AI 데이터센터 붐, 전기·물·땅을 얼마나 먹는지 숫자로 보면 꽤 세다

AI 데이터센터의 청구서가 숫자로 나오기 시작함

• AI 반도체 열풍의 뒤에는 빅테크 데이터센터 확장 경쟁이 있음

  • 구글, 마이크로소프트, 아마존 같은 회사들이 데이터센터를 늘리면서 고대역폭메모리(HBM)와 차세대 AI 칩 수요를 떠받치고 있음
  • 현재 전 세계 데이터센터는 1만 1,400개를 넘는 것으로 제시됨
  • 2030년까지 데이터센터 인프라 확장에 3조 달러, 원화로 약 4,100조 원 이상이 들어갈 전망임

• 유엔대 물·환경·보건연구소 보고서는 AI의 탄소, 물, 토지 발자국을 구체적인 숫자로 경고함

  • 전 세계 데이터센터 전력 사용량은 448테라와트시(TWh) 수준으로 제시됨
  • 데이터센터를 하나의 국가로 보면 프랑스의 1년 전력 사용량과 맞먹고, 단일 국가 기준 세계 11위 전력 소비국급임
  • 2030년에는 전력 수요가 945테라와트시까지 늘어 전 세계 전력의 3%에 이를 수 있음

• 물과 땅도 같이 빨려 들어감

  • 보고서는 차세대 모델인 GPT-5를 한 번 훈련하는 데 축구장 215개 면적의 땅, 10억 리터의 물, 100기가와트시(GWh)의 전력이 들어간다고 설명함
  • 챗GPT가 하루 25억 건의 답변을 처리하는 추론 비용을 연간으로 환산하면 사하라 이남 지역 50만 명의 1년 생활용수에 해당한다고 봄
  • 축구장 800개 크기의 땅도 필요하다는 식으로 AI 사용의 물리적 비용을 드러냄

• 환경 정의 문제도 같이 터짐

  • AI 인프라의 90%는 미국과 중국 등 32개국에 집중돼 있음
  • 150개가 넘는 나라는 AI 기술의 혜택은 적게 보면서 반도체 광물 채굴, 전자 폐기물, 환경 오염 부담을 떠안을 수 있음
  • 기술의 이득은 일부 국가와 기업이 가져가고 비용은 더 약한 지역으로 밀리는 구조라는 지적임

효율 좋아지면 해결되냐는 질문

• 전문가들은 “칩이 좋아지면 괜찮다”는 말에 제번스의 역설을 꺼냄

  • 딥시크처럼 더 적은 비용과 전력으로 높은 성능을 내는 모델은 분명 등장하고 있음
  • 하지만 연산 비용이 싸지면 사람들이 AI를 더 많이 쓰게 되고, 총 전력과 물 사용량은 오히려 늘 수 있음
  • 하이브리드 자동차가 연비를 아껴도 운행량이 늘면 전체 기름 소비가 줄지 않는 상황과 비슷함

• 개인이 프롬프트를 짧게 쓰는 식의 절약은 본질이 아니라는 반론도 나옴

  • 독일 인공지능 연구소의 볼프강 마스 교수는 “감사합니다”를 붙였느냐보다 시스템 수준 절약이 중요하다고 봄
  • 간단한 질문은 대형 모델이 아니라 소형 AI 모델로 보내는 라우팅이 필요하다는 얘기임
  • 모든 요청을 클라우드 데이터센터로 보내기보다 스마트폰이나 개인용 컴퓨터에서 처리하는 온디바이스 컴퓨팅도 대안으로 제시됨

그렇다고 데이터센터를 악당 하나로만 보면 놓치는 것도 있음

• AI가 환경 문제 해결에 기여할 수 있다는 반론도 꽤 중요함

  • AI 기반 일기예보 모델은 전통적인 슈퍼컴퓨터 방식보다 1,000배 효율적이고 정확하다는 사례가 언급됨
  • 태양광 효율 최적화나 배터리 연구를 AI가 수십 배 빠르게 할 수 있다는 기대도 있음
  • AI가 만드는 탄소보다 AI가 다른 산업에서 줄여줄 탄소가 더 클 수 있다는 주장임

