AI Selaras Kedaulatan

Ruang perundingan UNFCCC sarat dengan data, dokumen, sejarah, dan terminologi yang terus berkembang. Ini adalah ruang tempat bahasa yang tepat dan penguasaan yang kuat atas isu-isu majemuk dapat secara signifikan memengaruhi hasil. Di sinilah teknologi seperti model bahasa besar dapat memberikan keunggulan.

1.1Mengapa ini penting bagi kita?

Bagi perunding iklim muda yang mewakili negaranya di Konvensi Kerangka Kerja Perserikatan Bangsa-Bangsa tentang Perubahan Iklim, taruhannya tinggi. Mereka membawa keprihatinan dan aspirasi generasi muda, yaitu generasi yang akan mewarisi konsekuensi dari keputusan-keputusan hari ini. Namun, mereka sering menghadapi kesulitan dalam mengakses volume data iklim yang sangat besar, memahami nuansa bahasa kebijakan, atau mengomunikasikan pokok-pokok pandangan mereka secara efektif.

Model bahasa dapat membantu dalam ketiga hal tersebut. Model ini memproses, memahami, dan menghasilkan teks berdasarkan kumpulan tulisan yang sangat besar, sehingga berguna khususnya untuk empat hal.

Analisis informasi. Menyaring sejumlah besar data dan riset iklim menjadi wawasan yang ringkas, sehingga perunding dapat mengikuti temuan-temuan terbaru.

Bantuan penyusunan kebijakan. Membantu perunding merumuskan pokok-pokok pandangan mereka dalam bahasa yang bergaung, sesuai dengan konvensi, dan tetap menonjol.

Komunikasi lintas budaya. Menerjemahkan dan mengontekstualisasikan informasi, yang menjadikan lingkungan perundingan lebih inklusif.

Simulasi dan pelatihan. Menyediakan skenario perundingan tersimulasi agar perunding muda dapat berlatih sebelum mereka memasuki panggung global.

Teknologi itu sendiri hanyalah separuh dari keseluruhan cerita. Penggunaan alat-alat ini dengan baik menandakan pergeseran yang lebih luas, yaitu ketika kaum muda memadukan komitmen mereka terhadap aksi iklim dengan alat-alat yang membentuk cara pengambilan keputusan.

1.2Cara menggunakan panduan ini

Bagian pertama menjelaskan apa itu sistem-sistem ini, apa yang dibutuhkan perunding, dan bagaimana meminta sesuatu yang berguna kepada sebuah model. Bagian kedua membahas agen, yang membaca seluruh kumpulan dokumen dan melaksanakan suatu tugas dalam beberapa langkah. Bab-bab terakhir membahas siapa yang memiliki data Anda, bagaimana menjalankan model yang Anda kendalikan, dan berapa biayanya bagi planet ini. Setiap bab memuat prompt yang dapat Anda salin, dan tidak satu pun memerlukan latar belakang teknis.¹1Edisi pertama ditulis pada 2024 untuk Climate Youth Negotiator Programme. Wawancara dalam bab 3 dan lampiran berasal dari pekerjaan tersebut.

2.1Bagaimana kita sampai di sini

Pada 1957 psikolog Frank Rosenblatt memulai program perceptron di Cornell Aeronautical Laboratory, dan US Navy mendemonstrasikan mesin perceptron pada tahun berikutnya. Perceptron adalah model matematis sederhana dari sel otak: ia menggabungkan masukan, menerapkan bobot, dan menghasilkan keluaran. Ini merupakan model abstrak, bukan simulasi otak, tetapi jaringan saraf modern sebagian diturunkan darinya.

Kemajuan kemudian terhenti selama beberapa dasawarsa, dibatasi oleh data yang tersedia, perangkat keras yang tersedia, dan metode pelatihan yang tersedia. Bidang ini bergerak kembali ketika ketiga kendala tersebut melonggar secara bersamaan. Pada 2012 Alex Krizhevsky, Ilya Sutskever, dan Geoffrey Hinton melatih AlexNet pada 1,2 juta citra berlabel dengan menggunakan unit pemrosesan grafis, dan melaporkan tingkat galat lima teratas sebesar 17,0 persen pada ImageNet.¹1Hasil tersebut berasal dari arsitektur, augmentasi data, dan himpunan data, sama besarnya dengan dari perangkat keras.

Pada 2017 para peneliti Google memperkenalkan Transformer, yang bertumpu pada perhatian alih-alih pengulangan. Perhatian menghitung bobot di antara kata-kata dalam suatu teks menurut konteks, sehingga model dapat menghubungkan bagian-bagian teks yang berjauhan. Transformer dapat dilatih dengan baik secara paralel, dan menjadi landasan hampir setiap sistem dalam panduan ini.

OpenAI kemudian menerapkan Transformer pada prapelatihan generatif. GPT dan GPT-2 menunjukkan bahwa model yang dilatih hanya untuk memprediksi kata berikutnya dapat memperoleh banyak kapabilitas tanpa model terlatih terpisah untuk setiap tugas. Para peneliti mengamati hukum penskalaan, yang berarti bahwa kinerja meningkat secara dapat diprediksi ketika komputasi, data, dan ukuran model bertambah, sepanjang ukuran model dan data pelatihan tetap seimbang.

Pada 30 November 2022 OpenAI merilis ChatGPT sebagai pratinjau riset gratis, dan antarmuka percakapan menempatkan kapabilitas ini di hadapan semua orang.

Dua pergeseran lain menyusul. Pada September 2024 OpenAI mengumumkan o1, dan pada Januari 2025 DeepSeek merilis R1. Keduanya menggunakan komputasi tambahan pada saat menjawab, menghasilkan catatan kerja yang lebih panjang sebelum memberikan respons, yang membantu pada masalah yang memerlukan beberapa langkah. Dan model mulai dihubungkan dengan alat dan loop, yang menjadi pokok bahasan bab 6.

2.2Resepnya

Pada intinya, model bahasa adalah jenis kecerdasan buatan yang dirancang untuk memahami, menghasilkan, dan bekerja dengan bahasa manusia. Anggaplah ia sebagai otak digital yang sangat luas, dilatih pada teks dari buku, artikel, situs web, dan sumber lain, yang digunakannya untuk menghasilkan teks menyerupai tulisan manusia berdasarkan pola yang dikenali.

ChatGPT, seperti model lain dalam seri GPT OpenAI atau Llama Meta, dibangun dalam dua tahap: prapelatihan, lalu pascapelatihan. Pascapelatihan dahulu berarti satu putaran fine-tuning. Kini ia memiliki dua bagian, dan bagian kedua itulah yang membuat model-model mutakhir dapat mengerjakan masalah panjang.

Prapelatihan. Model dilatih pada teks dalam jumlah sangat besar dari internet. Ia tidak mengetahui secara khusus dokumen mana yang termasuk dalam set pelatihannya. Tujuannya adalah mempelajari tata bahasa, fakta tentang dunia, sebagian kemampuan bernalar, dan terutama cara memprediksi kata berikutnya dalam sebuah kalimat. Dengan melakukan ini, ia menyerap jumlah informasi yang mengejutkan, dari fakta sehari-hari yang remeh hingga konsep yang kompleks.

Fine-tuning terawasi. Paruh pertama pascapelatihan. Model dilatih lebih lanjut pada himpunan data yang lebih sempit, ditulis dan dinilai oleh peninjau manusia yang mengikuti pedoman yang dipublikasikan. Peninjau memberi skor pada kemungkinan keluaran untuk berbagai contoh masukan, dan model menggeneralisasi dari umpan balik tersebut ke berbagai macam permintaan pengguna. Inilah yang mengajarinya mengikuti instruksi, bukan sekadar melanjutkan kalimat Anda.

