AI Footprint, Climate Handprint, and New Monetary Trinity

Working Paper · Premium HTML · IMRAD

AI Footprint, Climate Handprint, and New Monetary Trinity

Energy transition, monetary stability, and fiscal sustainability in Indonesia: sebuah rancangan working paper berbasis indeks, model ekonometrika, dan simulator kebijakan.

FokusAI–Energi–Moneter

KerangkaNew Monetary Trinity

MetodeARDL/ECM, TVECM, BVECM, TVP-VECM

OutputModel, simulasi, policy dashboard

Abstract

Artificial Intelligence (AI) is increasingly framed as both an energy-intensive technology and a climate-enabling instrument. While the expansion of data centers and AI computing may increase electricity demand, fossil-based generation, energy imports, and fiscal pressure, AI may also generate a positive climate handprint by improving grid efficiency, enabling renewable integration, reducing energy intensity, and supporting emissions reductions across sectors. This working paper extends the New Monetary Trinity framework to examine AI-energy transition as a new macro-monetary shock for Indonesia.

Building on the premise that macro-financial stability in emerging markets is transmitted not only through interest rates but also through government securities, exchange rates, and financial markets, this paper links AI footprint and climate handprint to inflation, REER, SUN, IHSG, and fiscal sustainability. Methodologically, the study proposes an AI Footprint–Handprint Monetary Balance Index, ARDL/ECM for long-run and short-run relationships, TVECM for nonlinear regimes, BVECM for Bayesian robustness, and TVP-VECM for time-varying effects. The paper argues that AI will strengthen Indonesia’s New Monetary Trinity only if its climate handprint exceeds its energy footprint through clean power procurement, smart-grid investment, energy storage, green financing, and coordinated monetary–fiscal–energy governance. Otherwise, AI may produce a digital-energy paradox: digital productivity rises, but macroeconomic stability weakens through energy inflation, fiscal burden, and external pressure.

Keywords: Artificial Intelligence; climate handprint; energy transition; monetary policy; New Monetary Trinity; SUN; REER; IHSG; Indonesia.

1. Introduction

AI kini berada di persimpangan kebijakan energi dan stabilitas makroekonomi. Di satu sisi, ekspansi data center, cloud computing, dan model AI berskala besar meningkatkan permintaan listrik. International Energy Agency memperkirakan konsumsi listrik global data center dapat lebih dari dua kali lipat menjadi sekitar 945 TWh pada 2030 dalam skenario dasar. Di sisi lain, laporan KPMG dan World Economic Forum menempatkan AI sebagai climate tool yang dapat memperluas climate handprint melalui efisiensi energi, optimasi jaringan, integrasi energi terbarukan, dan pengurangan emisi lintas sektor.

Dalam konteks Indonesia, isu ini menjadi lebih strategis karena transisi energi nasional sedang memasuki fase percepatan. RUPTL PLN 2025–2034 menargetkan tambahan kapasitas pembangkit 69,5 GW, dengan 76% kapasitas tambahan berasal dari pembangkit hijau dan storage. Namun, pertumbuhan data center dan infrastruktur AI berpotensi menciptakan permintaan listrik baru yang besar. Karena itu, pertanyaan utama bukan lagi apakah AI boros energi atau ramah iklim, melainkan: apakah climate handprint AI cukup besar untuk mengimbangi energy footprint-nya, dan bagaimana dampaknya terhadap stabilitas moneter Indonesia?

Central argument. AI perlu dibaca sebagai shock makro-moneter baru. Jika AI meningkatkan permintaan listrik berbasis fosil, ia dapat mendorong inflasi energi, menekan nilai tukar, meningkatkan beban subsidi, memperbesar kebutuhan pembiayaan, dan memengaruhi pasar SUN. Tetapi jika AI memperbaiki efisiensi grid, integrasi energi terbarukan, dan produktivitas sektor riil, ia dapat memperkuat stabilitas harga, stabilitas sistem keuangan, dan keberlanjutan fiskal.

