Paperis 아티클
"AI가 전기를 먹어치운다"는 말은 흔한데, 그 뒤에 붙는 숫자는 자료마다 몇 배씩 어긋난다. 심지어 같은 모델의 같은 훈련 한 번에도 24.7톤과 50.5톤이 나란히 적혀 있다. 어긋남의 원인은 무지가 아니라 세 가지 선택이다 — 어디까지 셌는가, 무엇을 셌는가, 무엇으로 나눴는가. 그 구분이 서고 나면 진짜 쟁점이 총량이 아니라 속도와 위치라는 것이 보인다.
이 글은 AI가 연구 논문을 바탕으로 작성한 교육·정보 제공용 콘텐츠이며, 전문가의 조언을 대체하지 않습니다. 오류를 발견하셨나요? 알려주세요
© 2026 네오쿤스(Paperis) · 링크 공유는 환영합니다. 전문 전재·재배포는 사전 허가가 필요합니다.
숫자 하나로 시작하자. 아니, 두 개다. 24.7톤, 그리고 50.5톤. 둘 다 같은 대상에 붙은 값이다 — 2022년에 공개된 매개변수 1,760억 개짜리 언어모델 하나를 만드느라 나온 이산화탄소환산 배출량.
두 값의 관계를 보려면 단어 두 개가 먼저 필요하다. 훈련은 모델을 만드는 과정이고, 추론은 다 만들어진 모델을 한 번 쓰는 일이다. 요리사를 가르치는 일과, 그 요리사가 접시 하나를 내는 일이 다른 것과 같다. 위의 두 숫자는 둘 다 앞엣것, 훈련 한 번에 붙은 값이다.
그러면 왜 두 개인가. 논문을 쓴 사람들이 선을 두 번 그었기 때문이다. 최종 훈련 중에 장비가 연산하며 끌어 쓴 변동 전력만 따지면 약 24.7톤이고, 장비 제조부터 에너지 기반 운영 소비까지 모든 과정을 넣으면 약 50.5톤이다. 같은 논문이 두 값을 나란히 적고, 결론에서 이런 배출량의 정밀한 추정 자체가 어렵다고 덧붙인다 (arXiv:2211.02001, 프리프린트).
여기서 이 글의 열쇠말이 나온다. 산정 경계는 어디까지를 이 활동의 몫으로 셀지 정해 놓은 선이다. 가게 원가를 따질 때 재료비만 넣을지, 배달 기름값과 냉장고 값까지 넣을지 정하는 것과 같다. 24.7과 50.5의 차이는 사실의 차이가 아니라 선의 차이다.
이 글은 그 관찰을 확장한다. "AI가 전기를 먹어치운다"는 문장 뒤에 붙는 숫자는 자료마다 몇 배씩 어긋나 있는데, 그 어긋남을 무지나 거짓말로 읽으면 아무것도 안 남는다. 분해해 보면 축이 셋이다 — 어디까지 셌는가, 무엇을 셌는가, 무엇으로 나눴는가.
읽기 전에 세 가지만 밝혀 둔다. 첫째, 이 글은 정답 총량을 제시하지 않는다. 국가나 세계가 전기를 얼마나 쓰는지에 대한 권위 있는 수치는 대개 국제기구·국립연구소·기업 보고서에서 나오는데, 그런 발표는 여기서 검증할 수 있는 형식이 아니라 인용하지 않는다. 질문은 "정답은 얼마인가"가 아니라 "왜 갈리는가"다. 둘째, 인용하는 연구의 근거 등급이 고르지 않다. 새 분야라 심사를 거치지 않은 공개본이 많고, 그때마다 표시했다. 셋째, 여기 나오는 수치는 전부 그 논문이 그 시점에 관측하거나 가정한 값이다. 이 분야는 몇 년이면 낡는다. 그래서 값보다 값을 만드는 선택에 지면을 쓴다.
미국 인구구성을 흉내 내 모집한 온라인 표본 303명에게 지금 미국 전기의 몇 퍼센트를 데이터센터가 쓰고 있다고 생각하는지 물은 사전등록 조사가 있다. 응답의 중앙값은 20퍼센트였다. 그 조사가 채점 기준으로 삼은 값은 로렌스버클리국립연구소가 보고한 2024년 기준 4.7퍼센트였고, 응답자의 92퍼센트가 그 기준을 넘겼다. 나아가 63퍼센트는 지금 사용량을 같은 기관의 2030년 기준 시나리오인 11.8퍼센트 이상으로 잡았다 (DOI: 10.2139/ssrn.7227338, 프리프린트).
