AI Selaras Kedaulatan

Perundingan iklim bertumpu pada dokumen. Ada ribuan dokumen, ditulis dengan kosakata khusus yang berubah dari satu sesi ke sesi berikutnya. Pilihan kata dalam teks bisa menentukan hasil. Model bahasa AI dapat membantu Anda membaca, menulis, dan bersiap lebih cepat.

1.1Mengapa kita perlu peduli?

Negosiator muda dalam perundingan iklim PBB (UNFCCC) mewakili generasi yang akan hidup dengan dampak keputusan hari ini. Banyak dari mereka menghadapi masalah yang sama. Terlalu banyak yang harus dibaca. Bahasa kebijakan sulit dipahami. Dan waktu untuk menyampaikan pendapat sangat terbatas.

Model bahasa dapat membantu mengatasi semua ini. Model bahasa adalah program komputer yang dilatih dengan teks tertulis dalam jumlah sangat besar. Model ini dapat membaca, meringkas, dan menulis teks sesuai permintaan. Bagi negosiator, model ini berguna dalam empat hal.

Memahami informasi. Mengubah laporan panjang dan data menjadi ringkasan singkat, agar Anda bisa mengikuti temuan baru.

Menyusun draf. Membantu Anda merumuskan pendapat dalam bahasa yang diterima dalam perundingan, dengan cukup jelas agar diperhatikan orang.

Bekerja lintas bahasa. Menerjemahkan teks dan menjelaskan konteksnya, agar lebih banyak orang bisa ikut serta secara setara.

Berlatih. Memerankan pihak lain dalam simulasi perundingan, agar Anda bisa berlatih sebelum perundingan yang sebenarnya.

Alat ini hanya salah satu bagian. Negosiator yang belajar menggunakannya dengan baik punya lebih banyak waktu untuk pekerjaan yang membutuhkan manusia.

1.2Cara menggunakan panduan ini

Paruh pertama menjelaskan apa itu sistem ini, apa yang dibutuhkan negosiator, dan cara meminta hasil yang berguna dari model. Paruh kedua membahas agen. Agen adalah model yang dapat membaca seluruh kumpulan dokumen dan menjalankan tugas dalam beberapa langkah. Bab-bab terakhir membahas siapa yang mengendalikan data Anda, cara menjalankan model sendiri, dan dampak AI pada lingkungan. Setiap bab memiliki perintah yang bisa Anda salin. Anda tidak perlu latar belakang teknis.¹1Edisi pertama ditulis pada 2024 untuk Climate Youth Negotiator Programme. Wawancara dalam bab 3 dan lampiran berasal dari kegiatan tersebut.

2.1Bagaimana kita sampai di sini

Pada 1957, psikolog Frank Rosenblatt mulai mengembangkan perceptron di Cornell Aeronautical Laboratory. Angkatan Laut AS memperagakan mesin perceptron yang berfungsi pada tahun berikutnya. Perceptron adalah model matematika sel otak yang sangat sederhana. Model ini menerima beberapa masukan, memberi bobot pada masing-masing masukan, lalu menghasilkan satu keluaran. Model ini tidak meniru otak sungguhan, tetapi sebagian sistem AI saat ini berawal darinya.

Kemudian kemajuan terhenti selama puluhan tahun. Data tidak cukup, komputer terlalu lambat, dan metode pelatihannya lemah. Kemajuan berlanjut saat ketiganya membaik bersamaan. Pada 2012, Alex Krizhevsky, Ilya Sutskever, dan Geoffrey Hinton melatih sistem bernama AlexNet dengan 1,2 juta gambar berlabel, memakai cip grafis untuk gim video. Jawaban yang benar ada dalam lima tebakan teratasnya, kecuali untuk 17 persen gambar uji, jauh lebih baik daripada sistem sebelumnya.¹1Hasil ini berasal dari rancangan, teknik pelatihan, dan kumpulan data, sama besarnya dengan peran perangkat keras.

Pada 2017, para peneliti Google memperkenalkan Transformer. Transformer melihat semua kata dalam suatu teks sekaligus dan menentukan kata mana yang penting bagi kata lainnya. Dengan begitu, model ini bisa menghubungkan gagasan yang letaknya berjauhan dalam teks. Transformer juga cepat dilatih dengan banyak cip sekaligus. Hampir semua sistem dalam panduan ini dibangun dengan Transformer.

OpenAI lalu melatih Transformer dengan tugas sederhana: memprediksi kata berikutnya. Model awalnya, GPT dan GPT-2, menunjukkan bahwa satu tugas ini mengajarkan banyak keterampilan sekaligus. Kita tidak lagi memerlukan sistem terpisah untuk tiap tugas. Para peneliti juga menemukan hukum penskalaan. Model membaik secara terduga saat daya komputasi, data, dan ukurannya bertambah, asalkan ketiganya tumbuh bersama.

Pada 30 November 2022, OpenAI merilis ChatGPT sebagai pratinjau riset gratis. Untuk pertama kalinya, siapa pun bisa mengobrol dengan salah satu model ini.

Dua perubahan lagi menyusul. Pada September 2024, OpenAI mengumumkan o1, dan pada Januari 2025, DeepSeek merilis R1. Keduanya mengerahkan upaya lebih sebelum menjawab. Model ini menulis catatan kerja yang lebih panjang terlebih dahulu, yang membantu menyelesaikan masalah dengan beberapa langkah. Model juga dihubungkan ke alat dan diizinkan bertindak dalam siklus berulang. Bab 6 membahas hal itu.

2.2Cara membuatnya

Model bahasa adalah jenis AI yang membaca dan menulis bahasa manusia. Model ini belajar dari teks dalam jumlah besar: buku, artikel, situs web, dan lainnya. Dari teks itu, model mempelajari pola dan memakainya untuk menulis teks baru.

ChatGPT, Llama milik Meta, dan model serupa dibuat dalam dua tahap. Pertama, prapelatihan. Lalu pascapelatihan, yang kini terdiri atas dua bagian. Bagian kedua membuat model terbaru mampu menyelesaikan masalah panjang.

Prapelatihan. Model membaca teks dalam jumlah besar dari internet dan berlatih memprediksi kata berikutnya. Model tidak menyimpan daftar teks yang dibacanya. Selama proses itu, model mempelajari tata bahasa, fakta tentang dunia, dan sedikit kemampuan bernalar. Model belajar banyak sekali dengan cara ini, dari fakta kecil sehari-hari hingga gagasan rumit.

Penyetelan dengan pengawasan. Bagian pertama dari pascapelatihan. Orang menulis dan menilai contoh jawaban dengan mengikuti panduan tertulis. Model berlatih dengan contoh-contoh ini dan belajar menerapkan standar yang sama pada permintaan baru. Langkah ini mengajarinya mengikuti instruksi, bukan sekadar melanjutkan kalimat Anda.

Pembelajaran penguatan. Bagian kedua yang lebih baru. Model tidak diberi jawaban benar untuk ditiru. Model mendapat imbalan saat mencapai hasil yang baik. Seiring waktu, model belajar cara mana yang berhasil menyelesaikan masalah. Inilah yang membuat model mampu merangkai banyak langkah sebelum menjawab.

2.3Keterbatasan

Para peneliti masih belum sepenuhnya memahami cara kerja model ini di dalamnya. Pandangan umum menyebut bahwa prapelatihan memberi model pengetahuan, dan pascapelatihan membentuk cara model memakai pengetahuan itu.

Satu hal sudah jelas. Model bahasa memilih kata berikutnya berdasarkan pola dalam teks pelatihannya. Cara ini berhasil untuk banyak tugas, tetapi punya dua masalah besar. Model mengulangi bias dalam teks yang dipelajarinya. Model juga menyatakan hal yang salah dengan penuh keyakinan. Ini disebut halusinasi. Kalimat yang terdengar benar belum tentu sudah diperiksa.

