AI 데이터센터 시대, 전기·물·ESG가 제조업 생존 이슈로 올라왔다

AI는 클라우드 위에 떠 있는 게 아니라 전기와 물 위에서 돌아감

• 이 칼럼의 핵심은 꽤 직설적임. 전기값과 냉각 인프라가 흔들리면 AI 투자도 같이 흔들린다는 얘기임

  • 생성형 AI, 대규모 언어 모델(LLM), 비전 AI, 예지보전 같은 프로젝트가 공장과 산단까지 들어오면서 연산 수요가 계속 커지고 있음
  • 그런데 AI 연산은 GPU와 AI 가속기를 많이 쓰고, 이 장비들은 전기도 많이 먹고 열도 많이 냄

• 숫자로 보면 감이 더 세게 옴

  • 국제에너지기구(IEA)와 여러 리서치 기준으로 전 세계 데이터센터 전력 소비는 2024년 약 415TWh, 전체 전력 소비의 1.5% 수준까지 올라왔음
  • 미국 데이터센터만 보면 2024년 약 183TWh로 미국 전체 전력 소비의 4% 이상을 쓴 것으로 추정됨
  • 이 흐름이 이어지면 2026년 전 세계 데이터센터 전력 소비가 500TWh를 넘고, 전 세계 전력 수요의 약 2%까지 갈 수 있다는 전망도 나옴

ESG 공시는 이제 ‘우리 열심히 해요’로 안 끝남

• AI 데이터센터가 커질수록 기업이 설명해야 할 환경 데이터도 훨씬 구체적으로 바뀌고 있음

  • 유럽연합의 기업지속가능성보고지침(CSRD)과 유럽 지속가능성 보고 기준(ESRS)은 기후뿐 아니라 에너지, 수자원, 오염 같은 항목을 정량 데이터로 요구함
  • 국제지속가능성기준위원회(ISSB)의 IFRS S1·S2와 한국형 지속가능성 공시기준(K-ISSB)도 에너지·탄소·수자원 데이터의 정합성과 비교가능성을 중요하게 봄

• 데이터센터 쪽에서 특히 중요해지는 지표는 전력사용효율(PUE)과 물사용효율(WUE)임

  • PUE가 1.2라면 IT 장비가 전기 1을 쓸 때 냉각·전력공급 같은 부대설비가 0.2를 더 쓰는 구조라는 뜻임
  • WUE는 IT 부하 1킬로와트시당 냉각에 물을 몇 리터 쓰는지 보는 지표임
  • 빅테크 일부는 PUE 1.1대, 해수 냉각, 액침 냉각 같은 방식으로 효율을 끌어올리고 있지만, 연산량 증가 속도가 워낙 빨라서 전체 전력·물 수요는 계속 늘 수밖에 없음

• 제조업도 여기서 빠져나가기 어려움

  • 같은 전력망을 쓰는 공장과 산단도 AI 데이터센터가 늘린 전력·탄소·수자원 부담을 어떻게 관리하는지 설명해야 하는 압박을 받게 됨
  • 앞으로 ESG 보고서는 미사여구가 아니라 사업별 전력 사용량, 물 사용량, 재생에너지 비율, 탄소배출량, 감축 프로젝트를 데이터로 보여주는 문서가 됨

공장과 산단은 에너지 아키텍처를 다시 그려야 함

• 공장 단위에서는 공장 에너지 관리 시스템(FEMS)과 에너지 관리 시스템(EMS)을 ESG와 AI 최적화까지 연결해야 함

  • 지금까지는 전력·가스·스팀 사용량을 모니터링하는 수준이었다면, 앞으로는 생산계획, 날씨, 전력요금, 설비 가동률까지 묶어서 피크 전력을 줄이는 식으로 가야 함
  • 설비·라인·공장·산단 레벨에서 데이터를 어느 시간 단위로 모을지도 중요해짐. 실시간인지, 5분 단위인지, 15분 단위인지에 따라 최적화 수준이 달라짐

