Working Paper | AI Footprint, Climate Handprint, and New Monetary Trinity

WORKING PAPER • IMRAD • CONTRA-NARRATIVE MODEL

AI Footprint, Climate Handprint, and New Monetary Trinity

Menjawab kontra-narasi AI boros energi, greenwashing data center, mandat bank sentral, inflasi transisi energi, dan risiko fiskal melalui kerangka makro-moneter Indonesia.

Konteks: IndonesiaMetode: ARDL/ECM • TVECM • BVECM • TVP-VECMKanal: Inflasi • REER • SUN • IHSG • FiskalKerangka: New Monetary Trinity

Abstract

Artificial Intelligence (AI) is increasingly framed as both an energy-intensive technology and a climate-enabling instrument. This paper argues that the macroeconomic significance of AI in emerging markets should not be assessed only by its electricity footprint, but by whether its climate handprint can reduce energy intensity, improve grid efficiency, accelerate renewable integration, and lower inflationary, external, financial, and fiscal pressures. Building on the New Monetary Trinity framework developed for Indonesia—price stability, financial system stability, and fiscal sustainability—this paper introduces the AI Footprint–Handprint Monetary Balance as a policy metric to evaluate whether AI strengthens or weakens macro-monetary stability. The paper explicitly responds to five contra-narratives: AI as an energy burden, greenwashing risks in data centers, central bank mandate constraints, transition-induced inflation, and fiscal burden from energy infrastructure. Methodologically, the paper proposes a sequential empirical design: ARDL/ECM for long-run and short-run relationships, TVECM for regime-dependent nonlinear transmission, BVECM for Bayesian robustness, and TVP-VECM for time-varying parameters. The results are presented as an empirical roadmap and policy simulation rather than final econometric estimates. The central proposition is that AI becomes a monetary stabilizer only when its climate handprint exceeds its energy footprint through clean power procurement, smart grid investment, storage deployment, green financing, and coordinated digital-energy-monetary governance.

Keywords: Artificial Intelligence; Climate Handprint; Energy Footprint; New Monetary Trinity; Monetary Policy; Green Data Center; SUN; REER; IHSG; Fiscal Sustainability.

Executive Proposition

AI tidak otomatis hijau dan tidak otomatis berbahaya. AI menjadi penguat New Monetary Trinity hanya jika climate handprint-nya lebih besar daripada energy footprint-nya serta mampu meredam inflasi energi, tekanan REER, risiko SUN, volatilitas IHSG, dan beban fiskal.

Risk

Footprint

Kenaikan listrik data center, cooling, impor perangkat, dan risiko emisi.

Opportunity

Handprint

Efisiensi grid, forecasting, integrasi EBT, penurunan intensitas energi.

Transmission

SUN–REER–IHSG

Kanal makro-finansial yang menghubungkan energi digital ke stabilitas moneter.

Policy

NMT

Stabilitas harga, sistem keuangan, dan keberlanjutan fiskal.

I. Introduction

Gelombang AI menciptakan paradoks baru dalam ekonomi energi. Di satu sisi, model AI berskala besar dan ekspansi data center meningkatkan konsumsi listrik, kebutuhan pendinginan, permintaan storage, dan tekanan jaringan. IEA memperkirakan konsumsi listrik data center global dapat meningkat lebih dari dua kali lipat menuju sekitar 945 TWh pada 2030. Di sisi lain, WEF dan KPMG menekankan bahwa AI juga dapat memperbesar climate handprint melalui efisiensi energi, optimasi jaringan, adaptasi iklim, perlindungan biodiversitas, inovasi sirkular, dan integrasi energi terbarukan.

Untuk Indonesia, isu ini tidak cukup diperlakukan sebagai isu teknologi digital. Pertumbuhan AI dan data center dapat memengaruhi inflasi energi, nilai tukar, impor teknologi, permintaan listrik, kebutuhan investasi grid, belanja fiskal energi, yield Surat Utang Negara (SUN), serta sentimen pasar saham. Dengan demikian, AI menjadi shock makro-moneter baru yang perlu dibaca melalui kerangka stabilitas harga, stabilitas sistem keuangan, dan keberlanjutan fiskal.

