인공지능은 기업이 에너지 소비를 줄이고, 낭비를 줄이며, ESG 보고 업무의 수작업 부담을 덜어주는 데 도움이 될 수 있습니다. 하지만 AI 제품을 개발하는 사람들은 이 문제의 또 다른 측면도 잘 알고 있습니다. 모든 모델은 에너지를 많이 소모하는 인프라에서 구동되며, 모든 API 호출에는 계산 비용이 따르고, 컴퓨팅 수요는 줄어들 기미가 보이지 않습니다.
그렇기 때문에 인공지능의 지속가능성은 슬로건으로도, 속죄해야 할 죄책감으로도 취급되어서는 안 됩니다. 이는 운영상의 문제로 다뤄져야 합니다. 이탈리아에서는 이제 ‘AI의 지속가능성 ( sustainability of AI )’과 ‘지속가능성을 위한 AI(AI for sustainability)’라는 두 가지 명확한 개념을 중심으로 논의가 전개되고 있습니다. 전자는 AI 자체가 남기는 환경적 발자국을 다루는 반면, 후자는 프로세스, 자원 소비 및 환경 거버넌스를 개선하기 위한 AI의 활용을 다룹니다. 이와 같은 맥락에서, 인공지능의 지속가능성과 ESG 거버넌스에 관한 이 분석에 따르면 , AI가 지원하는 ESG 보고 부문은 “지난 1년 동안 거의 3배로 증가했다”고 합니다.
AI 기업 창업자로서, 저는 무조건적인 공포 조장이나 안일한 기술 낙관주의 모두 무의미하다고 생각합니다. 핵심은 AI가 환경에 ‘좋은’지 ‘나쁜’지를 판단하는 것이 아닙니다. 핵심은 AI가 어디에서 자원을 소비하는지, 언제 진정한 가치를 창출하는지, 그리고 유용성을 훼손하지 않으면서도 영향을 줄일 수 있는 구체적인 선택이 무엇인지 파악하는 것입니다.
인공지능과 지속가능성에 대한 논의가 한층 성숙해졌다. 드디어 말이다. 문제가 해결되었기 때문이 아니라, 더 이상 이를 진부한 한 마디로 요약할 수 없게 되었기 때문이다.
한편으로, AI는 기업과 시설이 에너지를 더 효율적으로 사용하고, 낭비를 줄이며, ESG 보고를 체계적으로 관리하는 데 도움을 줍니다. 반면, 이러한 시스템 자체는 실질적인 환경적 비용을 수반하는 연산 능력, 데이터 센터, 냉각 시스템, 네트워크 및 하드웨어 구성 요소를 필요로 합니다. 이 두 측면 중 한쪽만 고려한다면 잘못된 결정을 내리게 됩니다.
제가 가장 자주 사용하는 두 가지 범주는 이제 이탈리아에서도 널리 쓰이고 있는 것들입니다:
이 차이는 단순히 이론적인 것이 아닙니다. 이로 인해 두 가지 다른 질문을 던지게 됩니다. 첫 번째는 ‘내 AI 스택의 무게는 얼마나 될까?’이고, 두 번째는 ‘그 무게가 이를 정당화할 만큼 충분히 실질적인 환경적 또는 운영상의 이점을 가져다주는가?’입니다.
올바른 질문은 “AI를 사용할 것인가, 말 것인가”가 아닙니다. 올바른 질문은 “이 작업에 정말 이 정도의 연산 능력이 필요한가?”입니다.
제가 가장 자주 목격하는 실수는 기술적인 문제가 아닙니다. 의사결정과 관련된 문제입니다. 많은 기업들이 마치 사용 가능한 모든 성능을 항상 활용해야 하는 것처럼 AI를 도입합니다. 실제로는 문제가 훨씬 더 단순했음에도 불구하고, 가장 큰 모델과 가장 복잡한 워크플로우, 그리고 가장 광범위한 자동화를 선택하곤 합니다.
사실, 지속 가능한 전략은 그다지 화려하지 않은 원칙, 즉 ‘비례성’에서 출발합니다. 만약 어떤 작업을 더 적은 연산, 더 적은 데이터 전송, 더 낮은 복잡도로도 잘 수행할 수 있다면, 그것은 포기하는 것이 아닙니다. 오히려 더 나은 선택입니다.