Pembelajaran penguatan. Paruh kedua, dan yang lebih baru. Alih-alih menyalin jawaban tertulis, model diberi ganjaran karena mencapai hasil yang baik, sehingga ia mempelajari cara-cara mengerjakan suatu masalah yang cenderung berhasil. Inilah yang mengajari model untuk bernalar melintasi masalah panjang dan mempertahankan rangkaian langkah sebelum memberikan respons.

2.3Keterbatasan

Para peneliti masih mengurai secara rinci bagaimana model-model ini bekerja. Pandangan umum adalah bahwa prapelatihan menanamkan beragam pengetahuan dunia, dan bahwa pascapelatihan membentuk bagaimana pengetahuan tersebut digunakan.

Yang tetap benar adalah bahwa model bahasa memprediksi kata berikutnya dalam suatu urutan dari pola statistik. Metode tersebut menangkap sangat banyak pengetahuan manusia, dan juga membawa masalah. Model mereproduksi bias dari teks yang digunakan untuk melatihnya, dan menghasilkan pernyataan meyakinkan yang keliru, yang oleh bidang ini disebut halusinasi. Kalimat yang mungkin benar bukanlah kalimat yang telah diverifikasi.

2.4Dari mana bias berasal

Model-model ini dilatih pada apa yang tersedia di internet, dan internet tidak memuat dunia secara merata. Hal ini lebih penting bagi seorang perunding iklim daripada bagi hampir semua pembaca lain.

Ambil catatan tentang alam itu sendiri. Global Biodiversity Information Facility adalah repositori terbuka terbesar untuk observasi spesies di Bumi, dan sekitar 83 persen catatannya berasal dari Amerika Utara dan Eropa. Sisa 17 persen mencakup semua tempat lain, termasuk tempat-tempat dengan keanekaragaman hayati tertinggi di planet ini.

Ketimpangan yang sama mengalir melalui teks. Jauh lebih banyak yang telah ditulis secara daring dalam bahasa Inggris, Prancis, dan Spanyol daripada dalam Quechua, Twi, atau Tok Pisin, sehingga model telah melihat jauh lebih banyak dari kelompok pertama. Ia akan menerjemahkan, meringkas, dan menyusun draf dengan lancar untuk delegasi yang bekerja dalam bahasa yang terwakili baik, dan akan lebih sering gagal, serta lebih percaya diri, untuk bahasa yang tidak demikian.

Di sinilah juga banyak halusinasi berasal. Ketika ditanya tentang tempat yang terdokumentasi dengan baik, model menjawab dari catatan yang padat. Ketika ditanya tentang tempat yang terdokumentasi tipis, ia menghasilkan kalimat-kalimat percaya diri yang sama dari bahan yang jauh lebih sedikit dan mengisi celah dengan apa pun yang disarankan pola. Keluarannya tidak tampak kurang pasti. Ia hanya memang kurang pasti.

Tidak satu pun dari ini merupakan kesalahan siapa pun secara sederhana. Mengumpulkan dan memublikasikan data membutuhkan infrastruktur dan dana yang tidak dimiliki banyak negara, dan sebagian komunitas menolak menyerahkan pengetahuan tentang tanah dan spesies mereka, yang merupakan posisi sahih, bukan kegagalan. Konsekuensinya tetap datang: alat-alat ini bekerja paling baik untuk tempat-tempat yang sudah paling baik dilayani oleh data, dan paling buruk untuk tempat-tempat dengan taruhan terbesar.

Kesenjangan yang sama tampak pada siapa yang menggunakan alat-alat ini sama sekali. Indeks penggunaan Claude menurut negara dari Anthropic berkorelasi erat dengan pendapatan nasional, dan dua puluh lima negara berada pada tingkat terbawah yang mencatat hampir tidak ada penggunaan terukur.²2Anthropic, Anthropic Economic Index, 2025. Penggunaan berskala dengan PDB per penduduk usia kerja kira-kira menurut pangkat 0,69. Di antaranya adalah Tonga, Samoa, Nauru, dan Palau, yang merupakan pihak pada perundingan yang sama dan termasuk yang paling terekspos terhadap hasilnya.

Wawancara dengan para negosiator iklim muda dari beberapa negara mengungkap serangkaian tantangan bersama dan pandangan yang sama mengenai hal-hal yang akan membantu.¹1Enam negosiator dari Liberia, Paraguay, Peru, Nigeria, Lebanon, dan Indonesia. Ringkasan lengkap terdapat dalam lampiran.

3.1Tantangan utama dan titik kesulitan

Hambatan bahasa. Bahasa Inggris bukan bahasa pertama bagi sebagian besar orang di ruang perundingan.

Bahasa teknis. Jargon UNFCCC memerlukan waktu bertahun-tahun untuk dipahami secara mendalam (Liberia, Paraguay).

Transfer pengetahuan. Pengetahuan teknis dan informasi dibagikan secara tidak merata, dan banyak di antaranya hilang di antara siklus.

Pengetahuan historis. Pemahaman tentang perundingan terdahulu sulit diperoleh (Lebanon).

Komunikasi topik kompleks. Percakapan dengan negosiator senior sulit dilakukan di bawah tekanan (Peru, Nigeria), dan kedudukan harus terlebih dahulu diperoleh sebelum substansi didengar.

Memahami posisi Para Pihak. Dinamika perundingan berubah dengan cepat dan sulit dibaca.

Keterbatasan waktu. Waktu tidak pernah cukup untuk mengolah informasi yang penting.

Mengungkapkan gagasan kompleks. Penyampaian yang cepat dan akurat dalam bahasa Inggris tetap menjadi hambatan yang berkelanjutan.

3.2Perangkat dan sumber daya yang diharapkan

Perangkat bahasa. Dukungan bahasa dan tata bahasa yang lebih canggih, yang dibangun untuk teks UNFCCC, bukan untuk penulisan bisnis umum.

Pengambilan informasi cepat. Platform yang memindai dokumen panjang, mengambil hal-hal yang penting, dan mengonfirmasi teks mana yang merupakan versi terkini.

Pelatihan yang disesuaikan. Sumber pembelajaran yang disesuaikan dengan kawasan, kelompok, dan tingkat pengalaman seorang negosiator.

Perangkat yang benar-benar digunakan pada saat wawancara adalah Grammarly untuk penulisan dan Google Drive untuk kolaborasi. Seorang negosiator melaporkan tidak menggunakan perangkat penerjemahan sama sekali, dengan alasan bahwa bahasa perundingan tidak bertahan dalam penerjemahan.

Negosiasi iklim bersifat beraneka segi, mencakup topik mulai dari emisi karbon dan keanekaragaman hayati hingga implikasi ekonomi dan dinamika sosial-politik. Menavigasinya mensyaratkan tiga hal sekaligus.

Akses cepat terhadap informasi. Ilmu pengetahuan iklim terus berkembang, dan para negosiator perlu memiliki data terkini yang siap digunakan.

Penyusunan perjanjian yang efektif. Ketepatan bahasa dapat menentukan apakah suatu perjanjian berhasil atau gagal.

Komunikasi multibahasa. Sebuah platform global menuntut keterlibatan lintas budaya dan multibahasa.

4.1Di mana model membantu

Komunikasi. Menyusun dan menerjemahkan dokumen, sehingga informasi dan perjanjian dikomunikasikan secara akurat antara para pihak dengan bahasa ibu yang berbeda.

Pengumpulan informasi. Mengumpulkan dan merangkum sejumlah besar materi tentang topik iklim, termasuk penelitian ilmiah, dokumen kebijakan, dan perjanjian historis, sehingga para negosiator tetap terinformasi.

Kerja skenario. Menelaah kemungkinan konsekuensi dari berbagai keputusan kebijakan, yang membantu seorang negosiator menjajaki posisi dan hasil sebelum berkomitmen pada salah satunya.¹1Hal ini kadang disebut pemodelan prediktif, yang melebih-lebihkannya. Model bahasa tidak menjalankan model iklim atau ekonomi. Model bahasa menyatakan kembali dan membandingkan skenario, dan angka apa pun yang dihasilkannya perlu diperiksa terhadap sumber nyata.