Paper ini memperluas kerangka disertasi “Strategi Quantitative Easing dan New Monetary Trinity di Indonesia”. Dalam disertasi tersebut, transmisi kebijakan Indonesia tidak hanya bekerja melalui suku bunga, tetapi lebih kuat melalui SUN, REER, dan IHSG, serta bersifat state-dependent dan time-varying. Kerangka tersebut relevan untuk membaca AI–energy transition karena dampak AI terhadap makroekonomi juga bergantung pada kondisi rezim: apakah listrik masih berbasis fosil dan jaringan lemah, atau sudah didukung EBT, storage, dan pembiayaan hijau.

Research Questions

Apakah pertumbuhan AI dan data center memperkuat atau melemahkan stabilitas harga, stabilitas sistem keuangan, dan keberlanjutan fiskal di Indonesia?
Apakah climate handprint AI mampu mengimbangi energy footprint AI melalui efisiensi grid, integrasi EBT, dan penurunan intensitas energi?
Bagaimana AI–energy shock ditransmisikan ke inflasi, REER, SUN, IHSG, dan indikator fiskal?
Model kebijakan apa yang dapat mencegah AI menjadi beban energi sekaligus mengoptimalkan AI sebagai instrumen transisi energi?

Novelty

Kebaruan utama: paper ini mengembangkan konsep AI Footprint–Handprint Monetary Balance untuk menghubungkan AI, transisi energi, inflasi, nilai tukar, pasar SUN, IHSG, dan keberlanjutan fiskal dalam kerangka AI-Enabled New Monetary Trinity.

II. Contra Narrative and Evidence-Based Response

Bagian ini menjadikan kontra-narasi sebagai inti paper, bukan catatan tambahan. Setiap kontra-narasi diterjemahkan menjadi variabel risiko, kanal transmisi, dan respons kebijakan.

Kontra 1: “AI boros energi dan memperburuk emisi.”

Benar jika data center tumbuh lebih cepat daripada EBT, storage, dan grid. Risiko ini muncul melalui kenaikan listrik, cooling, dan backup fossil generation.

Jawaban model:

Uji apakah indeks handprint lebih besar daripada footprint. Jika tidak, AI menjadi cost-push shock dan tekanan fiskal.

Kontra 2: “Climate handprint hanya greenwashing.”

Klaim efisiensi AI dapat bias jika tidak diukur dengan MRV, baseline, additionality, dan audit emisi.

Jawaban model:

Handprint harus dihitung dari pengurangan intensitas energi, efisiensi grid, penurunan losses, dan integrasi EBT yang terukur.

Kontra 3: “Bank sentral tidak boleh mengurus AI dan iklim.”

Mandat bank sentral tetap stabilitas harga dan sistem keuangan, bukan industrial policy.

Jawaban model:

AI–energi relevan bagi bank sentral karena memengaruhi inflasi, nilai tukar, collateral risk, SBN, dan stabilitas pasar keuangan.

Kontra 4: “Transisi energi justru memicu inflasi.”

Investasi grid, carbon pricing, dan perubahan bauran energi dapat menaikkan harga jangka pendek.

Jawaban model:

Perlu TVECM: dalam rezim awal, AI/EBT bisa inflasioner; dalam rezim matang, AI menurunkan intensitas energi dan biaya sistem.

Kontra 5: “Green data center memperberat APBN.”

Jika infrastruktur ditopang subsidi tanpa produktivitas, risiko fiskal dan yield SUN meningkat.

Jawaban model:

Gunakan green bond/SBN tematik, PPA hijau, tarif berbasis lokasi, dan private capital agar crowding-in lebih besar dari fiscal burden.

Kontra 6: “Indonesia belum siap secara data.”

Data konsumsi listrik data center dan efisiensi AI mungkin terbatas.

