[AI MEMO] AI 전력 수요, 예측이 아닌 설계의 문제

불확실성을 전제로 한 ‘양방향 전력 설계’
기술보다 시장이 움직이는 AI 전력 수요
시간대별 청정 전력 보증이 신뢰의 기준

본 기사는 스위스 인공지능연구소(SIAI)의 SIAI Research Memo 시리즈 기고문을 한국 시장 상황에 맞춰 재구성한 글입니다. 본 시리즈는 최신 기술·경제·정책 이슈에 대해 연구자의 시각을 담아, 일반 독자들에게도 이해하기 쉽게 전달하는 것을 목표로 합니다. 기사에 담긴 견해는 집필자의 개인적 의견이며, SIAI 또는 그 소속 기관의 공식 입장과 일치하지 않을 수 있습니다.

AI 전력 수요는 2030년 전 세계적으로 1,000테라와트시(TWh)에 이를 전망이다. 2024년의 두 배이자 전 세계 발전량의 약 3%에 해당한다. 그러나 이 증가는 ‘확정된 미래’가 아니다. 모델 활용 속도, 기업 도입률, 수익 구조의 지속 가능성이 전력 수요의 실제 궤적을 가른다.

AI는 이미 전력 다소비 산업으로 부상했다. 다만 성장 경로가 직선으로 이어지지는 않는다. 거품이 꺼지면 수요는 완만해지고, 확장이 이어지면 청정 전력 공급이 그 속도를 따라가지 못한다. 어느 경우에도 전력망의 부담은 커진다.

정책의 초점은 평균이 아니라 편차에 맞춰져야 한다. 정부·대학·교육청 등 공공 부문은 성장과 둔화를 모두 전제로 대응 체계를 설계해야 한다. 상승기에는 과잉 투자를 억제하고, 둔화기에는 남은 전력을 활용할 장치를 마련한다. 이 ‘양방향 설계’가 AI 시대 전력정책의 출발점이다.

AI 전력 수요, 기술보다 시장이 결정

AI 전력 수요는 기술의 필연이 아니라 경제의 반응이다. 현재 확장은 효율 향상만으로 설명되지 않는다. 투자심리와 기대수익이 곡선을 당긴다. 시장의 낙관이 꺼지면 성장 속도는 빠르게 둔화한다. 생산성 개선이 확인돼도 총수요를 영구 고성장 궤도로 고정할 만큼의 폭은 불확실하다.

상업 효용이 충분히 입증되지 않으면 추론량은 줄고 서버 가동률도 낮아진다. 기술 진전이 자동으로 전력 수요를 끌어올린다는 전제는 위험하다. 수요를 ‘고정된 상수’로 가정한 계획은 과잉 설비와 비용 낭비로 이어질 수 있다. 설비용량이 늘어도 실제 가동은 시장 상황에 좌우된다. 효율이 높아질수록 단가는 낮아지고, 총사용이 늘어나는 ‘예본스 역설(Jevons Paradox) ’이 반복된다. 절감 기술이 총소비를 확대할 수 있는 역설을 정책 설계에 반영해야 한다.

정책 목표는 예측이 아니라 형성이다. 계약 구조, 소프트웨어 효율, 서버 운영 방식이 수요를 통제 가능한 변수로 바꾼다. 행정이 수요 형성의 주체로 나설 때 전력 안정성은 현실이 된다.

미국이 보여준 수요 예측의 오차 범위

미국은 불확실성이 먼저 드러난 시험장이다. 미국 에너지부(Department of Energy)와 블룸버그NEF(New Energy Finance)에 따르면 데이터센터 전력 비중은 2023년 4.4%에서 2028년 6.7~12%로 확대될 수 있다. 2030년에는 최대 815TWh의 전력이 필요하며, 이는 131~310GW의 신규 설비를 의미한다. 최소치와 최대치의 격차가 두 배를 넘는다. 전망은 예측이라기보다 가정의 영역에 가깝다.

이 격차는 기술 문제가 아니라 경제 변수에서 나온다. AI 인프라 투자는 2025년까지 3,000억~4,000억 달러(약 405조~540조 원)로 늘어날 전망이다. 반면 매출은 아직 그에 미치지 못한다. 투자와 수익의 간극이 커질수록 전력 수요는 출렁인다. 성장세가 꺾이면 서버 가동률과 전력 소비는 급격히 떨어진다. 매출이 뒷받침되면 단기간에 전력 공급이 부족해질 수 있다.

이 변동성은 조달 방식의 재구성을 요구한다. 평균 예측에 의존한 계약은 불안정한 수요 흐름을 따라가지 못한다. 공공기관과 대학은 두 시나리오를 동시에 전제로 해야 한다. 성장 지속 시 급증하는 부하에 대응할 단기 유연 계약, 둔화 시 과잉투자를 막는 장기 조정형 계약이다. 핵심은 ‘양손 전략’이다. 한쪽 손으로는 급등에 대비해 공급망을 확보하고, 다른 손으로는 둔화에 대응할 절제 장치를 마련한다. 불확실성은 피할 수 없지만 리스크를 분산하는 계약 구조는 설계할 수 있다. 미국의 경험은 그 점을 분명히 보여준다.

