelum perhitungan.

Contohnya:

Data Mentah → Konversi Satuan → Format Standar → Perhitungan

Standarisasi membantu mengurangi kesalahan akibat perbedaan satuan.

5. Membantu Mengelompokkan Scope Emisi

Agentic AI dapat membantu mengelompokkan aktivitas berdasarkan aturan yang sudah ditetapkan perusahaan.

Scope 1

Emisi langsung dari sumber yang dimiliki atau dikendalikan perusahaan.

Contohnya:

Kendaraan perusahaan

Generator

Boiler

Scope 2

Emisi yang berkaitan dengan energi yang dibeli dan digunakan perusahaan, seperti listrik.

Scope 3

Berbagai emisi tidak langsung lainnya dalam rantai nilai.

Contohnya:

Bahan baku

Perjalanan bisnis

Transportasi pihak ketiga

Pemasok

Limbah

Sistem dapat memberikan rekomendasi klasifikasi, sedangkan kasus yang tidak jelas dapat dikirim kepada tim untuk diperiksa.

6. Mengotomatisasi Perhitungan Emisi

Setelah data aktivitas tersedia, sistem dapat menjalankan perhitungan berdasarkan faktor emisi yang telah ditentukan.

Rumus sederhananya:

Emisi = Data Aktivitas × Faktor Emisi

Misalnya:

Listrik (kWh) × Faktor Emisi = CO₂e

atau:

Bahan Bakar (liter) × Faktor Emisi = CO₂e

Agentic AI dapat membantu menjalankan proses tersebut untuk banyak data secara otomatis.

Namun, faktor emisi, metode, dan sumbernya perlu ditetapkan serta diperbarui dengan pengawasan yang jelas.

7. Mengelola Faktor Emisi

Faktor emisi dapat berbeda berdasarkan aktivitas, lokasi, teknologi, dan periode.

Sistem dapat membantu menyimpan informasi seperti:

Nama faktor emisi

Nilai

Satuan

Sumber

Tahun

Wilayah

Tanggal pembaruan

Ketika faktor emisi diperbarui, sistem dapat menandai data atau perhitungan yang mungkin perlu ditinjau.

8. Mendeteksi Anomali Emisi

Agentic AI dapat membantu menemukan perubahan yang tidak biasa.

Misalnya:

Januari = 100 ton CO₂e

Februari = 105 ton CO₂e

Maret = 103 ton CO₂e

April = 250 ton CO₂e

Sistem dapat menandai April sebagai periode yang membutuhkan pemeriksaan.

Tim kemudian mencari penyebabnya, seperti peningkatan produksi, penggunaan generator, atau kesalahan data.

9. Memantau Emission Hotspot

Emission hotspot adalah sumber yang memberikan kontribusi besar terhadap total emisi.

Misalnya:

Angka tersebut hanya ilustrasi.

Agentic AI dapat membantu memperbarui analisis ketika data baru tersedia.

Dengan demikian, perusahaan dapat mengetahui apakah sumber emisi utama mengalami perubahan.

10. Membantu Mengelola Scope 3

Scope 3 dapat menjadi salah satu bagian paling kompleks karena melibatkan banyak aktivitas di luar operasi langsung perusahaan.

Agentic AI dapat membantu mengelola:

Data pemasok

Pembelian bahan baku

Transportasi pihak ketiga

Perjalanan bisnis

Distribusi produk

Limbah

Sistem juga dapat menandai pemasok yang belum memberikan data.

Namun, kualitas hasil tetap bergantung pada kualitas data yang tersedia.

11. Mengelola Data Pemasok

Perusahaan dapat memiliki ratusan bahkan ribuan pemasok.

Agentic AI dapat membantu mengelompokkan data berdasarkan:

Nama pemasok

Kategori barang

Jumlah pembelian

Data emisi

Kualitas data

Periode

Sistem dapat membantu menentukan pemasok mana yang perlu diprioritaskan untuk meningkatkan kualitas data atau program pengurangan emisi.

