데이터 센터 효율성, AI 성장 속도를 따라잡는 데 어려움

Google News는 날카로운 충돌을 부각했다. 데이터 센터는 점점 더 효율적으로 변하고 있지만, AI 성장은 총에너지 수요를 계속 끌어올리고 있다.

이 구분은 환경·사회·지배구조(ESG) 목표에 중요하다. 운영업체는 냉각, 전력 공급, 컴퓨팅 효율을 개선하면서도 매년 더 많은 전력, 물, 건설 자재를 소비할 수 있다.

이제 압박은 Google을 넘어 확산되고 있다. Microsoft, Amazon, Meta, 코로케이션 사업자, 전력회사, 엔터프라이즈 구매자 모두 같은 시험대에 올랐다. 인프라 확장보다 효율성이 더 빠르게 개선되지 않는다면 기업의 기후 목표는 계속 더 멀어질 것이다.

Google News가 보여준 변화: 선택적 효율성에서 운영상 필수 요소로

데이터 센터 효율성은 단순한 환경 선호가 아니라 용량 확보 요건이 됐다.

즉각적인 변화는 새로운 냉각 장치나 보고 체계가 아니다. 핵심은 AI 인프라 계획에 수반되는 전력 수요의 규모다.

국제에너지기구(IEA)는 2024년 전 세계 데이터 센터가 약 415테라와트시의 전력을 소비했다고 추정한다. 이는 전 세계 전력 소비량의 약 1.5%에 해당한다.

IEA의 기준 시나리오에서는 이 소비량이 2030년 약 945테라와트시에 이를 것으로 전망된다. 이는 2024년 수준의 두 배를 넘고, 현재 일본의 전력 소비량보다도 약간 많다.

AI는 예상 증가분의 가장 큰 동력이다. GPU와 기타 특수 시스템을 포함하는 가속 서버의 전력 사용량은 2030년까지 매년 약 30% 증가할 것으로 예상된다.

기존 서버의 전력 소비는 매년 9% 증가할 것으로 전망된다. 가속 서버는 데이터 센터 수요의 예상 순증분 중 거의 절반을 차지한다.

이 추정치는 IEA의 에너지 수요 분석에 제시돼 있다. 이는 기업의 효율성 주장을 판단해야 할 기준 규모를 보여준다.

데이터 센터에는 컴퓨팅 장비만 있는 것이 아니다. 냉각 시스템, 네트워크 하드웨어, 스토리지, 전력 변환 장비, 배터리, 비상 발전 설비도 필요하다.

IEA에 따르면 현대적인 시설에서 서버는 전력 수요의 약 60%를 차지한다. 냉각 비중은 효율적인 하이퍼스케일 시설에서는 약 7% 수준이지만, 효율이 낮은 엔터프라이즈 시설에서는 30%를 넘을 수 있다.

이 격차는 실질적인 기회를 만든다. 더 나은 공기 흐름, 더 높은 운영 온도, 액체 냉각, 효율적인 전력 시스템, 강화된 용량 관리는 오버헤드를 줄일 수 있다.

전력 사용 효율성(PUE)은 이러한 오버헤드를 측정한다. 전체 시설 에너지를 IT 장비가 소비한 에너지로 나눈 값이다.

PUE가 1.2라는 것은 시설이 컴퓨팅 장비에 필요한 에너지보다 20% 더 많은 에너지를 사용한다는 뜻이다. PUE가 1.0에 가까울수록 인프라 오버헤드는 낮다.

TechTarget의 PUE 정의는 운영업체가 시설 벤치마킹과 운영 변화 평가에 이 비율을 활용하는 이유를 설명한다.

그러나 PUE는 서버가 유용한 작업을 수행하는지 보여주지 않는다. 전력의 탄소 집약도, 물 소비, 하드웨어 제조, 총수요 증가도 측정하지 않는다.

