AI 데이터 센터의 물 수요가 지역 공급망을 압박하다

Google News는 냉각 수요가 가뭄, 노후한 수도 인프라, 대중의 불신과 충돌하면서 AI 데이터 센터를 둘러싼 갈등이 커지고 있음을 보여주고 있다.

이제 핵심은 단순히 서버가 물을 소비한다는 사실이 아니다. 지역 사회는 개별 캠퍼스에 필요한 물의 양, 수요가 정점에 이르는 시점, 공급 부족 시 우선권을 받는 주체를 알고 싶어 한다. 이러한 질문은 환경 논쟁을 넘어 인허가, 공공시설 계획, 주 정책으로 옮겨가고 있다.

AI 기업들은 데이터 센터를 모델 학습, 클라우드 서비스, 일상적인 추론을 위한 필수 인프라로 설명한다. 반면 주민들은 이를 전력, 토지, 경우에 따라 식수와 경쟁하는 산업 시설로 받아들인다. 디지털 서비스와 물리적 발자국 사이의 간극이 이 분쟁을 규정한다.

핵심적인 상충 관계는 피하기 어렵다. 증발 냉각은 물을 소비하는 대신 전력 수요를 줄일 수 있다. 건식 냉각은 물을 보존할 수 있지만, 특히 더운 날씨에는 더 많은 에너지를 사용한다. 폐쇄형 액체 시스템은 시설 내부의 열 전달을 개선하지만, 다른 곳에서의 물 사용까지 자동으로 없애지는 않는다.

따라서 하나의 전국 단위 물 사용 수치만으로는 논쟁을 결론지을 수 없다. 데이터 센터는 미국 전체 물 소비에서 제한적인 비중을 차지하지만, 단일 캠퍼스도 제약된 지역 시스템에는 심각한 압박을 가할 수 있다. 고립된 전국 비율보다 입지, 냉각 설계, 최대 수요, 정보 공개가 더 중요하다.

물 분쟁은 지역 인허가 절차로 옮겨갔다

AI 데이터 센터의 물 수요는 이제 건설 후 지역 사회가 해결할 우려가 아니라, 승인 조건이 되고 있다.

Google News를 통해 수집된 최근 보도는 공무원들이 현실적인 질문에 직면하고 있음을 보여준다. 기존 고객에 대한 서비스를 약화하지 않고 지역 공공시설이 대규모 컴퓨팅 캠퍼스를 지원할 수 있는가? 그 답은 운영자가 일관되게 공개하지 않은 정보에 점점 더 좌우되고 있다.

버지니아주는 대표적인 사례다. 주 정부의 지하수 연구는 인구 증가와 산업 수요에 직면한 동부 해안 평야 지역의 공급 가능량 감소를 조사했다. 연구진은 대수층의 문제를 데이터 센터에만 돌리지는 않았지만, 시설별 소비량에 관한 이용 가능한 정보가 여전히 제한적이라는 사실을 확인했다.

이 연구는 대규모 지하수 취수 승인 전에 더 강한 인허가 권한, 긴밀한 계획 수립, 재이용수나 지표수의 확대된 검토를 권고했다. 특히 버지니아 동부에 관한 결론은 단호했다. 현재 조건에서는 증발 냉각 시설이 충분히 신뢰할 수 있는 지하수 공급원을 찾기 어려울 것이다.

버지니아주에는 세계 최대 규모의 데이터 센터 밀집 지역이 있기 때문에 이는 중요하다. 이곳의 결정은 다른 지역의 공공시설 기준, 정보 공개 규정, 냉각 요건에 영향을 미칠 수 있다.

뉴욕주는 더 나아갔다. 2026년 7월, 주 정부는 규제 당국이 에너지, 물, 환경 영향을 다루는 규칙을 마련하는 동안 신규 하이퍼스케일 데이터 센터의 인허가를 중단했다. 하이퍼스케일 시설은 방대한 클라우드 및 AI 워크로드를 지원하도록 설계된 매우 큰 캠퍼스다.

주 전역의 중단 조치는 정책 입안자들이 더 이상 각 프로젝트를 고립된 토지 이용 결정으로 보지 않음을 시사한다. 이들은 전력망, 수도 시스템, 주변 지역 사회 전반의 누적 수요를 검토하고 있다.

