AI는 전기를 얼마나 쓰는가 — 자료마다 숫자가 갈리는 진짜 이유

같은 모델, 같은 훈련, 두 개의 숫자

24.7톤과 50.5톤. 두 숫자는 같은 대상 하나에 붙은 값입니다. 2022년에 공개된 언어모델 하나를 만드느라 나온 온실가스의 양이고, 이 모델은 학습하며 맞춰 가는 내부의 숫자, 곧 매개변수가 1,760억 개입니다. 단위는 이산화탄소환산 톤으로, 여러 온실가스를 이산화탄소 몇 톤과 같은 효과인지로 바꿔 한데 합친 양입니다.

훈련은 모델을 만드는 과정이고, 추론은 다 만들어진 모델을 한 번 쓰는 일입니다. 요리사를 가르치는 일과, 그 요리사가 접시 하나를 내는 일이 다른 것과 같습니다. 앞의 두 값은 둘 다 훈련 한 번에 붙은 값입니다.

같은 훈련에 숫자가 둘인 까닭은 논문을 쓴 사람들이 셀 범위를 두 번 정했기 때문입니다. 최종 훈련을 하는 동안 장비가 계산하며 끌어 쓴 변동 전력, 곧 일한 만큼 늘고 주는 전력만 따지면 약 24.7톤입니다. 장비를 만드는 일부터 에너지를 쓰는 운영까지 모든 과정을 넣으면 약 50.5톤입니다. 같은 논문이 두 값을 나란히 적고, 결론에서는 이런 배출량을 정밀하게 추정하는 일 자체가 어렵다고 덧붙입니다 (arXiv:2211.02001, 프리프린트).

이 차이에 붙는 이름이 이 글의 열쇠말입니다. 산정 경계(system boundary)는 어디까지를 이 활동의 몫으로 셀지 정해 놓은 선입니다. 가게 원가를 따질 때 재료비만 넣을지, 배달 기름값과 냉장고 값까지 넣을지 정하는 일과 같습니다. 24.7과 50.5는 같은 사실을 서로 다른 선으로 센 값입니다.

「AI가 전기를 먹어치운다」는 문장 뒤에 붙는 숫자도 자료마다 몇 배씩 어긋납니다. 그 어긋남을 무지나 거짓말 탓으로 읽으면 남는 것이 없습니다. 숫자를 만든 선택을 하나씩 떼어 보면 숫자가 갈리는 자리는 세 군데입니다 — 어디까지 셌는가, 무엇을 셌는가, 무엇으로 나눴는가.

읽기 전에 세 가지를 밝혀 둡니다. 첫째, 이 글은 정답 총량을 내놓지 않습니다. 나라나 세계가 전기를 얼마나 쓰는지에 대한 권위 있는 수치는 대개 국제기구·국립연구소·기업 보고서에서 나오는데, 그런 발표는 여기서 검증할 수 있는 형식이 아니어서 인용하지 않습니다. 이 글이 묻는 것은 정답이 얼마인지보다 숫자가 왜 갈리는지입니다. 둘째, 인용하는 연구의 근거 등급이 고르지 않습니다. 새 분야라 동료심사를 거치지 않은 공개본이 많고, 그때마다 표시했습니다. 셋째, 여기 나오는 수치는 전부 그 논문이 그 시점에 관측하거나 가정한 값이고, 이 분야의 수치는 몇 년이면 낡습니다. 그래서 값보다 값을 만드는 선택에 지면을 씁니다.

짐작은 오히려 위로 어긋난다

데이터센터는 지금 미국 전기의 몇 퍼센트를 쓰고 있을까요. 미국 인구 구성을 흉내 내 모은 온라인 표본 303명에게 이렇게 물었더니 응답의 중앙값은 20퍼센트였습니다. 조사가 채점 기준으로 삼은 값은 로런스버클리 국립연구소가 보고한 2024년 기준 4.7퍼센트였고, 응답자의 92퍼센트가 그 기준보다 높게 짐작했습니다. 63퍼센트는 지금의 몫을 같은 기관이 2030년 기준 시나리오로 내놓은 11.8퍼센트와 같거나 그보다 크게 잡았습니다. 몇 년 뒤의 전망치보다도 지금을 크게 본 것입니다 (DOI: 10.2139/ssrn.7227338, 프리프린트). 질문과 분석 계획을 미리 등록해 두고 진행한 사전등록 조사입니다.

앞에서 기관 보고서 수치는 인용하지 않는다고 했는데 4.7퍼센트가 나온 까닭이 있습니다. 이 값은 이 글이 내세우는 총량이 아니라, 그 조사가 응답을 채점하려고 골라 둔 기준선입니다. 그 기준선 역시 이 글이 앞으로 볼 산정 경계의 선택 위에 서 있습니다.

짐작이 빗나간 모양에도 특징이 있었습니다. 자기 짐작을 가장 덜 확신한 집단이 가장 정확했고, 매우 확신한다고 답한 네 명은 중앙값으로 65.8퍼센트포인트를 빗나갔습니다. 저자들의 표현으로는 확신이 거꾸로 갔습니다. 성별 차이도 컸습니다. 여성의 중앙값은 30퍼센트, 남성은 11퍼센트였고, 나이·정치성향·인종·정보원·스스로 밝힌 확신을 보정한 뒤에도 격차가 남았습니다. 정치성향과 지금의 몫에 대한 짐작 사이에는 이 표본에서 뚜렷한 연관이 잡히지 않았습니다. 다만 성별과 확신에 관한 두 패턴은 미리 등록한 가설 밖에서 자료를 보다 눈에 띈 탐색적 발견이라 재현이 필요하다고 저자들 스스로 적어 두었습니다.

이 결과를 「그러니 다 과장이다」로 읽으면 조사가 말한 것보다 더 나간 것입니다. 조사가 보여 준 것은 하나입니다. 총량에 대한 이 표본의 감각은 크게 어긋나 있고, 어긋난 방향은 위쪽입니다. 그리고 조사가 물은 것은 나라 전체 전기에서 데이터센터가 차지하는 비율뿐이었습니다. 이 주제에서 더 어려운 질문은 그 비율 바깥, 곧 수요가 언제 어디에 몰리느냐에 있고, 세 갈래를 다 본 뒤에 그 질문으로 돌아옵니다.

