Basel Action Network의 AI 전자폐기물 추정치는 서버 연구가 놓친 부분을 포괄한다

Basel Action Network는 AI 폐기물 산정을 서버 너머로 확장해, 널리 인용되는 학술 추정치보다 최대 60배 큰 수치를 제시했다. Basel Action Network의 AI 전자폐기물 모델은 냉각 장비, 전력 분배, 백업 시스템, 네트워킹, 서버, 가속기를 포함한다.

서버는 인공지능을 위해 구축되는 물리적 인프라의 일부에 불과하기 때문에 이러한 범위 변경은 중요하다. 다만 이 보고서의 최대 추정치는 장비 수명과 장기 데이터 센터 성장에 관한 논란의 여지가 있는 가정에도 의존한다.

따라서 핵심 갈등은 환경 우려와 AI 투자 사이의 대립이 아니다. 포괄적인 수명주기 산정과 좁은 컴퓨팅 중심 측정 방식의 대립이다. CIO는 어떤 자산을 계산에 포함할지, 얼마나 오래 유용하게 쓰이는지, 그리고 퇴역이 실제로 무엇을 의미하는지 결정해야 한다.

Basel Action Network의 AI 전자폐기물 산정은 경계를 확장한다

이 보고서의 가장 중대한 변화는 무엇을 AI 인프라로 간주할 것인지 바꾼 데 있다.

Basel Action Network, 즉 BAN은 2026년 9월 AI Waste Wave 보고서의 첫 번째 편을 발표했다. BAN은 유해 폐기물 거래와 Basel Convention의 집행에 주력하는 환경 단체다.

기존 AI 폐기물 추정치는 대체로 서버, 랙, GPU 같은 가속기에 초점을 맞췄다. 반면 BAN은 데이터 센터의 컴퓨팅 용량을 뒷받침하는 다섯 가지 장비 범주를 모델링한다.

BAN의 기준 설계에서는 전기기계 질량의 35%를 냉각 장비에 배정한다. 전력 분배 장비는 34%를 차지하고, 백업 전력은 추가로 15%를 차지한다. 서버와 가속기는 13%이며, 나머지 3%는 네트워킹 장비다.

이 분류에 따르면 관련 물리 인프라의 87%는 서버 범주 밖에 있다. BAN은 기존 AI 추정치가 새로 추가되는 기가와트급 용량과 연관된 장비 대부분을 누락했다고 주장한다.

보고서는 데이터 센터 용량 1기가와트에 전기기계 장비 약 6만2,000~7만7,000톤이 필요하다고 추정한다. 중심 수치로는 기가와트당 약 7만 톤을 사용한다.

이 총량에는 변압기, 스위치기어, 무정전 전원장치, 배터리, 발전기, 냉각 기계, 네트워크 장치, 서버 랙, 프로세서가 포함된다. 스토리지와 백업 인프라도 더 넓은 산정 경계에 포함된다.

모든 구성 요소가 같은 재료를 포함하거나 같은 폐기 경로를 따르는 것은 아니다. 그러나 이 장비의 상당수는 소유자가 폐기할 경우 전기·전자 장비에 해당한다.

이 구분은 환경 문제의 성격을 바꾼다. GPU만 계산하면 가장 빠르게 바뀌고 가장 눈에 잘 띄는 구성 요소를 측정하게 된다. 시설 전체를 계산하면 AI 수요가 하드웨어 시스템 전반을 어떻게 재편하는지 묻게 된다.

새로운 가속기 세대에는 더 높은 랙 밀도, 다른 전압 공급 방식, 액체 냉각, 더 빠른 네트워크 패브릭이 필요할 수 있다. 기존 지원 장비는 계속 작동하더라도 새 설계에 더 이상 맞지 않을 수 있다.

이러한 상태는 장비가 물리적으로 고장 나기 전에 상업적 가치를 잃는 경제적 노후화다. 차세대 컴퓨팅 아키텍처가 호환되지 않는 지원 시스템을 요구할 때 발생할 수 있다.