따라서 시설은 뛰어난 PUE를 보고하면서도 1년 전보다 더 많은 전력을 소비할 수 있다. 탄소 집약적인 전력망에서 효율적으로 운영될 수도 있다.

이것이 Google News 논의의 핵심 변화다. 효율성은 여전히 중요하지만, 개별 시설 비율만으로는 더 이상 ESG 주장을 뒷받침할 충분한 근거가 되지 못한다.

이제 운영업체는 시설 효율성을 워크로드 산출량, 지역 전력망 여건, 물 스트레스, 절대 배출량과 연결해야 한다. 그렇지 않으면 각 지표는 환경 비용의 일부만 보여줄 뿐이다.

전력 공급이 배치 제약 요인이 되면서 시점은 특히 중요해졌다. 전력회사는 산업 시설과 유사할 수 있는 대규모 집중 부하를 수용해야 한다.

AI 데이터 센터는 하루 종일 안정적인 전력을 요구한다. 이들의 운영 특성은 간헐적인 풍력이나 태양광 발전에만 전적으로 의존하는 계획을 복잡하게 만든다.

그 결과 새로운 경쟁 조건이 형성됐다. 전력망 연결이 신규 용량의 가용 시점을 결정하는 상황에서 기업은 컴퓨팅 전략과 에너지 전략을 분리할 수 없다.

AI 성장은 효율성이 완충할 수 있는 속도보다 더 빠르게 기후 약속을 압박한다

가장 효율적인 인프라를 구축하는 기업들이 동시에 가장 큰 신규 전력 수요를 만들고 있다.

Google은 이러한 충돌을 보여주는 분명한 사례다. 이 회사의 데이터 센터는 Search, Google News, Gemini, YouTube, Cloud, 광고, 그리고 수많은 엔터프라이즈 서비스를 지원한다.

Google은 2024년 데이터 센터의 전력 수요가 27% 증가했다고 보고했다. 같은 해 데이터 센터 에너지 배출량은 12% 감소했다고도 밝혔다.

이 조합은 더 깨끗한 전력과 운영 개선이 컴퓨팅 성장과 에너지 배출 간의 연계를 약화시킬 수 있음을 보여준다. 그러나 절대적인 자원 수요 증가가 멈췄다는 의미는 아니다.

Google의 2026 환경 보고서는 또 다른 측면을 더한다. 회사는 2025년에 약 77억 갤런의 물을 보충했다고 밝혔다.

이는 해당 연도 총 담수 소비량의 약 78%에 해당한다. Google은 또한 물 관리 포트폴리오를 97개 유역의 165개 프로젝트로 확대했다.

물 보충은 서식지 복원, 보전, 인프라, 물 접근성 프로젝트에 자금을 지원할 수 있다. 그러나 한 유역에서 취수한 물이 같은 시점에 물리적으로 같은 장소로 돌아간다는 뜻은 아니다.

물 영향은 지역적이므로 위치가 중요하다. 물 스트레스 지역에서 소비된 1갤런은 물이 풍부한 지역에서 소비된 1갤런과 다른 위험을 수반한다.

전력 회계에도 유사한 문제가 있다. 연간 재생에너지 조달은 서류상 소비량과 일치할 수 있지만, 데이터 센터는 특정 시간대에 여전히 화석연료 발전에 의존할 수 있다.

24시간 무탄소 에너지 매칭은 더 엄격한 기준을 제시한다. 이는 소비가 발생한 동일한 전력망에서 동일한 시간대에 청정 전력이 이용 가능한지를 묻는다.

이 기준을 달성하려면 인증서 구매만으로는 부족하다. 기업에는 신규 발전 설비, 송전 용량, 저장장치, 유연한 워크로드, 신뢰할 수 있는 저탄소 전력이 필요하다.

Google, Microsoft, Amazon, Meta는 재생에너지, 원자력, 지열 프로젝트, 저장장치를 조합하는 전략을 추진하고 있다. 이러한 투자는 청정 전력 공급을 확대할 수 있지만, 건설 일정은 여전히 고르지 않다.