첫 번째 축 — 어디까지를 세는가

방글라데시 다카에는 여러 회사가 공간을 빌려 서버를 들이는 코로케이션 데이터센터가 하나 있습니다. 덥고 습한 데다 전력망 여건도 빠듯한 곳입니다. 전력망은 발전소들과 전기를 쓰는 곳들을 전선으로 이어 하나로 돌아가게 만든 체계로, 업계에서는 계통이라고 부릅니다. 이런 입지의 시설은 공개된 연구 기록에 거의 없습니다. 연구진은 이 시설에서 3개월 동안 15분마다 남은 기록 8,736건을 받아 분석했습니다 (DOI: 10.2139/ssrn.7169838, 프리프린트).

이 시설을 읽으려면 지표 하나가 필요합니다. 전력사용효율은 시설 전체가 끌어다 쓴 전기를, 그중 계산 장비에 실제로 들어간 전기로 나눈 값입니다. 영어 약자로 PUE라고 하고, 계산 장비는 서버처럼 실제 계산을 맡는 장비입니다. 이 값이 1.5라면 서버에 1을 넣으려고 건물이 1.5를 끌어왔다는 뜻이고, 남는 0.5는 주로 식히고 전기를 나르는 데 쓰인 것입니다. 값이 작을수록 효율이 좋습니다. 데이터센터의 기본 효율 지표이고, 어떤 추정치가 계산 장비만 센 값인지 시설 전체를 센 값인지 가르는 것도 이 값입니다.

다카 시설에서는 냉방이 예상과 다르게 움직였습니다. 냉방의 큰 기계인 냉동기가 쓰는 전력은 계산 장비가 쓰는 전력보다 바깥 기온으로 훨씬 잘 설명됐습니다. 냉동기 전력의 오르내림 가운데 각 요인이 설명하는 몫을 나타내는 결정계수가 바깥 기온은 0.44, 계산 장비 쪽은 0.11이었습니다. 저자들은 이 결과가 온대 기후의 초대형 시설 연구에서 나온 통설, 곧 계산 장비가 냉방 전력을 좌우한다는 서사를 뒤집는다고 적습니다. 그리고 저자들이 찾은 최적 운전 방식은 전기를 가장 많이 쓰는 첨두 시간대의 냉방 전력을 23.3퍼센트 줄였는데, 그 시설의 전력사용효율은 0.83퍼센트밖에 좋아지지 않았습니다 (DOI: 10.2139/ssrn.7169838, 프리프린트).

첨두 시간대 냉방을 23퍼센트 깎았는데 지표가 1퍼센트도 움직이지 않은 까닭을 저자들은 모형의 실패가 아닌 구조적 천장으로 설명합니다. 그 시설에서 냉방이 차지하는 몫은 시설 전체 전력의 28.6퍼센트이고, 운전을 바꿔 줄일 수 있는 냉방 비율은 최대 5.8퍼센트입니다. 지표가 좋아질 수 있는 폭은 이 두 값의 곱이라서, 1.65퍼센트가 애초에 상한이었고 민감도 범위를 훑어도 1.2~2.1퍼센트입니다. 이 한 시설에서는 냉방이 시설 전력의 일부에 그치고 운전을 바꿔 줄일 수 있는 냉방도 몇 퍼센트에 그쳐서, 첨두 시간대 냉방을 크게 깎아도 전력사용효율이 거의 움직이지 않았습니다. 그래서 저자들은 냉방이 시설 전력의 일부에 그치는 곳에서는 전력사용효율이 불완전한 목표라고 결론짓습니다. 계산이 만든 열을 빼내는 일 자체는 「공기로는 더 이상 안 된다 — 계산이 만든 열은 어디로 가는가」가 따라갑니다.

경계 문제는 지표의 안쪽에도 있습니다. 전력사용효율은 계산 장비에 들어간 전기를 전부 쓸모 있게 쓰인 몫으로 칩니다. 2019년의 한 논문은 바로 이 관행에 물음을 던졌습니다. 데이터센터 쪽에서 보면 계산 장비로 넘어간 전력은 전부 유용한데, 정말 그러냐는 것입니다 (DOI: 10.25791/pribor.12.2019.1065). AI가 화제가 되기 전부터 있던 물음입니다.

경계는 계량기에서도 흔들립니다. 다카 시설에는 계량기에 잡히지 않는 자체 발전기가 있어서, 전력회사 계량기에 찍히는 수전량과 시설이 실제로 쓴 전력이 서로 어긋납니다. 저자들은 이 어긋남이 수요 반응 제도, 곧 전력망 사정에 맞춰 사용을 줄여 주면 보상하는 제도 가운데 전력회사 계량기 자료에 기댄 것을 소리 없이 무너뜨릴 수 있다고 적습니다 (DOI: 10.2139/ssrn.7169838, 프리프린트). 「얼마나 썼나」라는 질문에는 어느 계량기를 읽었느냐는 질문이 늘 숨어 있습니다.

산정 경계를 식으로 못 박은 접근도 있습니다. 2030년까지의 시나리오를 짠 한 학회 논문은 데이터센터 총 전력을 「계산 장비가 쓴 전기 × 인프라 배수」로 나눕니다. 앞의 것은 훈련과 추론(training and inference)을 어떻게 섞느냐가 정하고, 뒤의 것은 냉각·배전·전력 변환의 효율이 정합니다 (DOI: 10.63550/iceip.2026.20.71.004). 이 논문은 새 관측 자료를 낸 연구가 아니라 기존 연구를 종합해 개념 틀을 제안한 지면입니다. 두 항을 곱해 하나로만 발표하면 어느 쪽이 움직였는지 아무도 알 수 없습니다.

두 번째 축 — 한 번 만드느냐, 매일 쓰느냐

훈련은 한 번 있는 일이고, 추론은 모델이 배포된 뒤 날마다 되풀이되는 일입니다. 그래서 어느 쪽을 세느냐에 따라 계산의 분자가 통째로 달라집니다. 탄소발자국은 어떤 활동이 직간접으로 내놓는 온실가스의 총량입니다. 추론의 탄소발자국을 예측하는 모형을 만든 연구는 출발점으로 이렇게 적습니다. 수명 전체로 보면 언어모델이 추론에서 만드는 탄소발자국이 훈련에서 만드는 것보다 상당히 크다는 것입니다 (arXiv:2410.02950, 프리프린트).

같은 연구는 추론 쪽 추정이 훈련 쪽보다 오히려 더 어렵다고 덧붙입니다. 요청마다 한 번에 묶어 처리하는 양, 질문의 길이, 만들어 내는 토큰(글자 조각) 수가 다릅니다. 클라우드 사업자마다 다른 종류의 연산 장치를 다른 개수로 붙입니다. 그리고 연산 장치가 실제 계산에 쓰이는 비율이 낮고 크게 오르내리는데, 이 성질 때문에 기존의 수식 기반 모형이 부정확해집니다 (arXiv:2410.02950, 프리프린트).