BAN은 이 우려를 대규모 데이터 센터 확장 계획에 적용한다. 이 모델은 AI 관련 장비 퇴역량이 2050년까지 연간 3,100만~4,600만 톤에 이를 수 있다고 결론 내린다.

이 수치는 연간 총 전자폐기물 1억9,600만~2억1,100만 톤이라는 예상량의 일부를 구성하게 된다. BAN은 이 전망을 현재 발생하는 약 6,700만 톤과 비교한다.

이 단체는 2025년부터 2050년까지 누적 AI 주도 장비 퇴역량이 수억 톤에 이를 수 있다고도 추정한다. 이는 직접 관측된 폐기물 흐름이 아니라 모델링 결과다.

보고서의 더 넓은 범위는 가장 강력한 기여다. 그러나 수명이나 성장률의 작은 변화가 수십 년에 걸쳐 누적되므로, 장기 총량에는 훨씬 더 신중한 해석이 필요하다.

보고서를 논의할 때마다 이 차이는 분명히 드러나야 한다. BAN은 타당한 물리적 근거를 바탕으로 누락된 범주를 찾아냈다. 그렇다고 모든 장비가 언제 폐기물이 되는지에 관한 불확실성이 사라진 것은 아니다.

누락된 87%는 데이터 센터 비용 산정을 바꾼다

AI 용량은 단순한 칩의 집합이 아니라, 모든 계층에서 물질적 비용이 발생하는 긴밀히 결합된 시스템이다.

기업의 AI 계획은 흔히 컴퓨팅 구매와 시설 관리를 분리한다. 서버는 한 예산에 들어가고, 냉각, 전력, 배터리, 네트워크 업그레이드는 다른 항목에 나타난다.

이러한 조직적 분리는 배포의 총영향을 가릴 수 있다. 조달팀은 서버 감가상각을 계산하면서도 같은 설치로 촉발된 냉각 설비 개보수와 연결하지 않을 수 있다.

이 패턴은 투자수익률 계산에도 영향을 준다. 더 효율적인 가속기는 개별 워크로드의 비용을 낮출 수 있지만, 더 높은 밀도의 전력 공급과 새로운 냉각 인프라를 요구할 수 있다.

냉각 자산은 랙 밀도에 따라 열 제거 방식이 달라지므로 특히 중요하다. 저전력 엔터프라이즈 서버를 중심으로 설계된 공간은 대규모 개조 없이는 고밀도 가속기 시스템을 수용하지 못할 수 있다.

전력 분배도 비슷한 종속성을 만든다. 고밀도 설치에는 새로운 스위치기어, 변압기, 버스웨이, 무정전 전원 시스템이 필요할 수 있다. 백업 발전기와 배터리도 확장해야 할 수 있다.

네트워킹은 또 다른 교체 압력을 만든다. 대규모 AI 클러스터는 가속기, 스토리지, 기타 서버 사이에서 데이터를 이동하기 위해 고대역폭 연결을 사용한다. 따라서 프로세서 업그레이드는 컴퓨팅 트레이 밖의 병목 현상을 드러낼 수 있다.

BAN의 예측이 지나치게 높게 판명되더라도, 바로 이 때문에 그 산정 경계는 주목할 가치가 있다. 지원 인프라는 선택 사항이 아니며, 다른 부서가 소유한다고 해서 환경 비용이 사라지지는 않는다.

문제는 환경 보고에만 그치지 않는다. 지원 장비를 무시하면 자본 전망, 보험 노출, 폐지 예산, 공급업체 의무가 왜곡될 수 있다.

기업은 서버 재판매를 계획하면서도 특수 냉각 장치의 회수 경로는 마련하지 않을 수 있다. 배터리는 다른 일정에 따라 교체하면서도 그 교체 주기를 AI 용량 결정과 연결하지 않을 수 있다.