12. Memperbarui Dashboard Secara Otomatis

Ketika data baru telah diperiksa dan dihitung, Agentic AI dapat membantu memperbarui dashboard.

Dashboard dapat menampilkan:

Total emisi

Scope 1

Scope 2

Scope 3

Intensitas emisi

Target pengurangan

Perkembangan tahunan

Dengan demikian, manajemen dapat memperoleh informasi terbaru tanpa harus menyusun laporan dari awal setiap kali.

13. Memantau KPI Pengurangan Emisi

Agentic AI dapat membantu membandingkan kondisi aktual dengan KPI.

Contohnya:

Angka tersebut hanya contoh ilustrasi.

Jika suatu KPI tertinggal, sistem dapat menandainya untuk diperiksa oleh tim.

14. Memberikan Peringatan

Sistem dapat dibuat untuk memberikan peringatan ketika kondisi tertentu terjadi.

Contohnya:

Emisi bulanan meningkat lebih dari batas tertentu.

atau:

Data listrik fasilitas belum tersedia.

atau:

KPI pengurangan emisi berada di bawah target.

Peringatan membantu tim mengetahui masalah lebih cepat.

15. Membantu Analisis Tren

Agentic AI dapat membantu menganalisis perkembangan emisi dari waktu ke waktu.

Misalnya:

2025 = 10.000 ton CO₂e

2026 = 9.600 ton CO₂e

2027 = 9.100 ton CO₂e

Sistem dapat membandingkan perkembangan tersebut dengan roadmap perusahaan.

Jika penurunan lebih lambat dari target, tim dapat mengevaluasi program yang sedang berjalan.

16. Membantu Membuat Prediksi

AI dapat digunakan untuk membuat perkiraan berdasarkan data historis dan asumsi tertentu.

Misalnya, sistem memperkirakan emisi akhir tahun berdasarkan data enam bulan pertama.

Emisi Saat Ini → Pola Historis → Prediksi Akhir Tahun

Prediksi dapat membantu manajemen mengetahui lebih awal apakah target berisiko tidak tercapai.

Namun, hasil prediksi bukan kepastian dan tetap perlu mempertimbangkan perubahan operasional.

17. Membantu Membuat Skenario Pengurangan Emisi

Agentic AI dapat membantu membandingkan beberapa skenario.

Misalnya:

Skenario A: Efisiensi energi

Skenario B: Efisiensi energi + optimasi transportasi

Skenario C: Efisiensi + energi rendah karbon + optimasi rantai pasok

Sistem dapat membantu menghitung perkiraan biaya, potensi pengurangan, dan waktu pelaksanaan berdasarkan data yang diberikan.

Hasilnya dapat menjadi bahan pertimbangan manajemen.

18. Mendukung Roadmap Pengurangan Emisi

Roadmap membutuhkan pemantauan secara berkala.

Misalnya:

2026 → Efisiensi energi

2027 → Optimasi mesin

2028 → Transformasi transportasi

2029 → Pengurangan Scope 3

2030 → Evaluasi target

Agentic AI dapat membantu memantau indikator dari setiap tahap dan menandai program yang terlambat atau belum mencapai target.

19. Membantu Pelaporan ESG

Data carbon tracking dapat digunakan dalam aspek lingkungan pada pelaporan ESG.

Agentic AI dapat membantu mengumpulkan dan merangkum data seperti:

Scope 1

Scope 2

Scope 3

Intensitas emisi

Target pengurangan

Perkembangan program

Namun, laporan akhir tetap perlu melalui proses pemeriksaan dan persetujuan perusahaan sebelum dipublikasikan.

20. Membantu Dokumentasi dan Audit Trail

Pengelolaan emisi membutuhkan dokumentasi yang baik.