돌리는 방식만 바꿔도 값이 크게 움직입니다. 대화형 AI와 코드 생성을 비롯한 여러 작업에 걸쳐 소프트웨어, 연산 장치 구조, 서비스 방식을 바꿔 가며 추론 에너지를 따진 연구에서, 효율화 기법을 제대로 적용하면 적용하지 않은 기준선보다 총 에너지가 최대 73퍼센트 줄었습니다. 같은 연구는 더 무거운 문장도 남겼습니다. 계산량이나 이론상 장치 활용률만으로 낸 단순한 추정은 실제 에너지 소비를 크게 과소평가한다는 것입니다 (arXiv:2504.17674, 프리프린트).

두 연구를 나란히 놓으면 이 축의 성격이 보입니다. 같은 일을 시켜도 어떻게 돌리느냐에 따라 값이 두 배 넘게 벌어질 수 있고, 계산량이나 이론상 장치 활용률만으로 어림한 값은 실제 소비를 크게 밑돌았습니다. 기존 수식 기반 모형도 추론에서는 부정확했습니다. 첫걸음 「와트와 와트시 — 속도계와 주행거리계로 읽는 전기의 두 숫자」가 세운 대로, 와트는 지금 얼마나 세게 쓰는가이고 와트시는 그 세기로 얼마 동안 써서 모두 얼마를 썼는가입니다. 「질의 한 번에 몇 와트시」라는 숫자는 사업자·하드웨어·묶음 구성을 밝히지 않으면 값이 아니라 인상입니다.

어떤 모델이냐도 값을 가릅니다. 추론 1,000회에 드는 에너지와 탄소로 배포 비용을 비교한 연구에서, 여러 일을 두루 하는 생성형 모델은 한 가지 일만 하도록 맞춘 모델보다 자릿수 단위로, 곧 열 배·백 배 단위로 비쌌습니다. 매개변수 개수를 맞춰 통제해도 그랬습니다 (arXiv:2311.16863, 프리프린트). 「AI 한 번」이라는 분모는 어떤 AI인지 밝히지 않으면 아무것도 고정하지 못합니다.

세 번째 축 — 무엇으로 나누는가

사람이 1분 일할 때와 언어모델이 1분 답을 만들 때 드는 자원을 같은 단위로 견준 논문이 있습니다 (DOI: 10.21203/rs.3.rs-9962169/v1, 프리프린트). 저자들은 미국의 대표적인 성인 한 명이 살아가는 데 드는 자원을 교통·항공·주거 에너지·식품·공산품·급수로 나눠 생애주기 전체로 더했습니다. 그 에너지를 하루 내내 고르게 쓴 세기로 바꾸면 약 6,700와트입니다. 첫걸음이 말한 평균 전력, 곧 한동안 쓴 에너지를 그 시간으로 나눈 값이고, 전기만이 아니라 연료와 음식에 든 에너지까지 합친 값입니다. 물은 하루 약 7,800리터입니다. 이를 주 40시간 근로로 나누면 근로 1분당 467와트시와 22.7리터가 됩니다.

같은 단위로 적은 AI 쪽 값은 훨씬 작습니다. 언어모델이 글을 만드는 텍스트 추론은 현재 하드웨어 기준으로 가동 1분당 1.5와트시에 물 3.9~4.6밀리리터였고, 이미지 생성은 과제 하나당 약 2.9와트시에 7.5~8.9밀리리터였습니다.

저자들은 여기에 생산성 비교를 얹습니다. 사람 대 AI의 생산성 비를 보수적으로 100대 1로 잡으면, 사람의 생애주기 에너지 수요가 텍스트 추론을 약 31,000배, 이미지 생성을 약 16,000배 웃돕니다. 물은 방법론에 따라 70,000배에서 1,900,000배까지입니다. 저자들은 이 결과가 하드웨어·계통·방법론 가정에 걸쳐 견고하다고 적고, 자신들의 기여를 AI 도입의 순 자원 효과를 평가할 때 빠져 있던 단위당 기준선이라고 요약합니다.

「AI에 한 번 물어보는 것이 환경에 큰 죄를 짓는 일」이라는 감각은 적어도 이 비교 앞에서는 지탱되지 않습니다. 이 결과는 살려 둘 값어치가 있습니다.

동시에 이 값은 세 가지 조건 위에 서 있습니다. 첫째, 사람 쪽 경계가 생애 전체입니다. 6,700와트에는 그 사람의 출퇴근과 비행기 여행과 식사와 사 두는 물건이 다 들어 있습니다. 존재하는 데 드는 것을 근로 1분에 청구한 값이고, 초록이 AI 쪽 1.5와트시에 대해 밝힌 범위는 현재 하드웨어에서 가동하는 동안의 값이라는 것뿐입니다. 둘째, 100대 1이라는 생산성 비는 가정입니다. 저자들은 이를 보수적인 값이라 부르고, 관측된 AI 과제 수행에 걸맞은 비에서는 격차가 더 커진다고 적습니다. 다만 그 비가 얼마인지는 초록에 없고, 배수가 3만이냐 300이냐를 정하는 것은 이 한 줄입니다. 셋째, 저자들 스스로 폭을 인정합니다. 물 배수가 7만에서 190만까지 27배 벌어지는 이유를 저자들은 방법론 차이로 적습니다. 같은 논문 안에서 27배입니다.

그래서 이 논문은 「AI의 작업당 자원은 작다」는 쪽의 근거이면서, 동시에 이 글의 요지를 보여 주는 예시입니다. 잘 만든 추정치일수록 그 위에 조건이 촘촘히 붙어 있습니다.

두 숫자가 싸우지 않을 때

사람 쪽 467와트시와 AI 쪽 1.5와트시의 비교에서는 작업당 값이 낮다는 명제가 나옵니다. 한편 총량과 국지의 전력 수요가 문제라는 명제도 있습니다. 두 명제는 서로를 반박하지 않습니다. 층위가 다르기 때문입니다. 앞의 것은 작업 한 번을 하나로 나눈 값이고, 뒤의 것은 그 작업 수억 번이 특정 시각, 특정 지역의 변전소 하나에 몰렸을 때 생기는 일입니다. 변전소는 여러 대의 변압기를 모아 둔 시설로, 전압이 다른 두 길이 만나는 자리입니다. 작업당 값이 낮아도 몰린 수요는 어려울 수 있고, 실제로 두 명제는 대체로 함께 참입니다.