Analisis argumen. Merangkum argumen yang dikemukakan oleh berbagai pihak selama negosiasi, yang membantu seorang negosiator melihat pokok-pokok utama dan kontraargumen.

4.2Potensi jebakan

Terdapat manfaat nyata di sini, dan terdapat catatan kehati-hatian yang penting dalam diplomasi iklim.

Penyederhanaan isu yang kompleks. Sistem-sistem ini memadatkan, dan pemadatan menghilangkan kualifikasi yang diperjuangkan suatu pihak selama tiga sesi untuk dimasukkan.

Kurangnya kecerdasan emosional. Sebuah model tidak membaca arus emosional dan politik suatu negosiasi, dan tidak mengetahui apa yang disepakati di koridor.

Kurangnya keahlian manusia. Kefasihan dalam register kebijakan iklim tidak sama dengan keahlian dalam kebijakan iklim. Mengandalkan model untuk salah satunya dapat menghasilkan informasi yang tidak lengkap atau tidak akurat.

Keamanan dan privasi. Diskusi sering kali melibatkan materi sensitif. Apa pun yang ditempelkan ke dalam sistem yang di-hosting keluar dari delegasi Anda, dan ketentuan penyimpanannya jarang dibaca.

Pertimbangan etis. Bersikaplah transparan mengenai bantuan otomatis, pertahankan tanggung jawab atas keputusan pada manusia, dan waspadai penyalahgunaan.

Miskomunikasi dan salah tafsir. Sebuah model dapat salah membaca maksud di balik suatu permintaan dan mengembalikan teks yang terdengar seperti posisi Anda tanpa benar-benar menjadi posisi tersebut.

5.1Model yang mana, dan berdasarkan ketentuan siapa

Sebelum memilih asisten, ketahuilah bahwa ada dua jenis, dan perbedaannya lebih penting daripada mereknya.

Bobot tertutup. ChatGPT, Claude, dan Gemini berjalan di server perusahaan dan diakses melalui akun. Model-model ini adalah yang paling kuat dan paling cepat untuk mulai digunakan. Tingkat gratis menangani penyusunan draf, terjemahan, dan peringkasan. Tingkat berbayar berbiaya sekitar dua puluh dolar per bulan dan menambahkan dokumen yang lebih panjang, unggahan file, dan fitur agen dalam bab 6. Semua yang Anda ketik dikirim ke perusahaan, dan bergantung pada pengaturan Anda, hal itu dapat disimpan, ditinjau, atau digunakan untuk melatih model berikutnya.

Bobot terbuka. Llama, Mistral, Qwen, Gemma, dan DeepSeek menerbitkan parameter mereka, sehingga model yang sama dapat dijalankan oleh Anda, oleh lembaga Anda, atau oleh penyedia yang Anda pilih, bukan penyedia yang diberikan kepada Anda. Ollama menempatkannya di laptop dalam beberapa menit. Polly, yang dijalankan bersama GainForest dan Youth Negotiators Academy di polly.ai4cop.org, adalah model bobot terbuka yang dihosting dan tidak menyimpan catatan tentang apa yang Anda kirim. Bab 11 membahas cara menjalankan model Anda sendiri.

Aturan awal. Gunakan model tertutup yang dihosting untuk materi yang sudah bersifat publik, dan model bobot terbuka untuk apa pun yang tidak bersifat publik. Jangan menempelkan posisi yang belum diajukan oleh delegasi Anda ke layanan yang tidak Anda kendalikan. Bab 10 menjelaskan apa yang dipertaruhkan dalam pilihan tersebut, dan bab itu layak dibaca sebelum Anda membuka akun, bukan sesudahnya.

Apa pun yang Anda pilih, pasang aplikasi selulernya. Masukan suara berguna ketika Anda berjalan di antara sesi, dan mendiktekan gagasan kasar dalam bahasa Anda sendiri sering menghasilkan draf yang lebih baik daripada mengetik kalimat yang cermat dalam bahasa Inggris.

5.2Prompt engineering 101

Instruksi yang Anda ketik disebut prompt. Menulis prompt adalah proses membuat instruksi yang spesifik dan terdefinisi dengan baik untuk membantu Anda menyelesaikan suatu tugas, dan kualitas serta kekhususan dari apa yang Anda tulis membentuk jawaban yang Anda terima.

Sebuah prompt dapat memuat salah satu dari hal berikut, dan tidak perlu memuat keempatnya.

Instruksi. Tugas yang Anda ingin model lakukan.

Konteks. Informasi latar belakang yang mengarahkan model menuju respons yang lebih baik.

Data masukan. Teks, pertanyaan, atau dokumen yang Anda ingin model kerjakan.

Indikator keluaran. Jenis atau format keluaran yang Anda inginkan.

5.3Apa yang membuat prompt baik

Enam langkah melakukan sebagian besar pekerjaan, dan semuanya berlaku untuk model apa pun yang Anda gunakan.

Jelas, langsung, dan terperinci. Katakan siapa Anda, apa yang Anda inginkan, dan seperti apa bentuk keluarannya. Model tidak dapat menyimpulkan ruangan tempat Anda berada.

Tunjukkan contoh. Satu contoh keluaran yang Anda inginkan mengajarkan lebih cepat daripada satu paragraf yang menggambarkannya.

Minta kutipan. Minta model mengutip bagian yang menjadi rujukannya. Menambatkan jawaban pada dokumen yang diambil adalah perlindungan terkuat terhadap rekayasa yang disampaikan dengan meyakinkan.

Tandai bagian-bagiannya. Bungkus setiap elemen dalam tag, <context>, <task>, <text>, agar model dapat membedakan instruksi Anda dari dokumen yang Anda tempelkan.

Biarkan model berpikir terlebih dahulu. Minta penalaran sebelum jawaban. Model membuat lebih sedikit kesalahan pada apa pun yang memiliki lebih dari satu langkah ketika model mengerjakannya secara terbuka.

Berikan peran. "Anda adalah peneliti kerugian dan kerusakan" menghasilkan teks yang berbeda, dan biasanya lebih baik, daripada permintaan yang sama tanpa siapa pun yang berbicara.

Kemudian lanjutkan. Menyempurnakan prompt adalah cara kualitas pertukaran meningkat, dan upaya kedua hampir selalu lebih baik daripada yang pertama.

Satu kebiasaan patut dibangun sejak awal. Mintalah sumber, dan minta model menandai bagian yang tidak diyakininya. Jawaban yang tidak dapat Anda periksa adalah jawaban yang tidak dapat Anda gunakan dalam pleno.

Anatomi sebuah intervensi

Untuk tugas yang paling sering dilakukan negosiator, lima bagian membuat perbedaan: siapa yang berbicara dan di mana, satu isu yang sedang dibahas, bukti di baliknya, kerangka yang terkait dengannya, dan apa yang harus dilakukan.

Hilangkan salah satu dari lima bagian tersebut dan Anda dapat merasakan apa yang hilang. Tanpa peran, model menyusun draf untuk siapa pun; tanpa bukti, model menghasilkan sentimen; dan tanpa baris terakhir, model tidak mengaitkannya dengan perjanjian apa pun yang dapat ditindaklanjuti oleh siapa pun.

5.4Prompting untuk berbagai kasus penggunaan

1. 1
   Analisis data

   Berdasarkan spreadsheet ini, buat grafik rata-rata peningkatan emisi selama beberapa tahun terakhir, nyatakan metode Anda, dan cantumkan asumsi yang Anda buat tentang data yang hilang.

   Pengaturan: Unggahan file
2. 2
   Terjemahan

   Terjemahkan paragraf ini ke dalam bahasa Spanyol, dengan mempertahankan ragam formal yang digunakan dalam teks keputusan.