이러한 조치가 AI 인프라에 대한 전국적 거부를 의미하는 것은 아니다. 다만 자동 승인이 정치적으로 더 어려워졌음을 보여준다. 개발업체들은 인허가, 세제 혜택, 공공시설의 지원 약속을 받기 전에 자원 수요를 점점 더 상세히 설명해야 한다.

공적 논쟁은 미국에서 가장 건조한 지역을 넘어선다. 물 스트레스는 제한된 처리 용량, 계절적 가뭄, 지하수 감소, 또는 최대 수요 시간에 충분한 물을 공급할 수 없는 배관에서 비롯될 수 있다.

공공시설이 연간 공급량은 충분히 보유하고 있으면서도, 가장 더운 날 시설의 수요를 충족할 역량은 부족할 수 있다. 개발업체가 연평균 소비량을 제시할 때 이러한 차이는 종종 사라진다.

갈등은 대규모 캠퍼스가 불확실한 요구 사항을 안고 계획 절차에 들어서면서 시작된다. 주민들은 이후 식수, 재이용수, 간접 소비를 구분하지 않을 수 있는 전망치를 신뢰해 달라는 요청을 받는다.

이러한 불확실성은 프로젝트의 연간 수요가 감당 가능한 수준으로 보이더라도 반발을 일으킨다. 지역 사회가 원하는 것은 미래의 효율 개선이 문제를 해결할 것이라는 약속이 아니라, 강제력 있는 제한이다.

AI 데이터 센터가 물을 필요로 하는 이유

기본 원리는 단순하다. 고밀도 컴퓨팅은 전기를 열로 바꾸며, 운영자는 그 열을 지속적으로 옮겨야 한다.

AI 시설은 일반적인 사무 장비보다 훨씬 많은 전력을 소비하는 특수 프로세서를 랙에 밀집 배치한다. 그래픽 처리 장치와 기타 가속기는 많은 연산을 동시에 수행하므로 AI 모델의 학습과 서비스 제공에 적합하다.

이들 칩에 들어가는 전력의 거의 전부는 결국 열이 된다. 운영자가 이를 제거하지 못하면 프로세서는 속도가 떨어지거나, 오작동하거나, 종료된다. 따라서 냉각은 선택 가능한 건물 서비스가 아니라 컴퓨팅 시스템의 일부다.

증발 냉각은 물 공급의 일부를 증발시켜 열을 제거한다. 이 방식은 특히 온도와 습도가 유리하게 유지될 때 냉동 기반 냉각보다 전력을 적게 사용할 수 있다.

단점은 소비다. 증발한 물은 해당 유역에서 빠져나가며 새 공급원으로 보충해야 한다. 시설은 냉각 장비 내부의 광물질 농도를 관리하기 위해 일부 물을 배출하기도 한다.

건식 냉각은 공기, 팬, 기계 시스템에 더 크게 의존한다. 직접적인 물 소비를 크게 줄일 수 있지만, 극심한 더위에는 전력 수요가 늘어난다. 이는 대개 지역 전력망의 부담이 가장 큰 시간대와 겹친다.

칩 직접 냉각은 프로세서 가까이에 배치된 밀폐 장비를 통해 액체를 순환시킨다. 서버실 전체에 찬 공기를 밀어 넣는 방식보다 열을 더 효과적으로 전달하므로, 고밀도 AI 하드웨어에 유용하다.

하지만 내부의 폐쇄형 순환만으로 물 문제 전체가 해결되지는 않는다. 시설은 여전히 포집한 열을 방출해야 한다. 최종 열 방출 장비는 냉각탑, 냉각기, 외부 공기 또는 이들 시스템의 조합을 사용할 수 있다.

물 사용 효율성, 즉 WUE는 컴퓨팅 장비가 사용하는 에너지 대비 물 소비량을 측정한다. 시설 간 비교에는 도움이 될 수 있지만, 연평균은 계절과 지역 간 차이를 가린다.

한 캠퍼스는 여름철 물 부족 기간에 가장 많은 물을 쓰면서도 양호한 연간 WUE를 보고할 수 있다. 또한 물을 소비하는 발전소에서 생산된 전기를 사용함으로써 물 수요를 부지 밖으로 이전할 수도 있다.

이 간접적 발자국은 상당하다. Lawrence Berkeley National Laboratory의 미국 에너지 보고서는 미국 데이터 센터가 2023년에 약 660억 리터의 물을 직접 소비한 것으로 추정했다.