Sistem dapat mencatat:

Sumber data

Waktu data masuk

Perubahan data

Faktor emisi

Metode perhitungan

Pengguna yang memberikan persetujuan

Dengan audit trail, perusahaan dapat menelusuri bagaimana sebuah angka emisi diperoleh.

Agentic AI dan Carbon Accounting

Agentic AI juga dapat mendukung proses carbon accounting.

Alurnya dapat berupa:

Data Aktivitas → Validasi → Klasifikasi Scope → Faktor Emisi → Hitung CO₂e → Carbon Accounting → Laporan

Otomatisasi membantu mempercepat pekerjaan berulang.

Namun, aturan carbon accounting tetap perlu ditentukan berdasarkan metodologi yang digunakan perusahaan.

Agentic AI dan Carbon Tracking

Carbon tracking menyediakan data mengenai aktivitas dan emisi.

Agentic AI dapat membantu menjalankan proses di atas data tersebut.

Secara sederhana:

Carbon Tracking = Mengumpulkan dan Memantau Data

Agentic AI = Membantu Mengolah, Memeriksa, Menganalisis, dan Menindaklanjuti Data

Kombinasi keduanya dapat membantu perusahaan membangun sistem pengelolaan karbon yang lebih efisien.

Integrasi dengan Sistem Perusahaan

Agentic AI dapat diintegrasikan dengan sistem perusahaan jika tersedia akses yang sesuai.

Contohnya:

ERP → Data Pembelian

Smart Meter → Data Energi

Transport Management System → Data Logistik

Supplier System → Data Pemasok

Carbon Tracking → Data Emisi

Kemudian:

Agentic AI → Validasi → Analisis → Dashboard → Laporan

Integrasi dapat mengurangi proses pemindahan data secara manual.

Agentic AI sebagai Asisten Tim Sustainability

Agentic AI sebaiknya diposisikan sebagai asisten, bukan pengganti seluruh tim sustainability.

Sistem dapat menangani pekerjaan rutin seperti:

Mengumpulkan data

Memeriksa kelengkapan

Menghitung berdasarkan aturan

Mendeteksi anomali

Membuat ringkasan

Sementara manusia tetap berperan dalam:

Menentukan strategi

Menetapkan target

Memeriksa metodologi

Mengambil keputusan

Memberikan persetujuan

Dengan pembagian tersebut, teknologi dapat membantu meningkatkan produktivitas tim.

Pentingnya Human-in-the-Loop

Tidak semua keputusan sebaiknya dilakukan AI secara otomatis.

Perusahaan dapat menggunakan pendekatan human-in-the-loop, yaitu keputusan tertentu membutuhkan pemeriksaan manusia.

Contohnya:

AI mendeteksi anomali → Tim memeriksa → Tim menyetujui koreksi

atau:

AI memberikan rekomendasi → Manajemen mengevaluasi → Keputusan dibuat

Pendekatan tersebut penting terutama untuk data yang digunakan dalam laporan resmi atau keputusan investasi.

Keamanan dan Privasi Data

Agentic AI dapat mengakses data bisnis yang penting.

Karena itu, perusahaan perlu mengatur:

Hak akses

Keamanan database

Autentikasi

Enkripsi

Audit log

Kebijakan penyimpanan data

Pembatasan akses antar pengguna

Sistem sebaiknya hanya mendapatkan akses yang memang diperlukan untuk menjalankan tugasnya.

Risiko Kesalahan AI

Agentic AI tetap dapat menghasilkan kesalahan.

Contohnya:

Salah mengklasifikasikan aktivitas

Menggunakan data yang belum diperiksa

Menginterpretasikan format secara keliru

Memberikan rekomendasi berdasarkan data tidak lengkap

Karena itu:

AI → Rekomendasi → Validasi Manusia → Keputusan

Kontrol manusia tetap menjadi bagian penting dari sistem.