개발업체가 급전 가능한 용량을 필요로 하면서 천연가스도 주목받고 있다. IEA는 2035년까지 데이터 센터 전력 수요 증가분의 일부를 가스 발전이 공급할 것으로 예상한다.

이는 기업의 탈탄소화 약속과 직접적인 긴장을 만든다. 기업은 다른 지역에서 청정 전력을 구매하면서도 지역 확장이 신규 화석연료 발전에 기여할 수 있다.

압박은 하이퍼스케일러에 그치지 않는다. 코로케이션 기업은 고객에게 에너지, 물, 배출량에 관한 신뢰할 만한 정보를 제공해야 한다.

엔터프라이즈 구매자는 이 수치를 자체 Scope 3 인벤토리에 반영한다. Scope 3는 기업의 직접 운영 또는 구매 전력 외 가치사슬에서 발생하는 배출량을 포괄한다.

따라서 부실한 인프라 데이터는 고객 보고의 정확성을 약화시킬 수 있다. 클라우드 이전이 실제보다 더 친환경적으로 보이게 할 수도 있다.

규제기관과 투자자들은 포괄적인 지속가능성 표현보다 비교 가능한 정보를 점점 더 원하고 있다. 이들에게는 일관된 경계, 측정 방법, 보고 기간이 필요하다.

지역사회는 다른 우려를 갖고 있다. 이들은 제안된 시설이 전기요금, 지하수, 세수, 토지 이용, 전력망 신뢰성에 영향을 미칠지를 알고 싶어 한다.

이러한 질문은 효율성을 사회 및 지배구조 문제로 바꾼다. 기술적 개선만으로는 누가 경제적 이익을 얻고 누가 인프라 비용을 부담하는지에 관한 분쟁을 해결할 수 없다.

Google News 보도는 이렇게 넓어지는 이해관계자 범위를 드러내는 데 도움이 된다. 데이터 센터 성능은 더 이상 엔지니어들만 논의하는 전문 시설 주제가 아니다.

이제 이는 기업 이사회, 전력회사 계획 담당자, 규제기관, 투자자, 고객, 그리고 예정된 캠퍼스 인근 주민에게 영향을 미친다. 각 집단은 서로 다른 위험 관점에서 효율성을 평가한다.

진짜 경쟁은 효율성 향상과 총자원 증가 사이에 있다

효율성 개선은 총환경 영향의 궤적을 바꿀 때에만 ESG 목표를 뒷받침한다.

이는 두 개의 움직이는 변수에 기반한 규모의 문제다. 첫 번째는 컴퓨팅 작업 단위당 소비되는 에너지다.

두 번째는 요구되는 컴퓨팅의 양이다. AI 기업들은 첫 번째 변수를 개선하는 동시에 두 번째 변수를 빠르게 늘리고 있다.

더 효율적인 칩은 와트당 더 많은 연산을 처리할 수 있다. 더 나은 소프트웨어는 불필요한 연산을 줄이고, 모델 라우팅을 개선하며, 작업을 적절한 하드웨어에 배치할 수 있다.

더 높은 서버 활용률은 더 많은 유용한 작업에 내재 및 운영 영향을 분산한다. 유휴 가속기는 고객 가치를 거의 만들지 않으면서도 전력을 소비한다.

하지만 비용 하락은 더 많은 사용을 자극할 수 있다. 경제학자들은 흔히 효율성이 서비스를 더 저렴하게 만들어 총소비를 확대하는 결과를 반동 효과라고 설명한다.

AI 시스템은 이러한 위험을 잘 보여준다. 더 저렴한 텍스트 질의는 개발자가 모델을 검색, 오피스 소프트웨어, 고객 지원, 코딩 도구, 자동화 에이전트에 적용하도록 만들 수 있다.