이 논의에서 가장 유익한 부분은 추상적인 이야기를 그만둘 때부터 시작됩니다. AI가 환경에 미치는 영향은 단순한 의견이 아닙니다. 이는 이미 신중을 기해야 할 만큼 명확한 수치가 제시된 인프라 관련 문제입니다.
국제 데이터를 인용한 이탈리아의 한 소식통에 따르면, 매사추세츠 대학교의 2019년 연구에서 단일 AI 모델의 훈련 과정에서 284톤 이상의 CO₂가 발생할 수 있는 것으로 추산되었으며, 이는 5대의 자동차가 전체 수명 주기 동안 배출하는 양에 해당한다고 한다. 같은 소식통은 ChatGPT-3 개발에 약 1,287 MWh의 전력이 소요되었을 것으로 추정했는데, 이는 미국 평균 가구 약 120~130가구의 연간 전력 소비량에 해당하며, 골드만삭스 리서치(Goldman Sachs Research)의 전망을 인용해 데이터센터의 전력 수요가 160% 증가할 수 있으며, 2023년부터 2030년까지 연간 약 200 TWh가 증가할 것으로 전망되며, 2028년까지 AI 관련 전력 소비량이 데이터 센터 총 에너지 수요의 19%에 달할 수 있다고 한다. 이 모든 데이터는 AI의 환경적 비용에 대한 이 이탈리아 분석 보고서에 수록되어 있다.
중요한 점은 이러한 수치를 이용해 대중을 공포에 빠뜨리려는 것이 아닙니다. 핵심은 그 규모를 이해하는 것입니다. AI를 구축하거나 도입한다면, 단순히 클라우드 예산뿐만 아니라 전체 인프라에 영향을 미치는 에너지 수요 증가에 동참하게 되는 것입니다.
실무상의 원칙: AI 프로젝트를 평가할 때는 토큰당 비용이나 API 호출당 비용만 보지 마십시오. 진정한 문제는 종종 그 호출을 가능하게 하는 인프라, 즉 그 이면에 있습니다.
많은 사람들이 AI의 환경적 비용이 거의 전적으로 훈련 과정에서 발생한다고 생각합니다. 이는 편리한 단순화이긴 하지만 잘못된 생각입니다. 에너지 소비는 여러 단계에 걸쳐 분산되어 있습니다:
| 구성 요소 | 왜 중요한가 |
|---|---|
| 훈련 | 대량의 집중적인 연산이 필요합니다 |
| 추론 | 사용자의 모든 요청은 시간이 지남에 따라 반복적인 업무를 발생시킵니다 |
| 데이터 센터 | 전원 공급, 이중화 및 인프라의 지속적인 관리 |
| 냉각 | 시스템에서 발생하는 열은 효율적으로 방출되어야 합니다. |
| 네트워크 및 데이터 전송 | 시스템, 지역 및 서비스 간에 데이터를 이동하는 데는 에너지 비용이 발생합니다. |
이는 인공지능의 지속 가능성을 다루는 방식을 바꿔 놓습니다. 단순히 “모델이 얼마나 많은 에너지를 소비하는가”라고 묻는 것만으로는 충분하지 않습니다. 모델이 어디에서 실행되는지, 얼마나 많은 트래픽을 발생시키는지, 쿼리 요청이 몇 번이나 발생하는지, 그리고 아키텍처가 낭비를 줄이도록 설계되었는지도 함께 고려해야 합니다.
그렇기 때문에 AI를 활용해 자체 인프라를 개선하는 사례들도 살펴보는 것이 의미가 있습니다.AI를 활용한 데이터 센터의 에너지 최적화 사례가 좋은 예시인데, 이는 한 가지 간단한 사실을 잘 보여줍니다. 바로 문제가 단순히 모델에만 있는 것이 아니라, 이를 뒷받침하는 전체 기술 환경에 있다는 점입니다.
단순히 비용 측면만 고려한다면 전체 그림의 절반을 놓치게 됩니다. AI는 기업의 지속가능성을 향상시키는 데 있어 실질적인 동력이 될 수도 있습니다. 이는 단순히 구호 차원이 아니라, 매우 구체적인 프로세스를 통해 실현되는 것입니다.