Cara Memulai Agentic AI untuk Carbon Tracking

Perusahaan tidak perlu langsung mengotomatisasi seluruh proses.

Tahap awal dapat dimulai dari satu pekerjaan sederhana.

Misalnya:

Tahap 1 → Pemeriksaan kelengkapan data

Tahap 2 → Validasi dan deteksi anomali

Tahap 3 → Otomatisasi perhitungan

Tahap 4 → Dashboard otomatis

Tahap 5 → Analisis dan rekomendasi

Pendekatan bertahap membantu perusahaan mengevaluasi manfaat dan risiko sebelum memperluas sistem.

Contoh Alur Kerja Agentic AI

Misalnya perusahaan memiliki data listrik dari beberapa fasilitas.

Agentic AI dapat menjalankan:

1. Mengambil data listrik

2. Memeriksa apakah semua fasilitas sudah mengirim data

3. Memeriksa satuan

4. Mendeteksi nilai yang tidak biasa

5. Menggunakan faktor emisi yang telah disetujui

6. Menghitung CO₂e

7. Memperbarui dashboard

8. Membandingkan dengan target

9. Membuat ringkasan

Jika ditemukan masalah, sistem dapat mengirimkannya kepada penanggung jawab untuk diperiksa.

Dari Data Menuju Tindakan

Nilai utama Agentic AI bukan hanya kemampuan mengolah data.

Sistem perlu membantu perusahaan mengubah data menjadi tindakan.

Contohnya:

AI menemukan konsumsi listrik meningkat

Kemudian:

Sistem menandai fasilitas → Tim memeriksa → Penyebab ditemukan → Program efisiensi dilakukan → Hasil dipantau

Alurnya menjadi:

Data → Deteksi → Analisis → Keputusan → Tindakan → Monitoring

Dengan demikian, carbon tracking menjadi lebih aktif dan tidak hanya menghasilkan laporan.

Masa Depan Agentic AI dalam Pengelolaan Karbon

Seiring berkembangnya sistem digital, Agentic AI berpotensi terhubung dengan semakin banyak sumber data perusahaan.

Sistem dapat membantu menghubungkan data energi, produksi, logistik, keuangan, dan rantai pasok dalam satu alur kerja.

Di masa depan, perusahaan dapat memiliki asisten karbon digital yang membantu memantau kondisi emisi secara berkelanjutan.

Namun, keberhasilan sistem tetap bergantung pada kualitas data, metodologi yang tepat, keamanan, tata kelola, dan pengawasan manusia.

Kesimpulan

Agentic AI sebagai asisten pengelolaan jejak karbon dapat membantu perusahaan mengelola proses carbon tracking yang semakin kompleks.

Teknologi ini dapat membantu mengumpulkan data, memeriksa kelengkapan, menstandarkan format, mengklasifikasikan aktivitas, menghitung emisi, mendeteksi anomali, memperbarui dashboard, memantau KPI, serta membuat ringkasan dan analisis.

Agentic AI juga dapat mendukung carbon accounting, Scope 1, Scope 2, Scope 3, roadmap pengurangan emisi, pengelolaan pemasok, dan pelaporan ESG.

Namun, Agentic AI sebaiknya digunakan sebagai asisten bagi manusia, bukan sebagai pengganti seluruh proses pengambilan keputusan. Metodologi, validasi, keamanan data, dan keputusan strategis tetap membutuhkan pengawasan manusia.

Dengan menggabungkan carbon tracking, data berkualitas, sistem digital, dan Agentic AI, perusahaan dapat membangun pengelolaan jejak karbon yang lebih otomatis, terstruktur, dan responsif.

Pada akhirnya, Agentic AI dapat membantu mengubah proses pengelolaan karbon dari sekadar mengumpulkan dan melaporkan data menjadi sistem yang mampu mendeteksi masalah, memberikan informasi, membantu analisis, dan mendukung tindakan pengurangan emisi secara lebih cepat.