1.1 Link to the New Monetary Trinity

Disertasi Strategi Quantitative Easing dan New Monetary Trinity di Indonesia menunjukkan bahwa efektivitas kebijakan moneter Indonesia tidak cukup dijelaskan melalui suku bunga saja. Transmisi kebijakan lebih kuat melalui SUN, REER, dan IHSG, serta bersifat state-dependent dan time-varying. Logika ini menjadi fondasi working paper ini. Jika QE dalam disertasi diperlakukan sebagai instrumen kebijakan saat krisis, maka AI-energy transition dalam paper ini diperlakukan sebagai shock baru yang dapat mengubah peta stabilitas makro-moneter.

Price Stability

Inflasi energi

AI footprint dapat menaikkan permintaan listrik dan biaya energi. AI handprint dapat menekan biaya melalui efisiensi dan prediksi beban.

Financial Stability

SUN, IHSG, green finance

Investasi data center, smart grid, storage, dan EBT memengaruhi pembiayaan, pasar modal, yield SUN, serta sentimen sektor teknologi-energi.

Fiscal Sustainability

Subsidi dan APBN energi

Jika AI bergantung pada listrik fosil dan subsidi, beban fiskal naik. Jika AI menurunkan intensitas energi, subsidi dapat lebih terkendali.

1.2 Research Questions

Bagaimana AI footprint dan climate handprint memengaruhi stabilitas harga, nilai tukar, pasar SUN, IHSG, dan keberlanjutan fiskal Indonesia?
Apakah climate handprint AI mampu mengimbangi energy footprint AI dalam konteks transisi energi Indonesia?
Bagaimana desain model ARDL/ECM, TVECM, BVECM, dan TVP-VECM dapat digunakan untuk menguji dampak AI-energy shock terhadap New Monetary Trinity?
Kebijakan apa yang diperlukan agar AI menjadi akselerator transisi energi dan bukan sumber digital-energy paradox?

2. Methods

Working paper ini menggunakan rancangan metode bertingkat. Tahap pertama membangun indeks AI Footprint–Handprint Monetary Balance. Tahap kedua menguji hubungan jangka pendek dan panjang dengan ARDL/ECM. Tahap ketiga menggunakan TVECM untuk menangkap rezim AI-as-energy-burden dan AI-as-climate-accelerator. Tahap keempat menggunakan BVECM sebagai robustness check. Tahap kelima menggunakan TVP-VECM untuk menangkap perubahan parameter lintas waktu.

2.1 Variables and Data Architecture

Blok	Variabel	Fungsi dalam model	Sumber data yang disarankan
AI Footprint	AI electricity demand, data center load, cooling intensity	Mengukur tekanan tambahan terhadap listrik, emisi, impor energi, dan jaringan	IEA, KPMG, WEF, laporan data center nasional/regional
AI Climate Handprint	Grid efficiency gain, renewable integration, avoided emissions, energy intensity reduction	Mengukur manfaat AI terhadap dekarbonisasi dan efisiensi energi	KPMG, IEA, ESDM, PLN, IRENA
Moneter	Inflasi, BI7DRR, REER/JISDOR	Menangkap stabilitas harga, respons kebijakan moneter, dan tekanan eksternal	BPS, Bank Indonesia, BIS/World Bank
Pasar keuangan	IHSG, SUN/SBN yield, kepemilikan SBN	Menangkap stabilitas sistem keuangan dan kanal pembiayaan	IDX, DJPPR Kemenkeu, Bank Indonesia
Fiskal	Subsidi energi, green sukuk, belanja infrastruktur energi, defisit	Menilai keberlanjutan fiskal dan kapasitas pembiayaan transisi	Kemenkeu, DJPPR, APBN, laporan green sukuk

2.2 AI Footprint–Handprint Monetary Balance Index

Indeks ini dirancang untuk mengukur apakah AI menjadi beban energi atau akselerator transisi energi. Nilai positif menunjukkan climate handprint lebih besar daripada footprint. Nilai negatif menunjukkan risiko digital-energy paradox.

\[ AFI_t = w_1 EAI_t + w_2 CI_t + w_3 FOS_t + w_4 IMP_t + w_5 COOL_t \]

AI Footprint Index (AFI): beban energi AI, intensitas karbon, ketergantungan fosil, impor energi/teknologi, dan kebutuhan pendinginan.

\[ AHI_t = v_1 GRID_t + v_2 REN_t + v_3 EFF_t + v_4 AVOID_t + v_5 PROD_t \]

AI Handprint Index (AHI): efisiensi grid, integrasi EBT, efisiensi energi, emisi yang dihindari, dan produktivitas.

\[ NAMB_t = AHI_t – AFI_t \]

Net AI Monetary Balance (NAMB): indikator apakah AI memperkuat atau melemahkan New Monetary Trinity.