물에도 같은 층위가 있습니다. 나라나 세계 단위로 보면 데이터센터의 물 소비가 다른 사용자에 견주어 크지 않아 보일 수 있지만, 이미 물 스트레스나 가뭄을 겪는 지역에서는 국지적 영향이 상당할 수 있습니다 (DOI: 10.22541/au.176046418.80101496/v1, 프리프린트 — 데이터센터 물 발자국의 투명성을 다룬 논평). 같은 자원, 같은 해에 두 문장이 다 참이고, 다른 것은 축척뿐입니다. 물 이야기는 「AI가 물을 마신다 — 그런데 물을 아끼면 전기를 더 쓴다」가 이어 갑니다.

같은 전기, 두 가지 계산법 — 비트코인 채굴

추정치가 갈리는 까닭이 측정의 헛손질보다 서로 다른 양을 센 데 있다는 점은, AI 바깥의 사례에서 가장 깨끗하게 드러납니다. 비트코인 채굴이 쓰는 전력의 추정치는 자료마다 자릿수 단위로 어긋나기로 오래 이름났습니다. 한 프리프린트가 그 어긋남을 정면으로 해부하는데, 저자들은 첫 문장에서 이 추정치들이 보통 하나의 양에 대한 불확실성으로 읽히지만 실제로는 그렇지 않다고 적습니다. 이 글의 제목과 같은 말입니다.

추정 방법은 두 갈래입니다. 공학 쪽 문헌은 관측된 채굴 계산량(해시파워)에 장비 효율이 어떻게 분포하는지를 가정해 전력을 셉니다. 지출 쪽 문헌은 전기요금과 비용 구성을 정해 두고 채굴 매출에서 거꾸로 전력을 셉니다. 두 값은 매출이 총 경제비용과 같을 때만 일치하고, 그렇지 않으면 정확히 매출 대 비용의 비만큼 어긋납니다. 저자들이 한 채굴 기업의 공시를 뜯어 보니, 같은 전력 지출이 공시된 다섯 개의 비용 분모 어느 것으로도 재현되는데 그 비율은 0.61에서 1.72까지 흩어져 있었습니다. 결론 문장은 이렇습니다. 보고된 폭은 전력의 범위가 아니라 비용 개념의 범위입니다 (DOI: 10.2139/ssrn.7179538, 프리프린트).

자료를 더 모아도 이 간극은 메워지지 않습니다. 저자들에 따르면 블록체인 기록으로 관측할 수 있는 계산량과 매출은 모르는 값 셋에 조건 하나를 걸 뿐이고, 기록이 길어져도 그 모자람은 줄지 않습니다.

같은 논문이 자기 숫자를 다루는 방식도 볼 만합니다. 코인 값이 100만 달러일 때 매출에서 거꾸로 따진 2027년의 전력은 2,247테라와트시로, 세계 발전량 전망의 약 6.6퍼센트에 해당합니다. 테라와트시는 전기의 양을 재는 단위로, 1테라와트시는 10억 킬로와트시입니다. 킬로와트시는 가정 전기요금 고지서에 찍히는 바로 그 단위이고, 테라와트시는 나라 하나의 한 해 전력을 말할 때 쓰는 눈금입니다. 그러니 2,247테라와트시는 큰 값입니다. 그런데 저자들은 바로 덧붙입니다. 이 값은 예측이 아니라 그 코인 값이 요구하는 요건이고, 정보를 담은 쪽은 요건이라는 것입니다. 조건을 숫자 바로 옆에 박아 둔 문장이 어떤 모양인지 보여 주는 예입니다.

효율이 늦춘 증가세, 그리고 그것이 흔들린 자리

데이터센터 에너지 사용의 증가세는 효율 개선 덕분에 둔화됐습니다. 2020년 사이언스에 실린 재산정의 요지이고, 현명한 정책이 가까운 시기에는 그 효율 개선을 이어 가게 도울 수 있다고 덧붙입니다 (DOI: 10.1126/science.aba3758). 심사를 거친 지면이지만, 이 글이 대조할 수 있는 기록은 방법도 표본도 수치도 없는 그 한 문장뿐입니다. 그래서 여기서 가져가는 것도 딱 그만큼입니다. 증가세가 둔화됐다는 것이지, 총량이 멈췄다는 말은 없습니다.

2022년에는 더 강한 주장이 나왔습니다. 기계학습 훈련의 탄소발자국이 정점을 찍고 줄어들 것이라는 예측입니다. 논거는 네 가지 모범 관행인데, 이를 적용하면 훈련 에너지를 최대 100배, 이산화탄소 배출을 최대 1,000배까지 줄일 수 있다고 저자들은 적습니다. 그 관행을 따른 결과 연구·개발·실서비스를 통틀어 기계학습이 쓰는 에너지가 3년 동안 구글 전체 에너지 사용의 15퍼센트 미만으로 유지됐다고 하는데, 이는 그 회사의 자체 집계에 기댄 당사자 쪽 보고입니다. 저자들의 결론은 분야 전체가 이 관행을 채택하면 훈련의 총 탄소배출이 줄어들 것이라는 것입니다 (arXiv:2204.05149, 프리프린트).

같은 논문에는 이 글 전체를 요약하는 문장이 하나 더 있습니다. 배출량을 적지 않은 논문들에 대해 나중에 남이 추정한 값들은 100배에서 100,000배까지 어긋나 있었습니다. 이 글은 이것을, 무지나 거짓말이 없어도 밖에서 거슬러 올라가 추정하면 다섯 자릿수까지 벌어질 수 있다는 신호로 읽습니다. 그래서 저자들은 배출량을 논문에 직접 적으라고 권고합니다.

그렇게 벌어지는 까닭은 같은 저자들의 앞선 연구가 항목으로 보여 줍니다. 훈련을 어디서 돌리느냐에 따라 무탄소 전력의 비중이 5배에서 10배까지 달라지고, 같은 나라, 같은 조직 안에서도 그렇습니다. 클라우드 데이터센터는 통상적인 데이터센터보다 1.4배에서 2배 에너지 효율적이고, 그 안의 기계학습 전용 계산 칩인 가속기는 범용 시스템보다 2배에서 5배 더 효과적입니다. 그래서 저자들은 신경망·데이터센터·프로세서의 선택만으로 탄소발자국이 최대 100배에서 1,000배까지 줄어들 수 있다고 적습니다 (arXiv:2104.10350, 프리프린트).

이 100~1,000배와 앞 문단의 100~100,000배는 같은 양이 아닙니다. 앞의 것은 밖에서 거슬러 올라가 추정한 값이 빗나간 폭이고, 뒤의 것은 선택으로 줄일 수 있는 폭입니다. 앞선 논문에서 저자들이 이 큰 배수들을 두고 남긴 말은, 이것들이 거슬러 올라가는 추정을 어렵게 만든다는 것입니다.