같은 보고서는 전력 생산과 관련된 간접 물 소비를 약 8,000억 리터로 추정했다. 냉각 기술, 전력원, 운영 조건이 다양하기 때문에 두 추정치 모두 불확실성을 포함한다.

Berkeley Lab은 직접 소비량이 2028년까지 연간 1,450억~2,750억 리터에 이를 수 있다고 전망했다. 이 범위는 성장, 냉각 방식, 컴퓨팅 효율성을 둘러싼 불확실성을 반영한다.

이 수치는 AI만이 아니라 모든 데이터 센터를 포괄한다. 시설이 일반 클라우드 저장소, 스트리밍, 비즈니스 소프트웨어, 인터넷 서비스와 AI 워크로드를 함께 운영하는 경우가 많기 때문에, AI 워크로드만 분리하는 일은 여전히 어렵다.

프롬프트당 추정치도 같은 문제를 안고 있다. 하나의 AI 요청과 관련된 물 사용량은 모델 크기, 하드웨어 활용률, 지역 날씨, 냉각 설계, 전력원에 따라 달라진다.

따라서 모든 프롬프트가 고정된 물 한 병을 소비한다는 단순한 주장은 독자를 오도할 수 있다. 이는 가변적인 인프라 발자국을, 이용 가능한 증거가 뒷받침할 수 없는 보편적 단위로 바꿔버린다.

더 유용한 질문은 AI를 위해 새로 구축되는 한계 시스템에 관한 것이다. 새로운 캠퍼스, 발전소, 냉각 시스템, 파이프라인은 개별 모델의 변화 이후에도 지속되는 장기 수요를 만든다.

Google News는 약속과 현실의 간극을 드러낸다

기술 기업들은 효율적인 AI 인프라를 약속하지만, 지역 사회에는 여전히 그러한 주장을 검증하는 데 필요한 부지별 정보가 부족하다.

Google, Microsoft, Amazon, Meta는 기업 전체의 물 사용 수치와 일부 효율성 지표를 담은 지속가능성 보고서를 발행한다. 이러한 공개 자료는 방향성을 추적하는 데 도움이 되지만, 모든 캠퍼스의 완전한 지역별 운영 프로필을 제공하는 경우는 드물다.

Google은 2024년에 45억 갤런의 물을 보충했다고 보고했다. 회사는 이것이 담수 소비량의 64%에 해당하며, 2023년의 18%와 비교된다고 밝혔다.

물 보충은 물의 가용성을 회복하거나 개선하기 위한 프로젝트에 자금을 지원한다. 유역 관리, 누수 감소, 서식지 복원, 관개 개선 등이 사례에 포함된다.

물 보충은 시설의 즉각적인 취수량 감축과는 다르다. 프로젝트가 장기적인 지역 혜택을 낼 수는 있지만, 데이터 센터는 가뭄 중 특정 공공시설의 수요를 여전히 늘릴 수 있다.

Google은 자사의 AI 인프라 효율이 계속 개선되고 있다고도 말한다. 환경 공개 자료는 더 낮은 에너지 오버헤드와 향상되는 가속기 효율성을 보고한다.

작업당 킬로와트시가 줄어들면 전력과 간접 물 수요를 모두 낮출 수 있으므로 이러한 개선은 중요하다. 그러나 AI 컴퓨팅 규모가 더 빠르게 증가할 경우, 효율 향상이 총소비량 감소를 보장하지는 않는다.

이는 업계 지속가능성 이야기의 중심에 있는 반등 문제다. 컴퓨팅 단위당 자원 집약도는 낮아질 수 있지만, 전체 수요는 계속 증가할 수 있다.

Microsoft는 더 새로운 데이터 센터 설계가 운영 중 냉각에 물을 사용하지 않는다고 말한다. 회사는 이 설계가 시설당 연간 약 125,000세제곱미터의 물 사용을 피한다고 추정한다.

무수 설계는 일상적 운영을 위한 증발에 의존하지 않고 냉각액을 순환시킨다. Microsoft는 칩 직접 냉각이 점점 더 고밀도화되는 AI 시스템을 지원한다고도 말한다.

이 설계는 의미 있는 엔지니어링 대응책이다. 그렇다고 기존의 모든 Microsoft 캠퍼스가 이미 이를 도입했다는 뜻은 아니며, 전력 생산이나 장비 제조에 사용되는 물까지 없애지는 않는다.