방금 기관 보고서 수치는 인용하지 않는다고 해 놓고 4.7퍼센트가 나온 이유를 밝혀 둔다. 저 숫자는 우리가 주장하는 총량이 아니라 그 조사가 응답을 채점하려고 골라 둔 기준선이고, 그 기준선 자체도 이 글이 앞으로 볼 경계 선택 위에 서 있다.
더 눈에 걸리는 것은 확신의 방향이었다. 확신이 거꾸로 갔다. 가장 확신이 없다고 답한 집단이 가장 정확했고, 매우 확신한다고 답한 네 명은 중앙값 65.8퍼센트포인트만큼 빗나갔다. 여성의 중앙값이 30퍼센트, 남성이 11퍼센트로 성별 차이도 컸고 나이·정치성향·인종·정보원·자기 확신도를 보정한 뒤에도 격차가 남았다. 정치성향과 현재 사용량 추정치 사이에는 이 표본에서 뚜렷한 연관이 잡히지 않았다. 다만 저자들 자신이 성별과 확신에 관한 두 패턴은 탐색적 발견이라 재현이 필요하다고 적어 두었다.
이 결과를 "그러니 다 과장이다"로 읽으면 글은 여기서 끝나고, 그것도 잘라 읽기다. 조사가 말하는 것은 하나다 — 총량에 대한 이 표본의 감각은 크게 어긋나 있고, 어긋난 방향은 위쪽이다. 그런데 조사가 물은 것은 총량 비율뿐이다. 이 주제에서 어려운 질문은 총량 비율이 아니다.
방글라데시 다카의 한 코로케이션 시설에서 3개월치 15분 간격 기록 8,736건을 받아 분석한 연구가 있다. 덥고 습하고 계통 여건이 빠듯한 이런 입지는 공개 문헌에 거의 없다. 결과가 흥미롭다. 냉동기 소비 전력을 설명하는 힘은 계산 장비가 쓰는 전력보다 바깥 기온 쪽이 훨씬 컸고 (결정계수 0.44 대 0.11), 저자들은 이것이 하이퍼스케일·온대 기후 연구에서 나온 계산 장비가 냉방 전력을 좌우한다는 통설을 뒤집는 결과라고 적는다. 그리고 최적화한 운전 정책은 첨두 시간대 냉방 전력을 23.3퍼센트 깎았는데 그 시설의 전력사용효율은 0.83퍼센트밖에 좋아지지 않았다 (DOI: 10.2139/ssrn.7169838, 프리프린트).
두 번째 열쇠말이 여기서 필요하다. 전력사용효율은 시설 전체가 끌어다 쓴 전기를, 그중 계산 장비에 실제로 들어간 전기로 나눈 값이다. 이 값이 1.5라면 서버에 1을 넣으려고 건물이 1.5를 끌어왔다는 뜻이고, 남는 0.5는 주로 식히고 나르는 데 쓰인 것이다. 데이터센터의 기본 효율 지표이고, 어떤 추정치가 IT 장비 기준인지 시설 전체 기준인지를 가르는 것도 이 값이다.
냉방을 23퍼센트 깎았는데 지표가 1퍼센트도 안 움직인 이유를 저자들은 모형의 실패가 아니라 구조적 천장이라고 적는다. 그 시설에서 냉방 몫이 전체 시설 전력의 28.6퍼센트이고 지렛대로 줄일 수 있는 냉방 비율이 최대 5.8퍼센트이니, 둘을 곱한 1.65퍼센트가 애초에 상한이었다는 것이다(민감도 범위를 훑어도 1.2~2.1퍼센트다). 그래서 냉방이 시설 전력의 일부에 불과한 곳에서 전력사용효율은 불완전한 목표라는 것이 저자들의 결론이다.
경계 문제는 지표의 안쪽에도 있다. 전력사용효율은 계산 장비에 들어간 전기를 전부 유용한 몫으로 친다. 정말 그런가. 2019년에 나온 한 논문이 정확히 그 질문을 던진다 — 데이터센터 관점에서는 IT 장비로 넘어간 전력이 전부 유용하지만, 과연 그러냐고 (DOI: 10.25791/pribor.12.2019.1065). AI 이야기가 나오기 전에 이미 제기돼 있던 질문이다.
경계는 계량기에서도 흔들린다. 앞의 다카 시설에는 계량되지 않는 자가 발전기가 있어서 전력회사 계량기에 찍히는 수전량과 시설이 실제로 쓴 전력이 서로 떨어지고, 저자들은 이것이 계량 데이터에 기대어 만든 수요 반응 제도를 소리 없이 무너뜨릴 수 있다고 적는다. "얼마나 썼나"에는 어느 계량기를 읽었느냐가 늘 숨어 있다.
