Morgan Stanley, 기업 AI 성장세가 전력 부족과 충돌하고 있다고 경고

Morgan Stanley는 최신 Google News 헤드라인 이면의 뚜렷한 충돌을 지목했다. 기업의 AI 도입은 빨라지고 있지만, 가용 컴퓨팅 전력은 여전히 제한적이라는 것이다.

이 은행의 조사에 따르면 설문에 참여한 최고정보책임자(CIO)의 81%는 2026년 중 최소 하나의 생성형 AI 워크로드가 프로덕션 환경에서 운영될 것으로 예상했다. 이 비율은 2025년 2분기 74%, 3분기 79%에서 상승했다.

프로덕션 워크로드는 지속적으로 운영되고 실제 사용자를 지원하며, 일시적인 실험보다 더 엄격한 신뢰성을 요구하기 때문에 중요하다. 또한 직원, 고객 또는 자동화 에이전트가 요청을 제출할 때마다 추론 용량을 소비한다.

이 전환은 더 느린 물리적 시스템과 충돌하고 있다. 데이터 센터에는 칩, 메모리, 냉각 장비, 송전 용량, 안정적인 전력이 필요하다. 소프트웨어는 수개월 안에 프로덕션에 투입될 수 있지만, 대규모 전력 프로젝트는 흔히 수년이 걸린다.

그 결과 익숙한 AI 도입 서사는 뒤집히고 있다. 기업은 AI 사용에 더 적극적이 되고 있지만, 인프라 제공업체는 공급망의 모든 부분을 소프트웨어 속도로 확장할 수 없다.

Morgan Stanley는 전력 제약이 2027년과 2028년에 특히 중요한 문제가 될 것으로 예상한다. 이 은행은 기존 전력망 연결에 너무 오랜 시간이 걸릴 경우 데이터 센터 개발업체들이 천연가스, 배터리, 마이크로그리드, 현장 발전을 추진하고 있다고도 본다.

이는 Nvidia 가속기나 클라우드 자본 지출을 둘러싼 투자 논쟁에 그치지 않는다. 빠르게 누적되는 수요와 긴 계획·인허가·건설 주기를 전제로 구축된 전력 시스템 간의 경쟁이다.

Google News 헤드라인은 Morgan Stanley의 두 가지 별도 신호를 연결한다

Morgan Stanley의 경고는 측정 가능한 기업 도입 추세와 단기 용량이 부족한 전력 시장을 결합한다.

첫 번째 신호는 은행의 기술 리서치에서 나온다. 최신 AI 도입 설문조사는 미국, 독일, 일본, 호주의 기업 임원 935명을 대상으로 진행됐다.

최소 1년간 AI를 사용한 기업들은 평균 11.5%의 생산성 향상을 보고했다. 설문 대상 기업들은 AI 노출도가 높은 것으로 간주되는 5개 부문에서 순고용이 4% 감소했다고도 밝혔다.

이러한 결과가 모든 AI 프로젝트가 같은 수익을 낸다는 사실을 입증하는 것은 아니다. 다만 상당수 대기업에서 도입이 시연 단계를 넘어섰음을 보여준다.

별도의 Morgan Stanley CIO 설문조사도 이 점을 뒷받침한다. 조사 결과, CIO의 81%는 2026년 말까지 최소 하나의 생성형 AI 워크로드가 프로덕션 환경에서 운영될 것으로 예상했다.

프로덕션 전환은 인프라 수요의 형태를 바꾼다. 개념검증은 수주간 운영되고 소규모 팀만 참여하다가 예산 검토 시점에 중단될 수 있다.

반면 실제 서비스 애플리케이션은 반복적인 트래픽을 처리하고, 보안 통제를 유지하며, 응답 시간을 관리하고, 업무 시간 동안 가용성을 보장해야 한다. 고객 대상 시스템은 지역 전반에서 지속적인 서비스를 요구할 수 있다.

워크로드는 학습에서 추론으로도 이동한다. 추론은 학습된 모델을 실행해 답변, 예측, 이미지 또는 자동화된 작업을 생성하는 과정이다.

한 번의 추론 요청은 효율적일 수 있다. 그러나 기업용 소프트웨어, 고객 지원, 개발 시스템, 자율 에이전트 전반에서 수백만 건의 반복 요청이 발생하면 상당한 총부하가 만들어진다.

두 번째 신호는 전력 시장에서 나온다. Morgan Stanley는 수년간의 제한적인 전력망 투자로 인해 데이터 센터 개발업체들이 2027년과 2028년의 공급 부족을 우려하게 됐다고 말한다.

은행의 전력 시장 전망은 계량기 후단 발전에 대한 관심이 커지고 있다고 설명한다. 이는 시설이 광역 전력망에만 전적으로 의존하지 않고 인근 장비에서 일부 전력을 직접 공급받는 방식을 뜻한다.

두 신호는 서로를 강화한다. 기업 도입은 클라우드 제공업체가 더 안정적인 컴퓨팅 용량을 필요로 하는 바로 그 시점에 반복 수요를 늘린다.