추론 모델은 답변을 반환하기 전에 반복적인 계산 단계를 수행할 수 있다. 영상 생성과 멀티모달 시스템은 단순한 텍스트 응답보다 훨씬 더 많은 처리를 요구할 수 있다.

에이전트는 지속적인 사람의 입력 없이도 모델 호출 사슬을 실행할 수 있다. 개별 작업은 더 효율적으로 변할 수 있지만, 전체 작업 수는 더 빠르게 증가한다.

IEA는 2026년에 최근 몇 년간 AI 작업당 에너지 사용량이 매년 최소 한 자릿수 규모만큼 감소했다고 보고했다. 또한 AI 중심 데이터 센터의 전력 사용량이 2025년에 50% 급증했다고 밝혔다.

이러한 결과는 모순되지 않는다. 작업당 개선과 시스템 전반의 수요를 함께 보고해야 하는 이유를 보여준다.

시설 설계도 같은 긴장에 직면한다. 액체 냉각은 기존 공랭식 냉각보다 고밀도 AI 랙의 열을 더 효율적으로 제거할 수 있다.

그러나 액체 시스템은 펌프, 열교환기, 수원, 방열 장비와 관련한 새로운 설계 선택지를 도입한다. 성능은 기후와 구성에 따라 달라진다.

더 높은 랙 밀도는 일정한 컴퓨팅 규모에 필요한 물리적 공간을 줄일 수 있다. 동시에 더 작은 면적에 전력 수요와 열을 집중시킬 수도 있다.

이러한 집중은 변압기, 스위치기어, 백업 시스템, 전력회사 연계에 영향을 준다. 기술적으로 효율적인 건물도 외부에서 상당한 업그레이드를 필요로 할 수 있다.

따라서 PUE는 더 큰 측정 체계 안에 자리해야 한다. 미국 에너지부는 PUE 유형 지표를 물, 탄소, 에너지 재사용, 컴퓨팅 산출 지표와 결합할 것을 권고한다.

에너지부의 설계 효율성 가이드는 PUE 약 1.6을 표준, 1.4를 우수, 1.1을 더 우수한 수준으로 설명한다.

이 가이드는 PUE가 데이터 센터 전체의 효율성을 정의하지는 않는다고도 경고한다. 설치된 서버가 생산적인지 또는 적절하게 프로비저닝됐는지에 대해서는 아무것도 말해주지 않는다.

물 사용 효율성(WUE)은 IT 장비 에너지 대비 연간 시설 물 사용량을 측정한다. 탄소 사용 효율성은 배출량을 IT 전력 소비와 연결한다.

에너지 재사용 효율성은 다른 용도로 내보낸 에너지를 고려한다. 적절한 인프라가 있다면 폐열은 지역 난방, 산업 공정 또는 인근 건물을 지원할 수 있다.

컴퓨팅 지표는 빠져 있던 산출 측면을 더한다. 운영자는 와트당 거래 건수, 모델 토큰, 학습 진행도 또는 기타 워크로드별 단위를 추적할 수 있다.

모든 워크로드에 적용되는 단일 산출 지표는 없다. 모델 학습, 동영상 제공, 기록 저장, 금융 거래 처리는 서로 다른 형태의 가치를 제공한다.

이러한 한계가 산출을 무시할 근거가 되지는 않는다. 기업은 외부인이 결과를 해석할 수 있을 만큼 방법론, 경계 및 워크로드 범주를 명확히 공개해야 한다는 뜻이다.

PUE만을 중심으로 구축된 ESG 프로그램은 잘못된 행동을 보상할 수 있다. 오래된 장비를 교체하면 사용률이 낮은 서버를 그대로 둔 채 시설 오버헤드는 개선될 수 있다.

워크로드를 하이퍼스케일 제공업체로 이전하면 측정상 기업 전력 사용량은 줄어들 수 있다. 그러나 기저 에너지 수요는 여전히 존재하며 제공업체의 인벤토리로 옮겨갈 뿐이다.