경계 선택을 수식으로 못 박은 접근도 있다. 2030년까지의 시나리오를 짠 한 학회 논문 — 새 관측 자료가 아니라 기존 연구를 종합해 개념 틀을 제안한 지면이다 — 은 데이터센터 총 전력을 계산 장비가 쓴 전기 × 인프라 배수로 분해한다. 앞엣것은 훈련과 추론의 구성이, 뒤엣것은 냉각·배전·전력 변환의 효율이 정한다 (DOI: 10.63550/iceip.2026.20.71.004). 곱해서 하나로 발표하면 어느 쪽이 움직였는지 아무도 모른다.
여러 작업 유형에 걸쳐, 돌리는 방식을 바꿔 가며 추론 에너지를 따져 본 연구가 있다. 소프트웨어 스택과 장치 구조와 서빙 방식을 갈아 가며 분석한 결과, 효율화 기법을 제대로 적용하면 적용하지 않은 기준선 대비 총 에너지를 최대 73퍼센트까지 줄일 수 있었다. 같은 연구가 함께 적은 문장이 더 중요하다 — 연산량이나 이론상 장치 활용률에 기반한 소박한 추정은 실제 에너지 소비를 크게 과소평가한다 (arXiv:2504.17674, 프리프린트).
왜 이 축이 숫자를 가르는가. 훈련은 한 번 있는 사건이고 추론은 배포된 뒤 계속 일어나는 일이라, 어느 쪽을 세느냐에 따라 분자가 통째로 달라지기 때문이다. 추론 탄소발자국 예측 모형을 만든 연구는 출발점으로 이렇게 적는다 — 수명 전체로 보면 언어모델이 추론에서 만드는 탄소발자국이 훈련에서 만드는 것보다 상당히 크다고. 그리고 덧붙인다. 추론 쪽 추정이 훈련 쪽보다 오히려 더 어렵다. 요청마다 묶음 크기·프롬프트 길이·생성 토큰 수가 다르고 사업자마다 다른 장치를 다른 수량으로 붙이며, 그 결과 연산 장치 활용률이 낮고 변동이 커서 기존의 수식 기반 모형이 부정확해진다 (arXiv:2410.02950, 프리프린트).
두 문장을 나란히 놓으면 이 축의 성격이 보인다. 같은 일을 시켜도 어떻게 돌리느냐에 따라 값이 두 배 넘게 벌어지고, 밖에서 어림한 값은 그 아래로 떨어진다. "질의 한 번에 몇 와트시"는 사업자·하드웨어·묶음 구성을 밝히지 않으면 값이 아니라 인상이다.
모델 종류도 마찬가지다. 배포 비용을 1,000회 추론 기준으로 비교한 연구는 다목적 생성형 구조가 과제 특화 모델보다 자릿수 단위로 비싸다고 보고한다. 매개변수 개수를 맞춰 통제해도 그렇다 (arXiv:2311.16863, 프리프린트). "AI 한 번"이라는 분모는 어떤 AI인지 말하지 않으면 아무것도 고정하지 못한다.
사람이 1분 일할 때와 언어모델이 1분 답을 만들 때 드는 자원을 같은 자로 재 본 논문이 있다. 저자들은 미국의 대표적인 성인 한 명에 대해 교통·항공·주거 에너지·식품·공산품·급수를 부문별로 뜯은 생애주기 회계를 짜서 연속 전력 수요 약 6,700와트와 하루 물 발자국 약 7,800리터를 얻고, 주 40시간 근로로 환산해 근로 1분당 467와트시, 22.7리터를 낸다. 같은 자로 잰 언어모델 텍스트 추론은 현재 하드웨어 기준으로 가동 1분당 1.5와트시에 3.9~4.6밀리리터, 이미지 생성은 과제 하나당 약 2.9와트시에 7.5~8.9밀리리터였다 (DOI: 10.21203/rs.3.rs-9962169/v1, 프리프린트).
여기에 저자들은 생산성 비교를 얹는다. 사람 대 AI의 생산성 비를 보수적으로 100대 1로 잡으면 사람의 생애주기 에너지 수요가 텍스트 추론을 약 31,000배, 이미지 생성을 약 16,000배 웃돈다. 물은 방법론에 따라 70,000배에서 1,900,000배까지다. 저자들은 이 결과가 하드웨어·계통·방법론 가정에 걸쳐 견고하다고 적고, 자신들의 기여를 AI 도입의 순 자원 함의를 평가할 때 빠져 있던 단위당 기준선이라 요약한다.
이 결과는 살려 둘 값어치가 있다. "AI에 한 번 물어보는 것이 환경에 큰 죄를 짓는 일"이라는 감각은 적어도 이 비교 앞에서는 지탱되지 않는다.