2.3 ARDL/ECM: Long-run and Short-run Transmission

ARDL digunakan karena sesuai untuk data time series dengan ukuran sampel terbatas dan variabel yang dapat bercampur I(0)/I(1), selama tidak I(2). Model utama diarahkan pada inflasi, REER, SUN, IHSG, dan PDB sebagai variabel dependen alternatif.

\[ \Delta y_t = \alpha_0 + \sum_{i=1}^{p}\phi_i\Delta y_{t-i} + \sum_{j=0}^{q}\beta_j\Delta X_{t-j} + \lambda ECT_{t-1}+\varepsilon_t \]

Dengan \(y_t\) = inflasi/REER/SUN/IHSG/PDB; \(X_t\) mencakup AFI, AHI, NAMB, BI7DRR, harga energi, EBT share, dan fiscal energy burden.

2.4 TVECM: Regime-dependent AI-energy Transmission

TVECM digunakan untuk menguji apakah hubungan AI–energi–moneter berbeda antarrezim. Rezim pertama adalah AI Footprint Dominant, ketika footprint lebih besar daripada handprint. Rezim kedua adalah AI Handprint Dominant, ketika AI berhasil memperkuat efisiensi dan transisi energi.

\[ \Delta Z_t = \begin{cases} \mu_1 + \alpha_1 ECT_{t-1}+\sum \Gamma_{1i}\Delta Z_{t-i}+u_{1t}, & ECT_{t-1}\leq \tau \\ \mu_2 + \alpha_2 ECT_{t-1}+\sum \Gamma_{2i}\Delta Z_{t-i}+u_{2t}, & ECT_{t-1}>\tau \end{cases} \]

\(Z_t\) adalah vektor [inflasi, BI7DRR, REER, SUN, IHSG, PDB, NAMB]. Threshold \(\tau\) dapat berasal dari ECT, NAMB, EBT share, atau fiscal energy burden.

2.5 BVECM: Bayesian Robustness Check

BVECM digunakan untuk memvalidasi IRF dan stabilitas hasil ketika data relatif terbatas atau struktur hubungan berubah. Prior yang dapat digunakan adalah Normal–Inverse-Wishart atau Minnesota prior.

\[ \Delta Z_t = c + \Pi Z_{t-1}+\sum_{i=1}^{k-1}\Gamma_i\Delta Z_{t-i}+\epsilon_t,\quad \epsilon_t\sim N(0,\Sigma) \]

BVECM menghasilkan posterior distribution untuk parameter, IRF, dan variance decomposition sehingga hasil tidak bergantung pada satu estimasi titik.

2.6 TVP-VECM: Time-varying AI Monetary Effects

TVP-VECM menangkap perubahan pengaruh AI-energy shock dari waktu ke waktu. Pada fase awal, AI dapat muncul sebagai cost-push shock karena kenaikan kebutuhan listrik dan impor infrastruktur. Pada fase berikutnya, AI dapat berubah menjadi productivity-enhancing shock bila berhasil menurunkan intensitas energi.

\[ \Delta Z_t = c_t + \Pi_t Z_{t-1}+\sum_{i=1}^{k-1}\Gamma_{i,t}\Delta Z_{t-i}+\epsilon_t \]

\[ \theta_t = \theta_{t-1}+\eta_t \]

\(\theta_t\) mencakup parameter yang berubah antarwaktu dan dapat diestimasi dengan Kalman filter/MCMC.