글로벌 전자폐기물 데이터는 중요한 기준선을 제공한다. ITU와 UNITAR에 따르면 2022년 전 세계에서 발생한 전자폐기물은 6,200만 톤이었다.

이 가운데 환경적으로 건전한 시스템을 통해 공식 수거 및 재활용된 것으로 문서화된 비율은 22.3%에 그쳤다. 같은 평가는 2030년 전 세계 전자폐기물 발생량이 8,200만 톤에 이를 것으로 전망한다.

AI 인프라는 이 전 세계 폐기물 흐름의 한 부분에 불과할 것이다. 그러나 관련 장비는 재료 집약적이고 고가이며, 소비자 전자제품보다 조직이 더 효과적으로 추적할 수 있는 시설에 집중돼 있다.

이러한 집중은 기회를 만든다. 데이터 센터 운영자는 인프라가 어디에 설치됐는지, 누가 공급했는지, 언제 가동에 들어갔는지 알고 있다. 장비가 퇴역하기 전에 회수 의무를 부여할 수 있다.

CIO는 모든 용량 확장을 물리적 자산 전체 목록과 연결하는 것부터 시작할 수 있다. 이 기록은 컴퓨팅, 스토리지, 네트워크, 전력 시스템, 냉각 장비, 배터리, 냉매, 소화 자재를 포괄해야 한다.

재고 목록은 소유권도 구분해야 한다. 클라우드 제공업체, 코로케이션 운영업체, 기업, 건물주, 장비 공급업체는 하나의 배포 환경 안에서 서로 다른 계층을 통제할 수 있다.

이 구분이 없으면 각 참여자는 자기 장부에 있는 자산만 보고하게 된다. 그 결과 생기는 파편화된 기록으로는 완전한 AI 서비스의 물질 발자국을 끝내 파악하지 못할 수 있다.

조직에는 퇴역에 관한 공통 정의도 필요하다. 장비를 주 클러스터에서 제거한다고 해서 반드시 폐기하는 것은 아니다.

서버는 학습 작업에서 추론으로, 다시 배치 처리나 2차 시장으로 이동할 수 있다. 네트워킹 장비는 수요가 낮은 환경을 지원할 수 있다. 구성 요소를 예비 부품으로 회수할 수도 있다.

반대로 새로운 랙 아키텍처가 호환되지 않게 만들면 냉각 시스템은 좌초 자산이 될 수 있다. 기계 부품이 여전히 작동하더라도 서비스에서 제외될 수 있다.

수명주기 기록은 이런 경로를 포착해야 한다. 엔지니어링 팀은 조달 결정, 구성 변경, 재사용 증거를 검색 가능한 지식 기반 안에 보존할 수 있다.

더 나은 기록이 모든 환경 문제를 해결해 주지는 않는다. 그러나 자산이 재사용, 보관, 재판매, 재활용, 수출, 폐기 중 어느 경로를 거쳤는지는 보여줄 수 있다.

이 증거는 이제 논쟁의 핵심이 장비 수명으로 옮겨갔기 때문에 필수적이다. BAN은 여러 하이퍼스케일러가 재무회계에서 보고한 것보다 더 빠른 교체 주기를 가정한다.

장비 수명은 전망의 가장 약한 고리다

BAN은 더 넓은 하드웨어 경계를 설정했지만, 최대 추정치는 아직 쓸 수 있는 자산이 얼마나 빨리 폐기물이 되는지에 달려 있다.

BAN은 모델의 중요한 부분에서 가속기, 서버, 랙의 사용 수명을 2.5년으로 설정한다. 냉각 장비에는 5년, 전력 분배 인프라에는 8년의 수명을 적용한다.

이 가정은 데이터 센터 용량이 증가함에 따라 빠른 교체 물결을 만들어 낸다. 연간 8.8%의 용량 성장률과 결합되면서 보고서의 최대 장기 추정치를 이끈다.