동시에 이 값이 무엇 위에 서 있는지도 봐야 한다. 첫째, 사람 쪽 경계가 생애 전체다. 6,700와트에는 그 사람의 출퇴근과 비행기 여행과 식사와 사 두는 물건이 다 들어 있다. 존재하는 데 드는 것을 근로 1분에 청구한 값이고, AI 쪽 1.5와트시는 그렇게 계산되지 않았다. 둘째, 100대 1이라는 생산성 비는 가정이다. 저자들은 보수적이라 부르지만, 배수가 3만이냐 300이냐를 정하는 것은 이 한 줄이다. 셋째, 저자들 자신이 폭을 인정한다. 물 배수가 7만에서 190만까지 27배 벌어지는 이유를 저자들은 방법론 차이로 적는다. 같은 논문 안에서 27배다.
그러니 이 논문은 이 글의 반대 근거이면서 동시에 예시다. 잘 만든 추정치일수록 그 위에 조건절이 촘촘히 얹혀 있다.
467와트시와 1.5와트시. 방금 본 두 값을 다시 놓고 이 글의 핵심을 적어 둔다. 작업당 값이 낮다는 명제와, 총량과 국지의 전력 수요가 문제라는 명제는 서로를 반박하지 않는다. 층위가 다르기 때문이다. 앞엣것은 한 번의 작업을 하나로 나눈 값이고, 뒤엣것은 그 작업 수억 번이 특정 시각 특정 지역의 한 변전소에 몰렸을 때 생기는 일이다. 전자가 낮아도 후자는 어려울 수 있고, 실제로 그 둘은 대체로 함께 참이다.
물 이야기에도 같은 층위가 있다. 데이터센터 물 발자국의 투명성을 다룬 논평은 이렇게 적는다 — 국가나 세계 단위로 보면 다른 사용자에 견주어 데이터센터 물 소비가 크지 않아 보일 수 있지만, 이미 물 스트레스나 가뭄을 겪는 지역에서는 국지적 영향이 상당할 수 있다 (DOI: 10.22541/au.176046418.80101496/v1, 프리프린트). 같은 자원, 같은 해, 두 개의 참인 문장. 다른 것은 축척뿐이다.
이 명제를 가장 깨끗하게 증명해 보인 사례는 마침 AI가 아니라 옆 동네에 있다. 비트코인 채굴의 전력 사용 추정치가 자릿수 단위로 어긋난다는 것은 오래된 이야기인데, 한 워킹페이퍼가 그 어긋남을 정면으로 해부한다. 저자들의 첫 문장이 이 글의 제목과 같은 말을 한다 — 그 추정치들은 보통 하나의 양에 대한 불확실성으로 읽히지만, 그렇지 않다.
공학 쪽 문헌은 관측된 해시파워와 가정된 장비 효율 분포에서 전력을 추정하고, 지출 쪽 문헌은 요금과 비용 분해가 주어졌을 때 매출이 함의하는 전력을 계산한다. 두 값은 매출이 총 경제비용과 같을 때만 일치하고, 벗어나면 정확히 매출 대 비용의 비만큼 어긋난다. 저자들이 한 채굴 기업의 공시를 뜯어 보니 같은 전력 지출이 공시된 다섯 개의 비용 분모 전부에서 재현되는데 그 비율은 0.61에서 1.72까지 흩어져 있었다. 결론 문장이 날카롭다 — 보고된 폭은 전력의 범위가 아니라 비용 개념의 범위다 (DOI: 10.2139/ssrn.7179538, 워킹페이퍼).
그리고 저자들은 체인 데이터로 이 간극을 메울 수 없다고 못 박는다. 관측 가능한 해시파워와 매출은 미지수 셋에 제약 하나를 걸 뿐이고 기록이 길어져도 그 결손은 줄지 않는다 — 더 많은 데이터가 답을 좁혀 주지 않는 종류의 불일치다.
같은 논문이 자기 숫자를 다루는 방식도 볼 만하다. 코인 값이 100만 달러일 때 2027년의 함의 전력은 2,247테라와트시로, 세계 발전량 전망의 약 6.6퍼센트에 해당한다. 여기서 테라와트시는 전기의 양을 재는 단위로, 1테라와트시는 10억 킬로와트시다. 킬로와트시는 가정 전기요금 고지서에 찍히는 바로 그 단위이고, 테라와트시는 나라 하나의 한 해 전력을 말할 때 쓰는 눈금이다. 그러니 2,247테라와트시는 큰 값이다. 그런데 저자들이 바로 덧붙인다 — 이것은 예측이 아니라 요건이며, 정보를 담고 있는 것은 요건 쪽이다. 조건절을 문장 안에 박아 넣은 문장이 어떤 모양인지 보여 주는 표본이다.