• 산단 단위에서는 여러 공장을 묶는 공용 에너지 플랫폼이 필요해짐

  • 인천 스마트그린산단처럼 통합관제센터를 두고 산단 데이터를 실시간으로 모아 에너지, 안전, 운영 효율을 같이 관리하는 시도가 이미 나오고 있음
  • 데이터센터 폐열을 산단 난방이나 공정 열원에 쓰고, 산단의 재생에너지와 에너지 저장 장치(ESS)를 데이터센터 피크 분산에 연결하는 그림도 가능함

• 피지컬 AI도 결국 전력과 센서, 네트워크, 안전 인프라 싸움임

  • 산업용 로봇 설치 대수는 2024년 전 세계 50만 대를 넘었고, 2030년으로 갈수록 로봇과 AI 장비가 공장·물류 현장에 더 많이 깔릴 전망임
  • 로봇, 무인운반차(AGV), 협동로봇, 비전 AI가 제대로 돌아가려면 안정적인 전력, 센서망, 통신망, 안전 시스템이 같이 설계돼야 함

실무자는 12~24개월 로드맵으로 쪼개서 봐야 함

• 0~6개월은 ‘우리 데이터가 어디에 있는지’부터 까봐야 함

  • 전력, 가스, 스팀, 용수, 폐수 데이터를 어떤 태그와 필드로 수집하는지 목록화해야 함
  • FEMS, EMS, 건물 에너지 관리 시스템(BEMS), 설비 계량기, 수량계, 유량계, SCADA에서 뽑을 수 있는 데이터를 정리해야 함

• 6~12개월은 작은 파일럿을 돌리는 구간임

  • 전력·압축공기·스팀 사용량과 생산 데이터를 연결해 피크를 줄이는 AI 예측 모델을 시도할 수 있음
  • 산단이라면 5~10개 기업을 묶어 스마트 에너지 플랫폼에서 데이터를 같이 보고 절감 목표를 공유하는 실험도 가능함

• 12~24개월은 공시와 외부 검증까지 생각해야 함

  • 에너지·물·탄소 데이터를 ESG 공시 템플릿과 연결하고, 나중에 감사받을 때 필요한 메타데이터와 로그 구조를 설계해야 함
  • CSRD, ESRS, K-ISSB 같은 양식을 실제로 펼쳐놓고 자동으로 채울 수 있는 항목과 수작업이 필요한 항목을 나누는 게 현실적인 출발점임

---

기술 맥락

• 여기서 중요한 선택은 AI 인프라를 서버 증설 문제가 아니라 에너지·물·공시 아키텍처 문제로 보는 거예요. GPU를 더 사는 것만으로는 해결이 안 되고, 전력 피크와 냉각, 수자원 리스크가 같이 따라오기 때문이에요.

• PUE와 WUE가 중요한 이유는 비용과 ESG가 같은 숫자를 보기 시작했기 때문이에요. 전기를 덜 쓰면 운영비가 줄고, 물을 덜 쓰면 지역 리스크가 줄고, 이 데이터가 곧 공시와 투자 평가에 들어가거든요.

• 제조 현장에서는 FEMS나 EMS를 이미 깔아둔 곳이 많지만, 그 데이터가 공시나 AI 최적화까지 이어지지 않으면 가치가 반쪽이에요. 설비별 사용량을 시간 단위로 쌓아야 피크 예측, 설비 스케줄 조정, 탄소 데이터 검증까지 연결할 수 있어요.

• 산단 관점에서는 개별 공장 최적화보다 공유 인프라 설계가 더 중요해질 수 있어요. 데이터센터 폐열, 재생에너지, 에너지 저장 장치, 수요반응을 한 번에 묶으면 AI 도입과 에너지 전환을 따로 하지 않아도 되기 때문이에요.