기존 캠퍼스를 개조하는 일은 새로 건설하는 것보다 더 어려울 수도 있다. 기존 시설에는 이전 세대 서버 밀도에 맞춰 설계된 고정된 배치, 공공시설 연결, 냉각 장비가 있기 때문이다.

이것이 핵심 갈등을 만든다. 기업들은 컴퓨팅 단위당 물을 더 적게 소비하는 미래의 시설군을 설명한다. 지역 사회는 현재 설계와 불완전한 전망에 근거해 현 프로젝트를 승인할지 결정해야 한다.

Google News 보도는 지역 분쟁이 기업의 지속가능성 총계 안에 깔끔하게 들어맞지 않기 때문에 이러한 간극을 드러낸다. 한 프로젝트는 재이용 폐수를 사용할 수 있지만, 다른 프로젝트는 여름철 용량이 제한적인 상수도 시스템에 연결될 수 있다.

기업 평균은 이러한 사례를 하나의 지표로 합칠 수 있다. 주민과 공공시설 관리자는 세부 사항이 분리되어 있기를 원한다.

유용한 공개 정보에는 제안된 수원, 하루 최대 수요량, 예상되는 계절별 패턴, 냉각 기술, 백업 운영 방식, 방류 계획이 포함된다. 또한 취수와 소비를 구분해야 한다.

취수는 나중에 반환되는 물을 포함해 수원에서 가져오는 물의 양을 측정한다. 소비는 일반적으로 증발을 통해 해당 시스템에서 즉시 사용할 수 없게 되는 물을 뜻한다.

기업이 물이 폐쇄형 순환 구조로 돌고 있다고 주장할 때 이 차이는 중요하다. 내부 순환계는 냉각수를 재사용할 수 있지만, 외부 열 배출 시스템은 계속해서 물을 소비할 수 있다.

따라서 대중의 감시는 단지 큰 수치에 대한 반응만이 아니다. 이는 서로 양립할 수 없는 측정 방식과 시설 단위 데이터에 대한 제한된 접근성에 대한 반응이다.

지역 공급은 전국 비율보다 더 중요하다

데이터센터는 전국적으로는 미미한 물 사용자일 수 있지만, 지역에서는 심각한 인프라 문제가 될 수 있다.

농업, 발전, 가정은 전국적으로 데이터센터보다 훨씬 많은 물을 소비한다. 업계 지지자들은 이러한 비교를 근거로 대중적 논의가 이 부문의 영향력을 과장한다고 주장한다.

이 비교는 맥락을 제공하지만, 특정 프로젝트가 지속 가능한지를 판단할 수는 없다. 물은 지역, 계절, 상수도 시스템 간에 항상 쉽게 이동할 수 있는 것이 아니다.

이론적으로 다른 곳에서 사용할 수 있는 1갤런의 물은 지하수위가 낮아지는 마을에 도움이 되지 않는다. 연간 평균 사용량이 낮다고 해서 폭염 기간의 최대 수요 문제를 해결하는 것도 아니다.

연구자들은 이를 ‘작은 병, 큰 관’ 문제라고 설명한다. 연간 총소비량은 크지 않아 보일 수 있지만, 공공사업자는 여전히 시설의 최고 수요에 맞춰 배관, 펌프, 저장 및 처리 능력을 구축해야 한다.

이 인프라는 재정적 결과를 수반한다. 개발사가 확장 비용 전액을 부담하지 않으면 기존 고객은 더 높은 요금을 내거나 공공 프로젝트가 지연되는 상황에 직면할 수 있다.

지역사회는 예측 위험도 떠안는다. 계획된 캠퍼스는 여러 단계에 걸쳐 확장될 수 있지만, 최초 허가는 초기 수요만 다룰 수 있다. 이후 건물이 늘어나면 감당 가능한 연결이 훨씬 더 큰 부담으로 바뀔 수 있다.

데이터센터 운영업체는 때때로 경제 활동이 이런 투자를 정당화한다고 주장한다. 건설은 일시적 일자리를 만들고, 대형 시설은 지역 세수 기반을 넓힐 수 있다.

장기 고용 측면은 그보다 단순하지 않다. 데이터센터는 비슷한 토지 면적과 공공설비 용량을 차지하는 공장보다 상시 인력이 적게 필요하다.