재생에너지 인증서는 시장기반 Scope 2 배출량을 낮출 수 있다. 그렇다고 지역 전력 소비와 연관된 물리적 배출량이 자동으로 감소하는 것은 아니다.

마찬가지로 연간 물 보충은 유용한 복원 프로젝트를 지원할 수 있다. 하지만 가뭄이나 수요 피크 시기의 취수에 관한 시설 단위 정보를 대체할 수는 없다.

가장 신뢰할 만한 접근법은 유용한 컴퓨팅 산출, 시설 총에너지, 시간대별 전력원, 지역 물 영향, 공급망 배출이라는 다섯 계층을 연결한다.

이처럼 확장된 점수표는 조달 결정을 바꾼다. 구매자는 단일 효율 비율을 그대로 받아들이는 대신 서비스 산출과 환경적 결과를 기준으로 제공업체를 비교할 수 있다.

또한 엔지니어링 우선순위도 바뀐다. 팀은 모델, 스케줄링, 하드웨어 활용률, 냉각 및 에너지 조달을 하나의 연결된 시스템으로 최적화할 수 있다.

더 나은 하드웨어로는 취약한 측정과 공시를 해결할 수 없다

가장 큰 불확실성은 효율 기술이 효과가 있는지 여부가 아니라, 보고된 지표가 기업의 주장을 검증할 만큼 충분한 정보를 드러내는지에 있다.

업계는 지난 20년간 시설 성능을 개선해 왔다. 이러한 성과는 실질적이지만, 설치 기반의 상당 부분에서 개선 속도는 둔화됐다.

Uptime Institute의 2025년 글로벌 조사에 따르면 평균 PUE는 6년 연속 거의 변하지 않았다. 기존 인프라와 기후별 냉각 제약이 추가 진전을 제한했다.

같은 조사는 2025년에도 핵심 지속가능성 지표의 수집 및 보고가 개선되지 않았다고 밝혔다. Uptime은 이러한 정체가 일부 지역의 상업적 AI 압력과 규제 완화에 부분적으로 기인한다고 설명했다.

이러한 결과는 연구소의 조사 결과에 담겨 있다.

공시 격차는 비교를 어렵게 만든다. 기업마다 조직 경계, 회계 방식, 물 소비 또는 재생에너지에 대한 정의가 다르다.

일부 기업은 데이터 센터를 분리하지 않은 전사 전력 사용량을 공개한다. 다른 기업은 지역별 총량을 보고하지만 개별 시설은 제외한다.

시설 단위 공시는 보안 및 상업적 우려를 낳을 수 있다. 그러나 집계는 전력망과 유역이 가장 큰 압박을 받는 장소를 가릴 수 있다.

AI 워크로드는 또 다른 측정 과제를 만든다. 제공업체들은 모델, 작업 유형, 위치, 시간별 완전한 에너지 데이터를 좀처럼 공개하지 않는다.

단일 평균값은 효율적인 텍스트 요청과 에너지 집약적인 동영상 생성을 함께 묶을 수 있다. 모델 크기와 추론 설정 간 차이도 감출 수 있다.

Google 연구진은 전체 서비스 스택 전반에서 AI 추론을 측정하는 방식을 제안했다. 여기에는 가속기, 호스트 시스템, 유휴 용량 및 시설 오버헤드가 포함된다.

이 방식은 활성 칩만 측정하는 것보다 더 많은 정보를 제공한다. 그러나 제공업체가 서로 다른 워크로드와 비공개 인프라를 사용하는 한 독립적인 비교는 여전히 제한적이다.

기업 목표는 거버넌스 문제도 제기한다. 이사회는 인프라 팀이 AI 수요가 얼마나 빠르게 증가할지 알기 전에 장기 기후 공약을 승인하는 경우가 많다.