2020년 사이언스에 실린 재산정 하나는 요지가 한 줄이다 — 데이터센터 에너지 사용의 증가세가 효율 개선 덕분에 둔화됐고, 현명한 정책이 단기적으로 그 상태를 유지하는 데 도움이 될 수 있다는 것 (DOI: 10.1126/science.aba3758). 심사 지면이지만, 우리가 대조할 수 있는 기록은 방법도 표본도 수치도 없는 그 한 문장뿐이다. 그래서 여기서 가져가는 것도 딱 그만큼이다 — 둔화이지 총량이 멈췄다는 말이 아니다.
2022년에는 더 강한 주장이 나왔다. 기계학습 훈련의 탄소발자국이 정점을 찍고 줄어들 것이라는 예측이다. 논거는 네 가지 모범 관행인데, 적용하면 훈련 에너지를 최대 100배, 이산화탄소 배출을 최대 1,000배까지 줄일 수 있다고 저자들은 적는다. 실제로 그 관행을 따른 결과 연구·개발·프로덕션을 통틀어 기계학습이 쓰는 에너지가 3년 동안 구글 전체 에너지 사용의 15퍼센트 미만으로 유지됐다 — 그 회사의 자체 집계를 근거로 삼은 당사자 쪽 보고임을 밝혀 둔다. 분야 전체가 이 관행을 채택하면 훈련의 총 탄소배출이 줄어들 것이라는 것이 저자들의 결론이다 (arXiv:2204.05149, 프리프린트).
같은 논문에 이 글 전체를 요약하는 문장이 하나 더 있다. 배출량을 적지 않은 논문들에 대해 나중에 남이 추정한 값들은 100배에서 100,000배까지 어긋나 있었다. 무지도 거짓말도 아닌데 밖에서 소급해 추정하면 다섯 자릿수까지 벌어진다는 뜻이고, 그래서 배출량을 논문에 직접 적으라는 것이 저자들의 권고다.
왜 그렇게 벌어지는지는 같은 저자들의 앞선 연구가 항목으로 보여 준다. 훈련을 어디서 돌리느냐에 따라 무탄소 전력의 비중이 5배에서 10배까지 달라지고 — 같은 나라, 같은 조직 안에서도 그렇다 — 클라우드 데이터센터는 통상적인 데이터센터보다 1.4배에서 2배 에너지 효율적이며, 그 안의 기계학습 전용 가속기는 범용 시스템보다 2배에서 5배 더 효과적이다. 그래서 저자들은 신경망·데이터센터·프로세서의 선택만으로 탄소발자국이 최대 100배에서 1,000배까지 줄어들 수 있다고 적는다 (arXiv:2104.10350, 프리프린트). 다만 이 100~1,000배와 앞 문단의 100~100,000배는 같은 양이 아니다. 앞엣것은 밖에서 소급 추정한 값이 빗나간 폭이고, 뒤엣것은 선택으로 줄일 수 있는 폭이다. 저자들이 실제로 이은 것은 여기까지다 — 이 큰 배수들이 소급 추정을 어렵게 만든다.
그러면 2010년대에 통했던 둔화는 왜 지금 흔들리는가. 앞서 본 그 학회 논문 한 건이 그 자리를 이렇게 읽는다 — 이 글에서 그 자리를 받치는 것은 지금 이 한 건뿐이다. 단기에는 시장 평균 효율의 개선이 정체되고 작업 구성이 AI 쪽으로 옮겨 가 전력 소비가 서비스 물량에 민감하게 반응하고, 장기에는 알고리즘과 공학 개선으로 그 민감도가 낮아진다는 것이다. 같은 논문은 2030년에 대해 완만·기준·가속 세 시나리오를 나란히 둔다 (DOI: 10.63550/iceip.2026.20.71.004). 하나가 아니라 셋을 내놓는 것 자체가 성실한 형식이다.
프랑스·독일·이탈리아·영국·미국을 대상으로 효율 개선 충격 이후를 추적한 연구가 있다. 2년 뒤 경제 전체의 반등이 78퍼센트에서 101퍼센트로 나왔다 (DOI: 10.2139/ssrn.3854876, 워킹페이퍼). 아낀 것의 대부분이, 어떤 경우엔 전부가 도로 메워졌다는 뜻이다.
세 번째 열쇠말이 이것이다. 반등효과는 효율이 좋아져 아낀 몫이, 그만큼 더 많이 쓰게 되는 바람에 도로 메워지는 현상이다. 연비가 좋아진 차를 더 자주, 더 멀리 몰게 되는 것과 같다.