2020년 재산정이 말한 둔화가 지금 흔들리는 까닭은, 앞에서 본 그 학회 논문이 이렇게 읽습니다. 이 글에서 그 자리를 받치는 근거는 이 한 건뿐입니다. 단기에는 시장 평균 효율의 개선이 정체되고 작업 구성이 AI 쪽으로 옮겨 가, 전력 소비가 서비스 물량에 민감하게 반응합니다. 장기에는 알고리즘과 공학 개선으로 그 민감도가 낮아집니다. 같은 논문은 2030년에 대해 완만·기준·가속 세 시나리오를 나란히 둡니다 (DOI: 10.63550/iceip.2026.20.71.004). 하나가 아니라 셋을 내놓는 것 자체가 성실한 형식입니다.

효율이 답을 닫지 못하는 이유

연비가 좋아진 차를 사면 더 자주, 더 멀리 몰게 됩니다. 반등효과(rebound effect)는 효율이 좋아져 아낀 몫이, 그만큼 더 많이 쓰게 되는 바람에 도로 메워지는 현상입니다. 프랑스·독일·이탈리아·영국·미국에서 효율 개선 충격 이후를 추적한 연구에서, 2년 뒤 경제 전체의 반등효과는 78퍼센트에서 101퍼센트였습니다 (DOI: 10.2139/ssrn.3854876, 프리프린트). 아낀 것의 대부분이, 어떤 경우엔 전부가 도로 메워졌다는 뜻입니다.

1900년부터 2018년까지의 세계 자료로 같은 관계를 모형화한 심사 논문은 두 미래를 나란히 놓습니다. 성장을 극대화하는 경로에서는 효율 투자를 약 2배로 늘려도 1차 에너지, 곧 석유·석탄·천연가스·수력처럼 전기나 연료로 바꾸기 전 자연에서 얻은 그대로의 에너지의 사용 증가가 줄지 않습니다. 경제 전체의 반등효과가 지배하기 때문입니다. 사용 증가를 최소화하는 경로에서는 효율 투자를 약 3.5배로 늘려 에너지와 성장이 거의 분리되지만, 장기적으로 산출이 늘지 않는 체제에 이릅니다 (DOI: 10.1007/s12053-024-10236-7). 저자들은 후자만이 기후 목표와 양립한다고 적습니다. 성장을 극대화하는 경로가 이어지는 한 효율에 기댄 감축 약속은 세계 규모에서 실패할 위험이 있다는 것이 저자들의 경고입니다.

교통·에너지·제조에 AI를 적용한 사례를 훑은 검토도 같은 방향입니다. 최근 10년치 논문 150편 중 41편을 정독한 결과, AI 도입은 단위당 에너지 사용을 줄이지만 전체 소비는 오히려 늘리는 경우가 잦았습니다 (DOI: 10.3389/fenrg.2025.1460586). 데이터센터가 아니라 AI를 갖다 쓰는 쪽의 이야기지만, 반등이 분야를 가리지 않는다는 정황은 됩니다.

효율 말고 전기의 출처도 배출을 가릅니다. 탄소집약도(carbon intensity)는 전기 1킬로와트시를 만드는 과정에서 함께 나온 이산화탄소의 양입니다. 같은 1킬로와트시라도 석탄에서 온 것과 수력에서 온 것은 딸려 오는 이산화탄소가 다릅니다. 녹색 AI를 주장할 때 흔히 뭉뚱그려지는 지렛대는 넷입니다. 계산 효율, 시설 효율, 전기의 탄소집약도, 그리고 시스템 수준의 추가성입니다. 추가성은 그 전기 구매가 없었으면 생기지 않았을 새 발전을 실제로 만들어 내느냐입니다. 넷을 이렇게 나눈 논문의 결론은 담백합니다. AI 수요가 에너지 집약도가 떨어지는 속도보다 빨리 자라면 효율 개선만으로는 지속가능성을 확보할 수 없습니다. 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 덧붙입니다 (DOI: 10.2139/ssrn.7336158, 프리프린트 — 대표 20메가와트 시설을 놓고 돌린 시나리오 분석입니다).

진짜 쟁점 — 어디에, 얼마나 빨리

하루에 쓰는 총량이 같아도, 쓰는 시각이 한때로 몰리면 전력망이 받는 결과가 달라집니다. IEEE 30버스 시험 계통, 곧 연구자들이 방법을 견주려고 쓰는 작은 시험용 전력망 모형(버스는 전선이 모이는 지점) 위에서 이것을 돌려 본 모의실험이 있습니다. 발전기와 송전선의 출력을 함께 깎은 비상 상황에서 데이터센터를 크게 키운 고성장 사례를 돌리자, 공급하지 못한 에너지, 곧 미공급 에너지가 에너지를 맞춘 기준 사례의 3.203메가와트시에서 22.891메가와트시로 뛰었습니다. 보조로 돌린 실험에서는 데이터센터가 쓰는 총 에너지를 똑같이 맞추고 쓰는 시각만 한때로 겹치게 했더니 총 미공급 에너지가 34.4퍼센트 더 늘었습니다. 어느 비상 조건에서, 무엇에 견준 증가인지는 초록에 자세히 적혀 있지 않습니다. 저자들의 결론은 이렇습니다. 시간적으로 집중된 데이터센터 수요는 총 에너지 소비를 늘리지 않고도 복원력 영향을 증폭할 수 있습니다 (arXiv:2607.06958, 프리프린트).

이 숫자에는 붙여 읽을 것이 있습니다. 실제 계통에서 잰 정전량이 아니라 시험 계통 위의 모의실험이고, 표준 시험 계통은 방법을 비교하려고 만든 작은 인공 모형이라 절댓값을 현실의 예측으로 읽으면 안 됩니다. 읽을 것은 방향입니다. 총량을 고정해도 시간 분포만으로 결과가 나빠졌습니다.

이 차이를 담는 말이 부하입니다. 부하(load)는 전력망이 바로 그 순간에 공급해 줘야 하는 전력입니다. 첫걸음 「교류와 주파수 — 온 나라가 함께 미는 커다란 회전판」이 세운 정의이고, 계기판으로 치면 주행거리계보다 속도계 쪽 숫자입니다. 하루에 쓰는 총량이 같아도 밤새 조금씩 나눠 쓰는 것과 저녁 일곱 시에 몰아 쓰는 것은 전력망 입장에서 전혀 다른 일입니다. 앞 절들이 다룬 것은 에너지 총량이었고, 이 절이 다루는 것은 부하입니다.