Jawaban model:

Gunakan proxy bertahap: ICT electricity, data center capacity, EBT share, energy intensity, CO₂ power sector, REER, SUN yield, IHSG.

III. Methods

Metode dirancang sebagai sequential mixed econometric-policy simulation design. Tahapan empiris mengikuti logika disertasi: ARDL/ECM untuk hubungan jangka pendek dan jangka panjang; TVECM untuk rezim nonlinier; BVECM untuk robustness Bayesian; dan TVP-VECM untuk parameter yang berubah waktu.

3.1 Data and Variables

Kelompok	Variabel	Makna Ekonomi	Sumber Utama
AI Footprint	AI electricity demand, data center capacity, cooling load	Beban energi digital dan potensi emisi	IEA, KPMG, WEF, laporan data center Indonesia
AI Handprint	Grid efficiency gain, renewable integration, energy intensity reduction	Kontribusi AI menurunkan biaya dan emisi sistem	KPMG, IEA, PLN/RUPTL, ESDM
Stabilitas Harga	Inflasi, BI-Rate/BI7DRR, harga energi	Tekanan harga dan respons moneter	BPS, Bank Indonesia, Kemenkeu
Eksternal	REER, JISDOR, impor energi/teknologi	Tekanan neraca eksternal dan daya saing	BI, BIS, World Bank, IMF
Keuangan	IHSG, SUN/SBN yield, green bond/sukuk	Stabilitas pasar keuangan dan pembiayaan transisi	IDX, DJPPR, Kemenkeu
Fiskal	Subsidi energi, belanja grid, green financing	Keberlanjutan fiskal dan risiko crowding-out	Kemenkeu, DJPPR, APBN

3.2 Empirical Workflow

Step 1 — Construct indices. Bangun indeks AI Footprint, AI Handprint, dan Monetary Stress.

Step 2 — Stationarity tests. Gunakan ADF, PP, KPSS untuk memastikan integrasi I(0)/I(1), bukan I(2).

Step 3 — ARDL bounds test. Uji kointegrasi antara AI Balance dan variabel makro-moneter.

Step 4 — ECM interpretation. Estimasi kecepatan koreksi deviasi jangka panjang.

Step 5 — TVECM threshold. Pisahkan rezim footprint-dominant dan handprint-dominant.

Step 6 — BVECM robustness. Validasi IRF dan kointegrasi dengan prior Bayesian.

Step 7 — TVP-VECM. Petakan perubahan dampak AI terhadap inflasi, REER, SUN, IHSG, dan fiskal dari waktu ke waktu.

Step 8 — Policy simulation. Gunakan simulator untuk menguji skenario green data center, PPA hijau, storage, dan grid readiness.

IV. Mathematical Modeling

4.1 AI Footprint Index

Indeks footprint mengukur tekanan energi dan emisi dari ekspansi AI.

\[ AF_t = w_1 \Delta E^{DC}_t + w_2 CI^{grid}_t + w_3 CL_t + w_4 IM^{tech}_t + w_5 WU_t \]

Keterangan: \(E^{DC}\) konsumsi listrik data center, \(CI^{grid}\) intensitas karbon jaringan, \(CL\) cooling load, \(IM^{tech}\) impor perangkat/chip/server, dan \(WU\) tekanan penggunaan air.

4.2 AI Climate Handprint Index

Indeks handprint mengukur kontribusi AI terhadap efisiensi sistem energi dan penurunan emisi.

\[ AH_t = v_1 GE_t + v_2 RI_t + v_3 EIRED_t + v_4 FL_t + v_5 DR_t + v_6 AB_t \]

Keterangan: \(GE\) grid efficiency, \(RI\) renewable integration, \(EIRED\) energy-intensity reduction, \(FL\) forecasting loss reduction, \(DR\) demand response, dan \(AB\) avoided blackouts.