1900년부터 2018년까지의 세계 자료로 같은 관계를 모형화한 심사 논문은 두 미래를 나란히 놓는다. 성장을 극대화하는 경로에서는 효율 투자를 약 2배로 늘려도 1차 에너지 사용 증가가 줄지 않고(반등이 지배한다), 사용 증가를 최소화하는 경로에서는 효율 투자를 약 3.5배로 늘려 에너지와 성장이 거의 분리되지만 장기적으로 산출이 늘지 않는 체제에 도달한다 (DOI: 10.1007/s12053-024-10236-7). 저자들은 후자만이 기후 목표와 양립한다고 적는다. 편한 결론이 아니다.
교통·에너지·제조에 AI를 적용한 사례를 훑은 검토도 있다. 최근 10년치 논문 150편 중 41편을 정독한 결과, AI 도입은 단위당 에너지 사용을 줄이지만 전체 소비는 오히려 늘리는 경우가 잦았다는 것이다 (DOI: 10.3389/fenrg.2025.1460586). 데이터센터가 아니라 AI를 갖다 쓰는 쪽의 이야기지만, 반등이 분야를 가리지 않는다는 정황은 된다. 여기서 네 번째 열쇠말이 나온다. 탄소집약도는 전기 1킬로와트시를 만드는 과정에서 함께 나온 이산화탄소의 양이다. 같은 1킬로와트시라도 석탄에서 온 것과 수력에서 온 것은 딸려 오는 이산화탄소가 다르다. 녹색 AI를 주장할 때 흔히 뭉뚱그려지는 지렛대가 넷이라고 정리한 논문은 그 넷을 이렇게 나눈다 — 계산 효율, 시설 효율, 전기의 탄소집약도, 그리고 시스템 수준의 추가성. 결론은 담백하다. AI 수요가 에너지 집약도가 떨어지는 속도보다 빨리 자라면 효율 개선만으로는 지속가능성을 확보할 수 없다. 저탄소 전력이 운영 배출을 크게 줄일 수는 있지만, 시간 단위로 맞추지 않거나 새 발전을 만들어 내지 않는 조달은 부담을 계통의 다른 곳으로 옮길 수 있다고 같은 논문은 덧붙인다 (DOI: 10.2139/ssrn.7336158, 프리프린트 — 대표 20메가와트 시설을 놓고 돌린 시나리오 분석이다).
총 에너지를 똑같이 맞춰 놓고 쓰는 시각만 한곳으로 몰아 본 모의실험이 있다. 결과는 총 미공급 에너지가 34.4퍼센트 더 늘어나는 것이었다. 저자들의 표현이 정확하다 — 시간적으로 집중된 데이터센터 수요는 총 에너지 소비를 늘리지 않고도 복원력 영향을 증폭할 수 있다. 발전기와 송전선의 출력을 함께 깎은 조건에서 고성장 사례를 돌리면 총 미공급 에너지가 에너지를 맞춘 기준 사례의 3.203메가와트시에서 22.891메가와트시로 뛰었다 (arXiv:2607.06958, 프리프린트).
이 숫자에 붙일 것이 있다. 실제 계통에서 잰 정전량이 아니라 IEEE 30버스 시험 계통 위에서 돌린 모의실험이고, 표준 시험 계통은 방법을 비교하려고 만든 작은 인공 모형이라 절댓값을 현실의 예측으로 읽으면 안 된다. 읽을 것은 방향이다 — 총량을 고정해도 시간 분포만으로 결과가 나빠진다.
다섯 번째 열쇠말이 여기서 필요하다. 부하는 전력망이 바로 그 순간에 실제로 공급해 줘야 하는 전기의 양이다. 하루에 쓰는 총량이 같아도 밤새 조금씩 나눠 쓰는 것과 저녁 일곱 시에 몰아 쓰는 것은 전력망 입장에서 전혀 다른 일이다. 앞 절들이 다룬 것은 에너지 총량이었고, 이 절이 다루는 것은 부하다.
AI 데이터센터와 전력망의 상호작용을 훑은 개관 논문은 이 문제를 세 개의 시간 축으로 나눈다 — 장기 계획과 계통 접속, 단기 운영과 전력시장, 실시간 동역학과 안정도 (arXiv:2509.07218, 프리프린트). 이 글의 읽기로는 "총량이 몇 테라와트시냐"는 질문이 이 중 어느 축에도 직접 답하지 못한다. 2023년에 나온 한 지면은 가장 오래된 압박을 짚는다 — 부하 프로파일이 무겁고 입지가 소수 지역에 몰린다는 두 성질이 겹쳐 배전망 사업자의 가용 용량을 압박하고, 데이터센터가 주택 사업이나 전기차 충전 같은 다른 수요와 경쟁하게 된다고 문제를 제기한다 (DOI: 10.1093/ooenergy/oiad014 — 자료를 내는 연구가 아니라 물음을 던지는 지면이다).