2.7 Step-by-step Estimation Procedure

Tahap	Uji/Model	Tujuan	Output
1	Data preparation	Konversi data bulanan/kuartalan, transformasi log, seasonal adjustment	Dataset siap estimasi
2	Unit root test	ADF, PP, KPSS untuk memastikan I(0)/I(1)	Status integrasi variabel
3	ARDL bounds test	Menguji kointegrasi jangka panjang	F-statistic, long-run coefficient
4	ECM	Mengukur kecepatan koreksi menuju keseimbangan	Koefisien ECT
5	Threshold search	Mencari threshold ECT/NAMB/EBT share	Nilai \(\tau\)
6	TVECM	Menguji rezim AI footprint vs handprint	Regime-specific coefficient, IRF
7	BVECM	Robustness dan posterior IRF	Credible interval dan FEVD
8	TVP-VECM	Melacak perubahan parameter lintas waktu	Time-varying coefficient dan dynamic IRF
9	Policy simulation	Menghubungkan hasil ke New Monetary Trinity	Policy regime map

3. Results

Catatan: karena working paper ini disusun sebagai rancangan awal berbasis model, hasil berikut adalah hasil simulasi ilustratif untuk memperjelas mekanisme. Estimasi final harus dilakukan dengan dataset kuartalan Indonesia yang lengkap.

3.1 Scenario Result: AI Footprint Dominant

Dalam skenario pertama, pertumbuhan data center dan AI computing berlangsung lebih cepat daripada ekspansi energi bersih. Bauran listrik masih relatif fosil, storage belum memadai, dan green power procurement belum menjadi standar. Dalam kondisi ini, AI meningkatkan tekanan permintaan listrik, memperbesar risiko inflasi energi, meningkatkan impor energi/teknologi, dan dapat menekan REER. Jalur pasar keuangan muncul melalui kenaikan kebutuhan pembiayaan infrastruktur dan potensi peningkatan yield SUN apabila investor membaca transisi energi sebagai beban fiskal baru.

Interpretasi New Monetary Trinity: AI melemahkan stabilitas harga melalui cost-push energy pressure, melemahkan stabilitas sistem keuangan melalui risiko yield dan pembiayaan, serta menekan keberlanjutan fiskal melalui subsidi dan belanja infrastruktur.

3.2 Scenario Result: Balanced Transition

Dalam skenario kedua, pertumbuhan AI diimbangi peningkatan EBT, storage, dan efisiensi grid. AI mulai menurunkan sebagian energy intensity, tetapi manfaatnya belum cukup kuat untuk menghilangkan seluruh tekanan energi. NAMB mendekati nol, sehingga posisi kebijakan bersifat hati-hati. Bank Indonesia dan pemerintah perlu menjaga ekspektasi inflasi, stabilitas nilai tukar, dan pembiayaan fiskal secara simultan.

Interpretasi New Monetary Trinity: AI belum menjadi ancaman besar, tetapi juga belum menjadi akselerator penuh. Kebijakan harus berfokus pada percepatan green PPA, smart-grid readiness, storage, dan standar green data center.

3.3 Scenario Result: AI Handprint Dominant

Dalam skenario ketiga, AI berhasil memperbaiki forecasting beban listrik, dispatch pembangkit, integrasi PLTS/angin, manajemen storage, efisiensi industri, dan pengurangan kehilangan jaringan. Climate handprint lebih besar daripada footprint. Tekanan inflasi energi berkurang, kebutuhan subsidi lebih terkendali, investasi hijau memperdalam pasar SBN tematik/green sukuk, dan IHSG mendapat dukungan dari sektor teknologi-energi produktif.

Interpretasi New Monetary Trinity: AI memperkuat stabilitas harga, menurunkan tekanan fiskal energi, dan memperdalam pasar keuangan hijau. Pada titik ini, AI menjadi instrumen pendukung New Monetary Trinity.

3.4 Expected Econometric Signs

Hubungan	Ekspektasi tanda	Penjelasan
AFI → Inflasi	Positif	AI footprint meningkatkan permintaan listrik dan biaya energi.
AHI → Inflasi	Negatif	AI handprint meningkatkan efisiensi dan menekan energy cost pass-through.
AFI → REER pressure	Negatif terhadap stabilitas eksternal	Impor server, chip, energi, dan teknologi dapat menekan neraca eksternal.
NAMB → IHSG	Positif	NAMB positif meningkatkan sentimen sektor teknologi, energi bersih, dan green investment.
AFI → SUN yield	Positif	Jika AI meningkatkan beban fiskal energi, pasar dapat meminta premi risiko lebih tinggi.
AHI → SUN yield	Negatif	Jika AI menurunkan risiko fiskal dan meningkatkan produktivitas, premi risiko dapat turun.

