Claude Code의 에너지 사용량이 드러낸 AI 에이전트의 숨은 비용

현대 AI 인프라 전반의 효율성이 향상됐음에도, 한 연구자의 8주 실험에서 Claude Code의 에너지 사용량은 약 170킬로와트시로 추정됐다.

기후 과학자 Zeke Hausfather는 Anthropic의 코딩 에이전트에 입력한 1,138개의 지시를 추적했다. 이 지시들은 1만 4,000회 이상의 모델 호출을 유발했고, 32억 개의 토큰을 처리했다. 그의 중심 추정치는 사람이 입력한 프롬프트 1건당 약 150와트시에 해당한다.

이 추정치는 일반적인 Gemini 텍스트 프롬프트의 공개 에너지 수치보다 약 600배 크다. 이러한 대비는 인공지능에 관한 안심하기 쉬운 생각, 즉 프롬프트 1건이 소비량을 측정하는 데 의미 있는 단위라는 생각에 의문을 제기한다.

AI 에이전트는 단순히 답하고 멈추지 않는다. 계획을 세우고, 도구를 호출하고, 결과를 읽고, 작업 맥락을 다시 검토한 뒤, 다시 시도한다. 따라서 하나의 요청은 사용자에게는 대부분 보이지 않는 긴 계산 연쇄를 시작할 수 있다.

이것이 최근 AI 에너지 논쟁의 실질적인 충돌 지점이다. Google과 다른 제공업체들은 개별 응답을 놀라울 정도로 효율화했다. 동시에 에이전트 제품은 각 사용자 지시를 수많은 응답, 도구 호출, 반복적인 맥락 읽기로 바꾸고 있다.

그렇다고 모든 AI 에이전트가 전력을 낭비한다는 뜻은 아니다. 이는 익숙한 프롬프트당 비교 방식이 성장하는 AI 작업 범주를 더는 설명하지 못한다는 증거다. 이제 개발자, 기업 구매자, 인프라 계획 담당자에게는 완료된 작업을 중심으로 한 측정 방식이 필요하다.

Claude Code의 에너지 사용량이 바꾸는 측정 단위

중요한 변화는 새 모델 출시가 아니다. 사람의 프롬프트 하나가 전체 계산 워크플로를 숨길 수 있다는 증거다.

Hausfather는 2026년 5월 31일부터 7월 25일까지의 Claude Code 활동을 분석했다. Claude Code는 제한적인 인간의 지시만으로 일련의 작업을 계획하고 실행할 수 있는 에이전트형 코딩 시스템이다.

이 8주 동안 Hausfather는 1,138개의 프롬프트를 입력했다. 그의 로그에는 1만 4,000회 이상의 개별 모델 호출이 기록됐으며, 그가 입력한 프롬프트 하나당 평균 약 12회의 호출이 발생했다.

이 세션들은 32억 개의 토큰을 처리했다. 토큰은 언어 모델이 텍스트, 코드, 지시, 저장된 맥락을 처리하면서 읽고 생성하는 단위다.

Hausfather는 이 작업 부하가 데이터센터 전력 약 170킬로와트시를 소비했다고 추정했다. Anthropic이 각 모델 호출의 직접적인 에너지 측정치를 공개하지 않기 때문에, 불확실성 범위는 약 70~330킬로와트시까지 넓게 설정됐다.

그 결과 중심 추정치는 사람이 입력한 프롬프트 1건당 약 150와트시였다. 가능한 범위는 60~290와트시였다.

비교를 위해 Google은 Gemini Apps 텍스트 프롬프트의 중앙값이 실제 운영 환경에서 0.24와트시를 소비한다고 보고했다. 이 수치에는 가속기 전력, 호스트 시스템, 유휴 용량, 데이터센터 오버헤드가 포함됐다.

Google의 실제 운영 측정치는 Hausfather의 계산과 반드시 모순되는 것은 아니다. 두 수치는 서로 다른 유형의 활동을 설명한다.