AI 데이터센터와 전력망의 상호작용을 훑은 개관 논문은 이 문제를 세 시간 축으로 나눕니다. 장기 계획과 전력망 접속, 단기 운영과 전력시장, 그리고 순간순간의 움직임과 안정성입니다 (arXiv:2509.07218, 프리프린트). 이 글이 보기에 「총량이 몇 테라와트시냐」는 질문은 이 중 어느 축에도 바로 답하지 못합니다. 접속은 「발전소를 짓는 것보다 꽂는 것이 어렵다 — 접속 대기열이 실제로 정하는 것」이, 순간의 안정성은 「발전기의 쇳덩이가 공짜로 주던 몇 초 — 계통 관성이 줄면 무엇이 어려워지나」가 따라갑니다.

가장 오래된 압박은 동네 쪽에 있습니다. 데이터센터는 전기를 무겁게 쓰고, 소수 지역에 몰려 들어섭니다. 이 두 성질이 겹쳐 배전망, 곧 전기를 동네와 건물까지 잘게 나눠 주는 가는 길을 운영하는 사업자의 가용 용량을 압박하고, 데이터센터가 주택 사업이나 전기차 충전 같은 다른 수요와 경쟁하게 된다는 문제 제기가 2023년에 나왔습니다 (DOI: 10.1093/ooenergy/oiad014 — 자료를 내는 연구가 아니라 물음을 던지는 지면입니다).

몰린 결과는 누구에게 가는가

데이터센터가 가장 몰린 미국의 다섯 개 주에서 2022년 1월 이후 가정용과 상업용 전기요금의 격차가 짝지은 비교 주들보다 킬로와트시당 1.27센트 더 벌어졌다는 추정이 있습니다. 통상의 통계적 유의 기준을 넘는 수준이고 (p = 0.025), 미국 평균 가구 소비로 따지면 가구당 연 133달러입니다. 2015년부터 2025년까지 1,188개 주-월 관측치에 이중차분을 적용한 결과입니다. 이중차분은 데이터센터가 몰린 주와 비교 주에서 어느 시점 전후의 변화를 각각 재고, 그 변화끼리의 차이를 보는 방법입니다. 사건 연구는 인과적 단절점을 2022년이 아니라 2023년으로 특정하는데, 저자들은 이것이 러시아-우크라이나 충격을 배제하고, 데이터센터의 접속 합의에서 승인된 요금 조정까지 걸리는 12~18개월 규제 시차를 가리킨다고 읽습니다 (DOI: 10.2139/ssrn.7158958, 프리프린트).

이 결과는 단일 연구이고, 동료심사를 거치지 않은 공개본이며, 관측 자료에서 인과를 주장합니다. 그리고 저자들 자신은 이것을 요금제 구조의 문제로 규정합니다. 대형 사업자가 할인된 상업용 요금을 협상하고 그 부족분을 가정용에서 회수하는 교차보조이며, AI 배치 속도와 무관하게 요금 산정 개혁으로 다룰 수 있다는 것입니다. 저자들이 데이터센터 증가와 요금 격차를 잇는 고리로 지목한 것은 AI 자체보다 요금 구조이므로, 「AI가 자라니 요금이 오른다」는 읽기는 이 연구의 결론과 거리가 있다고 이 글은 봅니다. 이 연구가 잰 것도 요금 수준이 아니라 가정용과 상업용 요금의 격차입니다.

같은 처방, 다른 값

데이터센터의 유연성은 전기 쓰는 시각이나 장소를 옮기거나, 필요할 때 사용을 줄이는 능력입니다. 그 값어치를 두 계통에 각각 용량 확장 모형, 곧 앞으로 어떤 설비를 언제 지어야 비용이 가장 적게 드는지 고르는 모형으로 넣어 본 연구가 있습니다. 시장 중심이고 화석 비중이 높은 미국 PJM 전력망에서는 유연성의 값이 공간적으로 나왔습니다. 지역 사이로 작업을 옮기면 시스템 비용이 2028년에 6퍼센트, 2038년에 19퍼센트 줄고, 가스와 원자력 발전 4.4기가와트와 8.9기가와트를 짓지 않아도 되는 것으로 나왔습니다. 반면 탄소 상한이 있고 중앙에서 조정하는 한국에서는 값이 시간적으로 나왔습니다. 부하를 한낮 태양광 시간대로 옮기면 2028년에는 태양광 0.5기가와트를 더 짓는 것이 값어치를 갖고, 2038년에는 가스 1.2기가와트와 배터리 0.3기가와트를 피하는 것으로 나왔습니다. 관측된 일이 아니라 모형이 낸 값입니다. 저자들은 두 계통 모두에서 현실적인 사건 형상 제약, 곧 사용을 줄이는 사건의 길이와 모양에 걸리는 현실적 한계가 사용을 줄이는 쪽의 값어치를 떨어뜨린다고 함께 적습니다 (arXiv:2608.19622, 프리프린트). 같은 처방이 두 나라에서 다른 축으로 작동합니다. 옮기는 일의 사정은 「데이터센터는 못 줄이는 부하인가 — 옮길 수 있는 것과 옮길 수 없는 것」이 이어 갑니다.

기대를 낮추는 검토도 있습니다. 유연성 연구를 정리한 한 종설은 여러 기법이 제안되고 있지만 그 잠재력의 규모와 비용은 상대적으로 거의 알려져 있지 않다고 적습니다. 그리고 실제 에너지 사용 자료로, 데이터센터가 극단적 사건을 빼면 전기 가격에 민감하게 움직일 가능성이 낮다는 것을 보입니다 (DOI: 10.1007/s40518-025-00258-9). 기술적으로 가능한 것과 실제로 일어나는 것은 다릅니다.

탄소 쪽에도 경계가 있습니다. 전력망에서 사 오는 전기의 온실가스를 다룬 한 워킹페이퍼는 널리 제안되는 세 조건, 곧 가까운 곳에서, 같은 시간대에, 새로 지은 발전소에서 나온 전기여야 한다는 조건을 검토합니다. 결론은 그 조건을 만족하는 전력이 평균보다 깨끗하지만 무탄소는 아니라는 것입니다. 그 구매 때문에 추가로 생기는 배출, 곧 메가와트시당 증분 배출이 제약 없는 평균보다 30~43퍼센트 낮은 수준입니다. 이미 있거나 계획된 발전 가운데 세 조건을 모두 만족하는 것은 2030년 미국 전력의 10퍼센트 정도일 것으로 저자들은 봅니다. 다만 같은 저자들은 청정 전력 수요가 제한된 공급을 넘어서면 세 조건이 총 전력 수요를 줄이거나 새 청정 발전 건설을 이끄는 추가 편익을 낼 수 있다고도 적습니다 (DOI: 10.2139/ssrn.5172090, 워킹페이퍼).