4. Interactive Calculators and Simulators

Bagian ini dirancang agar pembaca dapat memahami mekanisme model secara visual. Simulator tidak menggantikan estimasi empiris, tetapi membantu menjelaskan logika hasil, diskusi, dan implikasi kebijakan.

Simulator 1 — AI Footprint–Handprint Monetary Balance

Menghitung apakah AI memperkuat atau melemahkan New Monetary Trinity.

NAMB Index

AI load growth 35%Pertumbuhan beban listrik AI/data center.

Carbon intensity 65Intensitas karbon sistem listrik.

Renewable share 35%Porsi listrik bersih untuk AI/data center.

Grid efficiency gain 18%Peningkatan efisiensi grid akibat AI.

Fiscal energy burden 55Tekanan subsidi/belanja energi.

Green finance readiness 42Kesiapan green sukuk, green bonds, transition finance.

AI Footprint0lebih tinggi = risiko

AI Handprint0lebih tinggi = manfaat

NAMB0handprint − footprint

Policy Regime–classification

Simulator 2 — ARDL/ECM Adjustment Path

Menunjukkan bagaimana shock AI-energy dikoreksi menuju keseimbangan jangka panjang.

ECM

Initial disequilibrium / ECT -6.0Deviasi awal dari keseimbangan.

Adjustment speed α -0.35Semakin negatif, koreksi lebih cepat.

Short-run AI shock β 0.25Efek jangka pendek AI footprint pada tekanan moneter.

Handprint offset γ 0.18Reduksi tekanan karena efisiensi AI.

Simulator 3 — TVECM Regime Switching

Mengklasifikasikan rezim berdasarkan threshold NAMB/ECT.

TVECM

NAMB current -15Nilai bersih handprint minus footprint.

Threshold τ 0Ambang perubahan rezim.

Policy response strength 45Kekuatan koordinasi moneter-fiskal-energi.

External pressure 55Tekanan global: minyak, USD, impor teknologi.

Regime–TVECM classification

Inflation Risk00–100

REER Pressure00–100

SUN Premium00–100

Simulator 4 — Fiscal–SUN Stress Calculator

Menghubungkan belanja transisi energi, subsidi, dan premi risiko SUN.

Fiscal–SUN

Green capex multiplier 60Kualitas belanja/investasi hijau.

Subsidy pressure 50Tekanan subsidi energi.

FX/import shock 55Tekanan impor energi/teknologi terhadap rupiah.

Green bond absorption 40Kapasitas pasar menyerap SBN hijau/tematik.

Fiscal Stress00–100

SUN Yield Pressure00–100

Green Finance Buffer00–100

Policy Advice–recommendation

5. Discussion

5.1 AI as a New Monetary Shock

AI tidak dapat lagi dibaca sebagai sektor teknologi semata. AI adalah shock baru yang menghubungkan digitalisasi, energi, inflasi, nilai tukar, pasar keuangan, dan fiskal. Dalam ekonomi terbuka seperti Indonesia, kenaikan kebutuhan listrik dan impor teknologi AI dapat memengaruhi neraca eksternal dan REER. Jika listrik tambahan berasal dari energi fosil, tekanan harga energi dapat memperburuk trade-off inflasi-output. Ini sejalan dengan literatur bank sentral yang menempatkan perubahan iklim dan transisi hijau sebagai sumber risiko makroekonomi bagi output, inflasi, transmisi moneter, dan stabilitas keuangan.

5.2 Reinterpreting SUN, REER, and IHSG

Dalam disertasi New Monetary Trinity, SUN, REER, dan IHSG menjadi kanal penting transmisi QE. Pada paper ini, ketiganya juga menjadi kanal utama transmisi AI-energy shock. SUN mencerminkan kapasitas pembiayaan transisi energi dan risiko fiskal; REER mencerminkan tekanan eksternal dari impor energi/teknologi dan daya saing; IHSG mencerminkan respons pasar terhadap sektor teknologi, energi, dan pembiayaan hijau. Dengan demikian, paper ini tidak meninggalkan disertasi, tetapi memperluasnya ke isu AI dan transisi energi.