4.3 AI Footprint–Handprint Monetary Balance

\[ AHB_t = AH_t – AF_t \]

Jika \(AHB_t > 0\), AI cenderung memperkuat stabilitas moneter melalui efisiensi dan transisi energi. Jika \(AHB_t < 0\), AI cenderung menjadi beban energi dan shock makro.

4.4 Monetary Stress Index

\[ MSI_t = \omega_1 \pi_t + \omega_2 \Delta REER_t + \omega_3 y^{SUN}_t + \omega_4 \sigma^{IHSG}_t + \omega_5 FB_t \]

Keterangan: \(\pi\) inflasi, \(REER\) real effective exchange rate, \(y^{SUN}\) yield SUN, \(\sigma^{IHSG}\) volatilitas pasar saham, dan \(FB\) fiscal burden energi.

4.5 ARDL/ECM Model

Model ARDL menguji apakah AI balance memiliki hubungan jangka panjang dengan stabilitas moneter.

\[ MSI_t = \alpha_0 + \sum_{i=1}^{p}\alpha_i MSI_{t-i} + \sum_{j=0}^{q}\beta_j AHB_{t-j} + \sum_{k=0}^{r}\gamma_k Z_{t-k} + \varepsilon_t \]

\[ \Delta MSI_t = \lambda\left(MSI_{t-1}-\theta_0-\theta_1 AHB_{t-1}-\theta_2 Z_{t-1}\right) + \sum_i \phi_i\Delta MSI_{t-i}+\sum_j \psi_j\Delta AHB_{t-j}+u_t \]

Ekspektasi tanda utama: \(\theta_1<0\). Artinya, semakin besar handprint relatif terhadap footprint, semakin rendah tekanan moneter.

4.6 Threshold VECM

TVECM membedakan dua rezim: rezim AI sebagai beban energi dan rezim AI sebagai akselerator transisi energi.

\[ \Delta X_t = \begin{cases} \mu_1 + \alpha_1 ECT_{t-1}+\sum_{i=1}^{k}\Gamma_{1i}\Delta X_{t-i}+\varepsilon_{1t}, & AHB_{t-d}\leq \tau \\ \mu_2 + \alpha_2 ECT_{t-1}+\sum_{i=1}^{k}\Gamma_{2i}\Delta X_{t-i}+\varepsilon_{2t}, & AHB_{t-d}> \tau \end{cases} \]

\(X_t=[MSI_t, AHB_t, \pi_t, REER_t, y^{SUN}_t, IHSG_t, FB_t]^{\prime}\). Threshold \(\tau\) memisahkan kondisi ketika AI footprint lebih dominan dan ketika handprint lebih dominan.

4.7 Bayesian VECM

\[ \Delta X_t = c + \alpha\beta’X_{t-1}+\sum_{i=1}^{k-1}\Gamma_i\Delta X_{t-i}+\varepsilon_t, \quad \varepsilon_t\sim N(0,\Sigma) \]

\[ p(\Theta|X) \propto L(X|\Theta)\,p(\Theta) \]

BVECM digunakan untuk robustness check terhadap struktur kointegrasi dan respons impuls, khususnya ketika sampel terbatas dan parameter rentan terhadap ketidakpastian.

4.8 Time-Varying Parameter VECM

\[ \Delta X_t = c_t + \alpha_t\beta_t’X_{t-1}+\sum_{i=1}^{k-1}\Gamma_{i,t}\Delta X_{t-i}+\varepsilon_t \]

\[ \Theta_t = \Theta_{t-1} + \eta_t, \quad \eta_t\sim N(0,Q) \]

TVP-VECM menangkap kemungkinan bahwa AI pada fase awal menjadi cost-push energy shock, tetapi pada fase transisi matang berubah menjadi productivity-enhancing and disinflationary technology.

V. Interactive Simulators and Calculators

Simulator ini bersifat ilustratif untuk membantu pembaca memahami logika model, bukan pengganti estimasi ekonometrika aktual.