   Pengaturan: Model apa pun
3. 3
   Peringkasan

   Ringkas intervensi LDC Group pada Global Stocktake Technical Dialogue tanggal 10 Juni 2023, dan kutip bagian yang Anda gunakan sebagai dasar.

   Pengaturan: Pencarian web aktif
4. 4
   Pengumpulan informasi untuk mengembangkan pernyataan posisi atau mempersiapkan pidato

   Anda adalah penulis pidato untuk negosiator perubahan iklim PBB. Anda menulis tentang upaya peningkatan kapasitas Inggris Raya. Saya adalah negosiatornya. Lima pertanyaan apa yang akan Anda ajukan kepada saya untuk memperoleh informasi yang Anda perlukan guna menyusun pernyataan?

   Pengaturan: Model apa pun
5. 5
   Mengantisipasi argumen tandingan dan mempersiapkan sanggahan

   Kerugian dan kerusakan adalah isu utama dalam negosiasi iklim. Anda adalah peneliti kerugian dan kerusakan. Uraikan alasan-alasan utama mengapa negara-negara tidak memberikan arti penting pada kerugian dan kerusakan. Hasilkan argumen tandingan yang kuat terhadap poin-poin ini yang menunjukkan perlunya dana kerugian dan kerusakan.

   Pengaturan: Model apa pun
6. 6
   Menyusun pernyataan pembuka atau pidato utama

   Anda adalah penulis pidato yang menyusun pernyataan dengan menggunakan pertanyaan di atas. Hasilkan pernyataan 300 kata yang menguraikan upaya peningkatan kapasitas iklim Inggris Raya. Pernyataan tersebut harus mencerminkan gaya penulisan yang digunakan oleh Pemerintah Inggris Raya.

   Pengaturan: Model apa pun
7. 7
   Mengurai jargon

   Jelaskan apa arti "sarana implementasi" dalam paragraf ini, dengan bahasa sederhana, dan berikan satu contoh bagaimana frasa tersebut telah digunakan dalam keputusan sebelumnya.

   Pengaturan: Model apa pun
8. 8
   Menemukan dokumen

   Teks keputusan mana yang memuat mandat untuk program kerja ini? Berikan simbol dokumennya dan kutip paragraf tempat mandat itu berada.

   Pengaturan: Pengambilan
9. 9
   Menerjemahkan untuk audiens Anda sendiri

   Terjemahkan intervensi ini ke dalam Bahasa Malaysia untuk audiens komunitas, dengan mempertahankan makna dan menghilangkan jargon UNFCCC.

   Pengaturan: Model apa pun

Segala hal hingga titik ini bekerja dengan cara yang sama. Anda mengetik permintaan, membaca jawaban, lalu memutuskan apa yang akan dilakukan dengannya. Empat hal telah berubah, dan bersama-sama hal itu menambahkan cara kerja kedua.

Konteks menjadi panjang. Sebuah model kini dapat memuat seluruh teks negosiasi, revisi-revisi sebelumnya, dan catatan pengarahan delegasi Anda pada saat yang sama.

Retrieval menjadi lazim. Sebuah sistem dapat mencari dalam sekumpulan dokumen atau web sebelum menjawab, dan mengutip apa yang ditemukannya. Itulah yang membuat sebuah jawaban dapat diperiksa.

Model memperoleh alat. Sebuah model dapat dihubungkan ke indeks pencarian, lembar kerja, kalender, atau folder berkas, sehingga ia dapat bertindak atasnya alih-alih hanya mendeskripsikannya.

Sistem memperoleh loop. Alih-alih menjawab sekali, sebuah sistem dapat membuat rencana, mengambil satu langkah, melihat hasilnya, dan mencoba lagi sampai tugas selesai.

Model yang dihubungkan ke alat, memori, dan loop ulang-sampai-selesai, yang berjalan di bawah izin yang diberikan seseorang kepadanya, adalah yang dimaksud orang dengan agen. Ia tidak memiliki pertimbangan dan tidak memiliki akuntabilitas. Ia memiliki tugas dan seperangkat izin.

6.1Tiga cara kerja

Chat. Anda bertanya, ia menjawab, Anda memeriksa. Paling baik untuk menyusun draf, menerjemahkan, menjelaskan, dan berlatih.

Retrieval. Sistem terlebih dahulu mencari dalam sekumpulan dokumen yang ditetapkan dan menjawab dengan sitasi. Gunakan untuk apa pun yang faktual tentang negosiasi: riwayat teks, posisi para pihak, keputusan sebelumnya.¹1Jika suatu sistem memberi tahu Anda apa isi sebuah paragraf teks keputusan dan tidak dapat menunjukkan paragraf tersebut, perlakukan itu sebagai desas-desus.

Agentic. Sistem melaksanakan tugas dalam beberapa langkah menggunakan alat. Gunakan untuk pekerjaan berulang dengan hasil yang dapat diperiksa, seperti melacak perubahan lintas revisi atau menyusun ringkasan harian.

6.2Kasus penggunaan

1. 1
   Pelacakan teks

   Bandingkan revisi 3 dari draf keputusan ini dengan revisi 2. Cantumkan setiap perubahan substantif, kutip kedua versinya, dan tandai perubahan yang memengaruhi garis merah delegasi saya.

   Pengaturan: Berkas dilampirkan
2. 2
   Pemetaan posisi

   Dari submisi-submisi ini, buat tabel posisi para pihak tentang Article 6.4 dengan kutipan dan referensi untuk setiap baris. Tandai setiap posisi yang Anda simpulkan.

   Pengaturan: Retrieval
3. 3
   Penelusuran riwayat

   Telusuri bagaimana frasa "common but differentiated responsibilities" telah diberi kualifikasi dalam teks keputusan sejak 2015, dengan mengutip setiap keputusan.

   Pengaturan: Retrieval
4. 4
   Bacaan semalam

   Berikut empat teks yang diterbitkan hari ini. Beri tahu saya apa yang bergerak, apa yang mandek, dan tiga halaman mana yang harus saya baca sebelum besok.

   Pengaturan: Berkas dilampirkan
5. 5
   Intisari harian

   Setiap malam, kumpulkan teks yang diterbitkan pada hari itu dari alur yang saya ikuti, ringkas apa yang berubah, dan kirimkan daftarnya kepada saya.

   Pengaturan: Agen terjadwal
6. 6
   Analisis tanda kurung

   Untuk setiap opsi dalam tanda kurung di paragraf ini, jelaskan siapa yang diuntungkan, siapa yang menolak, dan seperti apa rumusan pengganti dapat terlihat.

   Pengaturan: Berkas dilampirkan
7. 7
   Latihan

   Perankan seorang negosiator yang menentang teks ini. Bantah intervensi saya, dan jangan bersikap mudah setuju.

   Pengaturan: Chat
8. 8
   Terjemahan balik

   Terjemahkan rumusan saya ke dalam bahasa Prancis, lalu terjemahkan kembali ke bahasa Inggris secara independen, dan beri tahu saya apa yang bergeser.

   Pengaturan: Chat
9. 9
   Serah terima

   Dari catatan saya sepanjang sesi ini, tulis dokumen serah terima untuk siapa pun yang mengambil alih berkas ini pada siklus berikutnya.

   Pengaturan: Berkas dilampirkan
10. 10
    Pekerjaan data

    Dari lembar kerja emisi ini, plot tren untuk negara-negara ini sejak 2010, nyatakan metode Anda, dan cantumkan setiap asumsi tentang data yang hilang.

    Pengaturan: Akses berkas

6.3Bekerja dengan agen secara aman

Agen yang bertindak berdasarkan salah baca menghasilkan konsekuensi, bukan sekadar paragraf yang buruk.

Periksa apa yang akan Anda ulangi. Buka satu dokumen yang disitasi dan konfirmasikan bahwa kutipan tersebut ada di sana sebelum Anda menggunakannya di ruang perundingan.