2.4Dari mana bias berasal

Model ini belajar dari internet, dan internet tidak mencakup dunia secara merata. Bagi negosiator iklim, hal ini sangat penting.

Ambil contoh catatan alam. Global Biodiversity Information Facility (GBIF) adalah basis data terbuka pengamatan spesies terbesar di dunia. Sekitar 83 persen catatannya berasal dari Amerika Utara dan Eropa. Sisanya, 17 persen, mencakup wilayah dunia lainnya, termasuk tempat dengan spesies terbanyak.

Teks tertulis punya ketimpangan yang sama. Teks di internet jauh lebih banyak dalam bahasa Inggris, Prancis, dan Spanyol daripada dalam bahasa Quechua, Twi, atau Tok Pisin. Jadi, model telah melihat jauh lebih banyak teks dari kelompok pertama. Model bisa menerjemahkan, meringkas, dan menyusun draf dengan baik dalam bahasa yang umum. Dalam bahasa yang kurang umum, model akan lebih sering salah, dengan keyakinan yang sama.

Ini juga penyebab utama halusinasi. Jika ditanya tentang tempat yang banyak didokumentasikan, model memakai banyak bahan. Jika ditanya tentang tempat yang jarang didokumentasikan, model punya lebih sedikit bahan, lalu mengisi kekosongan dengan tebakan. Jawabannya terdengar sama yakinnya. Hanya saja, kemungkinan salahnya lebih besar.

Tidak mudah menentukan siapa yang harus disalahkan. Mengumpulkan dan menerbitkan data butuh biaya dan sistem yang belum dimiliki banyak negara. Sebagian komunitas memilih tidak berbagi pengetahuan tentang lahan dan spesies mereka, dan itu hak mereka. Namun hasilnya sama. Alat ini bekerja paling baik untuk tempat yang sudah punya banyak data, dan paling buruk untuk tempat yang paling banyak menanggung risiko.

Kesenjangan yang sama terlihat pada siapa yang memakai alat ini. Anthropic menerbitkan indeks penggunaan Claude menurut negara. Penggunaan meningkat seiring pendapatan nasional, dan dua puluh lima negara hampir tidak menggunakannya sama sekali.²2Anthropic, Anthropic Economic Index, 2025. Penggunaan meningkat sebanding dengan PDB per orang usia kerja yang dipangkatkan sekitar 0,69. Di antaranya Tonga, Samoa, Nauru, dan Palau. Negara-negara ini menjadi pihak dalam perundingan yang sama dan termasuk yang paling terpapar perubahan iklim.

Kami mewawancarai negosiator iklim muda dari beberapa negara. Mereka menghadapi masalah yang sama dan menginginkan bantuan serupa.¹1Enam negosiator dari Liberia, Paraguay, Peru, Nigeria, Lebanon, dan Indonesia. Ringkasan lengkap ada di lampiran.

3.1Tantangan dan kendala utama

Bahasa. Sebagian besar peserta tidak menggunakan bahasa Inggris sebagai bahasa pertama.

Istilah teknis. Perlu bertahun-tahun untuk memahami istilah khusus UNFCCC (Liberia, Paraguay).

Meneruskan pengetahuan. Sebagian orang memiliki pengetahuan teknis, sebagian lagi tidak. Banyak pengetahuan hilang saat delegasi berganti antarsesi.

Riwayat. Sulit mencari tahu apa yang terjadi dalam perundingan sebelumnya (Lebanon).

Berbicara dengan negosiator senior. Percakapan ini sulit saat berada di bawah tekanan (Peru, Nigeria). Delegasi muda harus mendapat rasa hormat sebelum orang mau mendengarkan mereka.

Memahami pihak lain. Posisi berubah cepat dan sulit diikuti.

Waktu. Waktu tidak pernah cukup untuk memahami semua hal penting.

Berbicara dengan jelas. Menyampaikan hal rumit dengan cepat dan tepat dalam bahasa Inggris selalu sulit.

3.2Alat dan sumber daya yang diharapkan

Alat bantu bahasa. Bantuan menulis dan tata bahasa yang lebih baik, khusus untuk teks UNFCCC, bukan bahasa Inggris bisnis.

Pencarian cepat. Alat yang menelusuri dokumen panjang, mengambil bagian penting, dan memastikan versi teks yang terbaru.

Pelatihan yang sesuai. Materi belajar yang sesuai dengan wilayah, kelompok perundingan, dan pengalaman negosiator.

Saat diwawancarai, para negosiator menggunakan Grammarly untuk menulis dan Google Drive untuk bekerja bersama. Satu negosiator sama sekali tidak memakai alat penerjemah karena makna bahasa perundingan hilang saat diterjemahkan.

Negosiasi iklim mencakup banyak hal sekaligus: emisi, keanekaragaman hayati, uang, dan politik. Agar bisa mengikuti semuanya, negosiator membutuhkan tiga hal.

Akses cepat ke informasi. Ilmu iklim terus berkembang, dan negosiator perlu segera mendapat fakta terbaru.

Penyusunan teks yang cermat. Satu kata dalam kesepakatan bisa menentukan keberhasilan atau kegagalannya.

Banyak bahasa. Para pihak berasal dari berbagai tempat dan berbicara dalam banyak bahasa.

4.1Bantuan yang bisa diberikan model

Komunikasi. Menyusun dan menerjemahkan teks agar para pihak dengan bahasa ibu yang berbeda bisa saling memahami dengan benar.

Riset. Mengumpulkan dan merangkum banyak bahan, seperti kajian ilmiah, makalah kebijakan, dan kesepakatan terdahulu, agar Anda tetap mengikuti perkembangan.

Mengkaji skenario. Membahas kemungkinan hasil dari berbagai pilihan kebijakan agar Anda bisa menguji suatu posisi sebelum menetapkannya.¹1Ini terkadang disebut pemodelan prediktif, tetapi sebutan itu berlebihan. Model bahasa tidak menjalankan model iklim atau ekonomi. Model bahasa menyatakan ulang dan membandingkan skenario, dan setiap angka yang dihasilkannya perlu diperiksa dengan sumber nyata.

Merangkum argumen. Menjabarkan argumen setiap pihak agar Anda bisa melihat pokok argumen dan sanggahannya.

4.2Potensi masalah

Manfaatnya nyata. Begitu pula risikonya, dan sebagian sangat penting dalam diplomasi.

Terlalu menyederhanakan. Model mempersingkat teks. Saat melakukannya, model bisa menghapus satu kata pembatas yang diperjuangkan suatu pihak selama tiga sesi.

Tidak peka terhadap suasana. Model tidak bisa membaca suasana atau dinamika politik dalam negosiasi. Model tidak tahu apa yang disepakati di koridor.

Tidak benar-benar ahli. Model bisa terdengar seperti pakar kebijakan iklim tanpa benar-benar menjadi pakar. Jika Anda mengandalkannya, Anda bisa mendapat informasi yang tidak lengkap atau salah.

Keamanan dan privasi. Negosiasi sering melibatkan bahan sensitif. Apa pun yang Anda tempelkan ke layanan AI daring keluar dari delegasi Anda. Hanya sedikit orang yang membaca ketentuan tentang cara layanan itu menyimpannya.

Etika. Bersikaplah terbuka tentang kapan Anda menggunakan AI. Pastikan manusia tetap bertanggung jawab atas keputusan. Waspadai penyalahgunaan.

Salah paham. Model bisa salah memahami permintaan Anda. Model mungkin memberi teks yang terdengar seperti posisi Anda, padahal bukan.

5.1Model mana, dan dengan ketentuan siapa

Ada dua jenis asisten AI. Jenis yang Anda gunakan lebih penting daripada mereknya.