이탈리아의 맥락에서, 에너지 관리 시스템에 인공지능(AI)을 적용하면 수요 급증을 예측하고 HVAC 및 조명과 같은 부하를 실시간으로 조절함으로써 산업 시설 및 중소기업의 운영 에너지 소비를 줄일 수 있습니다. 이는 Scope 2 배출량에 직접적인 영향을 미치며, AI 기반 에너지 관리 시스템에 대한 이 심층 분석에서 설명된 바와 같이 간헐적인 재생 에너지의 활용을 최적화하는 데 도움이 됩니다.
이것이 바로 제가 환경적 관점에서도 타당하다고 생각하는 애플리케이션의 유형입니다. 무료이기 때문이 아니라, 계산 기능을 활용해 끊임없이 발생하는 물리적 낭비를 제거하기 때문입니다. 수요가 변동하는 시설에서 환기, 냉난방 또는 조명을 실시간으로 조절하는 것은 그린 전환에 관한 수천 장의 슬라이드보다 더 큰 가치가 있을 수 있습니다.
AI가 특히 유용하게 쓰이는 세 가지 분야는 다음과 같습니다:
중소기업의 경우, 이점은 대개 화려한 비즈니스 모델에서 비롯되는 것이 아닙니다. 중복 작업을 방지하는 시스템에서 비롯됩니다. 수동으로 데이터를 내보내는 작업, 여러 개의 엑셀 파일, 반복적으로 전송되는 첨부 파일, 같은 데이터를 서로 다른 사람이 대조하는 작업 등이 바로 그것입니다. 이 모든 과정은 시간, 장비, 대역폭, 그리고 주의력을 소모합니다.
서로 다른 사람들이 다섯 번이나 반복하는 프로세스는 조직적 측면뿐만 아니라 환경적 측면에서도 비효율적이다.
AI가 데이터를 중앙 집중화하고, 반복적인 단계를 자동화하며, 분석 결과를 재사용 가능하게 만들 때, 그 환경적 가치는 개별적인 추론에 있는 것이 아닙니다. 중복을 제거하는 데 있습니다.
보고 업무를 담당하는 분들에게 이 문제와 밀접한 관련이 있는 사례로 ESG 보고를 위한 ELECTE를 들 수 있습니다. 이를 통해 자동화가 모든 업무를 복잡한 IT 프로젝트로 전환하지 않으면서도 수작업 단계와 정보의 분산을 어떻게 줄일 수 있는지 이해하는 데 도움이 됩니다.
고무적인 점은 업계가 멈춰 서 있지 않다는 것입니다. AI가 문제를 야기하고 있지만, 동시에 에너지 비용을 줄이려는 혁신을 촉진하고 있기도 합니다. 하지만 솔직히 말해, 단 하나의 해결책은 존재하지 않습니다.
유망한 방향 중 하나는 상호 연결성과 인프라 효율성에 중점을 두는 것입니다. 컴퓨팅 시스템이 데이터를 대기하고 있을 때, 설치된 전력은 비효율적으로 사용됩니다. 이것이 바로 차세대 하드웨어를 단순히 성능의 관점에서만 바라볼 것이 아니라 효율성의 관점에서도 고려해야 하는 이유 중 하나입니다.
기술 관련 논의에서는 광학 연결, 데이터 전송 성능 향상, 전력 손실 저감을 목표로 하는 제안들이 제기되고 있다. 칩이 아닌 클라우드 서비스를 구매하는 사용자에게 있어 실질적인 핵심은 따로 있다. 바로 대기 시간, 트래픽, 오버헤드를 줄이면서 더 많은 유용한 작업을 수행할 수 있는 스택을 선택하는 것이다.
이러한 논리는 엄밀한 의미의 AI 분야 밖에서도 적용됩니다. 에너지 소모가 적은 생산 모델에 대해 보다 포괄적으로 고민하고자 하는 사람이라면, 이러한 지속 가능한 경제 실천 사례에서 유용한 시사점을 얻을 수 있을 것입니다. 특히 디지털 효율성과 공정 내 자재 낭비 감소를 연계하는 데 있어 더욱 그렇습니다.
소프트웨어 측면에서는 가장 흥미로운 요소들이 대개 화려하지는 않지만 더 직접적인 효과를 발휘합니다:
제 경험상, 이것이 가장 큰 영향을 미친 선택이었습니다. 가장 효과적인 변화는 미래형 기술을 도입한 것이 아니라, 모든 작업에 가장 강력한 모델을 사용하는 것을 중단한 것이었습니다. 분류, 서식 지정, 알려진 패턴 추출 및 많은 지원 작업에는 항상 최첨단 모델이 필요한 것은 아닙니다. 이러한 작업에는 아키텍처적 체계성이 필요합니다.