Berikan izin terkecil yang dapat bekerja. Sistem yang membaca berkas Anda tidak juga perlu mengirim surel.

Perlakukan setiap dokumen eksternal sebagai tidak tepercaya. Berkas yang disampaikan dapat membawa instruksi yang ditujukan kepada agen.

Tentukan siapa yang menyetujui teks berbantuan AI. Dengan beberapa alat dalam rantai, tidak ada orang lain yang akan melakukannya.

Email tetap menjadi moda utama komunikasi profesional, dan ada tiga hal yang membuatnya sulit.

Pengelolaan volume. Kotak masuk meluap, dan memprioritaskannya memerlukan waktu yang tidak Anda miliki.

Penyusunan draf yang efektif. Email yang jelas, ringkas, dan dapat ditindaklanjuti memerlukan keterampilan.

Hambatan multibahasa. Komunikasi global berarti bekerja dalam bahasa yang bukan bahasa Anda sendiri.

Asisten yang terhubung ke kotak surat Anda kini membaca utas itu sendiri, jadi berikan akses baca dan biarkan ia menyusun draf. Pengiriman tetap berada pada Anda.

1. 1
   Tindak lanjut pertemuan

   Ringkas poin-poin utama dan komitmen yang dibuat selama pertemuan negosiasi baru-baru ini, cantumkan siapa yang menyampaikan masing-masing, dan susun draf email tindak lanjut yang santun kepada para peserta untuk mendorong kolaborasi atas tindakan yang telah disepakati.
2. 2
   Penjadwalan

   Buat email yang diplomatis dan fleksibel untuk mengusulkan beberapa tanggal dan waktu bagi putaran pertemuan berikutnya, dinyatakan dalam zona waktu semua peserta.
3. 3
   Pengarahan harian dan laporan hasil

   Buat email pengarahan harian yang ringkas yang menyoroti kemajuan dalam sesi-sesi terbaru, termasuk usulan baru, poin yang disepakati, dan bidang perbedaan pandangan yang memerlukan pembahasan lebih lanjut.
4. 4
   Prioritisasi cerdas

   Kembangkan email kepada tim negosiasi yang menguraikan strategi untuk memprioritaskan butir agenda berdasarkan urgensinya, potensi dampaknya terhadap tujuan iklim, dan kelayakan mencapai kesepakatan.
5. 5
   Triase

   Kelompokkan pesan saya yang belum dibaca menjadi: memerlukan keputusan dari saya, memerlukan balasan, perlu diteruskan, tidak memerlukan apa pun. Susun draf balasan hanya untuk kelompok ketiga dan biarkan tidak terkirim.
6. 6
   Pemeriksaan register

   Tulis ulang email ini dalam register diplomatik formal tanpa mengubah komitmen substantif apa pun, lalu cantumkan apa yang Anda ubah agar dapat saya periksa.

Sistem-sistem ini secara bawaan menggunakan suara yang hangat dan mudah menyetujui, yang dapat mengakui hal-hal yang tidak terdapat dalam teks asli Anda. Tanyakan apa yang diubah, dan baca daftarnya.

Mengatur jadwal, menyusun daftar periksa, dan memesan perjalanan dapat menjadi sangat membebani selama suatu sesi. Tiga masalah muncul berulang kali.

Manajemen waktu. Memprioritaskan tugas dan mengalokasikan waktu untuk tugas-tugas tersebut tidaklah sederhana.

Terlewatnya tugas. Hal-hal penting terlepas dari daftar periksa.

Pemesanan penerbangan dan hotel. Menemukan opsi yang sesuai dengan jadwal dan anggaran Anda memerlukan waktu berjam-jam.

Ini adalah pekerjaan dengan risiko paling rendah dalam panduan ini dan tempat terbaik untuk mulai menggunakan agen. Tugas-tugasnya berulang, hasilnya mudah diperiksa, dan hampir tidak ada hal di sini yang bersifat rahasia.

1. 1
   Pemesanan

   Identifikasi penerbangan dan hotel yang paling hemat biaya dan nyaman untuk perjalanan dari [kota keberangkatan] ke [kota tujuan] pada [tanggal], dengan preferensi penerbangan pagi dan akomodasi yang dekat dengan tempat penyelenggaraan. Tunjukkan kepada saya pertimbangannya, bukan hanya satu rekomendasi.
2. 2
   Menyusun daftar periksa

   Buat daftar periksa komprehensif untuk sesi internasional selama dua minggu yang mencakup dokumen yang diperlukan, akreditasi, pakaian untuk cuaca yang berubah-ubah, perlengkapan kerja esensial, dan salinan luring dari teks-teks utama.
3. 3
   Merencanakan hari

   Lihat kalender saya dan jadwal sesi, lalu usulkan jadwal yang menyeimbangkan pertemuan, blok kerja individu, olahraga, dan waktu pribadi, dengan mempertimbangkan tenggat dan komitmen berikut.
4. 4
   Pelacakan kemajuan

   Buat templat untuk melacak kemajuan pada alur kerja yang saya ikuti, termasuk tonggak capaian, tenggat, dan sistem untuk mencatat pembaruan serta langkah berikutnya.

Logistik juga merupakan ruang tempat agen pertama kali memperoleh izin nyata, atas kalender, surel, dan berkas Anda. Hal itu wajar, dan di sanalah kebiasaan memberikan sedikit lebih banyak izin setiap kali mulai terbentuk. Sistem yang memesan penerbangan Anda tidak perlu menyusun posisi Anda.

Perundingan iklim tidak hanya berkaitan dengan angka dan fakta. Perundingan tersebut terjalin dengan emosi manusia, perbedaan budaya, dan kesejahteraan mental.

Tekanan terhadap kesehatan mental. Realitas perubahan iklim dan tekanan dalam berunding berdampak pada para delegasi.

Kesalahpahaman budaya. Penafsiran keliru yang timbul dari perbedaan budaya menyebabkan keretakan dan memperlambat dialog.

Ini adalah satu-satunya bagian dalam buku panduan ini di mana jendela obrolan biasa lebih unggul daripada agen. Percakapan seperti ini membutuhkan model yang Anda ajak bicara, bukan sistem dengan izin akses.

1. 1
   Pengarahan budaya

   Saya sedang berada dalam perundingan perubahan iklim PBB dengan seseorang dari Kenya. Apa yang perlu saya pahami secara budaya untuk memajukan perundingan saya?
2. 2
   Pengenalan emosi

   Saya sedang merasa murung saat ini, dapatkah Anda menyampaikan sesuatu yang membesarkan hati?
3. 3
   Debrief

   Berikut adalah hal yang terjadi dalam sesi tersebut dan bagaimana saya menanganinya. Apa yang akan dilakukan secara berbeda oleh perunding yang lebih berpengalaman?

Dua catatan kehati-hatian. Pengarahan budaya menghasilkan generalisasi tentang suatu negara, sedangkan Anda akan berhadapan dengan seorang individu, jadi perlakukan hasilnya sebagai orientasi, bukan prediksi. Dan model merupakan tempat yang wajar untuk menuangkan pikiran pada pukul satu dini hari, tetapi model bukan klinisi, bukan rekan kerja, dan tidak bersifat rahasia. Jika tekanan yang Anda rasakan lebih dari sekadar kelelahan, bicaralah dengan ketua delegasi Anda, kontak dukungan program Anda, atau seorang profesional.

Perangkat-perangkat ini dapat menyetarakan ruang multilateral. Perangkat ini menghapus hambatan bahasa yang menentukan siapa berbicara dengan percaya diri, memadatkan dokumen yang tidak sempat dibaca siapa pun, dan memberi delegasi beranggotakan dua orang sebagian jangkauan delegasi beranggotakan lima puluh orang. Itu layak dimiliki. Hal itu juga menimbulkan pertanyaan integritas yang perlu diajukan sebelum Anda mengetik.