Bobot tertutup. ChatGPT, Claude, dan Gemini berjalan di komputer perusahaan. Anda mengaksesnya melalui akun. Model ini paling andal dan paling mudah digunakan untuk memulai. Versi gratis bisa menyusun draf, menerjemahkan, dan merangkum. Versi berbayar harganya sekitar dua puluh dolar per bulan. Versi ini bisa menangani dokumen lebih panjang dan unggahan berkas, serta menyertakan fitur agen di bab 6. Semua yang Anda ketik dikirim ke perusahaan. Bergantung pada pengaturan Anda, perusahaan bisa menyimpannya, meminta staf membacanya, atau menggunakannya untuk melatih model berikutnya.

Bobot terbuka. Llama, Mistral, Qwen, Gemma, dan DeepSeek menerbitkan model yang bisa diunduh siapa saja. Artinya, Anda, lembaga Anda, atau penyedia pilihan Anda bisa menjalankannya. Ollama memasang model di laptop dalam beberapa menit. Polly, yang dikelola GainForest dan Youth Negotiators Academy di polly.ai4cop.org, adalah model berbobot terbuka daring yang tidak menyimpan catatan apa pun yang Anda kirim. Bab 11 menjelaskan cara menjalankan model sendiri.

Aturan sederhana untuk memulai. Gunakan model tertutup untuk materi yang sudah terbuka untuk umum. Gunakan model berbobot terbuka untuk materi lainnya. Jangan pernah menempelkan posisi yang belum diajukan delegasi Anda ke layanan yang tidak Anda kendalikan. Bab 10 menjelaskan risikonya. Baca sebelum Anda membuka akun.

Apa pun pilihan Anda, pasang aplikasi ponselnya. Masukan suara membantu saat Anda berjalan antar-sesi. Menyampaikan ide awal dalam bahasa sendiri sering menghasilkan draf yang lebih baik daripada mengetik kalimat dengan cermat dalam bahasa Inggris.

5.2Dasar-dasar menyusun prompt

Instruksi yang Anda ketik disebut prompt. Semakin jelas dan spesifik prompt Anda, semakin baik jawabannya.

Prompt bisa memiliki hingga empat bagian. Anda tidak selalu membutuhkan semuanya.

Instruksi. Apa yang Anda ingin model lakukan.

Konteks. Latar belakang yang membantu model memberi jawaban lebih baik.

Masukan. Teks, pertanyaan, atau dokumen yang Anda ingin model kerjakan.

Format keluaran. Bentuk jawaban yang Anda inginkan.

5.3Apa yang membuat prompt bagus

Enam kebiasaan ini paling membantu. Semuanya berlaku untuk setiap model.

Tulis dengan jelas dan rinci. Sebutkan siapa Anda, apa yang Anda inginkan, dan bentuk jawabannya. Model tidak tahu di mana Anda berada atau apa yang terjadi di sekitar Anda.

Berikan contoh. Satu contoh jawaban yang Anda inginkan lebih efektif daripada satu paragraf yang menjelaskannya.

Minta kutipan. Minta model mengutip bagian teks yang menjadi dasar jawabannya. Mengaitkan jawaban dengan dokumen nyata adalah perlindungan terbaik dari fakta karangan.

Beri label pada setiap bagian. Masukkan setiap bagian dalam tag, seperti <konteks>, <tugas>, dan <teks>. Dengan begitu, model bisa membedakan instruksi Anda dari dokumen yang Anda tempelkan.

Biarkan model berpikir dahulu. Minta penalaran sebelum jawaban. Model lebih jarang salah dalam tugas bertahap jika mengerjakan setiap langkahnya.

Berikan peran. "Anda adalah peneliti kerugian dan kerusakan" biasanya menghasilkan jawaban lebih baik daripada permintaan yang sama tanpa peran.

Lalu lanjutkan. Perbaiki prompt dan tanyakan lagi. Percobaan kedua hampir selalu lebih baik daripada yang pertama.

Bangun satu kebiasaan sejak awal. Minta sumber, dan minta model menandai bagian yang belum pasti. Jika Anda tidak bisa memeriksa jawaban, Anda tidak bisa menggunakannya dalam sidang pleno.

Bagian-bagian intervensi

Negosiator paling sering menulis intervensi. Prompt intervensi yang bagus memiliki lima bagian: siapa yang berbicara dan di mana, satu isu utama, bukti, perjanjian terkait, dan apa yang perlu dilakukan.

Jika satu bagian dihilangkan, draf menjadi lebih buruk. Tanpa peran, model menulis tanpa tahu untuk siapa. Tanpa bukti, model menulis perasaan, bukan fakta. Tanpa baris terakhir, model tidak mengaitkannya dengan perjanjian yang bisa ditindaklanjuti.

5.4Prompt untuk berbagai kebutuhan

1. 1
   Analisis data

   Dengan lembar kerja ini, buat grafik rata-rata kenaikan emisi selama beberapa tahun terakhir, jelaskan metode Anda, dan sebutkan asumsi Anda tentang data yang hilang.

   Pengaturan: Unggah berkas
2. 2
   Penerjemahan

   Terjemahkan paragraf ini ke bahasa Spanyol, dengan tetap memakai ragam bahasa formal teks keputusan.

   Pengaturan: Model apa pun
3. 3
   Merangkum

   Rangkum intervensi Kelompok Negara Kurang Berkembang pada Dialog Teknis Inventarisasi Global tanggal 10 Juni 2023, dan kutip bagian yang menjadi dasar rangkuman Anda.

   Pengaturan: Pencarian web aktif
4. 4
   Menyiapkan pidato

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

   Pengaturan: Model apa pun
5. 5
   Menyiapkan sanggahan

   Kerugian dan kerusakan adalah isu utama dalam perundingan iklim. Anda adalah peneliti kerugian dan kerusakan. Sebutkan alasan utama sebagian negara memberi prioritas rendah pada kerugian dan kerusakan. Lalu tulis sanggahan kuat yang menunjukkan mengapa dana kerugian dan kerusakan diperlukan.

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

   Anda adalah penulis pidato yang menyusun pernyataan menggunakan pertanyaan di atas. Tulis pernyataan sepanjang 300 kata tentang upaya peningkatan kapasitas iklim Inggris, dengan gaya bahasa Pemerintah Inggris.

   Pengaturan: Model apa pun
7. 7
   Menjelaskan jargon

   Jelaskan arti "sarana implementasi" dalam paragraf ini dengan bahasa sederhana, dan berikan satu contoh penggunaan frasa itu dalam keputusan sebelumnya.

   Pengaturan: Model apa pun
8. 8
   Mencari dokumen

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

   Pengaturan: Penelusuran dokumen
9. 9
   Menerjemahkan untuk masyarakat setempat

   Terjemahkan intervensi ini ke Bahasa Malaysia untuk masyarakat umum, dengan menjaga maknanya dan menghilangkan jargon UNFCCC.

   Pengaturan: Model apa pun

Sejauh ini, semuanya bekerja dengan cara yang sama. Anda mengetik permintaan, membaca jawaban, lalu memutuskan apa yang akan dilakukan dengan jawaban itu. Empat perubahan menghadirkan cara kerja kedua.

Model bisa membaca lebih banyak. Kini model bisa membaca seluruh teks perundingan, versi sebelumnya, dan catatan pengarahan Anda sekaligus.

Model bisa mencari. Sistem bisa menelusuri kumpulan dokumen atau web sebelum menjawab, lalu mengutip temuannya. Dengan begitu, Anda bisa memeriksa jawabannya.

Model bisa memakai alat. Model bisa dihubungkan ke mesin pencari, lembar kerja, kalender, atau folder berkas. Lalu model bisa menggunakannya, bukan hanya menjelaskannya.

Model bisa mengulang. Sistem tidak lagi harus menjawab sekali lalu berhenti. Sistem bisa membuat rencana, mengambil langkah, melihat hasilnya, lalu mencoba lagi sampai tugas selesai.

Gabungkan semua ini, dan hasilnya adalah apa yang disebut agen. Agen adalah model dengan alat dan memori yang terus bekerja sampai tugas selesai. Agen bekerja sesuai izin yang diberikan seseorang. Agen tidak punya kemampuan menilai dan tidak bisa dimintai pertanggungjawaban. Agen hanya punya tugas dan serangkaian izin.