5.3 Policy Mix Implications

Rezim	Kondisi	Respons kebijakan	Tujuan New Monetary Trinity
AI Footprint Dominant	Data center tumbuh cepat, EBT lambat, subsidi naik	Standar green data center, clean PPA wajib, efisiensi pendinginan, monitoring inflasi energi	Mencegah cost-push inflation dan fiscal stress
Balanced Transition	AI tumbuh, EBT dan storage mulai mengejar	Insentif smart grid, green bond, carbon-aware computing, penyesuaian tarif berbasis waktu	Menjaga stabilitas harga dan pasar keuangan
AI Handprint Dominant	AI mempercepat efisiensi, EBT, dan produktivitas	Perluasan green finance, deepening pasar SUN hijau, integrasi AI ke MRV dan perencanaan energi	Memperkuat stabilitas harga, sistem keuangan, dan fiskal

5.4 Contribution to Theory

Paper ini menawarkan perluasan teoretis bernama AI-Enabled New Monetary Trinity. Kerangka ini menempatkan AI sebagai variabel baru dalam stabilitas makro. AI tidak otomatis hijau dan tidak otomatis berbahaya. Dampaknya bersifat state-dependent, time-varying, dan infrastructure-dependent. Dengan demikian, teori kebijakan moneter di negara berkembang perlu memasukkan dimensi digital-energy transition sebagai sumber shock baru.

6. Conclusion and Policy Recommendations

Working paper ini menyimpulkan bahwa AI dapat menjadi akselerator transisi energi sekaligus sumber tekanan baru terhadap stabilitas moneter. Dampak akhirnya ditentukan oleh keseimbangan antara energy footprint dan climate handprint. Jika footprint lebih besar, AI dapat memicu digital-energy paradox: permintaan listrik naik, inflasi energi meningkat, subsidi membesar, REER tertekan, dan pasar SUN menghadapi premi risiko. Jika handprint lebih besar, AI dapat memperkuat New Monetary Trinity melalui efisiensi energi, penurunan intensitas emisi, pembiayaan hijau, dan produktivitas sektor riil.

Rekomendasi 1

Bangun standar green AI infrastructure: PPA energi terbarukan, efisiensi pendinginan, carbon-aware computing, dan kewajiban pelaporan konsumsi energi data center.

Rekomendasi 2

Integrasikan AI ke perencanaan grid: demand forecasting, dispatch optimization, smart meter analytics, storage management, dan integrasi PLTS/angin.

Rekomendasi 3

Perdalam pasar pembiayaan hijau melalui green sukuk, transition bonds, blended finance, dan instrumen SUN tematik untuk smart grid dan storage.

Final thesis: AI akan memperkuat New Monetary Trinity Indonesia hanya jika climate handprint-nya mampu menurunkan tekanan inflasi energi, memperbaiki stabilitas eksternal, memperdalam pasar keuangan hijau, dan menjaga keberlanjutan fiskal.

References and Data Sources

Akbar, D. D. (2025). Strategi Quantitative Easing dan New Monetary Trinity di Indonesia. Disertasi, IPB University.
International Energy Agency. (2025). Energy and AI. https://www.iea.org/reports/energy-and-ai
World Economic Forum. (2026). Why AI will be key to accelerating the energy transition. https://www.weforum.org/stories/2026/05/ai-accelerating-energy-transition/
KPMG. (2026). AI’s dual promise: Enabling positive climate outcomes and powering the energy transition. KPMG report page
PT PLN / Kementerian ESDM. (2025). RUPTL PLN 2025–2034. RUPTL PDF
BIS. (2026). Climate change and central banking: macroeconomic impact and implications for monetary policy. BIS Paper
BIS. (2025). Monetary policy for the green transition. BIS Paper
NGFS. (2026). Greening Monetary Policy Operations: Exploring Additional Options. NGFS report page
Bank Indonesia. Data BI7DRR, JISDOR, dan indikator moneter. https://www.bi.go.id/
Badan Pusat Statistik. Data inflasi dan PDB. https://www.bps.go.id/
DJPPR Kementerian Keuangan. Data SBN/SUN dan green sukuk. https://djppr.kemenkeu.go.id/
IDX. Data IHSG dan statistik pasar modal. https://www.idx.co.id/

Working paper ini adalah rancangan akademik awal berbasis sumber publik, kerangka disertasi, dan simulasi interaktif. Estimasi empiris final membutuhkan pengumpulan data kuartalan/bulanan dan uji ekonometrika penuh.