Gemini 텍스트 프롬프트는 짧은 응답 하나를 생성할 수 있다. 반면 Claude Code 지시는 조사, 코드 생성, 명령 실행, 디버깅, 반복 평가가 수반되는 세션을 시작할 수 있다.

이 차이 때문에 Hausfather는 프롬프트가 고정된 거리가 아니라 여행에 가깝다고 주장한다. 각 여행의 목적지를 모른다면 여행 횟수만 세는 것으로는 분석가가 알 수 있는 것이 거의 없다.

그의 Claude Code 세션 중앙값은 약 0.6킬로와트시를 소비한 것으로 추정됐다. 가능한 범위는 0.25~1.2킬로와트시였다. 하루 평균 작업량은 약 3.0킬로와트시에 달했다.

가장 사용량이 많았던 날의 중심 추정치는 11킬로와트시였다. 그날 여러 병렬 에이전트가 대규모 지리공간 분석을 수행했다.

이 수치는 모든 Claude Code 고객을 대표하는 표본이 아니라, 유난히 집중적으로 사용하는 한 사용자에게서 나온 것이다. Hausfather는 복잡한 기후 데이터를 다루며 자신이 대부분의 사람보다 사용량이 많은 사용자라고 설명한다.

그럼에도 이 실험은 한 연구자를 넘어 적용되는 측정의 실패를 보여준다. 사용자는 하나의 지시를 보지만, 인프라는 분기하는 일련의 계산 이벤트를 처리한다.

기업들이 에이전트를 전체 워크플로의 대체 수단으로 점점 더 많이 홍보하고 있기 때문에 이러한 변화는 중요하다. 제품의 약속이 완료된 작업에 관한 것이라면, 자원 회계 역시 완료된 작업을 측정해야 한다.

AI 에이전트가 챗봇보다 더 많은 에너지를 소비하는 이유

에이전트는 단일한 특별 응답 때문이 아니라 반복, 병렬 작업, 맥락의 반복 처리로 에너지 수요를 늘린다.

표준 챗봇 대화는 보통 단순한 경로를 따른다. 사용자가 텍스트를 보내면 모델이 맥락을 처리하고, 시스템이 답변을 생성한다.

에이전트형 워크플로에는 제어 루프가 추가된다. 모델이 무엇을 할지 결정하고, 도구를 사용하고, 결과를 관찰하고, 계획을 갱신한 뒤, 또 다른 추론 단계를 시작한다.

추론은 학습된 모델을 실행해 결과를 생성하는 과정이다. 추가되는 모든 추론 단계에는 프로세서, 메모리, 네트워킹, 그리고 이를 지원하는 데이터센터 장비가 필요하다.

Claude Code는 리포지터리를 검색하고, 파일을 읽고, 코드를 편집하고, 테스트를 실행하고, 오류를 점검하고, 작업을 수정할 수 있다. 어려운 과제에는 이러한 단계가 수십 또는 수백 번 포함될 수 있다.

병렬 서브에이전트는 이 횟수를 더 늘린다. 이들은 동시에 별도의 접근법을 탐색해 범위를 넓히는 한편, 같은 시간에 컴퓨팅 자원을 소비한다.

Hausfather의 로그는 사용자에게 보이는 출력이 처리된 전체 토큰의 약 0.4%에 불과했음을 보여줬다. 약 96%는 캐시 읽기였다.

캐시는 시스템이 이전에 처리한 모델 맥락을 더 효율적으로 재사용할 수 있도록 저장한다. 캐시된 맥락을 읽는 비용은 새 입력을 처리하는 비용보다 낮지만, 여전히 자원을 소비한다.

에이전트가 늘어나는 작업 이력을 반복적으로 다시 살펴보기 때문에 이 규모가 중요해진다. 각 도구 결과, 파일 발췌문, 지시, 이전 결정은 이후 모델 호출의 일부로 남을 수 있다.

이로 인해 복합적인 패턴이 만들어진다. 세션이 길어질수록 더 많은 맥락이 생성되고, 이후 단계는 또 다른 작업을 내놓기 전에 그 맥락의 상당 부분을 다시 읽어야 할 수 있다.