Siapa memiliki data. Teks yang Anda tempelkan ke asisten terhos membuatnya keluar dari delegasi Anda. Bergantung pada akun dan pengaturannya, teks itu dapat disimpan, ditinjau oleh staf, atau digunakan untuk melatih model berikutnya. Posisi nasional, instruksi dari ibu kota, dan apa pun yang disampaikan kepada Anda secara rahasia tidak semestinya berada di sana.

Siapa memiliki keputusan. Sebuah model menghasilkan teks yang terbaca seperti suatu posisi. Jika model menyusun draf dan tidak ada yang memeriksa, penalaran di balik posisi pihak Anda mulai berada di luar delegasi Anda. Seseorang yang memiliki mandat harus bertanggung jawab atas setiap teks yang keluar.

Apa yang tidak dapat Anda lihat. OpenAI dan Anthropic tidak mengembalikan jejak penalaran. Anda memperoleh jawaban, kadang-kadang ringkasan tentang bagaimana jawaban itu dicapai, sementara langkah-langkah sebenarnya tetap berada pada penyedia. Anda tidak dapat mengaudit jalurnya, mereproduksinya, atau menunjukkan kepada seorang kolega mengapa sistem mengatakan apa yang dikatakannya.

Bobot terbuka dan bobot tertutup. Bobot sebuah model adalah angka-angka yang dipelajarinya dalam pelatihan. ChatGPT, Claude, dan Gemini menyimpannya di server perusahaan, dan model-model tersebut adalah yang terkuat dan paling mudah digunakan. Llama, Mistral, Qwen, Gemma, dan DeepSeek menerbitkan bobotnya, sehingga Anda dapat menjalankan model di mesin Anda sendiri atau server regional. Model terbuka menangani penerjemahan, peringkasan, dan penyusunan draf dengan baik, dan tertinggal pada masalah multi-langkah yang paling sulit. Bobot yang Anda pegang tidak dapat diubah harganya atau ditarik di tengah sesi.

AI yang selaras dengan kedaulatan berarti delegasi, kawasan, atau komunitas menetapkan ketentuannya: model mana yang digunakan, data apa yang dimasukkan ke dalamnya, siapa yang dapat memeriksa apa yang terjadi, dan hak untuk menolak. Dalam proses COP, para pihak dengan kapasitas paling terbatas biasanya adalah para pihak dengan kepentingan paling besar, sehingga hal ini bersifat praktis, bukan filosofis.

Aturan kerja. Gunakan model terhos terkuat untuk materi publik, bacaan latar belakang, penyusunan draf, dan latihan. Gunakan bobot terbuka, atau penerapan yang diatur oleh kontrak yang telah dibaca lembaga Anda, untuk apa pun yang menyentuh posisi yang belum bersifat publik.

Buku panduan ini ada untuk menjaga agar pertukaran tersebut tetap terlihat. Bab-bab sebelumnya menunjukkan apa yang dilakukan sistem-sistem ini dengan baik. Bab ini membahas apa yang Anda lepaskan sebagai gantinya.

Bab sebelumnya menguraikan timbangannya. Bab ini membahas jawaban paling kuat terhadap timbangan tersebut, yaitu menjalankan model sendiri.

Swahosting berarti tidak ada apa pun yang meninggalkan gedung. Tidak ada kebijakan retensi yang harus dipercaya, tidak ada ketentuan layanan yang dapat berubah, dan tidak ada akun yang dapat ditangguhkan di tengah sesi. Pendekatan ini juga membangun keterampilan di dalam lembaga Anda, alih-alih menyewanya.

Hingga baru-baru ini, hal ini berarti menerima model yang jauh lebih lemah. Kini tidak lagi demikian.

Kimi K3 dan GLM-5.3 sama-sama memperoleh skor 60 pada Artificial Analysis Intelligence Index, tiga poin di belakang Claude Opus 5 yang memperoleh 63, dan Qwen3.8 menyusul dengan 58. Sembilan belas dari 29 model pada indeks tersebut memiliki bobot terbuka, meskipun bagian teratas tabel masih sebagian besar proprietari.¹1Grafik tersebut menghitung GLM-5.3 dan GLM-5.3-Flash sebagai proprietari. Z.ai menerbitkan kedua bobot itu di bawah lisensi MIT, sehingga buku ini menghitung keduanya sebagai terbuka, karena itu gambar menunjukkan tujuh belas batang biru dan teks menyebut sembilan belas. Setahun lalu model terbuka terdepan tertinggal tiga belas poin dari model proprietari terdepan, sehingga kesenjangan ini telah menutup dengan cepat dan dapat menutup lebih jauh.

Harga adalah separuh kedua dari argumen ini. GLM-5.3-Flash memperoleh skor 57 dengan biaya sekitar sembilan sen per tugas dan DeepSeek V4 Pro 0813 memperoleh skor 53 dengan sekitar seperempat dolar, keduanya di dalam kuadran tersebut. Claude Opus 5 memperoleh skor 63 dengan harga kira-kira sepuluh kali lipat harga DeepSeek. Rasio itulah alasan praktis mengapa suatu delegasi mampu menjalankan miliknya sendiri.

11.1Apa yang dijalankan

Keadaan mutakhir pada 26 Agustus 2026. Baca lisensinya sebelum Anda berkomitmen. Beberapa model terbuka terkuat membatasi penggunaan komersial, yang bagi delegasi biasanya tidak menjadi masalah dan bagi vendor yang membangun di atas salah satunya menjadi masalah.

11.2Berapa biayanya

NVIDIA DGX Spark adalah mesin desktop dengan memori terpadu 128GB, saat ini seharga 4.699 dolar. Dua unit dapat terhubung langsung satu sama lain tanpa switch, menyediakan 256GB dengan biaya sekitar 9.400 dolar. Pasangan tersebut menjalankan model sparse kelas DeepSeek pada 55 hingga 60 token per detik dengan konteks satu juta token, yang cukup untuk melayani delegasi kerja.

Satu unit menjalankan model 27B hingga 35B dengan kecepatan yang cukup untuk enam puluh pengguna bersamaan, yang mencakup penerjemahan, peringkasan, dan penyusunan draf untuk seluruh kantor. Tiga atau empat unit pada 384 hingga 512GB dapat menampung model terbuka terbesar tanpa memangkasnya.

Dibandingkan dengan berlangganan untuk setiap delegasi, perangkat keras tersebut balik modal dalam satu atau dua siklus, dan tetap bekerja setelah pendanaan berakhir.

11.3Cara menyiapkannya

Sajikan model dengan vLLM atau SGLang. Keduanya menghadirkan API yang sama seperti OpenAI, sehingga alat apa pun yang berbicara dengan ChatGPT akan berbicara dengan server Anda sendiri setelah perubahan alamat dan kunci. Untuk uji coba pertama pada laptop, Ollama atau llama.cpp lebih sederhana. NVIDIA menerbitkan playbook penyiapan untuk Spark, dan resep komunitas untuk menghubungkan dua, tiga, dan empat unit bersifat publik dan dapat direproduksi.

Jika menjalankan milik sendiri belum realistis sebelum sesi berikutnya, opsi cadangannya adalah layanan terhosting dengan perjanjian retensi data nol secara tertulis. Perlakukan itu sebagai langkah sementara, bukan tujuan akhir.

11.4Satu catatan penting yang perlu diketahui

Indeks di atas adalah rata-rata dari sembilan evaluasi, dan model-model terbuka tidak tertinggal secara merata di semuanya. Kesenjangan paling lebar terdapat pada tugas penalaran tersulit dan pada halusinasi, tempat model-model proprietari masih jelas berada di depan. Bagi seorang negosiator, hal kedua itulah yang menentukan segalanya. Arahkan model ke dokumen Anda sendiri, minta sitasi, dan buka sitasi tersebut.