6.1Tiga cara kerja

Percakapan. Anda bertanya, sistem menjawab, Anda memeriksa. Cocok untuk menyusun draf, menerjemahkan, menjelaskan, dan berlatih.

Pencarian. Sistem terlebih dahulu menelusuri kumpulan dokumen yang sudah ditetapkan, lalu menjawab dan menunjukkan sumbernya. Gunakan untuk mencari fakta tentang perundingan: perubahan teks, pernyataan para pihak, keputusan terdahulu.¹1Jika sistem menjelaskan isi paragraf dalam teks keputusan tetapi tidak bisa menunjukkan paragrafnya, anggap itu kabar angin.

Agen. Sistem menjalankan tugas dalam beberapa langkah dengan memakai alat. Gunakan untuk pekerjaan berulang yang hasilnya bisa Anda periksa, seperti melacak perubahan antardraf atau menyusun ringkasan harian.

6.2Contoh penggunaan

1. 1
   Melacak perubahan teks

   Bandingkan revisi 3 draf keputusan ini dengan revisi 2. Daftar semua perubahan substansial, kutip kedua versi, dan tandai perubahan yang memengaruhi batas tegas delegasi saya.

   Pengaturan: Berkas terlampir
2. 2
   Memetakan posisi

   Dari masukan ini, buat tabel posisi para pihak tentang Pasal 6.4 dengan kutipan dan rujukan di setiap baris. Tandai posisi yang Anda simpulkan sendiri.

   Pengaturan: Penelusuran dokumen
3. 3
   Menelusuri riwayat

   Telusuri bagaimana frasa "tanggung jawab bersama tetapi berbeda" diberi penjelas dalam teks keputusan sejak 2015, dengan mengutip setiap keputusan.

   Pengaturan: Penelusuran dokumen
4. 4
   Membaca semalam

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

   Pengaturan: Berkas terlampir
5. 5
   Ringkasan harian

   Setiap malam, kumpulkan teks yang terbit hari itu dari jalur perundingan yang saya ikuti, ringkas perubahannya, lalu kirim daftarnya kepada saya.

   Pengaturan: Agen terjadwal
6. 6
   Membaca tanda kurung siku

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

   Pengaturan: Berkas terlampir
7. 7
   Latihan

   Berperanlah sebagai perunding yang menentang teks ini. Sanggah intervensi saya, dan jangan mudah setuju.

   Pengaturan: Percakapan
8. 8
   Terjemahan balik

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

   Pengaturan: Percakapan
9. 9
   Serah terima

   Dari catatan saya sepanjang sesi ini, tulis dokumen serah terima bagi siapa pun yang menangani berkas ini pada siklus berikutnya.

   Pengaturan: Berkas terlampir
10. 10
    Mengolah data

    Dari lembar kerja emisi ini, buat grafik tren negara-negara ini sejak 2010, jelaskan metode Anda, dan daftar semua asumsi tentang data yang hilang.

    Pengaturan: Akses berkas

6.3Bekerja dengan agen secara aman

Saat chatbot salah memahami Anda, hasilnya paragraf yang buruk. Saat agen salah memahami Anda, agen bisa bertindak berdasarkan kekeliruan itu.

Periksa apa pun yang akan Anda sampaikan kembali. Buka satu dokumen yang dikutip dan pastikan kutipannya benar-benar ada sebelum Anda memakainya di ruang perundingan.

Berikan izin sesedikit mungkin. Sistem yang membaca berkas Anda tidak perlu juga bisa mengirim email.

Jangan percaya dokumen dari luar. Berkas yang diserahkan orang lain bisa berisi instruksi tersembunyi yang ditujukan kepada agen.

Tentukan siapa yang memberi persetujuan. Sepakati siapa yang menyetujui teks yang ditulis dengan bantuan AI. Saat beberapa alat terlibat, tidak ada pihak lain yang akan melakukannya.

Email masih menjadi cara utama para profesional berkomunikasi. Tiga hal membuatnya sulit.

Jumlah. Kotak masuk penuh, dan memilahnya menyita waktu yang tidak Anda punya.

Menulis dengan baik. Menulis email yang jelas, singkat, dan mendorong tindakan perlu keterampilan.

Bahasa. Anda sering harus menulis dalam bahasa yang bukan bahasa Anda sendiri.

Asisten yang terhubung ke kotak email Anda bisa membaca seluruh percakapan sendiri. Beri izin untuk membaca dan membuat draf. Tetap kirim sendiri.

1. 1
   Tindak lanjut rapat

   Ringkas poin utama dan komitmen dari rapat negosiasi terbaru, sebutkan siapa yang menyampaikan masing-masing, dan buat draf email tindak lanjut yang sopan kepada peserta tentang tindakan yang disepakati.
2. 2
   Penjadwalan

   Tulis email yang sopan dan fleksibel untuk mengusulkan beberapa tanggal dan waktu bagi putaran rapat berikutnya, dalam zona waktu setiap peserta.
3. 3
   Ringkasan harian

   Tulis email ringkasan harian singkat tentang kemajuan dalam sesi terbaru: usulan baru, poin yang disepakati, dan poin yang masih diperdebatkan.
4. 4
   Menentukan prioritas

   Tulis email kepada tim negosiasi yang mengusulkan urutan agenda berdasarkan urgensi, dampak pada tujuan iklim, dan peluang kesepakatan.
5. 5
   Memilah kotak masuk

   Kelompokkan pesan saya yang belum dibaca menjadi: perlu keputusan saya, perlu dibalas, perlu diteruskan, tidak perlu tindakan. Buat draf balasan hanya untuk kelompok ketiga dan jangan kirim.
6. 6
   Memeriksa nada

   Tulis ulang email ini dalam bahasa diplomatik formal tanpa mengubah isi komitmen apa pun, lalu buat daftar perubahan agar bisa saya periksa.

Sistem ini cenderung menulis dengan nada hangat dan mudah setuju. Nada itu bisa memberi konsesi yang tidak ada dalam teks asli Anda. Tanyakan kepada model apa yang diubah, dan baca daftarnya.

Selama persidangan, jadwal, daftar periksa, dan pemesanan perjalanan cepat menumpuk. Tiga masalah terus berulang.

Waktu. Sulit menentukan apa yang harus didahulukan dan berapa lama waktu untuk mengerjakannya.

Tugas yang terlupa. Hal penting terlewat dari daftar.

Perjalanan. Mencari penerbangan dan hotel yang sesuai dengan jadwal dan anggaran Anda memakan waktu berjam-jam.

Pekerjaan ini memiliki risiko terendah dalam panduan ini dan paling cocok untuk mulai menggunakan agen. Tugasnya berulang, hasilnya mudah Anda periksa, dan hanya sedikit yang bersifat rahasia.

1. 1
   Pemesanan

   Cari penerbangan dan hotel termurah dan paling nyaman untuk perjalanan dari [kota keberangkatan] ke [kota tujuan] pada [tanggal]. Saya lebih suka penerbangan pagi dan hotel dekat lokasi acara. Tunjukkan kelebihan dan kekurangan tiap pilihan, bukan satu rekomendasi saja.
2. 2
   Daftar periksa

   Buat daftar periksa lengkap untuk persidangan internasional selama dua minggu: dokumen, akreditasi, pakaian untuk cuaca yang berubah-ubah, peralatan kerja, dan salinan luring naskah penting.
3. 3
   Rencana harian

   Lihat kalender saya dan jadwal persidangan, lalu usulkan jadwal yang mencakup rapat, waktu untuk pekerjaan saya sendiri, olahraga, dan waktu pribadi, dengan mempertimbangkan tenggat dan komitmen berikut.
4. 4
   Memantau kemajuan

   Buat templat untuk memantau bidang kerja yang saya ikuti, dengan target antara, tenggat, dan ruang untuk pembaruan serta langkah berikutnya.