2015년부터 2025년까지 1,188개 주-월 관측치에 이중차분을 적용한 연구가 있다. 데이터센터가 가장 집중된 다섯 개 주에서 2022년 1월 이후 가정용과 상업용 전기요금의 격차가 킬로와트시당 1.27센트만큼 벌어졌다는 추정이고 (p = 0.025), 미국 평균 가구 소비 기준으로 가구당 연 133달러다. 사건 연구는 인과적 단절점을 2022년이 아니라 2023년으로 특정하는데, 저자들은 이것이 러시아-우크라이나 충격을 배제하고 접속 합의와 승인된 요금 조정 사이의 12~18개월 규제 시차를 가리킨다고 읽는다 (DOI: 10.2139/ssrn.7158958, 프리프린트).
하중이 크므로 등급을 짚어 둔다. 단일 연구이고, 심사를 거치지 않은 공개본이며, 관측 자료에서 인과를 주장한다. 그리고 저자들 자신은 이것을 요금제 구조의 문제로 규정한다 — 대형 사업자가 할인된 상업용 요금을 협상하고 그 부족분이 가정용에서 회수되는 교차보조이며, AI 배치 속도와 무관하게 요금 산정 개혁으로 다룰 수 있다는 것이다. "AI가 자라니 요금이 오른다"는 읽기를 저자들이 직접 막아 둔 셈이다.
운전 유연성이 얼마나 값어치 있는지를 두 계통에 각각 용량 확장 모형으로 넣어 본 연구가 이 층위에서 특히 선명하다. 시장 중심이고 화석 비중이 높은 미국 PJM에서는 유연성의 값이 공간적으로 나왔다 — 지역 간에 작업을 옮기면 시스템 비용이 2028년에 6퍼센트, 2038년에 19퍼센트 줄고 가스와 원자력 발전 4.4기가와트와 8.9기가와트를 짓지 않아도 되는 것으로 나온다. 반면 탄소 상한이 있고 중앙에서 조정되는 한국에서는 값이 시간적으로 나왔다 — 부하를 한낮 태양광 시간대로 옮기면 2028년에 태양광 0.5기가와트를 더 짓는 것이 값어치를 갖고, 2038년에는 가스 1.2기가와트와 배터리 0.3기가와트를 피하는 것으로 나온다. 관측된 일이 아니라 모형이 낸 값이다. 저자들은 두 계통 모두에서 현실적인 사건 형상 제약이 감발의 값어치는 떨어뜨린다고 함께 적는다 (arXiv:2608.19622, 프리프린트). 같은 처방이 두 나라에서 다른 축으로 작동하는 것이다.
낙관에 찬물을 끼얹는 검토도 함께 읽어야 한다. 유연성 연구를 정리한 한 종설은 여러 기법이 제안되고 있지만 그 잠재력의 규모와 비용은 상대적으로 거의 알려져 있지 않다고 적고, 실제 에너지 사용 자료를 써서 데이터센터가 극단적 사건을 제외하면 전기 가격에 민감할 가능성이 낮다는 것을 보인다 (DOI: 10.1007/s40518-025-00258-9). 기술적으로 가능한 것과 실제로 일어나는 것은 다른 이야기다.
탄소 쪽에도 경계가 있다. 계통에서 산 전기의 온실가스를 다룬 한 워킹페이퍼는 널리 제안되는 세 조건 — 가까운 곳에서, 같은 시간대에, 새로 지은 발전소에서 — 을 검토하고 이렇게 결론짓는다. 그 조건을 만족하는 전력은 평균보다 깨끗하지만 무탄소는 아니다. 제약 없는 평균과 견주면 메가와트시당 증분 배출이 30~43퍼센트 낮은 수준이고, 이미 있거나 계획된 발전 중 세 조건을 모두 만족하는 것은 2030년 미국 전력의 10퍼센트 정도일 것으로 저자들은 본다. 다만 같은 저자들은 청정 전력 수요가 제한된 공급을 넘어서면 이 세 조건이 총 전력 수요를 줄이거나 새 청정 발전 건설을 유도하는 추가 편익을 낼 수 있다고도 적는다 (DOI: 10.2139/ssrn.5172090, 워킹페이퍼).