한 논문 안에서도 범위는 이만큼

중국의 전력 발전과 데이터센터 소비를 함께 분석한 논문 한 편이 이 글의 논지를 통째로 압축해 보여 줍니다. 2018년 중국 데이터센터 전력 소비는 161테라와트시로 전체의 2.35퍼센트였습니다. 2030년 전망은 하나의 값이 아니라 구간입니다. 277에서 500테라와트시이고, AI 채택 속도와 효율 개선 정도에 달렸다고 합니다.

감축 잠재량 쪽은 폭이 더 넓습니다. 같은 초록이 그 값을 한 문장에서는 2030년 기준 연간 3,000만~5,000만 톤이라 적고, 다음 문장에서는 「보고된 2,080만~4,500만 톤」이라 적습니다. 그 범위조차 시간에 따라 바뀌는 배출계수와 핵심 가정 때문에 불확실하며, 부하를 옮기는 시나리오에서는 재생에너지 발전과 시간이 얼마나 맞아떨어지느냐에 따라 1,400만~5,200만 톤으로 벌어진다고 덧붙입니다 (DOI: 10.3389/fenrg.2026.1774740). 한 편 안에서도 값이 하나로 모이지 않습니다.

한 나라, 한 해, 한 논문 안에서 이 폭이니, 자료끼리 안 맞는 것은 자료의 결함이라기보다 이 대상의 성질입니다.

다음에 숫자를 만나면

다음에 「AI가 전기를 얼마나 쓴다」는 문장을 만나면 물을 것이 세 가지입니다.

첫째, 경계는 어디인가. 계산 장비까지인지, 시설 전체까지인지, 장비를 만든 공장까지인지, 전기를 만드느라 증발한 물까지인지 묻습니다. 24.7과 50.5의 거리가 여기서 생깁니다.

둘째, 무엇을 언제 셌는가. 훈련인지 추론인지, 어떤 모델을 어떻게 돌렸는지, 그리고 어느 해의 하드웨어, 어느 해의 계통, 어느 해의 모델인지 묻습니다. 선택 몇 개로 최대 100배에서 1,000배가 움직이는 분야에서 연도 없는 수치는 값으로 쓰기 어렵습니다.

셋째, 무엇으로 나눴는가. 질의 한 번인지, 근로 1분인지, 나라 전체인지, 변전소 하나인지 묻습니다. 분모가 다르면 두 숫자는 같은 질문에 답하고 있지 않습니다. 그리고 하나 더, 조건이 붙어 있는지 봅니다. 2,247테라와트시가 성실한 값이었던 이유는 크기가 아니라, 「코인 값이 100만 달러일 때」와 「예측이 아니라 요건」이 그 옆에 적혀 있었기 때문입니다.

지금 이 주제에서 가장 확실한 결론은 어떤 총량 수치가 아니라 보고가 부족하다는 사실입니다. 이 결론에는 서로 다른 진영이 드물게 모여 있습니다. 훈련 배출이 정점을 찍고 줄 것이라고 본 쪽은 논문에 배출량을 명시해 모델 품질 말고도 경쟁할 거리를 만들자고 권고했습니다 (arXiv:2204.05149, 프리프린트). 2030년 시나리오를 짠 쪽은 측정의 표준화와 보고 의무화를 실무 함의의 첫머리에 뒀습니다 (DOI: 10.63550/iceip.2026.20.71.004). 물 발자국을 다룬 논평은 포괄적인 모니터링과 공개 없이는 규제도 혁신도 지역 계획도 제대로 되지 않는다고 적었습니다 (DOI: 10.22541/au.176046418.80101496/v1, 프리프린트). 비트코인 추정치를 해부한 쪽은 채굴 장비를 실제로 돈이 되게 쓸 수 있는 기간, 곧 실효 경제수명이 어떤 공시에도 없다며 그것이 가장 값진 공개가 될 것이라고 적었습니다 (DOI: 10.2139/ssrn.7179538, 프리프린트).

마지막으로 질문의 축을 옮겨 봅니다. 총량 질문에는 답이 여럿입니다. 국지 질문은 답이 하나여서가 아니라 답할 주체와 시한이 정해져 있어서 남습니다. 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 남습니다.

그래서 「AI가 전기를 먹어치운다」는 문장에서 진짜 정보를 담는 곳은 동사보다, 아직 비어 있는 세 칸입니다. 어디까지 셌는지, 무엇을 언제 셌는지, 무엇으로 나눴는지입니다. 그 칸이 채워지면 대개 논쟁은 사라지고 서로 다른 질문 두 개가 남습니다. 그리고 그 두 개는 보통 둘 다 참입니다.

근거 논문

arXiv·SSRN·리서치스퀘어에 공개된 글은 「프리프린트」로 표시했고, 그 뒤 학술지에 실렸는지는 따로 확인하지 않았습니다. 기관 연구 시리즈(NBER)로 나온 워킹페이퍼는 그렇게 표시했습니다. 모의실험·단일 시설 결과는 본문에서 그때마다 표시했습니다.