Logistik juga menjadi bidang pertama tempat Anda memberi agen akses nyata ke kalender, email, dan berkas Anda. Itu boleh saja. Namun, dari sini juga muncul kebiasaan memberi sedikit lebih banyak akses setiap kali. Sistem yang memesan penerbangan Anda tidak perlu menyusun posisi Anda.

Negosiasi iklim melibatkan manusia serta fakta. Emosi, perbedaan budaya, dan kesehatan mental turut berperan.

Kesehatan mental. Perubahan iklim dan tekanan negosiasi menguras tenaga para delegasi.

Kesalahpahaman budaya. Orang dari budaya berbeda bisa salah memahami satu sama lain. Ini menimbulkan gesekan dan memperlambat pembicaraan.

Khusus di bagian panduan ini, jendela percakapan sederhana lebih baik daripada agen. Ini hanya percakapan. Tidak perlu sistem yang bisa mengakses berkas Anda.

1. 1
   Ringkasan budaya

   Saya sedang bernegosiasi tentang perubahan iklim di PBB dengan seseorang dari Kenya. Aspek budaya apa yang perlu saya pahami agar negosiasi saya maju?
2. 2
   Penyemangat

   Saya sedang sedih, bisakah Anda mengatakan sesuatu yang membangkitkan semangat?
3. 3
   Ulasan sesi

   Inilah yang terjadi dalam sesi tadi dan cara saya menanganinya. Apa yang akan dilakukan secara berbeda oleh negosiator yang lebih berpengalaman?

Dua peringatan. Pertama, ringkasan budaya menggambarkan negara secara umum, tetapi Anda akan berbicara dengan satu orang. Gunakan sebagai latar belakang, bukan prediksi. Kedua, model bisa menjadi tempat menuangkan pikiran pada pukul satu dini hari. Namun, model bukan dokter atau rekan kerja, dan percakapan ini tidak bersifat rahasia. Jika Anda merasa lebih dari sekadar lelah, bicaralah dengan ketua delegasi, kontak dukungan program Anda, atau tenaga profesional.

Alat-alat ini bisa menyetarakan kedudukan dalam perundingan multilateral. Alat ini mengurangi hambatan bahasa yang menentukan siapa bisa bicara dengan percaya diri. Alat ini meringkas dokumen yang tak sempat dibaca siapa pun. Alat ini memberi delegasi dua orang sebagian kemampuan delegasi lima puluh orang. Itu berharga. Namun sebelum mengetik, ajukan beberapa pertanyaan.

Siapa pemilik data? Teks yang Anda tempelkan ke asisten daring keluar dari delegasi Anda. Bergantung pada akun dan pengaturannya, perusahaan bisa menyimpannya, meminta staf membacanya, atau memakainya untuk melatih model berikutnya. Posisi nasional, arahan dari ibu kota, dan apa pun yang disampaikan secara rahasia tidak boleh dimasukkan ke sana.

Siapa pemilik keputusan? Model menulis teks yang terbaca seperti sebuah posisi. Jika model menyusun draf dan tak ada yang memeriksa, pemikiran di balik posisi negara Anda mulai berlangsung di luar delegasi Anda. Setiap teks yang keluar harus menjadi tanggung jawab seseorang yang punya mandat.

Apa yang tidak bisa Anda lihat? OpenAI dan Anthropic tidak memperlihatkan seluruh proses penalaran model. Anda mendapat jawaban, dan kadang ringkasan cara model mencapainya. Langkah sebenarnya tetap di tangan perusahaan. Anda tidak bisa memeriksanya, mengulanginya, atau menunjukkan kepada rekan mengapa sistem menjawab demikian.

Bobot terbuka atau tertutup? Bobot model adalah angka-angka yang dipelajarinya saat pelatihan. ChatGPT, Claude, dan Gemini menyimpan bobotnya di komputer perusahaan. Ketiganya adalah model terkuat dan paling mudah dipakai. Llama, Mistral, Qwen, Gemma, dan DeepSeek memublikasikan bobotnya, jadi Anda bisa menjalankan model di komputer sendiri atau server di wilayah Anda. Model terbuka bisa menerjemahkan, meringkas, dan menyusun draf dengan baik. Model ini lebih lemah dalam soal tersulit yang perlu banyak langkah. Dan jika Anda memegang bobotnya, tak ada yang bisa menaikkan harga atau mematikan model di tengah sesi.

AI yang sejalan dengan kedaulatan berarti delegasi, wilayah, atau komunitas menetapkan ketentuannya. Mereka memilih model yang dipakai, data yang dimasukkan, dan siapa yang boleh memeriksa hasil kerjanya. Mereka juga bisa menolak. Dalam proses COP, para pihak dengan kapasitas paling terbatas biasanya menghadapi risiko terbesar. Jadi ini soal praktis.

Aturan kerja sederhana. Pakai model daring terkuat untuk materi publik, bacaan latar belakang, penyusunan draf, dan latihan. Untuk apa pun tentang posisi yang belum terbuka untuk publik, pakai model berbobot terbuka, atau layanan dengan kontrak yang sudah dibaca lembaga Anda.

Panduan ini hadir agar untung ruginya tetap jelas. Bab-bab sebelumnya menunjukkan apa yang bisa dilakukan sistem ini dengan baik. Bab ini menunjukkan apa yang Anda korbankan sebagai imbalannya.

Bab sebelumnya menjelaskan pilihan dan konsekuensinya. Jawaban terbaik adalah menjalankan model sendiri.

Saat Anda menghosting model sendiri, tidak ada data yang keluar dari gedung. Anda tidak perlu memercayai kebijakan data perusahaan. Ketentuan layanan tidak bisa tiba-tiba berubah. Akun tidak bisa ditangguhkan di tengah sesi. Dan lembaga Anda membangun keterampilan sendiri alih-alih menyewanya.

Sampai baru-baru ini, menjalankan model sendiri berarti harus puas dengan model yang jauh lebih lemah. Kini tidak lagi.

Artificial Analysis menerbitkan Intelligence Index yang menilai model dengan serangkaian tes yang sama. Kimi K3 dan GLM-5.3 sama-sama meraih skor 60, tiga poin di bawah Claude Opus 5 dengan skor 63. Qwen3.8 menyusul dengan skor 58. Sembilan belas dari 29 model dalam indeks memiliki bobot terbuka, meski sebagian besar peringkat teratas masih ditempati model tertutup.¹1Grafik ini menggolongkan GLM-5.3 dan GLM-5.3-Flash sebagai model tertutup. Z.ai menerbitkan bobot keduanya dengan lisensi MIT, jadi buku ini menggolongkannya sebagai model terbuka. Itulah sebabnya gambar menampilkan tujuh belas batang biru, sedangkan teks menyebut sembilan belas. Setahun lalu, model terbuka terbaik tertinggal tiga belas poin dari model tertutup terbaik. Kesenjangan ini menyusut cepat dan mungkin akan terus menyusut.

Harga juga menjadi alasan penting. GLM-5.3-Flash meraih skor 57 dengan biaya sekitar sembilan sen per tugas. DeepSeek V4 Pro 0813 meraih skor 53 dengan biaya sekitar seperempat dolar. Keduanya berada di sudut dengan skor tinggi dan biaya rendah. Claude Opus 5 meraih skor 63, tetapi biayanya sekitar sepuluh kali biaya DeepSeek. Selisih itulah yang membuat delegasi mampu menjalankan model sendiri.

11.1Model yang bisa dijalankan

Per 26 Agustus 2026. Baca lisensinya sebelum memilih. Beberapa model terbuka terkuat membatasi penggunaan komersial. Bagi delegasi, ini biasanya bukan masalah. Bagi perusahaan yang membangun produk berbasis model itu, ini menjadi masalah.