Hausfather는 캐시된 토큰이 새 입력에 필요한 에너지의 10%를 소비한다고 가정했다. 그는 1%와 25%를 적용한 하한 및 상한 사례도 계산했다.

이 넓은 범위는 최종 추정치에 불확실성이 남아 있는 이유를 보여준다. 가격은 자원 사용에 대한 단서를 제공할 수 있지만, 할인된 토큰 가격이 전력 계량기는 아니다.

Hausfather는 공개된 세 가지 추정 방법을 시험했고, 더 넓은 70~330킬로와트시 범위 안에서 결과를 얻었다. 이러한 일치는 불확실성을 없애지는 못하지만 그의 일반적인 결론을 뒷받침한다.

핵심 메커니즘은 더 광범위한 배출량 연구에서도 나타난다. 2026년 회계 프레임워크는 최전선 모델을 5~50회 호출하는 에이전트형 워크플로가 50~500와트시를 소비할 수 있다고 추정한다.

같은 프레임워크는 하나의 상호작용이 실제 기반 계산량을 한 자릿수 이상 과소평가할 수 있다고 경고한다. 이 경고는 단순한 채팅 인터페이스로 제공되는 에이전트에 직접 적용된다.

따라서 맥락 관리는 단순한 사용성 기능이 아니라 인프라 의사결정이 된다. 팀은 관련 없는 맥락을 제한하고, 각 단계에 필요한 정보로 검색을 유도함으로써 불필요한 처리를 줄일 수 있다.

잘 관리된 검색 가능한 지식 기반은 엔지니어가 방대한 문서 모음을 반복적으로 불러오는 대신 필요한 자료를 정확히 찾아내는 데 도움이 될 수 있다. 다만 실제 절감 효과는 에이전트 아키텍처에 달려 있다.

모델 라우팅도 중요하다. 시스템은 분류, 추출, 일상적인 편집 작업을 더 작은 모델에 맡기고, 어려운 추론에는 최전선 모델을 활용할 수 있다.

이 접근법이 에이전트의 에너지 비용을 없애지는 않는다. 대신 각 작업의 가치와 난이도에 맞춰 계산량을 조정한다.

효율적인 AI와 확장되는 에이전트 워크플로

핵심적인 긴장은 개별 추론은 계속 저렴해지는 반면, 에이전트 제품은 과제를 마무리하기 위해 더 많은 추론을 소비한다는 점이다.

Google의 0.24와트시 수치는 실제 운영 최적화가 응답당 에너지를 줄일 수 있다는 강력한 증거를 제공한다. 이 회사는 고립된 가속기를 시험한 것이 아니라 전체 서비스 제공 스택에서 Gemini 텍스트 프롬프트의 중앙값을 측정했다.

Google은 또한 1년 동안 중앙값 프롬프트당 에너지가 33배 감소했다고 보고했다. 모델 변경, 소프트웨어 개선, 하드웨어 업그레이드, 서비스 제공 최적화가 이 감소에 기여했다.

이러한 진전은 중요하다. 오래된 칩이나 낮은 활용률의 실험실 시스템을 바탕으로 한 정적 추정치는 현대의 실제 운영 서비스에 필요한 전력을 크게 과대평가할 수 있다.

배치 처리는 인프라가 여러 요청을 함께 처리할 수 있게 한다. 캐싱은 일부 계산의 반복을 피한다. 높은 활용률은 유휴 장비의 소비 전력을 더 많은 유용한 작업에 분산한다.

특수 프로세서는 전력 단위당 더 많은 계산을 수행한다. Hausfather는 2016년 이후 머신러닝 하드웨어 효율이 크게 향상됐다는 추정치를 인용했다.

그러나 작업당 효율이 높아진다고 해서 총소비량이 자동으로 줄어드는 것은 아니다. 계산 비용이 낮아지면 개발자는 더 많은 계산을 사용하게 될 수 있다.

에이전트 제품은 이러한 반등 효과를 가시화한다. 모델 호출이 더 빠르고 저렴해지면 설계자는 계획 단계, 검증 루프, 도구 사용, 병렬 에이전트를 추가할 수 있다.