사용자에게는 결과가 동일하다면, 연산량을 줄이는 것은 타협이 아닙니다. 오히려 더 나은 설계입니다.
그래서 저는 종종 “적절한 작업에 맞는 적절한 모델”이라는 말을 자주 합니다. 실질적으로 이는 각 작업을 필요한 전력 수준에 맞게 할당하는 라우팅 계층을 구축하는 것을 의미합니다. 이는 비용 측면의 선택일 뿐만 아니라 지속 가능성 측면의 선택이기도 합니다.
기술적 해결책과 환경적 영향 간의 연관성을 더 깊이 알아보고 싶은 분들은, AI와 환경에 관한 ELECTE 기사도 참고해 보시기 바랍니다. 이 기사에는 다양한 사례와 발전 방향이 소개되어 있지만, 이를 기적적인 해결책으로 제시하지는 않습니다.
가장 중요한 반론은 동시에 가장 다루기 까다로운 문제이기도 합니다. AI의 효율성을 높인다고 해서 전체 에너지 소비가 자동으로 줄어드는 것은 아닙니다. 오히려 때로는 정반대의 결과가 나타나기도 합니다.
컴퓨팅이 더 저렴해지고, 더 접근하기 쉬워지며, 더 빨라지면 기업들은 이를 더 많이 활용하려는 경향이 있습니다. “어차피 비용이 적게 드니까”라는 이유로 자동화도 늘어나고, 요청도 늘어나며, 통합도 늘어나고, 생성되는 프로세스도 늘어납니다. 이것이 바로 ‘효율성의 역설’의 핵심입니다.
그렇기 때문에 인공지능의 지속가능성은 단순히 더 나은 칩이나 더 소형화된 모델의 문제일 뿐 아니라, 최우선 고려 사항이 되어야 합니다. 어떤 시스템을 구현하기 전에 다음과 같은 질문들을 먼저 던져야 합니다:
이탈리아 내 논의에서 가장 두드러지는 한계 중 하나는 바로 이것입니다. 즉, AI의 수명 주기 전반에 걸친 환경 영향을 측정하기 위한 표준화된 지표와 종합적인 접근 방식이 부족하다는 점인데, 이는 인공지능의 지속가능성에 대한 이러한 체계적 관점에서 강조된 주제입니다.
따라서 문제는 혁신을 저해하는 것이 아닙니다. 계산 자원을 무료이고 고갈되지 않는 것으로 여기는 태도를 버리는 것입니다. 모든 조직은 이를 예산이나 직원의 시간을 다루는 것과 마찬가지로, 진정한 가치를 창출하는 곳에 배분해야 할 자원으로 취급해야 합니다.
중소기업(SME)의 경우, 실행 계획 없이 지속가능성을 논하는 것은 별 소용이 없습니다. 환경 발자국을 완벽하게 측정하지 못하더라도 당장 내릴 수 있는 네 가지 결정부터 시작하는 것이 좋습니다.
한 이탈리아 소식통은 AI의 지속 가능성에 대한 많은 논의가 비용-편익 상충 관계를 간과하고 있는 반면, 데이터 센터는 이미 전 세계 에너지 소비량의 약 3%를 차지하고 있다고 지적합니다. 간과되고 있는 질문은 바로, 에너지 소비와 비용의 지속 불가능한 증가를 막기 위해 언제 더 작은 모델을 사용하거나 전통적인 방식을 채택하는 것이 더 유리한가 하는 것입니다. 이 점은 AI의 환경적 상충 관계에 관한 이 기사에서 잘 요약되어 있습니다.
문제의 규모에 맞는 모델을 선택하세요
이 레버는 단순성과 효과의 균형이 가장 뛰어난 레버입니다. 가장 강력한 모델을 기본값으로 사용하지 마십시오. 실질적인 차이를 만들어낼 때에만 사용하십시오. 많은 일상적인 작업에는 더 가벼운 모델이나 비생성형 시스템만으로도 충분합니다.
에너지 효율 측면에서도 클라우드 제공업체를 평가하십시오
가격, 지연 시간, 규정 준수만 살펴보지 마십시오. 데이터 센터의 투명성, 지역별 에너지 구성, 운영 효율성 접근 방식도 함께 살펴보십시오. 지리적 위치는 중요합니다. 워크로드가 지역마다 미치는 영향은 다르기 때문입니다.