• "Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model" (2022, 프리프린트) — arXiv:2211.02001 — 같은 최종 훈련이 경계에 따라 24.7톤과 50.5톤. 정밀 추정이 어렵다고 결론에 명시.
• "Grid Expectations: Americans' Overestimation of US Data Center Electricity Use" (2026, 프리프린트) — DOI: 10.2139/ssrn.7227338 — 미국 인구구성을 흉내 낸 온라인 표본 303명. 중앙값 20퍼센트 대 기준값 4.7퍼센트. 성별·확신 패턴은 탐색적.
• "Data center cooling in a hot and humid climate" (2026, 프리프린트) — DOI: 10.2139/ssrn.7169838 — 다카 시설 8,736건. 냉방 23.3퍼센트 절감에 PUE는 0.83퍼센트(상한 1.65퍼센트). 부하 중심 서사를 뒤집는 결과라고 저자들이 규정.
• "Power Usage Effectiveness of the data center as a combination of engineering and IT infrastructure" (2019) — DOI: 10.25791/pribor.12.2019.1065 — IT 장비로 간 전력을 전부 유용한 몫으로 치는 관행에 대한 질문 제기.
• "AI Energy Elasticity and Data Center Energy Consumption Growth Scenarios to 2030" (2026, 학술대회 논문) — DOI: 10.63550/iceip.2026.20.71.004 — 총 전력 = IT 성분 × 인프라 배수. 단기 탄력성 높고 장기 감소. 남의 연구를 종합한 개념 틀.
• "Energy Considerations of Large Language Model Inference and Efficiency Optimizations" (2025, 프리프린트) — arXiv:2504.17674 — 연산량 기반 추정은 실제 소비를 크게 과소평가. 최적화 시 총 에너지 최대 73퍼센트 절감.
• "LLMCO2: Advancing Accurate Carbon Footprint Prediction for LLM Inferences" (2024, 프리프린트) — arXiv:2410.02950 — 수명 전체로는 추론 배출이 훈련보다 크다(도입 전제). 수식 기반 모형이 부정확.
• "Power Hungry Processing: Watts Driving the Cost of AI Deployment?" (2023, 프리프린트) — arXiv:2311.16863 — 1,000회 추론 기준. 다목적 생성형이 과제 특화보다 자릿수 단위로 비싸다.
• "To AI or not to AI? Per-task energy and water demands of AI inference are orders of magnitude lower than human labor" (2026, 프리프린트) — DOI: 10.21203/rs.3.rs-9962169/v1 — 대표 성인 약 6,700와트·근로 1분당 467와트시. 현재 하드웨어 기준 텍스트 추론 가동 1분당 1.5와트시. 100대 1 가정에서 약 31,000배.
• "Data Centers Water Footprint: The Need for More Transparency" (2025, 프리프린트) — DOI: 10.22541/au.176046418.80101496/v1 — 국가·세계 단위로는 작아 보여도 물 스트레스 지역의 국지 영향은 상당할 수 있다.
• "Two Estimands, One Identity" (2026, 프리프린트) — DOI: 10.2139/ssrn.7179538 — 자릿수 차이는 하나의 양에 대한 불확실성이 아니다. 공시에서 비율 0.61~1.72. 2,247테라와트시는 예측이 아니라 요건.
• "Recalibrating global data center energy-use estimates" (2020) — DOI: 10.1126/science.aba3758 — 효율 개선으로 증가세가 둔화됐고 현명한 정책이 단기적으로 이를 유지할 수 있다(초록 전문이 이 한 문장이다).
• "The Carbon Footprint of Machine Learning Training Will Plateau, Then Shrink" (2022, 프리프린트) — arXiv:2204.05149 — 모범 관행이 훈련 에너지 최대 100배 절감. ML 에너지가 3년간 구글 전체의 15퍼센트 미만(당사자 자체 집계). 소급 추정은 100~100,000배 어긋났다.
• "Carbon Emissions and Large Neural Network Training" (2021, 프리프린트) — arXiv:2104.10350 — 지역 5~10배, 클라우드 1.4~2배, 가속기 2~5배. 신경망·데이터센터·프로세서 선택만으로 최대 100~1,000배 절감.
• "Do Energy Efficiency Improvements Reduce Energy Use?" (2021, 프리프린트) — DOI: 10.2139/ssrn.3854876 — 5개국 S-FAVAR 추정. 2년 뒤 경제 전체 반등효과 78~101퍼센트.
• "Economy-wide rebound and the returns on investment in energy efficiency" (2024) — DOI: 10.1007/s12053-024-10236-7 — 성장 극대 경로는 효율 투자 2배로도 에너지 증가가 줄지 않고, 최소화 경로는 장기 무성장 체제를 요구한다.
• "AI beyond efficiency, navigating the rebound effect in AI-driven sustainable development" (2025) — DOI: 10.3389/fenrg.2025.1460586 — 교통·에너지·제조에 AI를 적용한 사례 150편 중 41편 정독. 단위당은 줄지만 총 소비는 는다.
• "Governing the Energy Footprint of Artificial Intelligence for Sustainable Development" (2026, 프리프린트) — DOI: 10.2139/ssrn.7336158 — 네 지렛대(계산 효율·시설 효율·탄소집약도·추가성). 20메가와트 시설 시나리오 분석.
• "Evaluating Grid Resilience in the Era of Ever-Increasing Data Centers" (2026, 프리프린트) — arXiv:2607.06958 — IEEE 30버스 시험 계통 모의. 기준 사례 3.203→22.891메가와트시, 동시부하에서 34.4퍼센트 추가 증가.
• "Electricity Demand and Grid Impacts of AI Data Centers: Challenges and Prospects" (2025, 프리프린트) — arXiv:2509.07218 — 장기 계획·접속, 단기 운영·시장, 실시간 동역학·안정도의 세 시간 축.
• "Stretched grid? Managing data center energy demand and grid capacity" (2023) — DOI: 10.1093/ooenergy/oiad014 — 무거운 부하와 지역 집중이 배전 용량을 압박한다고 문제를 제기하는 지면(물음으로 끝난다).
• "Who Pays for AI? Causal Evidence That Data Center Growth Widens the Residential-Commercial Electricity Price Gap" (2026, 프리프린트) — DOI: 10.2139/ssrn.7158958 — 1,188개 주-월 이중차분. 격차 킬로와트시당 1.27센트·가구당 연 133달러. 저자들은 AI 배치 속도와 무관하게 요금제 개혁으로 다룰 수 있는 교차보조로 규정.
• "Shift or curtail? How much data-center flexibility is worth depends on the host power grid" (2026, 프리프린트) — arXiv:2608.19622 — 용량 확장 모형. PJM은 공간형(6·19퍼센트), 한국은 시간형. 현실적 제약이 감발 가치를 낮춘다.
• "The Potential of Data Center Energy Demand To Provide Grid Flexibility" (2025) — DOI: 10.1007/s40518-025-00258-9 — 유연성의 규모와 비용은 거의 알려져 있지 않고, 극단적 사건 외에는 전기 가격에 민감할 가능성이 낮다.
• "Greenhouse Gases Resulting from Grid-Connected Electricity Demand: Three Pillars and Scope Two" (2025, 워킹페이퍼) — DOI: 10.2139/ssrn.5172090 — 세 조건을 만족해도 무탄소가 아니라 증분 배출이 평균 대비 30~43퍼센트 낮은 수준. 추가 편익 가능성도 함께 적는다.
• "Analysis of China's power development and the impact of data center energy consumption" (2026) — DOI: 10.3389/fenrg.2026.1774740 — 2018년 161테라와트시, 2030년 277~500테라와트시. 감축 잠재를 같은 초록이 3,000만~5,000만 톤이라고도 "보고된 2,080만~4,500만 톤"이라고도 적는다.