The last chapter ended with a model running on hardware you own. This one is about pointing it at your own people.

Every chapter so far treats AI as something one person uses on their own work. There is a second use, and it is the one that changes what a small delegation or a youth constituency can do. You can use a model to listen to far more people than a human team can listen to, and to carry what they said into the room with the receipts attached.

The field calls this broad listening. A poll compresses people into options that somebody else wrote. Broad listening runs the other way. People answer in their own words, software finds the structure in the answers, and the structure goes back to the people who wrote it so they can correct it.

12.1Polis, the oldest of these tools

Polis is a survey that behaves like a conversation. Participants write short statements. Everyone else votes agree, disagree, or pass on statements drawn semi-randomly from the pile. The system clusters voters by how they voted and then surfaces the statements that bridge the clusters, rather than the statements that win a majority.

Taiwan is the case people cite. After the Sunflower protests of 2014, the g0v civic-hacker community and the government ran the vTaiwan process on Polis, and more than 200,000 people took part across its consultations. The consultation on ride-hailing produced a set of statements that drivers, taxi companies, and passengers all agreed with, and the regulation was written from those.

Polis is open source under the AGPL and maintained by the Computational Democracy Project. It predates the language-model era and needs no model at all, which is part of why it has held up.

12.2Talk to the City, and what the models added

Talk to the City is what happens when you put a language model on the reading side. Built by the AI Objectives Institute, it takes interviews, survey responses, forum threads, or transcripts, breaks them into atomic claims, groups the claims into topics, and produces a report in which every line traces back to the quote it came from. Newer versions also run the interview, as a conversational survey that asks follow-up questions instead of reading from a fixed list.¹1One project used an AI moderator to interview 81,000 people worldwide, with the model following up on whatever a participant raised. That scale is real, and so is the caveat below: the model decides what to ask and what to keep.

The traceability is the whole point. A summary nobody can open is an assertion. Talk to the City is Apache-licensed and you can host it yourself.

12.3Team Mirai, the version with seats in parliament

Takahiro Anno is a software engineer and science-fiction writer who ran for Governor of Tokyo in 2024 with no party behind him and took 154,000 votes. He answered 8,600 questions from voters through an AI avatar trained on his own manifesto, over a seventeen-day livestream. In May 2025 he founded a party, Team Mirai. It won an upper house seat that July and eleven lower house seats in February 2026 on about seven percent of the vote.

The machinery underneath is the part worth copying. A citizen talks to an AI Interviewer, which asks follow-up questions and drafts a policy proposal out of the conversation. The party receives that draft only if the citizen confirms it matches what they meant. Where enough people back an idea, it becomes a proposal the party's legislators can submit. On one consultation the interviewer collected more than 1,200 hours of conversation in a few days, which would take a human interviewer roughly fifty days without sleep.

Two design choices carry most of the weight. The citizen is the final approver, so the model's framing cannot pass unchallenged into the record. And the party takes no position on genuinely divisive questions, putting them to a direct vote instead, because no amount of clever clustering dissolves a real conflict of interest.

Their broad-listening software, kouchou-ai, is open source and began as an adaptation of Talk to the City for Japanese municipalities. Adapting an existing civic tool to a local political reality, in public, is a better model for a delegation than commissioning one.

12.4Three more worth knowing

Agora Citizen Network. Polis-style clustering rebuilt for the open web and fully open source, now moving onto the AT Protocol as a Decentralized Deliberation Standard, so that a deliberation is not locked inside one operator's database. A French team ran a national consultation on it in September 2025 during the bloquons tout strike, to test whether an angry country could still be brought to a set of shared statements.

Habermolt. A research experiment on the opposite trade-off. Instead of scaling how many people a process can hear, it gives each person an agent that learns their views and deliberates on their behalf in rooms they never attend. You read back what your agent said and correct it. It is modelled on the Habermas Machine from DeepMind, and it is an open question rather than a tool: an agent that speaks for you is exactly the thing chapter 10 asks you to be careful about.

Simocracy. Built by GainForest, who co-publish this guidebook, so read it as an example and not a recommendation. Each participant writes a sim: an avatar, a constitution stating what it stands for and where its red lines are, and a speaking style. The sim is a record on the AT Protocol, owned by the person who wrote it, and it attends meetings on their behalf. Gatherings deliberate proposals in public, on the record, and allocate a shared budget. It has been run with Funding the Commons at Frontier Tower in San Francisco and in the Agent Village experiment, in both cases with humans holding the final allocation.

12.5What this is for at a COP

A constituency position. YOUNGO has hundreds of members across every time zone and days to produce one line. Broad listening turns that from a call nobody can attend into text everyone can check.

A closed call for inputs. A submission window shuts with 180 documents behind it and no delegation has read them. Cluster the claims, keep the quotes, open the ones that matter.

A two-person delegation. The honest gap is between your mandate and what people at home actually want. This narrows it, cheaply, between sessions.

The report back. After a session, the same machinery runs in reverse: what was decided, what it means locally, and what people say about it.

12.6What to check before you run one

Who wrote the questions. A model that runs an interview decides what to ask, what to remember, and how to report it. That is real power over the result. Publish the prompt and the topic list the way you would publish a questionnaire.

Verification stays with the participant. Nothing enters the record until the person who said it confirms the summary. This one rule is what separates broad listening from a machine putting words in people's mouths.

Language. These tools work in the language people actually speak, which is their main advantage over a consultation run in English. Check the clustering in each language rather than translating everything into English first.

Do not simulate people you could ask. Synthetic participants are cheap and worthless as evidence. If a group is affected, the process pays to reach them.

Host sensitive material yourself. Polis, Talk to the City, kouchou-ai, Agora, and Simocracy are all open source. Chapter 11 is how you run them on your own hardware.

Seorang negosiator iklim yang menggunakan alat yang mengonsumsi energi dan air harus mampu menyatakan berapa banyak yang digunakan. Jawaban yang jujur memiliki dua bagian, dan keduanya mengarah ke arah yang berbeda.

13.1Penggunaan Anda sendiri kecil

Google mengukur prompt teks median ke Gemini sebesar 0,24 Wh energi, 0,03 gram CO2e, dan 0,26 mililiter air.¹1Google, Measuring the environmental impact of delivering AI at Google scale, arXiv:2508.15734, August 2025. Angka ini mencakup kapasitas menganggur dan overhead pusat data, yang tidak dimasukkan oleh sebagian besar estimasi yang diterbitkan. Itu setara dengan beberapa detik penggunaan laptop. Satu hari kerja dengan penggunaan intensif masih lebih kecil daripada perjalanan singkat dengan mobil.

Polly melaporkan hal ini untuk setiap akun, dan perhitungannya dipublikasikan, bukan sekadar dinyatakan.²2Metode dan setiap konstanta terdapat dalam footprint.ts di pi-village-core. Angka yang tidak dapat ditelaah oleh negosiator lebih buruk daripada tidak ada angka sama sekali. Perhitungan ini berangkat dari parameter aktif model:

Membaca prompt Anda membutuhkan sekitar seperempat dari biaya menulis jawaban, dan membaca ulang prompt yang tersimpan dalam cache membutuhkan sepersepuluhnya, sehingga ketiganya dihitung secara terpisah. Pada model sparse yang dijalankan Polly, yang mengaktifkan 13 miliar parameter per token, satu pertukaran tipikal berjumlah sekitar 0,13 Wh dan 0,14 mililiter air. Angka itu sedikit di bawah median Google.

Perlakukan angka-angka ini sebagai perkiraan yang baik dalam kisaran faktor dua. Angka-angka tersebut tidak mencakup pelatihan model, air yang digunakan untuk menghasilkan listrik, perangkat Anda sendiri, dan karbon yang terkandung dalam perangkat keras.