11.2Berapa biayanya

NVIDIA DGX Spark adalah komputer desktop dengan memori 128GB. Harganya saat ini 4.699 dolar. Anda bisa langsung menghubungkan dua unit untuk mendapat 256GB dengan biaya sekitar 9.400 dolar. Pasangan ini dapat menjalankan model besar seperti DeepSeek dengan kecepatan 55 hingga 60 token per detik, lebih cepat daripada Anda membaca. Pasangan ini juga dapat menampung sekitar satu juta token teks sekaligus, kira-kira beberapa ribu halaman. Itu cukup untuk pekerjaan satu delegasi.

Satu unit dapat menjalankan model lebih kecil (27 hingga 35 miliar parameter) dengan cukup cepat untuk enam puluh orang sekaligus. Itu mencakup penerjemahan, peringkasan, dan penyusunan draf untuk seluruh kantor. Tiga atau empat unit, dengan memori 384 hingga 512GB, dapat menjalankan model terbuka terbesar secara penuh.

Bandingkan dengan membayar langganan untuk setiap anggota delegasi. Biaya perangkat keras ini akan kembali dalam satu atau dua siklus perundingan, dan perangkat tetap berfungsi setelah pendanaan berakhir.

11.3Cara menyiapkannya

Jalankan model dengan perangkat lunak bernama vLLM atau SGLang. Keduanya bekerja dengan cara yang sama seperti layanan OpenAI. Jadi, alat apa pun yang bekerja dengan ChatGPT akan bekerja dengan server Anda sendiri setelah Anda mengganti alamat dan kuncinya. Untuk uji coba pertama di laptop, Ollama atau llama.cpp lebih mudah. NVIDIA menerbitkan panduan penyiapan Spark, dan panduan komunitas yang tersedia untuk umum menjelaskan cara menghubungkan dua, tiga, atau empat unit.

Jika Anda belum bisa menjalankan model sendiri sebelum sesi berikutnya, gunakan layanan daring yang telah menandatangani perjanjian tanpa retensi data. Artinya, ada janji tertulis untuk tidak menyimpan apa yang Anda kirim. Anggap ini sebagai solusi sementara.

11.4Satu hal yang perlu diperhatikan

Indeks di atas merata-ratakan sembilan tes berbeda, dan ketertinggalan model terbuka tidak sama pada tiap tes. Kesenjangan terbesar ada pada tugas penalaran tersulit dan halusinasi. Dalam keduanya, model tertutup masih jelas unggul. Bagi perunding, halusinasi adalah hal yang paling penting. Jadi, arahkan model ke dokumen Anda sendiri, minta sumbernya, lalu buka sumber itu.

Bab sebelumnya berakhir dengan model yang berjalan di perangkat keras Anda sendiri. Bab ini membahas cara memakainya untuk mendengarkan warga Anda sendiri.

Sejauh ini, panduan ini membahas AI sebagai alat yang dipakai seseorang untuk pekerjaannya sendiri. Ada kegunaan lain. Ini mengubah apa yang bisa dilakukan delegasi kecil atau konstituensi pemuda. Model bisa membantu Anda mendengarkan jauh lebih banyak orang daripada yang bisa dijangkau tim manusia. Lalu Anda bisa membawa suara mereka ke ruang perundingan, lengkap dengan buktinya.

Ini disebut mendengarkan secara luas. Jajak pendapat membatasi orang pada jawaban yang ditulis orang lain. Mendengarkan secara luas bekerja sebaliknya. Orang menjawab dengan kata-kata mereka sendiri. Perangkat lunak mencari pola dalam jawaban itu. Lalu pola itu dikembalikan kepada orang yang menulisnya, agar mereka bisa mengoreksinya.

12.1Polis, alat tertua di antara alat-alat ini

Polis adalah survei yang bekerja seperti percakapan. Orang menulis pernyataan singkat. Orang lain memilih setuju, tidak setuju, atau lewati untuk pernyataan yang sebagian dipilih secara acak. Sistem mengelompokkan pemilih berdasarkan pilihan mereka. Lalu sistem menyoroti pernyataan yang disepakati orang dari semua kelompok, bukan yang sekadar meraih suara mayoritas.

Taiwan adalah contoh paling terkenal. Setelah protes Sunflower pada 2014, komunitas teknologi warga g0v dan pemerintah menjalankan proses bernama vTaiwan di Polis. Lebih dari 200,000 orang ikut dalam berbagai konsultasinya. Satu konsultasi tentang aplikasi pemesanan kendaraan seperti Uber menemukan pernyataan yang disepakati pengemudi, perusahaan taksi, dan penumpang. Peraturan lalu disusun berdasarkan pernyataan itu.

Polis gratis dan bersumber terbuka (lisensi AGPL). Computational Democracy Project mengelolanya. Polis lebih tua daripada model bahasa masa kini dan sama sekali tidak memakainya. Itulah salah satu alasan alat ini masih bekerja dengan baik.

12.2Talk to the City, dan apa yang ditambahkan model

Talk to the City menambahkan model bahasa untuk membaca. AI Objectives Institute membangunnya. Alat ini menerima wawancara, jawaban survei, kiriman forum, atau transkrip. Isinya dipecah menjadi klaim tersendiri, dikelompokkan menurut topik, lalu disusun menjadi laporan. Setiap baris laporan memiliki tautan ke kutipan sumbernya. Versi yang lebih baru juga melakukan wawancara sendiri. Alat ini mengajukan pertanyaan lanjutan seperti manusia, alih-alih membaca daftar tetap.¹1Satu proyek memakai moderator AI untuk mewawancarai 81,000 orang di seluruh dunia, dengan model menindaklanjuti apa pun yang disampaikan peserta. Skala itu nyata, begitu pula batasan berikut: model memutuskan apa yang ditanyakan dan apa yang disimpan.

Tautan ke sumber itulah yang penting. Ringkasan yang tidak bisa diperiksa siapa pun hanyalah klaim. Talk to the City bersumber terbuka (lisensi Apache), dan Anda bisa menjalankannya sendiri.

12.3Team Mirai, versi yang punya kursi di parlemen

Takahiro Anno adalah insinyur perangkat lunak dan penulis fiksi ilmiah. Pada 2024, ia mencalonkan diri sebagai Gubernur Tokyo tanpa partai dan meraih 154,000 suara. Dalam siaran langsung selama tujuh belas hari, avatar AI yang dilatih dengan manifestonya menjawab 8,600 pertanyaan pemilih. Pada Mei 2025, ia mendirikan partai, Team Mirai. Partai itu meraih satu kursi di majelis tinggi pada Juli tahun itu, dan sebelas kursi di majelis rendah pada Februari 2026, dengan sekitar tujuh persen suara.

Sistem di baliknya patut ditiru. Seorang warga berbicara dengan Pewawancara AI. Alat ini mengajukan pertanyaan lanjutan dan mengubah percakapan menjadi draf usulan kebijakan. Partai hanya menerima draf jika warga memastikan isinya sesuai maksud mereka. Saat cukup banyak orang mendukung suatu gagasan, gagasan itu menjadi usulan yang bisa diajukan anggota legislatif partai. Dalam satu konsultasi, pewawancara mengumpulkan lebih dari 1,200 jam percakapan dalam beberapa hari. Pewawancara manusia perlu sekitar lima puluh hari tanpa tidur untuk melakukan hal yang sama.

Dua pilihan desain paling penting. Pertama, warga memberi persetujuan akhir, jadi model tidak bisa diam-diam mengubah maksud mereka. Kedua, partai tidak mengambil sikap atas isu yang sangat memecah belah. Partai menyerahkannya pada pemungutan suara langsung, karena tidak ada perangkat lunak yang bisa menghapus konflik kepentingan nyata.

Perangkat lunak mereka untuk mendengarkan secara luas, kouchou-ai, bersumber terbuka. Awalnya, alat ini adalah versi Talk to the City yang disesuaikan untuk pemerintah kota di Jepang. Bagi delegasi, lebih baik menyesuaikan alat publik yang ada dengan kebutuhan setempat, secara terbuka, daripada membayar orang untuk membuat alat baru.