이러한 추가 기능은 결과를 개선할 수 있다. 그러나 총 전력 수요를 낮추기 전에 효율성에서 얻은 이득을 소진할 수도 있다.

이는 자원 효율성이 높아지면 예상 절감 효과를 상쇄할 만큼 새로운 수요가 늘어날 수 있는 Jevons 효과의 한 형태다. AI가 이런 결과를 보장하는 것은 아니지만, 현재의 유인은 더 많은 계산을 선호한다.

모델 제공업체들은 작업 완료율, 코딩 성능, 자율성을 두고 경쟁한다. 사용자는 일반적으로 에이전트가 문제를 해결하는지에 주목할 뿐, 그 과정에 얼마나 많은 숨은 호출이 필요했는지는 알기 어렵다.

Anthropic 자체의 사용 분석에 따르면, 표본으로 조사한 자사 API 비즈니스 사용 사례의 77%는 자동화 지향적 패턴을 따랐다. 코딩 및 사무 작업이 두드러졌다.

이 연구는 전력 소비량을 측정하지는 않았다. 하지만 에이전트형 작업 부하가 주목받아야 하는 이유는 보여준다. 기업의 API 사용은 이미 고립된 대화보다 자동화된 실행에 초점을 두고 있다.

경제적 유인도 이러한 패턴을 강화한다. Anthropic은 표본 내 비즈니스 작업에서 가격 민감도가 낮았다고 보고했다. 더 저렴한 작업보다 더 유능하고 비싼 작업이 더 자주 나타났다.

코딩 에이전트가 숙련된 인력의 작업 시간을 몇 시간 절약한다면, 기업은 채팅 답변에 필요한 수준보다 훨씬 많은 추론을 받아들일 수 있다. 이때 프롬프트당 전력 사용량은 해결된 이슈당 전력 사용량보다 덜 유용한 지표가 된다.

같은 논리는 과학 분석에도 적용된다. Hausfather의 가장 사용량이 많았던 날은 가벼운 대화가 아니라 복잡한 지리공간 프로젝트를 지원했다.

따라서 적절한 비교는 언제나 에이전트와 챗봇 간의 비교는 아니다. 에이전트 지원 워크플로와 기존 프로세스에 필요했던 컴퓨터, 이동, 노동, 또는 지연을 비교해야 할 수도 있다.

그러나 이러한 더 넓은 비교에는 실제 데이터가 필요하다. 생산성 이점은 단순히 가정할 수 없으며, 제공업체가 잠재적 이점을 근거로 자원 소비 공개를 피해서도 안 된다.

효율성과 작업량 증가는 함께 보고되어야 한다. 토큰당 수치가 낮아져도 전체 토큰 처리량이 더 빠르게 증가하면 전력 수요는 늘어날 수 있다.

이 때문에 Claude Code 에너지 사용량 추정치는 최종 판결이 아니라 경고로 작용한다. 이는 효율성에 관한 긍정적 서사가 모델 계층 위에서 일어나는 확장을 얼마나 쉽게 누락할 수 있는지 보여준다.

Claude Code 추정치가 증명할 수 없는 것

600배 비교는 방향성 측면에서 중요하지만, Anthropic의 전력 소비를 직접 측정한 결과는 아니다.

Hausfather는 이례적으로 상세한 활동 로그를 보유하고 있었다. 여기에는 개별 API 응답의 모델 식별자, 타임스탬프, 토큰 범주가 기록돼 있었다.

이 로그는 계산 활동에 대한 강력한 기록을 제공한다. 그러나 각 요청에서 Anthropic 서버가 실제로 사용한 전력량을 보여주지는 않는다.

따라서 이 추정치는 공개된 방법론을 통해 토큰을 에너지로 환산한다. 각 방법에는 하드웨어, 활용률, 배치 처리, 캐시 처리, 데이터센터 오버헤드에 관한 가정이 필요하다.

Anthropic은 이러한 가정을 자사 측정치로 대체하는 데 필요한 토큰당 또는 프롬프트당 에너지 데이터를 공개하지 않았다. 세션을 처리한 위치와 전력원 역시 공개되지 않은 상태다.