그 후 경영진은 상충하는 유인에 직면한다. 기후 약속을 지키는 동시에 AI 시장에서의 입지를 약화시킬 수 있는 지연은 피하고자 한다.

보상이나 자금 조달이 지속가능성 성과에 연계될 때 문제는 더 선명해진다. 취약한 정의는 물리적 감축이 아니라 유리한 회계를 보상할 수 있다.

규제기관은 일관된 보고 요건을 마련해 비교 가능성을 높일 수 있다. 그러나 부실하게 설계된 규칙은 운영상 의미가 부족한 규정 준수 데이터를 만들어낼 수도 있다.

유럽연합은 적격 데이터 센터에 지속가능성 보고를 요구하기 시작했다. 독일은 시설의 향후 PUE 기준을 포함한 효율 요건을 채택했다.

보고 요건이 모든 시설을 비교 가능하게 만들지는 않는다. 기후, 가용성 요건, 워크로드 유형, 건물 연식은 모두 달성 가능한 성능에 영향을 미친다.

고온다습한 지역의 데이터 센터를 추운 기후에서 프리 쿨링을 사용하는 시설과만 비교해 평가해서는 안 된다. 핵심은 각 시설이 적절한 방법을 사용하는지 여부다.

신뢰성은 또 다른 상충관계를 만든다. 이중화 장비는 전력 오버헤드를 늘리지만 필수 디지털 서비스를 장애로부터 보호한다.

모든 이중화 계층을 제거하면 효율 비율은 개선될 수 있지만, 용납할 수 없는 운영 위험이 생길 수 있다. ESG 분석은 서비스 복원력을 고려해야 한다.

물과 에너지는 서로 반대 방향으로 움직일 수도 있다. 증발 냉각은 전력 소비를 줄일 수 있지만 물 소비를 늘릴 수 있다.

공랭식 시스템은 직접적인 물 사용을 낮출 수 있지만 더 많은 전력이 필요할 수 있다. 어느 쪽이 더 친환경적인지는 지역 물 스트레스와 전력망 배출량에 달려 있다.

이러한 상충관계는 “친환경 데이터 센터” 같은 광범위한 주장을 검증하기 어렵게 만든다. 투명한 운영자는 이점과 전가된 영향 모두를 공개해야 한다.

기업 보고서는 여러 대상을 겨냥하기 때문에 독립적인 분석은 여전히 필수적이다. 유용한 데이터를 제공하지만, 동시에 기업 전략을 유리한 방식으로 제시하기도 한다.

Associated Press 보도는 AI 확장이 주요 기술 기업들의 기후 약속을 어떻게 복잡하게 만들고 있는지 기록했다. 해당 기후 목표 분석은 기업들이 어려움을 점점 더 인정하고 있다고 지적한다.

이러한 인정은 중요하지만 진전의 증거는 아니다. 독자는 목표, 체결된 에너지 계약, 완료된 프로젝트, 측정된 운영 결과를 구분해야 한다.

Google News는 이 네 범주를 하나의 흐름으로 모두 보여줄 수 있다. 편집자와 독자는 이를 동등한 증거로 취급하지 않아야 한다.

제안된 원자력 계약은 가동 중인 발전 설비가 아니다. 물 보충 약속은 프로젝트가 검증된 혜택을 제공하기 전까지 복원된 물이 아니다.

실험실 하드웨어에 기반한 효율 주장도 전사 장비군의 결과는 아니다. 건설 목표는 완공된 저탄소 시설이 아니다.

가장 강력한 ESG 보고는 이러한 단계를 드러낸다. 또한 기존 목표를 새로운 표현으로 대체하는 대신 미달 사항을 설명한다.

효율성이 AI 구축 경쟁을 따라잡을 수 있는지 보여줄 세 가지 신호

다음 단계는 또 한 번의 개별 효율 발표가 아니라 절대적 성과로 평가받게 될 것이다.