12.4Tiga alat lain yang perlu dikenal

Agora Citizen Network. Versi pengelompokan ala Polis yang sepenuhnya bersumber terbuka, dibuat untuk web terbuka. Alat ini sedang beralih ke AT Protocol, standar terbuka untuk data sosial. Dengan begitu, diskusi tidak terkunci dalam basis data satu perusahaan. Pada September 2025, saat mogok blokir semuanya, sebuah tim Prancis menjalankan konsultasi nasional dengan alat ini. Mereka ingin melihat apakah negara yang sedang marah masih bisa menemukan pernyataan yang disepakati bersama.

Habermolt. Eksperimen riset yang mengambil arah sebaliknya. Tujuannya bukan mendengarkan lebih banyak orang. Sebaliknya, setiap orang mendapat agen AI yang mempelajari pandangan mereka dan berdebat mewakili mereka dalam rapat yang tidak mereka hadiri. Anda membaca ucapan agen Anda dan mengoreksinya. Alat ini didasarkan pada Habermas Machine milik DeepMind. Ini masih pertanyaan terbuka, belum menjadi alat yang siap pakai. Agen yang berbicara mewakili Anda adalah hal yang diperingatkan bab 10 agar Anda waspadai.

Simocracy. GainForest, yang turut menerbitkan panduan ini, membangunnya. Jadi, bacalah ini sebagai contoh, bukan rekomendasi. Setiap peserta menulis sebuah "sim". Sim punya avatar, konstitusi yang menyatakan prinsip dan batas tegasnya, serta cara berbicara. Sim disimpan di AT Protocol, dimiliki orang yang menulisnya, dan menghadiri rapat untuk mereka. Kelompok membahas usulan secara terbuka, dengan catatan, dan memutuskan cara membagi anggaran bersama. Alat ini telah dipakai bersama Funding the Commons di Frontier Tower di San Francisco dan dalam eksperimen Agent Village. Dalam kedua kasus, manusia mengambil keputusan pendanaan akhir.

12.5Kegunaannya di COP

Sikap konstituensi. YOUNGO, konstituensi pemuda, punya ratusan anggota di setiap zona waktu dan hanya beberapa hari untuk menyepakati satu sikap. Mendengarkan secara luas mengganti panggilan yang tidak bisa diikuti siapa pun dengan teks yang bisa diperiksa semua orang.

Permintaan masukan. Masa pengajuan masukan ditutup dengan 180 dokumen, dan belum ada delegasi yang membacanya. Kelompokkan klaim, simpan kutipan, dan buka dokumen yang penting.

Delegasi dua orang. Sering ada kesenjangan antara mandat Anda dan apa yang sebenarnya diinginkan warga di tanah air. Mendengarkan secara luas memperkecil kesenjangan itu, dengan biaya rendah, di antara sesi.

Melaporkan kembali. Setelah sesi, jalankan proses yang sama dari arah sebaliknya. Jelaskan keputusan yang diambil dan artinya bagi warga setempat, lalu dengarkan tanggapan mereka.

12.6Apa yang perlu diperiksa sebelum menjalankannya

Siapa yang menulis pertanyaannya? Model yang melakukan wawancara memutuskan apa yang ditanyakan, apa yang disimpan, dan cara melaporkannya. Ini memberinya kuasa nyata atas hasilnya. Publikasikan prompt dan daftar topik, seperti Anda memublikasikan kuesioner.

Peserta memeriksa ucapan mereka sendiri. Tidak ada yang masuk catatan sebelum orang yang mengatakannya mengonfirmasi ringkasannya. Aturan ini mencegah mesin mengarang ucapan orang.

Bahasa. Alat-alat ini bekerja dalam bahasa yang dipakai orang sehari-hari. Itulah keunggulan besarnya dibanding konsultasi yang hanya memakai bahasa Inggris. Periksa hasil dalam setiap bahasa. Jangan menerjemahkan semuanya ke bahasa Inggris lebih dulu.

Jangan membuat orang rekaan jika Anda bisa bertanya langsung. Peserta buatan AI murah, tetapi tidak bernilai sebagai bukti. Jika suatu kelompok terdampak, gunakan dana untuk menjangkau mereka.

Simpan materi sensitif di server sendiri. Polis, Talk to the City, kouchou-ai, Agora, dan Simocracy semuanya bersumber terbuka. Bab 11 menjelaskan cara menjalankannya di perangkat keras Anda sendiri.

AI memakai energi dan air. Negosiator iklim yang memakainya harus bisa menyebutkan berapa banyak. Pemakaian Anda sendiri kecil. Total kebutuhannya besar, dan terus tumbuh. Anda perlu menyebutkan keduanya. Menyebutkan hanya salah satunya sering membuat pembahasan ini keliru.

13.1Pemakaian Anda sendiri kecil

Google mengukur satu perintah teks biasa ke Gemini: 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, Agustus 2025. Angka ini mencakup kapasitas menganggur dan kebutuhan operasional pusat data, yang tidak masuk dalam sebagian besar perkiraan yang diterbitkan. Itu kira-kira sama dengan menyalakan laptop selama beberapa detik. Bahkan pemakaian intensif seharian penuh masih lebih kecil daripada perjalanan singkat dengan mobil.

Polly menampilkan angka ini untuk setiap akun, dan menerbitkan cara menghitungnya.²2Metode dan setiap konstanta ada di footprint.ts dalam pi-village-core. Angka yang tidak bisa ditelaah negosiator lebih buruk daripada tidak ada angka sama sekali. Perhitungan dimulai dari seberapa besar bagian model yang aktif untuk setiap kata yang ditangani:

Membaca perintah Anda memakai sekitar seperempat energi untuk menulis jawaban. Membaca ulang perintah yang sudah dilihat sistem memakai sepersepuluhnya. Jadi ketiganya dihitung terpisah. Polly menjalankan model yang memakai 18 miliar parameternya untuk setiap token. Pada model itu, satu tanya jawab biasa memakai sekitar 0.10 Wh dan 0.11 mililiter air. Itu di bawah angka Google.³3Konstanta joule per token dikalibrasi dengan tolok ukur ML.ENERGY, yang mengukur GPU secara langsung pada 1,858 konfigurasi layanan, bukan diasumsikan. Langkah itu memangkas perkiraan menjadi separuh: perkiraan sebelumnya terlalu pesimistis tentang kemampuan server yang sibuk untuk memproses pekerjaan secara berkelompok.

Anggap semua angka ini bisa meleset hingga dua kali lipat atau separuhnya. Angka ini tidak mencakup energi untuk melatih model, air untuk menghasilkan listrik, perangkat Anda sendiri, dan karbon dari pembuatan perangkat keras.

13.2Total kebutuhannya besar

Satu perintah memang kecil. Miliaran perintah tidak, dan makin banyak orang mengirimnya setiap bulan. Kebutuhan listrik pusat data bertambah lebih cepat daripada peralihan jaringan listrik ke energi bersih. Pusat data baru dibangun di tempat yang sudah kekurangan air. Dan perusahaan yang menerbitkan angka kecil per perintah itu mengalami kenaikan total emisi sejak mulai membangun sistem ini.

Angka per perintah juga tidak mencakup pelatihan, yang kebutuhannya besar. Sebelum model unggulan menjawab satu pertanyaan pun, pelatihannya memakai listrik sebesar gigawatt-jam. Kebutuhan itu dibagi ke semua perintah yang pernah dijawab model. Jadi kebutuhan itu tidak tampak dalam angka per perintah, tetapi besar di tingkat nasional.

Pemakaian Anda sendiri kecil. Namun, total pemakaian yang mencakupnya membutuhkan banyak energi, air, dan lahan, dan terus bertambah. Melaporkan yang pertama tanpa yang kedua adalah cara menghitung yang tidak akan diterima negosiator dari pihak lain.