캐시 처리는 또 하나의 큰 불확실성을 만든다. 캐시된 토큰은 일부 작업의 반복을 피하지만, 정확한 절감 폭은 서빙 시스템에 따라 달라진다.

Hausfather의 중심 시나리오는 캐시 읽기가 신규 입력 에너지의 10%를 소비한다고 가정했다. 다른 관계를 적용하면 총추정치는 크게 달라질 수 있다.

이 표본은 8주 동안 한 사람의 사용을 나타낼 뿐이다. Hausfather는 대규모 분석 작업에 수많은 서브에이전트를 사용했기 때문에, 그의 활동은 일반 사용자의 코딩 세션과는 거리가 멀다.

그의 중간값 세션은 약 1,000만 토큰과 100회 이상의 호출을 포함했다. Claude Code 세션에 대한 다른 공개 추정치들은 더 작은 작업량을 사용했다.

따라서 모든 Claude Code 프롬프트가 150와트시를 소비한다고 주장하는 것은 오해를 불러일으킬 수 있다. 더 정확한 결론은 이보다 제한적이다. 일부 고급 에이전트형 세션은 단순 채팅 프롬프트보다 수백 배 많은 에너지를 소비한다.

Gemini와의 비교 역시 제공업체와 작업 유형을 넘나든다. Google의 수치는 Gemini Apps의 중간값 텍스트 프롬프트를 다루는 반면, Hausfather의 추정치는 집약적인 Claude Code 활동을 다룬다.

이 차이가 바로 비교의 핵심이지만, 그 비율이 입증할 수 있는 범위는 제한한다. 이는 Claude가 본질적으로 Gemini보다 효율이 낮다는 것을 보여주지 않는다.

그러한 주장은 두 시스템에서 비교 가능한 작업을 대상으로 한 통제된 테스트만이 뒷받침할 수 있다. 이상적으로는 제공업체들이 일관된 시스템 경계를 적용한 측정치를 공개해야 한다.

Watershed 프레임워크는 이러한 경계가 결과에 얼마나 큰 영향을 미치는지 보여준다. 이 프레임워크는 배치 처리와 캐싱을 놓치기 때문에, 고립된 벤치마크가 실제 운영 환경의 추론 전력 사용량을 4배에서 20배까지 과대평가할 수 있다고 분석했다.

반대 방향의 오류도 가능하다. 활성 가속기 전력만 보고하면 호스트 서버, 유휴 용량, 냉각, 네트워킹, 전력 변환 손실을 빠뜨릴 수 있다.

기업은 작업량과 인프라 정보를 모두 공개해야 한다. 유용한 항목에는 토큰 수, 모델 등급, 가속기 유형, 데이터센터 오버헤드, 활용률 가정, 지역별 전력원이 포함될 수 있다.

완료된 작업 기준의 보고는 또 하나의 필수 계층을 더한다. 에이전트는 시도당 더 많은 에너지를 사용할 수 있지만, 더 적은 인간 재시도를 요구하거나 더 단순한 시스템이 끝내지 못하는 작업을 완료할 수 있다.

실패한 에이전트 실행도 전력을 소비하기 때문에 성공률은 중요하다. 반복적으로 멈추는 워크플로는 개별 호출이 효율적으로 보이더라도 결과당 에너지 성과가 나쁠 수 있다.

기업 구매자는 공급업체에 재시도, 컨텍스트 증가, 도구 실패, 모델 라우팅을 어떻게 처리하는지 물어야 한다. 이러한 설계 결정은 운영 비용과 환경 보고 모두에 영향을 미친다.

회의적인 입장은 Hausfather의 추정치를 무시해야 한다는 뜻이 아니다. 하나의 투명한 추정치가 제공업체들이 여전히 얼마나 많은 핵심 정보를 공개하지 않고 있는지 드러낸다는 뜻이다.

압력은 사용자에서 인프라 구매자로 이동한다

에이전트 에너지 문제는 개인의 프롬프트 절제보다 조달, 소프트웨어 아키텍처, 전력 공급에 의해 더 크게 좌우될 것이다.