함께 공개된 업계 분석은 몇 가지 이의를 제기한다. 분석가들은 더 넓은 산정의 필요성에는 대체로 동의하지만, 설치된 질량을 폐기물로 전환하는 방식에는 의문을 제기한다.

Dickson Research의 Frank Dickson은 기가와트당 7만 톤이라는 추정치가 방향성 측면에서 신뢰할 만하다고 평가했다. 그러나 폐기물이 40~60배 더 많다는 주장은 방어하기 어렵다고 봤다.

이 차이는 서로 다른 두 계산을 반영한다. 시설에 설치되는 질량을 추정하는 일은 각 구성 요소가 폐기물이 되는 시점을 추정하는 일과 다르다.

가속기 출시 주기는 사용 수명을 가늠하는 불완전한 대리 지표다. Nvidia가 더 빠른 아키텍처를 내놓는다고 해서 이전 프로세서 모두가 경제적으로 쓸모없어지는 것은 아니다.

Google Cloud는 Nvidia가 2017년에 해당 가속기를 출시한 뒤에도 수년간 V100 인스턴스를 계속 제공했다. AWS 역시 2020년에 출시된 A100 기반 시스템을 2026년에도 계속 제공했다.

이 사례들이 업계 전반의 수명을 입증하는 것은 아니다. 다만 최첨단 제품 교체와 최종 퇴역은 서로 다른 사건임을 보여준다.

오래된 하드웨어는 워크로드 위계에서 더 낮은 단계로 이동할 수 있다. 학습 클러스터에는 최신 가속기가 필요할 수 있지만, 추론, 테스트, 연구, 배치 처리에는 이전 세대 시스템도 사용할 수 있다.

재무 보고도 이 가능성을 뒷받침한다. Microsoft의 2025년 장비 회계는 컴퓨터 장비의 추정 내용연수를 2~6년 범위로 제시했다.

Meta는 2025년 1월부터 대부분의 서버와 네트워크 자산의 추정 내용연수를 5.5년으로 연장했다고 보고했다. 이러한 회계상 내용연수는 물리적 사용, 재사용 또는 폐기를 직접 측정하는 지표는 아니다.

그럼에도 이는 2.5년 후 일률적으로 퇴역한다는 가정과 충돌한다. 하이퍼스케일러는 값비싼 인프라를 더 오랫동안 생산적으로 운용할 재정적 유인이 있다.

BAN은 AI 장비가 이례적인 교체 압력에 직면한다고 주장한다. 가속기 효율은 운영 경제성을 바꿀 수 있으며, 새 시스템은 전력, 냉각, 네트워크 설계의 변화를 요구할 수 있다.

두 입장 모두 사실일 수 있다. 장비는 원칙적으로 계속 유용할 수 있지만, 특정 시설에서는 매력적이지 않은 선택이 될 수 있다.

결정적인 변수는 장비를 철거한 뒤에 일어나는 일이다. 재배치는 사용 수명을 연장한다. 재판매는 그 수명을 다른 소유자에게 이전한다. 보관은 생산적 사용 없이 결정을 미루는 방식이다.

재활용 역시 재사용과 동의어가 아니다. 일부 금속을 회수할 수는 있지만, 일반적으로 제조 과정에 내재된 가치의 상당 부분을 파괴한다.

2024년 서버 폐기물 연구는 생성형 AI가 2020년부터 2030년까지 누적 120만~500만 톤의 전자폐기물을 발생시킬 수 있다고 추정했다. 이 연구는 주로 AI 서버와 관련 부품에 초점을 맞췄다.

같은 연구는 순환 전략이 모델링된 폐기물을 16%에서 86%까지 줄일 수 있다고 밝혔다. 이러한 전략에는 서비스 수명 연장, 하드웨어 재사용, 소재 회수 개선이 포함됐다.

이후의 2026년 재보정 연구는 2030년까지 연간 AI 서버 폐기물이 13만1,000~22만4,800톤에 이를 것으로 추정했다. 이 연구는 칩 생산 능력과 더 보수적인 수명 가정을 사용했다.