13.3Apa yang bisa dilakukan

Matikan penalaran saat Anda tidak membutuhkannya. Ini paling besar dampaknya, dan cukup lewat pengaturan. Model yang sama dengan penalaran aktif bisa memakai dua puluh hingga empat puluh kali lebih banyak token, dan pemakaian energi naik seiring jumlah token. Terjemahan, ringkasan, dan perubahan format hampir tidak pernah membutuhkan penalaran.

Selanjutnya, pilih model yang lebih kecil. Beberapa model hanya memakai beberapa miliar parameternya untuk setiap token. Kebutuhan energinya jauh lebih kecil daripada model yang memakai semua parameternya. Yang menentukan pemakaian energi adalah bagian model yang aktif, bukan ukuran total yang diiklankan.

Jangan jadikan harga sebagai patokan jejak lingkungan. Di antara model terbuka yang menerbitkan cukup data untuk diperiksa, harga dan pemakaian energi memang bergerak searah. Namun, harga per unit komputasi bisa berbeda hingga enam puluh kali lipat. Dua model bisa memiliki biaya pemakaian yang sama, tetapi salah satunya memakai energi beberapa kali lebih banyak.

Minta angka dari penyedia, termasuk pemakaian air. Tanyakan jaringan listrik mana yang melayani permintaan Anda. Ini pertanyaan yang wajar bagi pemasok, tetapi jarang diajukan.

Laporkan angka pemakaian Anda sendiri saat memakai alat ini dalam pekerjaan. Delegasi yang menerbitkan jejak lingkungan pemakaian AI-nya sendiri wajar meminta pihak lain melakukan hal yang sama.

14.1Kekuatan dan kelemahan

Kekuatan. Model cepat membaca dan merangkum banyak teks yang menjadi dasar kebijakan iklim. Model dapat menulis laporan, menyusun draf kebijakan, dan menjalankan simulasi negosiasi dengan bahasa sederhana, sehingga menghemat waktu dan biaya. Model dapat membantu banyak orang sekaligus: pembuat kebijakan, peneliti, dan aktivis.

Kelemahan. Model bisa bias, dan bias itu memengaruhi jawabannya kecuali ada yang memeriksa dan memperbaikinya. Mutunya bergantung pada data yang dipelajarinya, sehingga kemampuannya terbatas dalam menangani isu iklim yang bernuansa. Tanpa pemeriksaan manusia, model sering salah memahami bahasa hukum dan teknis yang rumit.

Peluang. Pesan yang disesuaikan untuk menjangkau berbagai kelompok yang menangani iklim. Koneksi ke alat lain yang menganalisis data lingkungan untuk mendukung kebijakan yang lebih baik. Penjelasan kebijakan iklim bagi orang awam.

Ancaman. Informasi keliru, saat model menghasilkan konten yang salah atau menyesatkan dari sumber yang buruk. Ketergantungan berlebihan, yang menghambat pengembangan keahlian lokal dalam kebijakan iklim. Kurangnya keterbukaan dan akuntabilitas saat mesin membantu mengambil keputusan.

Agen menambah dua ancaman. Pertama, delegasi kaya akan menjalankan sistem yang dikelola dengan baik, sementara delegasi kecil memakai alat gratis dengan ketentuan yang tidak jelas. Akses tampak setara bagi semua orang, tetapi kesenjangan makin lebar. Kedua, saat beberapa orang dan alat mengerjakan satu teks, sulit menentukan siapa yang bertanggung jawab atasnya. Tentukan sejak awal.

14.2Rekomendasi

Tiga hal perlu dikembangkan: alat yang menerjemahkan bahasa teknis UNFCCC, platform yang menganalisis negosiasi sebelumnya, dan dukungan teknologi yang dibutuhkan negosiator muda untuk ikut serta. Enam hal lagi perlu ditambahkan.

Keterampilan digital. Pelatihan cara menggunakan basis data dan situs web kebijakan internasional.

Dukungan langsung. Alat yang menjelaskan berbagai hal saat negosiasi berlangsung, ketika dibutuhkan, bukan sesudahnya.

Latihan negosiasi. Simulasi negosiasi untuk berlatih menghadapi berbagai situasi.

Pendanaan. Platform urun dana atau hibah kecil untuk membantu negosiator membiayai kehadiran mereka. Negosiator dari Liberia dan Paraguay mengusulkan hal ini.

Pelatihan lintas budaya. Program tentang kesalahpahaman yang dijelaskan negosiator dari Peru dan Nigeria.

Pendampingan. Jaringan yang menghubungkan negosiator muda dengan negosiator berpengalaman agar pengetahuan diteruskan dari satu siklus ke siklus berikutnya.

Bagi negosiator, empat kebiasaan mencakup sebagian besar kebutuhan. Gunakan sistem ini untuk bersiap, membantu penggunaan bahasa, dan mengingat. Periksa apa pun yang akan Anda sampaikan secara lisan. Jangan pernah biarkan sistem berbicara mewakili pihak Anda. Tetap lakukan sendiri cukup banyak riset agar Anda masih bisa melakukannya tanpa bantuan.

Bagi delegasi, tuliskan alat yang boleh digunakan, informasi yang boleh ditempelkan ke dalamnya, dan siapa yang menyetujui teks yang ditulis dengan bantuan AI. Satu halaman cukup, dan biayanya lebih kecil daripada kebocoran informasi.

Silakan kirim pertanyaan dan komentar 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 dkk., Attention Is All You Need, Google Research 2017
4. Radford dkk., Language Models are Unsupervised Multitask Learners, OpenAI 2019
5. Kaplan dkk., Scaling Laws for Neural Language Models, OpenAI 2020
6. Hoffmann dkk., 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 Januari 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 keberadaan spesies dan bias pengambilan sampel geografisnya, gbif.org dan blog data GBIF
13. Artificial Analysis, Intelligence Index by Open Weights and Proprietary, 26 Agustus 2026
14. Artificial Analysis, Intelligence Index vs. Cost per Intelligence Index Task, 26 Agustus 2026
15. NVIDIA, panduan pengguna dan gambaran umum perangkat keras DGX Spark
16. The Computational Democracy Project, Polis, compdemocracy.org/polis dan kode sumbernya
17. The Computational Democracy Project, vTaiwan, studi kasus, sejak 2014
18. AI Objectives Institute, Talk to the City, talktothe.city dan ai.objectives.institute
19. Team Mirai, kouchou-ai (広聴AI), penjaringan aspirasi secara luas untuk pemerintah kota di Jepang, GitHub
20. Team Mirai, AI interviews and the digital democracy manifesto, policy.team-mir.ai; Bruce Schneier dan Nathan Sanders, Japan's Team Mirai Uses Tech to Bolster Democracy, Not Undermine It, Tech Policy Press, Maret 2026
21. Agora Citizen Network, agoracitizen.network dan From ZK-first to AT Protocol, our path to DDS, blog
22. Low, Duys, Formanek, Hammond, Bakker, Habermolt: Delegating Deliberation to AI Representatives, arXiv:2605.24413
23. Tessler dkk., AI can help humans find common ground in democratic deliberation (Habermas Machine), Science, 2024
24. GainForest, Simocracy, catatan publik agen AI buatan warga di AT Protocol, simocracy.org
25. Foresight Institute dan Cooperative AI Foundation, Supercooperation: The Future of AI for Democracy, catatan lokakarya, lokakarya pendamping ICML, Seoul, Juli 2026
26. Anthropic, What 81,000 people told us about AI, wawancara skala besar yang dipandu AI
27. Google, Measuring the environmental impact of delivering AI at Google scale, arXiv:2508.15734, Agustus 2025
28. Epoch AI, How much energy does ChatGPT use?, 2025
29. GainForest, footprint.ts di pi-village-core, perhitungan di balik angka per akun Polly
30. GainForest, Generative AI + Climate Guide 2024, disiapkan untuk Climate Youth Negotiator Programme menjelang COP29