Hausfather는 자신의 8주 작업량을 연간 기준으로 환산해 데이터센터 전력 약 1.1메가와트시로 추정했다. 추정 범위는 0.4~2.2메가와트시였다.

미국 평균 전력망 배출량을 적용해 그는 연간 이산화탄소환산량 약 370킬로그램을 추정했다. 범위는 150~730킬로그램이었다.

이는 소프트웨어 사용자 한 명에게도 상당한 수준이지만, Hausfather는 개인적 죄책감이 주된 해결책이라고 주장하지는 않는다. 에이전트를 많이 쓰는 사용자는 전체 전력 수요에서 여전히 제한적인 비중을 차지한다.

더 큰 위험은 규모에서 비롯된다. 기업은 코딩, 고객 서비스, 금융, 연구, 행정 업무 전반에 걸쳐 지속적으로 작동하는 수천 개의 에이전트를 배치할 수 있다.

각 에이전트의 수요는 크지 않을 수 있다. 그러나 많은 부서에 걸쳐 증식하는 지속적 작업량은 인프라 요구사항을 바꿀 수 있다.

데이터센터 전망은 이미 이와 맞물린 과제의 규모를 보여준다. Lawrence Berkeley National Laboratory의 2025년 업데이트는 2030년 미국 데이터센터의 기준 시나리오를 649테라와트시로 추정한다.

이 기준 시나리오는 미국 전체 전력 사용량의 11.8%에 해당한다. 보고서의 복합 불확실성 범위는 521~843테라와트시에 이른다.

이 전망은 AI 에이전트뿐 아니라 모든 데이터센터 수요를 포괄한다. 그럼에도 AI 서버와 그 활용률은 모델 내 핵심 불확실성 요소다.

이는 세 집단에 압력을 가한다.

클라우드 및 모델 제공업체는 고객이 시스템을 비교할 수 있을 만큼 충분한 정보를 공개해야 한다. 일관된 보고가 없으면 효율성은 조달 지표가 아닌 마케팅 문구가 된다.

애플리케이션 개발자는 자율성이 반복적인 모델 호출을 정당화하는 시점을 결정해야 한다. 5개 에이전트 워크플로는 더 작은 모델에 단일 요청을 보내는 경우보다 더 높은 가치 기준을 충족해야 한다.

기업 구매자는 결과를 측정해야 한다. 평균 프롬프트가 아니라 완료된 작업과 연관된 비용, 에너지, 지연 시간, 성공률이 필요하다.

이러한 결정은 전력망 계획에도 영향을 미친다. 대규모 데이터센터에는 피크 수요를 감당할 수 있는 발전 시설, 송전망, 변전소, 냉각 시스템, 안정적인 공급 용량이 필요하다.

동일한 작업량도 전력 시스템에 따라 서로 다른 배출량을 낼 수 있으므로 위치가 중요하다. 저탄소 발전은 기저 계산량이 그대로여도 배출량을 줄인다.

작업량 유연성은 도움이 될 수 있다. 일부 학습, 평가, 백그라운드 에이전트 작업은 전력이 더 청정하거나 제약이 덜한 시간대 또는 지역으로 옮길 수 있다.

대화형 코딩 세션은 사용자가 빠른 응답을 기대하기 때문에 유연성이 더 낮다. 그러나 긴급하지 않은 서브에이전트 조사나 테스트는 일정 조정을 허용할 수 있다.

더 작은 모델도 또 다른 수단이 된다. 일상적인 분류, 파일 선택, 문법 검사는 언제나 가장 큰 모델을 필요로 하지는 않는다.

개발자는 반복 횟수를 제한하고, 컨텍스트를 압축하며, 검증된 결과를 재사용하고, 실패한 워크플로를 더 일찍 중단할 수도 있다. 이러한 제어 장치는 예측 가능성을 높이면서 비용을 줄일 수 있다.

최고의 아키텍처가 항상 가장 적은 전력을 쓰는 것은 아니다. 가치 있는 작업을 안정적으로 완료하는 데 필요한 최소한의 계산을 사용해야 한다.