중국의 전력 발전과 데이터센터 소비를 함께 분석한 논문 한 편이 이 글의 논지를 통째로 압축해 보여 준다. 2018년 중국 데이터센터 전력 소비는 161테라와트시로 전체의 2.35퍼센트였다. 그리고 2030년 전망은 하나가 아니라 구간이다 — 277에서 500테라와트시, AI 채택 속도와 효율 개선 정도에 달렸다는 것이다.
감축 잠재량 쪽은 더하다. 같은 초록이 그 값을 한 문장에서는 2030년 기준 연간 3,000만~5,000만 톤이라 적고, 다음 문장에서는 "보고된 2,080만~4,500만 톤"이라 적는다. 그리고 그 범위조차 시변 배출계수와 핵심 가정 때문에 불확실하며, 부하 이전 시나리오에서는 재생에너지 발전과 시간이 얼마나 맞아떨어지느냐에 따라 1,400만~5,200만 톤으로 벌어진다고 덧붙인다 (DOI: 10.3389/fenrg.2026.1774740). 한 편 안에서도 값이 하나로 수렴하지 않는 것이다.
한 나라, 한 해, 한 논문 안에서 이 폭이다. 자료가 서로 안 맞는다는 관찰은 그러니 자료의 문제가 아니라 이 대상의 성질이다.
그러니 다음에 "AI가 전기를 얼마나 쓴다"는 문장을 만나면 물을 것이 세 개다.
첫째, 경계는 어디인가. 계산 장비까지인가, 시설 전체까지인가, 장비를 만든 공장까지인가, 전기를 만드느라 증발한 물까지인가. 24.7과 50.5의 거리가 여기서 생긴다.
둘째, 시점은 언제인가. 어느 해의 하드웨어, 어느 해의 계통, 어느 해의 모델인가. 선택 몇 개로 최대 100배에서 1,000배가 움직이는 분야에서 연도 없는 수치는 값이 아니다.
셋째, 무엇으로 나눴는가. 질의 한 번인가, 근로 1분인가, 국가 전체인가, 한 변전소인가. 분모가 다르면 두 숫자는 같은 질문에 답하고 있지 않다. 그리고 하나 더 — 조건절이 붙어 있는가. 2,247테라와트시가 성실한 값이었던 이유는 크기가 아니라 "코인 값이 100만 달러일 때"와 "예측이 아니라 요건"이 그 옆에 적혀 있었기 때문이다.
정직하게 말하면, 지금 이 주제에서 우리가 가진 가장 확실한 결론은 어떤 총량 수치가 아니다. 보고가 부족하다는 사실이다. 그리고 이 결론에는 서로 다른 진영이 이례적으로 모여 있다. 훈련 배출이 정점을 찍고 줄 것이라고 본 쪽은 논문에 배출량을 명시해 모델 품질 말고도 경쟁할 거리를 만들자고 권고했고 (arXiv:2204.05149, 프리프린트), 2030년 시나리오를 짠 쪽은 측정의 표준화와 보고 의무화를 실무 함의의 첫머리에 뒀으며 (DOI: 10.63550/iceip.2026.20.71.004), 물 발자국을 다룬 논평은 포괄적인 모니터링과 공개 없이는 규제도 혁신도 지역 계획도 제대로 되지 않는다고 적었다 (DOI: 10.22541/au.176046418.80101496/v1, 프리프린트). 추정량을 해부한 쪽은 어떤 공시에도 없는 채굴 장비의 실효 경제수명 하나가 가장 값진 공개라고 적었다 (DOI: 10.2139/ssrn.7179538, 워킹페이퍼).
마지막으로 축을 하나 옮겨 두자. 총량 질문에는 답이 여럿이다. 국지 질문도 답이 하나여서가 아니라 답할 주체와 시한이 정해져 있어서 남는다. 그 지역의 배전망이 이번 여름을 넘기는가. 그 변전소가 새 부하를 받을 수 있는가. 늘어난 비용을 누가 내는가. 이 질문들은 미국 전력에서 데이터센터가 차지하는 몫이 4.7퍼센트든 20퍼센트든 똑같이 남는다.
그러니 "AI가 전기를 먹어치운다"는 문장에서 진짜 정보를 담고 있는 것은 동사가 아니다. 그 문장에 아직 비어 있는 세 칸 — 어디까지, 언제, 무엇으로 나눠 — 이다. 그 칸이 채워지는 순간 대개 논쟁은 사라지고, 서로 다른 질문 두 개가 남는다. 그리고 그 두 개는 보통 둘 다 참이다.
arXiv 공개본과 SSRN·리서치스퀘어 등재본은 동료심사 여부와 무관하다. 워킹페이퍼는 본문에서 그때마다 표시했다.