• 데이터센터 배출량의 상대적 비중도 봐야 함

  • 한 전문가는 데이터센터가 전기를 많이 쓰는 건 맞지만 전 세계 배출량의 1~1.5% 수준이라고 짚음
  • 철강과 시멘트 산업은 15% 이상을 차지하기 때문에 정치적 관심이 과도하게 데이터센터에 쏠리면 더 큰 감축 과제를 놓칠 수 있음
  • 즉 AI 인프라는 문제지만, 전체 기후 전략 안에서 우선순위를 따져야 한다는 얘기임

한국에는 “우리 동네 데이터센터” 문제가 됨

• 아일랜드 사례는 한국에도 꽤 직접적인 경고임

  • 아일랜드는 국가 전력의 21%를 데이터센터가 쓰는 상황으로 소개됨
  • 데이터센터에 자체 발전소를 요구하자 더블린에 자동차 2,000대를 돌리는 수준의 가스 발전기를 단 데이터센터가 들어섰다는 사례도 나옴
  • 전력망 부담을 피하려다 지역 대기오염이 생기는 식으로 문제가 이동할 수 있음

• 한국도 수도권, 강원, 전남 등에서 데이터센터 유치가 이어지고 있음

  • 데이터센터 폐열은 주변 기온을 올리는 열섬효과를 만들 수 있음
  • 냉각수 사용이 커지면 주변 농가나 주민의 물 사용과 충돌할 수 있음
  • 국가 단위 평균이 아니라 동네 단위 기상 데이터로 지역 기후 영향을 평가해야 한다는 주장이 나옴

• 결국 질문은 빅테크의 AI 확장을 어디까지 허용할 것인가로 모임

  • 오락용 대량 콘텐츠 생성과 암 치료·기후 연구용 AI를 같은 전력 우선순위로 볼 수 있느냐는 문제임
  • 공공 AI나 소버린 AI를 통해 시민이 통제 가능한 인프라를 만들자는 주장도 제시됨
  • 탄소배출권처럼 데이터센터 에너지 총량제 같은 제도적 장치가 필요하지 않느냐는 질문으로 이어짐

---

기술 맥락

• 이 기사에서 핵심 기술 선택은 모든 AI 요청을 거대 클라우드 데이터센터에서 처리할지, 일부를 소형 모델이나 온디바이스 연산으로 분산할지예요. 왜냐하면 AI의 환경 비용은 모델 하나의 전력 효율보다 전체 요청량과 배치 구조에서 더 크게 터지거든요.

• 모델 라우팅은 꽤 현실적인 해법이에요. 간단한 검색 보조, 문장 교정, 짧은 분류 같은 작업은 대형 모델까지 갈 이유가 적어요. 이런 요청을 작은 모델로 보내면 응답 비용과 전력 사용을 줄일 수 있고, 대형 모델은 정말 복잡한 추론에 남겨둘 수 있어요.

• 온디바이스 컴퓨팅은 데이터센터 집중을 줄이는 또 다른 방향이에요. 스마트폰이나 개인용 컴퓨터에서 처리 가능한 작업을 로컬에서 끝내면 네트워크 왕복과 중앙 데이터센터 부하가 줄어요. 다만 기기 성능, 배터리, 모델 크기 제약이 있어서 모든 작업을 옮길 수는 없어요.

• 데이터센터 입지는 이제 인프라 엔지니어링만의 문제가 아니에요. 전력망, 냉각수, 폐열, 지역 기후까지 같이 봐야 하거든요. 한국처럼 반도체와 AI 인프라가 경제 이슈로 묶인 곳에서는 “얼마나 지을 것인가”만큼 “어디에 어떤 조건으로 지을 것인가”가 중요해져요.

• 그래서 개발자에게도 이 얘기가 남의 일이 아니에요. 제품에서 기본 모델을 무엇으로 둘지, 캐시를 어떻게 둘지, 배치 추론을 쓸지, 로컬 모델을 허용할지 같은 선택이 결국 데이터센터 비용과 환경 비용으로 이어지기 때문이에요.