이 기준은 환경 성과를 엔지니어링 규율과 연결한다. 낭비적인 재시도, 과도하게 큰 컨텍스트, 불필요한 최첨단 모델 호출은 대개 재무 문제이기도 하다.

에이전트형 AI가 책임 있게 확장할 수 있는지 보여줄 세 가지 신호

AI 에너지 논쟁의 다음 국면은 제공업체의 공개, 작업 수준 효율성, 신규 데이터센터를 위해 구축되는 전력에 달려 있다.

첫 번째 신호는 Anthropic과 다른 모델 제공업체의 직접적인 에너지 보고다. 토큰 로그는 운영 하드웨어와 서빙 데이터에 대한 접근이 필요한 질문에 답할 수 없다.

유용한 공개는 단순 채팅, 추론, 코딩, 다중 에이전트 워크플로를 구분해야 한다. 하나의 프로세서가 아닌 전체 인프라를 포괄해야 한다.

제공업체가 비교 가능한 작업 수준 측정치를 공개한다면 에이전트 에너지 추정치에 대한 신뢰도는 높아질 것이다. 계속된 침묵은 고객이 자신들이 배치하는 시스템을 평가할 수 없다는 우려를 강화할 것이다.

두 번째 신호는 토큰당 에너지가 아니라 완료 작업당 에너지가 감소하는지 여부다. 더 나은 칩과 서빙 소프트웨어는 개별 연산의 비용을 계속 낮출 것이다.

하지만 에이전트는 더 긴 컨텍스트와 더 많은 호출을 사용해 이러한 이득을 소진할 수 있다. 공급업체는 총추론량, 재시도, 지연 시간과 함께 작업 성공률을 보고해야 한다.

작업 수준 수치의 하락은 효율성이 워크플로 확장을 앞지르고 있음을 보여줄 것이다. 유사한 결과에 대한 소비 증가라면, 추가된 자율성이 절감 효과를 흡수하고 있음을 시사한다.

세 번째 신호는 신규 데이터센터 용량에 연결되는 전력의 종류다. 발전원을 알지 못하면 효율성만으로 배출량을 판단할 수 없다.

Hausfather는 대부분 청정한 전력 공급으로 동일한 작업량을 실행하면 배출량을 약 90% 줄일 수 있다고 추정한다. 정확한 감축 폭은 지역과 조달 방식에 따라 달라진다.

신규 재생에너지 발전, 에너지 저장, 원자력, 지열 자원, 송전망은 추가 수요의 탄소 집약도를 낮출 수 있다. 전용 화석연료 발전은 시스템을 반대 방향으로 움직인다.

이러한 신호는 하나의 AI 프롬프트가 수초간의 텔레비전 시청과 비슷한지에 관한 논쟁보다 더 중요하다. 그 비교는 에이전트가 빠르게 벗어나고 있는 좁은 상호작용을 설명할 뿐이다.

더 나은 질문은 에이전트가 전체 계산 비용을 들일 만한 가치가 있는 작업을 완료했는지다. 이에 답하려면 투명한 로그, 제공업체 측정치, 정직한 결과 추적이 필요하다.

개발자는 지금부터 호출 횟수, 컨텍스트 증가, 재시도, 모델 선택을 감사할 수 있다. 기업 구매자는 단일 평균치를 받아들이지 말고 조달 과정에서 작업 수준의 자원 데이터를 요청할 수 있다.

Claude Code 에너지 사용량 추정치는 에이전트가 충분한 가치를 제공하는지에 대한 논쟁을 끝내지 않는다. 대신 이들의 실제 소비 단위가 워크플로라는 점을 확립한다.

에이전트가 더 긴 과제를 맡게 되면서, 사용자는 Enter를 누른 뒤 무슨 일이 일어나는지 물어야 한다. 몇 개의 모델이 실행되는지, 얼마나 자주 컨텍스트를 다시 읽는지, 그리고 어떤 전력원이 그 과정을 계속 움직이는지 말이다.