13.2Penggunaan industri tidak kecil

Angka-angka yang penting berada pada skala sektor, bukan perorangan. Permintaan listrik pusat data meningkat lebih cepat daripada dekarbonisasi jaringan listrik, kapasitas baru dibangun di wilayah yang mengalami tekanan air, dan perusahaan-perusahaan yang melaporkan angka per prompt adalah perusahaan yang sama yang emisi totalnya meningkat sejak mereka mulai membangun sistem-sistem ini.

Kedua bagian itu benar pada saat yang sama. Penggunaan Anda sendiri adalah kesalahan pembulatan, dan agregatnya merupakan klaim yang serius dan terus berkembang atas energi, air, dan lahan. Menyatakan yang pertama tanpa yang kedua adalah jenis akuntansi yang tidak akan diterima oleh seorang negosiator dari suatu Pihak.

13.3Apa yang perlu dilakukan

Pilih model yang lebih kecil ketika model yang lebih kecil sudah memadai. Penerjemahan dan peringkasan tidak memerlukan model frontier, dan model sparse yang mengaktifkan beberapa miliar parameter membutuhkan biaya sebagian kecil dari model dense.

Mintalah angka-angka mereka kepada penyedia, termasuk air. Tanyakan dari jaringan listrik mana permintaan tersebut dilayani. Ini adalah pertanyaan pengadaan yang wajar dan jarang diajukan.

Laporkan angka Anda sendiri ketika Anda menggunakan alat-alat ini dalam pekerjaan Anda. Delegasi yang memublikasikan jejak penggunaan AI-nya sendiri memiliki kedudukan untuk meminta pihak lain melakukan hal yang sama.

14.1Kekuatan dan kelemahan

Kekuatan. Efisiensi tinggi dalam memproses dan merangkum volume besar teks yang menjadi landasan kebijakan iklim. Kemampuan untuk menghasilkan laporan, menyusun rancangan kebijakan, dan menyimulasikan negosiasi dalam bahasa alami, yang menghemat waktu dan sumber daya. Kemampuan untuk membantu banyak orang sekaligus, mulai dari pembuat kebijakan hingga peneliti dan aktivis.

Kelemahan. Potensi bias dalam model, yang menggeser cara informasi diproses kecuali dipantau dan dikoreksi. Ketergantungan pada mutu dan keluasan data pelatihan, yang membatasi seberapa baik suatu model menangani isu iklim yang bernuansa. Kesulitan menafsirkan bahasa hukum dan teknis yang kompleks secara akurat tanpa pengawasan manusia.

Peluang. Strategi komunikasi yang dipersonalisasi yang melibatkan berbagai pemangku kepentingan dalam aksi iklim. Integrasi dengan alat lain untuk analisis data lingkungan, yang mendukung kebijakan yang lebih berbasis informasi. Pendidikan dan penyebarluasan informasi kebijakan iklim yang lebih luas, sehingga dapat diakses oleh non-ahli.

Ancaman. Misinformasi, ketika suatu model menghasilkan konten yang tidak benar atau menyesatkan dari sumber yang tidak andal. Ketergantungan berlebihan, yang menghambat pengembangan keahlian lokal dalam kebijakan iklim. Kekhawatiran etis mengenai transparansi dan akuntabilitas dalam pengambilan keputusan otomatis.

Agen menambahkan dua ancaman lain yang patut disebutkan. Delegasi yang memiliki sumber daya akan menjalankan sistem yang tertata kelola dengan baik, sementara delegasi yang lebih kecil menggunakan alat gratis dengan ketentuan yang tidak jelas, yang memperlebar kesenjangan di balik tampilan akses yang setara. Dan dengan beberapa orang serta beberapa alat dalam satu rantai, tanggung jawab atas suatu teks menjadi sulit ditelusuri kecuali seseorang memutuskan sejak awal di mana tanggung jawab itu berada.

14.2Rekomendasi

Tiga hal layak dibangun: alat untuk menerjemahkan bahasa teknis UNFCCC, platform untuk menganalisis data historis negosiasi, dan lingkungan tempat negosiator muda memiliki teknologi yang mereka perlukan untuk berkontribusi. Di samping itu, enam hal lagi.

Literasi digital. Pelatihan yang ditujukan secara khusus untuk menavigasi basis data dan platform kebijakan internasional.

Dukungan waktu nyata. Alat yang memberikan klarifikasi selama negosiasi, bukan setelahnya.

Pelatihan negosiasi virtual. Lingkungan simulasi untuk melatih skenario negosiasi.

Platform dukungan keuangan. Platform urun dana atau hibah mikro yang mengatasi hambatan keuangan untuk menghadiri negosiasi, sebagaimana diangkat oleh negosiator dari Liberia dan Paraguay.

Pelatihan komunikasi lintas budaya. Program yang menangani kesalahpahaman yang diidentifikasi oleh negosiator dari Peru dan Nigeria.

Program mentoring. Jejaring yang menghubungkan negosiator muda dengan negosiator berpengalaman, sehingga pengetahuan berpindah antarsiklus.

Bagi seorang negosiator, empat kebiasaan mencakup sebagian besar kebutuhan. Gunakan sistem ini untuk persiapan, bahasa, dan memori. Verifikasi apa pun yang akan Anda ulangi secara lisan. Jangan pernah membiarkan suatu sistem berbicara atas nama pihak Anda. Tetap lakukan sendiri penelitian dalam kadar yang memadai sehingga Anda masih dapat melakukannya tanpa bantuan.

Bagi sebuah delegasi, tuliskan alat apa saja yang diizinkan, apa yang boleh ditempelkan ke dalamnya, dan siapa yang menyetujui teks berbantuan AI. Satu halaman sudah cukup, dan biayanya lebih rendah daripada satu insiden.

Dengan memanfaatkan potensi AI, kaum muda masa kini tidak sekadar mewarisi masa depan, tetapi secara aktif membentuknya; biarlah bab berikutnya dari kisah planet kita ditulis dengan goresan tegas inovasi dan kepemimpinan kaum muda.

Pertanyaan dan komentar dapat disampaikan ke team@gainforest.net.

1. Perceptron Rosenblatt dan demonstrasi tahun 1958, Cornell Chronicle
2. Krizhevsky, Sutskever, Hinton, ImageNet Classification with Deep Convolutional Neural Networks, NeurIPS 2012
3. Vaswani et al., Attention Is All You Need, Google Research 2017
4. Radford et al., Language Models are Unsupervised Multitask Learners, OpenAI 2019
5. Kaplan et al., Scaling Laws for Neural Language Models, OpenAI 2020
6. Hoffmann et al., Training Compute-Optimal Large Language Models, NeurIPS 2022
7. OpenAI, Introducing ChatGPT, 30 November 2022
8. OpenAI, Learning to Reason with LLMs, 12 September 2024
9. DeepSeek, DeepSeek-R1, 20 January 2025
10. METR, Measuring AI Ability to Complete Long Tasks, 2025
11. Anthropic, Anthropic Economic Index, 2025, penggunaan menurut negara dan tingkat pendapatan
12. Global Biodiversity Information Facility, data kejadian dan bias pengambilan sampel geografisnya, gbif.org dan GBIF data blog
13. Artificial Analysis, Intelligence Index by Open Weights and Proprietary, 26 August 2026
14. Artificial Analysis, Intelligence Index vs. Cost per Intelligence Index Task, 26 August 2026
15. NVIDIA, panduan pengguna DGX Spark dan ikhtisar perangkat keras
16. Google, Measuring the environmental impact of delivering AI at Google scale, arXiv:2508.15734, August 2025
17. Epoch AI, How much energy does ChatGPT use?, 2025
18. GainForest, footprint.ts dalam pi-village-core, perhitungan di balik angka per akun Polly
19. GainForest, Generative AI + Climate Guide 2024, disusun untuk Climate Youth Negotiator Programme menjelang COP29