BAN과 2026년 연구는 동일한 시스템을 측정하지 않는다. 하나는 지원 시설의 상당 부분을 포함하는 반면, 다른 하나는 서버에 집중한다.

그럼에도 이들의 차이는 중대한 데이터 문제를 드러낸다. 연구자들은 설치된 AI 장비, 실제 활용률, 업그레이드 시점, 2차 배치, 최종 처리에 관한 완전한 공개 정보를 확보하지 못하고 있다.

따라서 범위 설명 없이 제시된 40~60배 비교는 오해를 불러일으킬 수 있다. 차이의 상당 부분은 기존 서버 재고가 수십 배 더 많다는 사실을 새롭게 발견한 데서가 아니라, 추가 범주를 포함했기 때문에 발생한다.

나머지는 성장과 교체율에 관한 가정에서 비롯된다. 이러한 가정은 미래로 갈수록 영향력이 커진다.

BAN의 2050년 수치는 신속한 구축과 신속한 퇴역이 이뤄지는 시스템이 어떤 결과를 낳을지를 보여주는 시나리오로 읽어야 한다. 좁은 신뢰구간을 갖춘 측정 기반 예측은 아니다.

이 한계가 핵심 경고를 무효화하는 것은 아니다. 오히려 이를 검증하는 데 필요한 근거를 규정한다.

퇴역 하드웨어가 자동으로 전자폐기물이 되는 것은 아니다

정책과 회계에서 가장 큰 실수는 철거, 노후화, 폐기를 동일한 사건으로 취급하는 것이다.

장비는 여러 경로를 통해 고성능 클러스터에서 빠져나올 수 있다. 각 경로는 서로 다른 경제적·환경적 결과를 낳는다.

재배치는 자산을 동일한 조직 내부에 유지한다. 학습 서버는 최첨단 클러스터에서 빠져나온 뒤 추론, 시뮬레이션, 개발 또는 내부 연구를 지원할 수 있다.

재판매는 장비를 다른 운영자에게 이전한다. 새 소유자는 이를 호스팅, 과학 컴퓨팅, 렌더링 또는 소규모 AI 워크로드에 활용할 수 있다.

부품 회수는 선별된 구성 요소를 보존한다. 메모리, 스토리지, 전원 공급 장치, 네트워크 어댑터, 팬, 프로세서는 수리 또는 리퍼비시 시스템에 활용될 수 있다.

정식 재활용은 생산적 재사용이 더 이상 실용적이지 않을 때 소재를 추출한다. 특히 복잡한 전자기기와 특수 조립체에서는 회수 품질이 크게 달라진다.

폐기는 의미 있는 회수 없이 장비의 생산적 수명을 끝낸다. 비공식 처리 과정은 노동자와 지역사회를 유해 물질에 노출할 수도 있다.

이러한 경로를 하나의 명칭으로 묶어서는 안 된다. 이를 통합하면 한 분석에서는 폐기물 규모를 과장하고, 다른 분석에서는 유해한 폐기를 감출 수 있다.

Basel Action Network 보고서는 미래 폐기물을 모델링하는 기준으로 장비 퇴역을 사용한다. 이 접근법은 자산이 원래 역할에서 이탈하는 상황을 포착하지만, 이후의 목적지를 보장할 수는 없다.

하이퍼스케일러는 GPU 서버를 3년 후 철거한 뒤 다른 곳에서 다시 3년간 운용할 수 있다. 다른 기업은 재판매나 데이터 삭제가 지나치게 어렵다고 판단해 유사한 하드웨어를 보관 상태로 유지할 수 있다.

두 번째 자산은 기술적으로 여전히 소유되고 있지만, 실질적 가치는 이미 상실됐을 수 있다. 첫 번째 자산은 원래 설치 환경을 떠났지만 폐기물이 되지는 않았다.