이것이 Google News 항목의 핵심 의미다. 기업 수요는 더 쉽게 관찰되고 있지만, 새로운 공급은 물리적 장비와 긴 승인 절차에 제약받고 있다.

기초가 되는 Morgan Stanley 자료는 광범위한 논지를 뒷받침하지만, 종합된 헤드라인은 여러 리서치 흐름을 한 문장으로 압축한다. 이를 모든 지역이 실제 정전을 겪을 것이라는 정밀한 예측으로 읽어서는 안 된다.

대신 부족 현상은 전력망 연결 지연, 제한된 클라우드 용량, 높은 인프라 비용, 신규 시설 운영 지역을 둘러싼 더 까다로운 결정의 형태로 나타날 가능성이 크다.

기업 AI 도입은 실험을 지속적인 수요로 바꾼다

기업이 AI 테스트를 멈추고 일상 운영에 내장하기 시작하면 인프라 문제는 커진다.

실험용 챗봇은 간헐적인 트래픽을 만든다. 영업, 엔지니어링, 재무 또는 고객 서비스와 연결된 프로덕션 시스템은 업무 시간 내내 반복적인 수요를 발생시킨다.

AI 에이전트는 이 수요를 더욱 늘릴 수 있다. 에이전트는 목표를 향해 여러 단계를 계획하고 수행하는 소프트웨어로, 흔히 모델과 외부 도구를 여러 차례 호출한다.

직원 한 명의 요청도 문서 검색, 분류, 모델 추론, 데이터베이스 쿼리, 검증, 최종 응답을 촉발할 수 있다. 각 단계는 추가 토큰과 컴퓨팅 시간을 소비할 수 있다.

이러한 패턴은 효율성 개선이 총에너지 소비를 자동으로 줄이지 않는 이유를 설명한다. 더 효율적인 모델은 하나의 작업 비용을 낮추고, 이는 기업이 더 많은 작업을 실행하도록 유도할 수 있다.

국제에너지기구(IEA)는 데이터 센터 전력 수요가 2025년 동안 17% 증가했다고 보고했다. AI 중심 시설의 전력 사용량은 이보다 더 빠르게 늘었다.

IEA는 또한 주요 기술 기업 5곳의 자본 지출이 2025년 4,000억 달러를 넘어섰다고 분석했다. 이 금액은 2026년에 다시 75% 증가할 것으로 예상했다.

이 수치는 모델 개발에서 광범위한 배포로 이동하는 시장을 포착한다. 클라우드 기업은 어떤 애플리케이션이 지속적인 수익을 낼지 정확히 알기 전에 용량을 구축해야 한다.

Morgan Stanley의 기업 조사 결과도 같은 방향을 가리킨다. 최소 1년간 AI를 사용한 기업들은 두 자릿수의 평균 생산성 향상을 보고했고, 이는 성공적인 배포를 확대할 유인을 만든다.

다만 이러한 평균치에는 맥락이 필요하다. 효과는 작업, 산업, 데이터 품질, 구현 성숙도에 따라 달라진다.

Morgan Stanley는 규모가 큰 기업일수록 더 뚜렷한 고용 감소를 보고했다고도 밝혔다. 이 결과는 일부 생산성 향상이 더 나은 도구, 더 적은 인력 또는 두 요인의 결합을 반영하는지에 관한 의문을 제기한다.

또 다른 Morgan Stanley 분석은 기업 실적 발표 컨퍼런스콜을 검토했다. 2026년 1분기에 S&P 500 기업의 25%가 최소 하나의 측정 가능한 AI 영향을 언급한 것으로 나타났다.

1년 전 비교 가능한 비율은 13%였다. 기술 기업은 가시적인 혜택을 더 자주 보고했지만, 광범위한 지수의 75%는 여전히 정량화된 혜택을 제시하지 않았다.

이 격차는 중요하다. AI 도입이 가속화되고 있음을 보여주지만, AI가 모든 기업을 변화시켰거나 모든 인프라 프로젝트를 정당화했다는 증거는 아니다.

개발자와 기업 구매자는 배포와 가치를 구분해야 한다. 워크로드가 프로덕션에 진입했다는 것은 내부 기준을 통과했음을 뜻하지만, 장기적으로 매력적인 경제성을 보장하지는 않는다.

프로덕션 환경에서는 파일럿 동안 숨겨져 있던 비용도 드러날 수 있다. 여기에는 모델 사용료, 검색 인프라, 인적 검토, 보안 모니터링, 데이터 준비, 장애 처리 등이 포함된다.

AI 애플리케이션은 낮은 지연 시간이나 엄격한 가용성을 요구할수록 비용이 높아진다. 기업은 가끔씩 클라우드 접근을 구매하는 대신 컴퓨팅 용량을 예약해야 할 수 있다.

민감한 워크로드는 또 다른 제약을 만든다. 금융 서비스, 의료, 국방, 규제 산업은 흔히 더 강한 데이터 통제와 더 예측 가능한 배포 환경을 요구한다.

이러한 요구 사항은 워크로드가 실행될 수 있는 장소를 제한할 수 있다. 한 지역에 용량이 부족할 때 기업이 클라우드 리전 간 트래픽을 자유롭게 이동하지 못하게 할 수도 있다.