첫 번째 신호는 전력 소비가 계속 증가하는 가운데 데이터 센터 총배출량이 감소하기 시작하는지 여부다.

효율성은 관리되지 않은 확장에 비해 수요를 늦추고 배출량을 줄인다면 실질적 가치가 있다. 그러나 기업의 기후 약속은 궁극적으로 절대적 감축을 요구한다.

독자는 연간 전력 증가율을 위치기반 및 시장기반 배출량과 비교해야 한다. 위치기반 수치는 운영에 전력을 공급하는 전력망을 반영하고, 시장기반 수치는 계약상 구매를 포함한다.

두 수치 간 격차가 확대되면 회계 수단 의존도가 더 높아졌음을 시사할 수 있다. 둘 다 감소한다면 물리적 탈탄소화의 더 강력한 증거가 된다.

두 번째 신호는 기업들이 더 세분화된 에너지 및 물 정보를 공개하는지 여부다.

유용한 공시는 데이터 센터를 사무실 및 기타 운영과 분리해야 한다. 또한 주요 지역, 물 스트레스 지역, 소비량 산정 방식도 밝혀야 한다.

AI와 관련해 제공업체는 작업당 추정치에 어떤 시스템 구성 요소가 포함되는지 설명해야 한다. 민감한 고객 정보를 노출하지 않으면서 워크로드 범주를 공개해야 한다.

더 일관된 보고는 ESG 목표가 인프라 의사결정을 이끈다는 주장을 강화할 것이다. 집계가 계속된다면 지역 영향에 대한 의문은 남을 것이다.

세 번째 신호는 효율성이 신규 시설을 개선하는 데 그치지 않고 용량 계획을 바꾸는지 여부다.

운영자는 더 높은 서버 활용률, 워크로드 스케줄링, 장비 퇴역 및 수요 유연성을 보여줘야 한다. 또한 소프트웨어 팀이 모델을 선택할 때 에너지를 고려한다는 점도 입증해야 한다.

전력회사는 실질적인 시험대를 제공할 것이다. 신규 부하를 실제 공급 가능한 발전, 송전 및 저장 설비와 연계하는 프로젝트는 신뢰성에 대한 의문이 더 적을 것이다.

불확실한 미래 공급에 의존하는 프로젝트는 지역 전력망의 압박을 높일 것이다. 또한 정치적 반발, 인허가 지연 및 인프라 비용 상승을 초래할 수 있다.

앞으로 몇 차례의 기업 환경 보고서는 이러한 신호를 더 쉽게 비교할 수 있게 할 것이다. Google, Microsoft, Amazon, Meta는 이제 동일한 기본 차원에서 검토를 받고 있다.

이들이 보고하는 PUE 수치는 여전히 중요할 것이다. 더 중요한 수치는 총전력량, 시간대별 청정에너지 충당률, 물 소비량, 배출량 및 제공된 유용한 컴퓨팅이다.

Google News는 효율적인 칩, 액체 냉각 및 새로운 에너지 계약에 관한 발표을 계속 전할 것이다. 독자는 각 변화가 이러한 더 큰 총량을 바꾸는지 물어야 한다.

개발자와 엔터프라이즈 구매자도 영향력을 지닌다. 더 작은 모델을 선택하고, 불필요한 호출을 줄이며, 적합한 결과를 캐싱하고, 제공업체에 신뢰할 수 있는 인프라 데이터를 요청할 수 있다.

지식 노동자는 모든 작업에 가장 많은 연산을 요구하는 모델이 필요한지 물을 수 있다. 제품 팀은 모델 크기를 극대화하는 대신 에너지와 지연 시간 대비 산출 품질을 측정할 수 있다.

데이터 센터 에너지 효율성은 이제 AI 성장 전략의 신뢰성과 분리할 수 없다. 결정적인 질문은 간단하다. 확장으로 인해 기업 ESG 목표가 달성 불가능해지기 전에 검증된 자원 감축이 이뤄질 것인가?