Simulator 1 — AI Footprint vs Handprint

Data center electricity growth (%)

Grid carbon intensity (0–100)

Renewable integration gain (%)

Grid efficiency gain (%)

AI Balance Score

Simulator 2 — Monetary Stress Channel

Energy price pressure (%)

Import dependency pressure (0–100)

Green financing share (%)

Fiscal subsidy exposure (%)

Monetary Stress Index

Simulator 3 — Regime Classifier TVECM

Threshold illustrative: \(\tau=0\). Jika AI Balance negatif, rezim footprint-dominant; jika positif, handprint-dominant.

Detected Regime

–

Simulator 4 — Policy Priority Calculator

Top Policy Priority

–

VI. Results

Karena paper ini adalah desain awal riset/working paper, hasil disajikan sebagai expected empirical results dan simulasi kebijakan. Angka aktual harus diperoleh melalui estimasi dataset final.

Result 1

AI footprint dapat menjadi cost-push shock

Ketika pertumbuhan data center terjadi pada grid yang karbon-intensif dan belum didukung storage, AI dapat meningkatkan tekanan energi, inflasi biaya, kebutuhan impor, dan tekanan REER.

Result 2

AI handprint dapat menjadi disinflationary channel

Ketika AI meningkatkan efisiensi grid dan integrasi EBT, efeknya dapat menurunkan intensitas energi dan mengurangi tekanan harga jangka menengah.

Result 3

SUN–REER–IHSG adalah kanal utama

AI–energy shock diperkirakan tidak hanya masuk melalui BI-Rate, tetapi melalui pasar SUN, nilai tukar riil, dan sentimen pasar saham/green finance.

Expected Sign Matrix

Shock	Inflasi	REER	SUN Yield	IHSG	Fiskal	Interpretasi
AI Footprint naik	+	tekanan depresiatif	+	-/volatil	+	AI menjadi beban energi dan fiskal.
AI Handprint naik	–	stabil/apresiatif	–	+	–	AI memperkuat efisiensi dan stabilitas.
Green financing naik	netral/-	stabil	–	+	–	Crowding-in pembiayaan transisi.
Energy subsidy exposure naik	tertahan jangka pendek	rentan	+	–	+	Inflasi tertahan tetapi risiko fiskal meningkat.

VII. Discussion

7.1 Menjawab Kontra-Narasi “AI Boros Energi”

Kontra-narasi ini valid tetapi belum lengkap. AI memang menaikkan permintaan listrik, tetapi pertanyaan kebijakan yang lebih penting adalah apakah pertumbuhan listrik AI terjadi pada sistem energi yang bersih, fleksibel, dan efisien. Jika ya, AI dapat mempercepat transisi energi; jika tidak, AI memperbesar tekanan inflasi energi dan risiko fiskal.

7.2 Menjawab Kontra-Narasi “Handprint adalah Greenwashing”

Klaim handprint hanya sah jika memenuhi empat syarat: baseline jelas, additionality, measurable emissions reduction, dan audit MRV. Karena itu, paper ini tidak memakai handprint sebagai slogan, tetapi sebagai indeks yang harus diuji terhadap variabel moneter dan fiskal.

7.3 Menjawab Kontra-Narasi Mandat Bank Sentral

Paper ini tidak meminta bank sentral menjadi regulator AI atau operator transisi energi. Argumennya lebih terbatas dan konsisten dengan mandat: AI–energy transition perlu diperhatikan karena dapat memengaruhi inflasi, nilai tukar, transmisi moneter, risiko kolateral, stabilitas pasar SBN, dan risiko sistem keuangan.

7.4 Koneksi ke New Monetary Trinity

Kerangka New Monetary Trinity menjadi relevan karena AI–energy shock menyentuh tiga pilar sekaligus. Pilar stabilitas harga terganggu jika AI meningkatkan biaya energi. Pilar stabilitas sistem keuangan terganggu jika investasi data center dan energi menciptakan repricing aset, yield pressure, atau volatilitas IHSG. Pilar keberlanjutan fiskal terganggu jika kebutuhan grid dan subsidi energi meningkat tanpa mekanisme pembiayaan hijau yang kuat.