그렇다고 데이터센터에 경제적 가치가 없다는 뜻은 아니다. 공무원들이 프로젝트별 근거를 바탕으로 혜택과 자원 부담을 비교해야 한다는 의미다.

물 위험은 같은 주 안에서도 다르다. 대규모 재생수 네트워크에 연결된 프로젝트와 가정용 우물 인근에서 지하수를 끌어올리는 프로젝트는 영향이 다르다.

Virginia 지하수 조사 결과는 지역별 분석이 필요한 이유를 보여준다. 이 연구는 지하수 이용 가능성이 감소할 것으로 전망했지만, 그 책임을 데이터센터에만 돌리지는 않았다.

이러한 뉘앙스는 중요하다. 인구 증가, 농업, 제조업 및 다른 산업용 이용자도 물 부족에 기여할 수 있다. 신뢰할 수 있는 검토는 한 부문을 보편적 설명으로 삼기보다 누적 수요를 평가해야 한다.

반대 방향도 마찬가지다. 다른 산업이 주 전체에서 더 많은 물을 소비한다는 이유만으로 공무원들은 지역의 우려를 무시해서는 안 된다.

California 연구자들도 비슷한 결론에 도달했다. 이들의 분석은 총소비량보다 이용 가능한 공급량에 비해 새로 발생하는 지역 수요의 규모가 더 중요하다고 밝혔다.

공공 감독은 여전히 고르지 않다. 한 California 조사는 많은 시설의 환경 검토와 상세 소비 정보에 대한 대중의 접근이 제한적이라는 사실을 발견했다.

이 정보 격차는 양방향으로 논의를 왜곡할 수 있다. 비판자들은 최악의 추정치에 의존할 수 있고, 개발사들은 최대 조건을 반영하지 않는 최적화된 전망치를 제시할 수 있다.

시설 단위 보고는 이 격차를 줄일 수 있다. 이를 통해 지역사회는 물 사용량이 적은 시설과 처리된 식수를 끌어다 쓰는 증발 냉각 캠퍼스를 구분할 수 있다.

이는 더 나은 엔지니어링 선택을 하는 기업에도 보상이 된다. 비교 가능한 공개가 없다면 재생수나 건식 냉각에 투자하는 운영업체는 대중의 인정을 거의 받지 못한다.

회의적인 관점도 여전히 중요하다. 데이터센터가 모든 지역사회의 물을 고갈시키는 것은 아니며, 건설 현장 인근의 모든 수질 문제도 냉각 운영에서 비롯되는 것은 아니다.

건설은 데이터센터의 일상적 운영이 지역 수질을 오염시켰다는 사실을 입증하지 않고도 토양, 우물, 배수 체계에 영향을 줄 수 있다. 인과관계 주장은 검사, 기준선 측정, 독립적 조사를 필요로 한다.

마찬가지로 변색된 가정용 물 샘플만으로는 인접 시설과의 연관성이 입증되지 않는다. 보도는 문서화된 취수량과 오염 관련 주장들을 분리해야 한다.

감독을 위한 가장 강력한 근거에는 과장이 필요 없다. 데이터센터는 영향 범위가 가변적이고 투명성이 제한적이며 빠르게 성장하는 대형 산업용 이용자다. 이 사실만으로도 신중한 계획 수립은 정당화된다.

더 나은 냉각은 비용을 없애는 대신 전가한다

모든 냉각 방식은 물 시스템, 전력망, 건설 예산, 운영 신뢰성 사이에서 부담을 재분배한다.

증발 냉각은 물이 열을 효율적으로 전달하기 때문에 여전히 매력적이다. 적절한 날씨에서는 냉동에 필요한 전력을 낮추고 기계 장비의 부담을 줄일 수 있다.

그 물 수요를 없애면 다른 부담이 늘어날 수 있다. 건식 냉각 시스템은 더 큰 열교환기와 더 많은 팬 전력을 필요로 한다. 외부 온도가 오를수록 성능도 저하된다.

이러한 상충관계는 폭염 시 특히 어려워진다. 가정이 냉방 수요를 늘리고 공공사업자가 물 절약을 요청하는 바로 그때, 시설은 더 많은 냉각을 필요로 한다.

운영업체는 하이브리드 시스템으로 충돌을 줄일 수 있다. 캠퍼스는 서늘한 기간에는 외기를 사용하고, 중간 수준의 더위에는 기계식 냉각을 사용하며, 극한 조건에서만 제한적으로 증발 냉각을 사용할 수 있다.