워크플로우에서 중복을 제거하세요
동일한 데이터를 여러 번 내보내고, 복사하고, 형식을 변경하고, 다시 전송한다면, AI는 차치하고라도 자원을 낭비하고 있는 것입니다. 중소기업을 위한 AI 기반 데이터 분석 플랫폼인 ELECTE와 같은 플랫폼을 활용하면 데이터를 중앙 집중화하고, 보고서를 자동화하며, 중복 분석을 줄일 수 있습니다. 이러한 맥락에서 진정한 이점은 ‘AI를 더 많이 활용하는 것’이 아니라, 불필요한 작업을 줄이는 데 있습니다.
비록 완벽하지는 않더라도 측정한다
모든 기업이 개별 작업 단위로 kWh나 CO₂를 측정할 수 있는 도구를 갖추고 있는 것은 아닙니다. 괜찮습니다. 이미 손쉽게 활용할 수 있는 운영 지표부터 시작하세요.
이 분야에 확고히 정립된 표준이 없는 상황에서, 저는 간단한 표부터 시작해 보겠습니다:
| 운영 지표 | 무엇을 말해 주는가 |
|---|---|
| 작업 완료 시 API 호출 | 결과물을 얻기 위해 너무 많은 노력을 기울이고 있다면 |
| 작업별 모델의 평균 크기 | 만약 작업을 지나치게 크게 잡고 있다면 |
| 세션당 전송된 데이터 양 | 워크플로우로 인해 불필요한 트래픽이 발생한다면 |
| 생성되었으나 사용되지 않은 분석 결과 | 아무도 읽지 않는 출력을 자동화하고 있다면 |
측정 결과가 부정확하더라도 일관성 있게 측정하는 것이 아예 측정하지 않는 것보다 낫다.
3개월이 지난 후, 작업당 호출 횟수가 줄어들고, 대규모 모델의 실행 빈도가 감소하며, 데이터 전송량이 줄어든 것을 확인하더라도, 아직 완벽한 탄소 회계를 달성한 것은 아닙니다. 하지만 매우 유용한 것을 얻게 된 셈입니다. 바로 컴퓨팅 낭비와 비용, 그리고 아마도 환경적 영향까지 줄여주는 효율성 관리 체계입니다.
인공지능의 지속 가능성은 슬로건만으로는 해결되지 않습니다. 인공지능을 이념적으로 거부한다고 해서 해결되는 것도 아닙니다. 더 나은 기술적·경영적 결정을 통해 구축되는 것입니다.
오늘날 AI를 사용하는 사람들은 두 가지 사실을 함께 고려해야 합니다. 첫째, 환경적 비용은 분명히 존재하며, 점점 증가하고 있으므로 이를 경시해서는 안 됩니다. 둘째, AI는 낭비를 줄이고, 에너지 사용 효율을 높이며, 반복적이고 비효율적인 프로세스를 더 지능적인 시스템으로 대체할 때 실질적인 이점을 가져다줄 수 있습니다. 올바른 선택의 핵심은 이 두 측면 간의 균형에 달려 있습니다.
유럽 기업들에게는 두 번째 차원의 책임도 있습니다. 단순히 규정을 준수하는 것만으로는 충분하지 않습니다. 기술, 인프라, 거버넌스, 지적재산권이 어떻게 서로 얽혀 있는지 이해해야 합니다. 특히 지적재산권과 관련하여, AI 도입에 수반되는 법적 프레임워크를 심층적으로 파악하고자 하는 분들을 위해, 인공지능 특허에 관한 이 가이드를 추천합니다. 이 가이드는 기술적 지속 가능성을 장기적인 전략적 선택의 관점에서 바라보는 데 도움이 될 것입니다.
올바른 방향은 단순히 AI 사용을 줄이는 것이 아닙니다. 올바른 AI를, 올바른 곳에, 적절한 성능 수준으로 활용하는 것입니다.
AI를 보다 효율적이고 신중하게 도입하고 싶다면, ELECTE가 어떻게 작동하는지 확인해 보세요. 이 플랫폼은 모델 선택과 운영 효율성에 대한 실용적인 접근 방식을 통해 중소기업이 데이터를 중앙 집중화하고, 보고서를 자동화하며, 중복되는 분석 업무를 줄일 수 있도록 지원합니다.
.svg)
.svg)
.svg)