원전이 맡을 현실적 역할과 전환기 해법

원전은 전력 불안을 완화할 강력한 수단이다. 높은 이용률과 낮은 생애 배출, 안정된 출력은 장기적으로 필수다. 2024년 세계 원전 발전량은 2,600TWh를 넘어섰고 평균 가동률은 80%를 웃돌았다. 다만 제약은 시간이다. 대형 원전 건설에는 8~17년이 걸린다. 소형모듈원전도 상용화까지 5~7년이 필요하다. 2023년 미국 아이다호주의 시범 프로젝트 취소는 일정 지연의 구조적 위험을 드러냈다.

이 속도로는 2030년까지 원전의 본격 기여가 어렵다. 공백은 재생에너지와 저장 기술이 메워야 한다. 2023년 재생에너지 신규 설치는 510GW로 사상 최대였다. 그러나 변동성과 송전 적체가 병목으로 남아 있다. 발전소가 늘어도 송전망이 따라가지 못하면 전력은 수요지에 닿지 않는다. 송전 인프라 확충과 인허가 단축이 병행돼야 공급 능력이 현실이 된다.

해법은 속도를 나누는 것이다. 단기(2025~2030년)는 재생·저장·수요관리로 대응하고, 중기(2030년대 이후)는 원전 확충으로 안정성을 확보한다. 두 단계가 연속적으로 작동할 때 전력 구조는 균형을 찾는다. 계약 설계도 같은 원칙이 필요하다. 캠퍼스와 산업단지는 ‘시간대별 청정 전력 보증’을 계약에 포함한다. 비율 제시가 아니라 사용 시점에 맞춘 청정 전력의 확보다. 공급원보다 ‘시간대의 일치’가 전력망의 신뢰도를 좌우한다.

학교와 교육 시스템이 주도할 전력의 실험실

교육기관은 전력의 주요 소비자이자 지역 전력망의 조정자다. AI 도입이 빠른 만큼 에너지 사용의 효율화에서도 선도적 역할을 맡아야 한다. 학교는 수요기관을 넘어 전력 조달과 운영을 실험하는 공공 실험실이다.

첫째, 수요를 능동적으로 관리한다. 단기 유연 물량 계약과 성과 연동형 장기 전력구매계약(PPA)을 병행해 조달량을 조정한다. 전력 수요가 집중될 때는 일부 설비 가동을 조정하고, 부하가 낮을 때는 연구·데이터 작업을 집중시킨다. 연구 서버는 낮 시간대 태양광 전력을 우선 사용하고, 발생한 폐열을 건물 난방으로 재활용한다. 핵심은 사용량이 아니라 사용 시점의 관리다.

둘째, 교육과 에너지를 결합한다. 컴퓨터과학·데이터사이언스·교육 기술 과정에 전력 구조와 효율 설계를 포함한다. 학생들은 모델 경량화, 알고리즘 단순화, 검색 최적화를 실습하며 AI의 전력 효율을 체험적으로 이해한다. 전력 계약은 복잡한 이론이 아니라 ‘어떤 선택이 실제 절감으로 이어지는가’라는 실무로 다룬다. 이를 통해 기술과 조달의 간극을 좁히는 인재를 양성한다.

셋째, 성장과 둔화를 동시에 대비한다. 수요가 늘면 저장설비와 배전망을 조기 보강한다. 수요가 줄면 전력 인수 조건을 재조정해 예산 낭비를 막는다. 남는 전력은 교내 차량 충전이나 건물 전력으로 전환해 감축 효과를 높인다. 목표는 분명하다. 시간대별 배출량을 줄이면서 재정과 운영의 예측 가능성을 확보하는 일이다.

불확실성을 설계하는 시대

AI 전력 수요의 미래는 하나의 곡선으로 설명되지 않는다. 성장세가 꺾이면 수요는 줄고, 확장이 이어지면 청정 전력이 절실해진다. 어느 쪽이든 정책의 중심은 ‘유연성과 효율’이다. 지금은 불확실성을 전제로 제도를 설계하고, 이후에는 확정적 청정 공급 체계를 구축해야 한다.

숫자는 냉정하지만, 그 안에는 선택이 있다. 밤늦게 연구 서버의 열을 난방으로 돌리는 기술 인력, 전기요금 표를 맞추는 행정 담당자, 그 시스템을 배우는 학생들. 이들의 판단과 행동이 모여 전력 정책의 실체가 된다. 데이터가 움직이는 시대에 인간의 결정은 마지막 안전망이다.

본 연구 기사의 원문은 Rethinking AI Energy Demand: Planning for Power in a Bubble-Prone Boom을 참고해 주시기 바랍니다. 본 기사의 저작권은 스위스 인공지능연구소(SIAI)에 있습니다.