하이브리드 설계는 운영업체가 가장 불리한 한 시간에 맞춰 전체 시설을 설계하지 않고도 연간 물 소비를 줄인다. 다만 그 효과는 여전히 투명한 운영 규칙에 달려 있다.

재생 폐수는 또 다른 경로를 제공한다. 원래 방류됐을 지방자치단체의 방류수를 냉각 시스템에 공급함으로써 처리된 식수를 보전한다.

재생수를 사용하려면 배관, 처리 장비, 신뢰할 수 있는 계약이 필요하다. 소규모 지역사회는 특히 건기나 초기 개발 단계에 충분한 폐수를 확보하지 못할 수 있다.

재생수에도 경쟁 용도가 있다. 지방자치단체는 이를 관개, 산업 공정, 대수층 함양 또는 생태 유량에 사용할 수 있다. 이를 ‘폐기물’이라고 부른다고 해서 기회비용이 사라지는 것은 아니다.

폐쇄형 액체 냉각은 칩 가까이에서 열을 처리한다. 이는 성능을 개선하고 막대한 양의 조절된 공기를 이동시키는 데 드는 에너지를 줄일 수 있다.

이 시스템에도 펌프, 열교환기, 그리고 최종적으로 열을 방출할 장소가 필요하다. 전체 영향은 서버 랙 안에 액체가 있다는 사실이 아니라 이 완전한 사슬에 달려 있다.

침지 냉각은 컴퓨팅 장비를 비전도성 유체에 담근다. 높은 열 밀도를 처리할 수 있지만, 아직 널리 도입되지는 않았고 다른 유지보수 관행과 하드웨어 설계가 필요하다.

시설은 시간과 장소에 따라 작업 부하를 이동할 수도 있다. 운영업체는 기온이 낮거나, 전력망이 더 친환경적이거나, 물 공급 부담이 적은 때에 유연한 학습 작업을 예약할 수 있다.

이 접근법은 사용자가 즉각적인 응답을 기대하는 실시간 추론에는 더 어렵다. 또한 실제로 작업 이동이 이뤄지는지 외부인이 확인할 수 있도록 기업이 충분한 운영 정보를 공개해야 한다.

모델과 칩 수준의 효율성도 여전히 필수적이다. 양자화는 모델이 사용하는 수치 정밀도를 낮춰, 신중하게 구현할 경우 메모리 및 컴퓨팅 요구량을 줄인다.

더 작은 모델도 가장 큰 시스템을 사용하지 않고 많은 비즈니스 작업을 처리할 수 있다. 단순한 요청을 적절한 규모의 모델로 라우팅하면 불필요한 연산을 줄일 수 있다.

이러한 개선은 작업당 수요를 낮추지만, 전체 인프라는 여전히 성장할 수 있다. Microsoft, Google, Meta, Amazon, OpenAI 및 다른 기업들은 더 많은 사용자와 더 복잡한 모델을 지원하기 위해 용량을 확대하고 있다.

따라서 업계는 효율성을 절대적인 물 사용량이 감소할 것이라는 증거로 제시해서는 안 된다. 효율성은 하나의 요소일 뿐이다. 확장 속도, 가동률, 기후, 냉각 설계가 최종 결과를 결정한다.

‘워터 포지티브’ 공약에도 같은 주의가 적용된다. 기업이 소비하는 물보다 더 많은 물을 복원하는 일은 유역에 도움이 될 수 있지만, 보충의 시점과 장소가 유치 지역사회를 보호하는지 여부를 결정한다.

먼 유역을 복원하는 프로젝트는 한 마을의 배관에 가해지는 압박을 즉시 늘려주지 않는다. 그 마을의 여름철 최대 수요 부담도 해소하지 못한다.

가장 강력한 제안은 지역의 한계와 기술적 유연성을 연결한다. 운영 시작 전에 최대 취수량, 가뭄 단계별 제한, 계량, 공개 보고, 대체 냉각 방식을 정한다.

이러한 조건은 기업의 약속을 집행 가능한 운영 계획으로 전환한다. 또한 지역 승인을 위해 무엇이 필요한지 개발사에 명확히 알려준다.

Google News 독자가 다음으로 주목해야 할 점

AI 물 갈등의 다음 단계는 공개 규칙, 냉각 설비 도입, 집행 가능한 가뭄 계획에 따라 결정될 것이다.