Interpretasi inti: AI-enabled energy transition adalah kebijakan lintas rezim. Dalam rezim footprint-dominant, prioritas kebijakan adalah menahan risiko inflasi, REER, dan fiskal. Dalam rezim handprint-dominant, prioritas kebijakan bergeser pada crowding-in investasi hijau, smart grid, green data center, dan pendalaman pasar keuangan hijau.

VIII. Policy Implications

1. Green Data Center Standard

Tetapkan standar PUE, renewable procurement, water efficiency, waste heat recovery, dan disclosure emisi untuk data center besar.

2. Clean Power Procurement

Dorong PPA hijau, matching 24/7 clean electricity, dan tarif berbasis lokasi agar data center tumbuh di wilayah yang grid-nya siap.

3. Monetary-Fiscal-Energy Dashboard

Bangun dashboard indikator AI Footprint, AI Handprint, inflasi energi, REER, SUN yield, IHSG, dan beban fiskal energi.

4. Green SBN and Transition Finance

Gunakan green sukuk/SBN tematik untuk membiayai grid, storage, smart metering, dan AI-enabled energy efficiency tanpa menambah risiko fiskal berlebihan.

5. MRV for AI Climate Handprint

Setiap klaim AI menurunkan emisi harus diukur dengan baseline, additionality, audit, dan pelaporan yang konsisten.

6. Central Bank Risk Lens

BI tidak perlu mengatur AI secara langsung, tetapi perlu memasukkan AI–energy transition risk dalam analisis inflasi, nilai tukar, sistem pembayaran, collateral, dan stabilitas pasar keuangan.

IX. Conclusion

Paper ini menyimpulkan bahwa AI adalah variabel baru dalam stabilitas makro-moneter Indonesia. Jika AI tumbuh di atas sistem energi yang masih karbon-intensif dan grid-constrained, maka AI berpotensi meningkatkan tekanan inflasi energi, tekanan REER, yield SUN, volatilitas IHSG, dan risiko fiskal. Namun jika AI diarahkan untuk memperbesar climate handprint melalui efisiensi grid, integrasi energi terbarukan, demand response, storage, dan pembiayaan hijau, maka AI dapat menjadi instrumen baru yang memperkuat New Monetary Trinity.

Jawaban terhadap kontra-narasi bukanlah menolak kritik terhadap AI, tetapi mengubah kritik tersebut menjadi desain kebijakan dan model empiris. Dengan demikian, pertanyaan utama bukan lagi apakah AI baik atau buruk bagi iklim, melainkan: di bawah rezim apa AI memperkuat stabilitas moneter, dan di bawah rezim apa AI justru melemahkannya?

References and Data Sources

World Economic Forum. 2026. Why AI will be key to accelerating the energy transition.
KPMG. 2026. AI’s Dual Promise: Enabling positive climate outcomes and powering the energy transition.
International Energy Agency. 2025/2026. Energy and AI; Energy demand from AI.
PLN / Ditjen Gatrik ESDM. 2025. RUPTL 2025–2034: Beyond the Greenest RUPTL.
Bank for International Settlements. 2026. Climate change and central banking: macroeconomic impact and implications for monetary policy.
Network for Greening the Financial System. Monetary policy and climate change; Greening monetary policy operations.
Bank Indonesia. BI-Rate/BI7DRR, kurs, neraca pembayaran, dan statistik ekonomi keuangan Indonesia.
Badan Pusat Statistik. Inflasi, PDB, indikator energi dan ekonomi makro.
DJPPR Kementerian Keuangan. Data SBN/SUN, green sukuk, dan pembiayaan pemerintah.
Bursa Efek Indonesia. IHSG, indeks sektoral, dan statistik pasar modal.
Akbar, Dudi Duta. 2025. Strategi Quantitative Easing dan New Monetary Trinity di Indonesia. Disertasi Doktor, IPB University.