데이터 보안은 재사용을 복잡하게 만든다. 스토리지 장치는 민감한 정보를 담고 있을 수 있으며, 펌웨어와 관리 시스템에는 자격 증명이나 구성 데이터가 남아 있을 수 있다.

조직은 데이터 삭제를 검증할 수 없을 때 사용 가능한 장비를 파기하기도 한다. 명확한 삭제 절차와 감사 가능한 관리 연속성은 재사용의 실현 가능성을 높일 수 있다.

설계 역시 회수에 영향을 미친다. 독점 조립체, 통합 냉각 시스템, 제한된 펌웨어는 수리 선택지를 줄일 수 있다. 모듈형 하드웨어는 전체 랙을 교체하는 대신 선별적 업그레이드를 지원할 수 있다.

공급업체 계약도 같은 이유로 중요하다. 환매, 회수, 리퍼비시, 부품 회수 조항은 장비가 도입되기 전에 퇴역 계획이 존재하는지를 결정한다.

따라서 CIO는 자산 수준의 처리 데이터를 요구해야 한다. 유용한 항목에는 설치일, 주 워크로드, 철거일, 철거 사유, 잔존 가치, 목적지, 회수 인증서가 포함된다.

시설팀은 변압기, 냉각 장비, 배터리, 발전기, 개폐 장비에 대해서도 비교 가능한 기록이 필요하다. 이러한 시스템은 종종 서로 다른 소유자와 서비스 제공업체가 관리한다.

조달 계약은 기능적 고장과 아키텍처 비호환성을 구분해야 한다. 이 차이는 교체가 마모, 용량 한계, 효율 경제성 또는 새로운 시설 설계 중 무엇을 반영하는지 보여준다.

이러한 근거는 환경 보고와 투자 결정을 개선할 수 있다. 또한 AI 인프라가 기존 데이터센터 시스템보다 더 짧은 수명주기를 만들고 있는지도 보여줄 것이다.

보고 범위는 2차 사용까지 확장돼야 한다. 공급업체가 후속 결과를 보고하지 않는 한, 공급업체의 회수 프로그램은 재사용이나 책임 있는 재활용을 입증하지 못한다.

수출도 유사한 검토가 필요하다. 퇴역 장비를 국경 밖으로 옮기는 것은 정당한 재사용을 지원할 수 있지만, 폐기 위험을 규제가 약한 환경으로 이전할 수도 있다.

바젤협약은 유해 폐기물의 국제 이동을 규제한다. 하지만 잔존 가치가 제한적인 화물이 재사용 가능한 제품으로 설명될 때 집행은 어려워진다.

이런 문제들은 AI 전자폐기물을 단순한 재활용 문제가 아니라 거버넌스 문제로 만든다. 아키텍처와 조달 단계에서 내린 결정은 수년 후 활용 가능한 선택지 상당수를 결정한다.

기업은 긴밀하게 통합된 시스템을 구매했다면 모듈형 부품을 회수할 수 없다. 자산 기록이 시설팀, 재무팀, 지속가능성팀 사이에서 사라진다면 재사용을 문서화할 수도 없다.

BAN의 더 넓은 모델은 CIO에게 이러한 기능을 연결하도록 요구한다. 더 낮은 폐기물 추정치조차도 퇴역 서버를 둘러싼 인프라에 무슨 일이 일어났는지에 대한 근거를 요구한다.

세 가지 신호가 AI 전자폐기물 추정치를 검증할 것이다

다음으로 유용한 근거는 수명주기 공시, 2차 사용, 그리고 지원 인프라의 측정 가능한 변화에서 나올 것이다.

첫 번째 신호는 주요 운영자가 AI 장비에 대한 자산 수준의 수명주기 데이터를 공개하는지 여부다. 현재의 지속가능성 보고서는 대체로 에너지, 물, 배출량 또는 광범위한 폐기물 총량을 제공한다.

더 유용한 공시는 가속기, 서버, 스토리지, 네트워킹, 배터리, 냉각 시스템, 전력 장비를 구분할 것이다. 또한 중앙 서비스 수명과 최종 처리 결과도 보고해야 한다.