첫 번째 신호는 시설 단위 보고의 확산이다. 정책 입안자들은 운영업체가 연간 소비량, 일일 최대 수요, 수원, 냉각 방식, 예상 확장 단계를 공개하도록 요구해야 한다.

보고는 직접 소비와 전력 사용에 연계된 간접 물 사용을 구분해야 한다. 또한 식수, 재생수, 지표수, 지하수를 각각 식별해야 한다.

주 정부가 비교 가능한 기준을 채택하면, 공개 논의는 기업 평균치와 추정치에 덜 의존하게 될 것이다. 공개가 자발적 수준에 머문다면 불신은 계속해서 지역 허가 분쟁을 좌우할 것이다.

두 번째 신호는 무수 냉각 및 저수량 냉각의 실제 도입이다. 발표 자체보다 실제로 이러한 설계를 사용하는 신규 용량의 비중이 더 중요하다.

독자들은 다양한 기후에서의 운영 결과를 살펴봐야 한다. 서늘한 지역에서 잘 작동하는 시스템은 사막의 더위에서는 더 높은 전력 비용이나 용량 감소에 직면할 수 있다.

기업들은 총 시설 에너지와 컴퓨팅 에너지를 비교하는 PUE, 즉 전력 사용 효율성과 함께 물 사용 효율성도 공개해야 한다. 두 지표 모두 계절적·지역적 맥락이 필요하다.

물 소비가 줄면서 에너지 사용과 신뢰성이 통제된다면 업계의 효율성 주장은 더 설득력을 얻는다. 운영업체가 가장 더운 기간에 증발 냉각에 의존한다면 지역 갈등은 여전히 해결되지 않은 상태다.

세 번째 신호는 집행 가능한 공공설비 계획이다. 허가는 가뭄 선언, 폭염, 장비 고장, 이후 캠퍼스 확장 시 어떤 일이 일어나는지를 설명해야 한다.

신뢰할 수 있는 계획은 누가 먼저 소비를 줄이는지, 그리고 제한 아래에서 운영업체가 어떻게 컴퓨팅 서비스를 유지할지를 명시한다. 또한 새 배관, 처리 시스템, 저장 시설의 비용 부담 주체도 정한다.

New York의 규정 제정과 Virginia의 지하수 연구에 대한 대응은 초기 시험대가 될 것이다. 다른 주들도 동일한 모라토리엄을 도입하지 않고 비슷한 보호 조치를 채택할 수 있다.

Google News는 기업, 주민, 연구자, 정치 공직자의 주장을 계속 전할 것이다. 독자들은 이러한 주장을 최종 답변이 아니라 서로 경쟁하는 정보로 받아들여야 한다.

그 수치가 취수량인지 소비량인지 확인해야 한다. 또한 단일 시설, 기업 전체, 혹은 미국 내 모든 데이터센터를 포괄하는지 살펴봐야 한다. 연간 평균인지 여름철 최대치인지도 명시해야 한다.

무엇보다 물의 원천이 어디인지 물어야 한다. 전국 단위에서 낮은 비중이라고 해서 지역의 안전이 보장되는 것은 아니며, 눈에 띄는 큰 수치가 모든 프로젝트가 가정용 물 공급을 위협한다는 증거가 되는 것도 아니다.

AI 인프라는 이제 일상적인 공공설비 계획의 일부가 되고 있다. 이러한 변화는 수십 년간 운영될 수 있는 프로젝트를 승인하기 전에 지역사회가 더 나은 근거를 요구할 기회를 제공한다.

현실적인 목표는 AI와 물 가운데 하나를 선택하는 것이 아니다. 개발업체가 평균적인 한 해가 아니라 가장 혹독한 몇 주까지 고려해, 냉각 계획이 지역적 한계에 부합한다는 점을 입증하도록 하는 것이다.

이 사안을 지켜보는 독자들은 신규 인허가를 실제 운영 데이터와 비교해야 한다. 기업들이 최대 수요를 공개하는지, 물 사용량이 적은 냉각 방식을 대규모로 도입하는지, 구속력 있는 가뭄 제한을 수용하는지 주시해야 한다. 이 세 가지 신호는 업계가 물 문제를 해결하고 있는지, 아니면 표현만 개선하고 있는지를 보여줄 것이다.