이 정보는 BAN의 퇴역 가정을 직접 검증할 수 있다. 재사용이 제한된 상태에서 수명이 2.5년에 가까운 것으로 나타난다면 보고서의 단기 경고를 강화할 것이다.

문서화된 재배치와 함께 더 긴 운영 기간이 확인된다면 가장 높은 전망치는 약화될 것이다. 회계상 감가상각만으로는 물리적 처리 결과를 보여주지 않기 때문에 이 질문에 답할 수 없다.

두 번째 신호는 AI 가속기 및 관련 시스템을 위한 신뢰할 수 있는 2차 시장의 성장이다. 구형 프로세서의 클라우드 가용성이 계속되는 점은 이미 이전 세대 제품에도 가치가 남아 있음을 시사한다.

그러나 개별 제공 사례만으로는 얼마나 많은 하드웨어가 2차 수명 워크로드로 이동하는지 알 수 없다. 운영자는 물량, 활용률, 목적지 데이터를 제공해야 한다.

기능하는 2차 시장은 최첨단 환경에서의 노후화와 물리적 폐기물을 구분할 것이다. 또한 기업에 실제 거래에 기반한 잔존 가치 가정을 제공할 것이다.

재판매 수요가 약하다면 경제적 노후화에 대한 BAN의 우려를 뒷받침할 것이다. 프로세서가 여전히 작동하더라도 새로운 전력, 냉각, 네트워킹 요구사항이 장비를 고립시킬 수 있다.

세 번째 신호는 AI 업그레이드 과정에서 지원 시스템 교체가 발생하는 빈도다. 이는 현재 논의에서 가장 눈에 띄지 않는 부분이자 BAN 모델에서 가장 중요한 추가 요소다.

새 가속기 배치가 냉각, 전력 분배, 배터리, 네트워크 패브릭의 교체를 반복적으로 유발한다면 서버만을 다룬 연구는 계속 불완전할 것이다.

운영자가 모듈형 추가 설비를 통해 기존 인프라를 조정한다면, 더 넓은 설치 질량이 동일하게 빠른 폐기물 증가로 이어지지는 않을 것이다. 이런 결과는 BAN의 모델상 교체율을 낮출 것이다.

CIO는 완벽한 글로벌 예측이 나올 때까지 행동을 미뤄서는 안 된다. 지금 모든 주요 AI 용량 구매에 대해 수명주기 계획을 요구할 수 있다.

실용적인 계획은 예상 서비스 수명, 하위 계층 워크로드, 업그레이드 가능한 구성 요소, 재판매 채널, 회수 의무, 검증된 재활용 경로를 식별해야 한다. 컴퓨팅 하드웨어뿐 아니라 이를 지원하는 시설도 포함해야 한다.

리더는 아키텍처를 승인하기 전에 교체 시나리오도 비교해야 한다. 운영 비용이 더 낮은 시스템이라도 최근 도입한 인프라를 고립시킨다면 전체 수익률은 더 낮아질 수 있다.

의사결정에는 잔존 가치와 해체 비용을 반영해야 한다. 또한 클라우드, 코로케이션, 관리형 서비스 계약에서 어느 당사자가 그 비용을 부담하는지도 확인해야 한다.

Basel Action Network의 AI 전자폐기물 추정치를 확정된 예측으로 취급해서는 안 된다. 범위 수정은 가장 먼 미래의 총량 추정보다 더 설득력이 있다.

그럼에도 이 보고서는 입증 책임을 바꾼다. 조직은 더 이상 서버만 측정하면 AI 확장이 초래하는 물질적 결과를 포착할 수 있다고 가정할 수 없다.

모든 AI 인프라 제안에 대한 다음 질문은 구체적이어야 한다. 이 아키텍처가 바뀔 때 서버, 네트워크, 배터리, 냉각 시스템, 전력 장비는 어디로 가는가?