따라서 AI 전력 부족 문제는 발전량을 넘어선다. 기업 요청과 모델 응답 사이의 전체 사슬을 포함한다.

이 사슬은 첨단 칩, 메모리, 네트워킹, 냉각, 변압기, 변전소, 송전선, 백업 전력, 소프트웨어 오케스트레이션을 아우른다. 한 계층의 부족만으로도 전체 시스템이 제한될 수 있다.

Morgan Stanley의 도입 데이터는 이 제약의 긴급성을 높인다. 수요 측면은 더 이상 미래 소비자 제품에 관한 전망에만 기반하지 않는다.

실제 기업들이 AI를 운영 워크플로에 배치하고 있다. 직원과 고객이 이러한 시스템에 의존하게 되면, 용량을 줄이는 일은 실험을 종료하는 것보다 훨씬 어려워진다.

실제 AI 전력 부족은 전력망 연결에서 시작된다

한 지역 내에 전력이 존재하더라도, 필요한 일정에 특정 데이터 센터가 이를 이용할 수 없을 수 있다.

전력 공급은 흔히 하나의 국가 단위 수치로 설명된다. 그러나 데이터 센터 개발은 송전 용량, 변전소 장비, 발전 가용성, 계통연계 승인 등 지역적 조건에 좌우된다.

전력망 연결은 신규 시설이 전기를 공급받을 수 있도록 하는 물리적·계약상 구성이다. 대규모 연결은 더 넓은 네트워크의 신뢰성에 영향을 줄 수 있기 때문에 엔지니어링 검토가 필요하다.

미국 에너지부는 데이터 센터가 2023년에 176테라와트시의 전력을 소비했다고 보고했다. 이는 미국 전체 전력 사용량의 약 4.4%에 해당한다.

에너지부는 소비량이 2028년까지 325~580테라와트시로 늘어날 것으로 전망했다. 이 범위에서는 데이터 센터가 미국 전체 전력 수요의 6.7%~12%를 차지하게 된다.

더 최근의 Lawrence Berkeley National Laboratory 추정치는 전망을 2030년까지 확장한다. 중앙 시나리오에서는 그해 데이터 센터가 미국 전력 사용량의 11.8%를 차지한다.

국가 에너지 업데이트는 9.5%~15.3%의 시나리오 범위를 제시한다. 이 넓은 범위는 장비 출하량, 가동률, 냉각 성능, 배포에 대한 불확실성을 반영한다.

낮은 시나리오조차 전력회사에는 상당한 변화를 의미한다. 데이터 센터, 제조업, 차량, 건물 전기화가 성장을 되살리기 전까지 많은 선진국의 전력 수요는 비교적 정체돼 있었다.

IEA는 전 세계 데이터 센터 전력 소비가 2030년까지 900테라와트시를 넘어설 것으로 예상한다. 분석에 따르면 미국은 예상 증가분에서 가장 큰 비중을 차지한다.

IEA는 데이터 센터가 2030년까지 미국 전력 수요 증가분의 거의 절반을 만들어낼 것으로 전망한다. 이러한 집중은 개별 계통연계 결정을 지역 계획 문제로 바꾼다.

전력회사는 제안된 기가와트급 캠퍼스를 일반적인 오피스 빌딩처럼 다룰 수 없다. 1기가와트는 유리한 운영 조건에서 대형 발전기 1기의 출력과 맞먹는다.

데이터 센터는 정의된 시스템 조건에서도 전력이 계속 공급돼야 한다는 의미의 확정 전력을 요청할 수도 있다. 이 요구는 전력망 계획 담당자가 발전 및 송전 수요를 평가하는 방식을 바꾼다.

새로운 수요는 새로운 공급보다 더 빠르게 발생할 수 있다. 개발업체는 대규모 송전 프로젝트의 인허가와 건설이 완료되기 전에 서버를 주문하고 건물을 지을 수 있다.

발전 설비도 자체적인 시간 문제를 안고 있다. 가스 터빈, 변압기, 개폐 장치 및 기타 전력 장비는 제조 제약과 긴 납기 일정에 직면해 있다.

재생에너지 프로젝트는 일부 시장에서 더 빨리 가동될 수 있지만, 변동적인 출력 특성상 저장장치, 유연한 수요, 송전망 또는 조정 가능한 발전 설비가 필요한 경우가 많다.

원자력 발전소는 안정적인 출력을 제공하지만, 일반적으로 개발 기간이 길다. 소형 모듈형 원자로는 폭넓은 단기 해법이라기보다 미래의 잠재적 공급원으로 남아 있다.

천연가스는 제어 가능한 발전을 제공할 수 있지만, 파이프라인과 터빈이 추가적인 제약을 만든다. 지역 주민의 반대와 배출 목표도 신규 프로젝트를 복잡하게 만들 수 있다.

이 때문에 Morgan Stanley는 “전력 확보까지의 시간”을 강조한다. 결정적인 지표는 언젠가 이용 가능할 전력의 이론적 총량만이 아니다.

개발업체는 특정 지역이 정해진 규모의 신뢰할 수 있는 전력을 언제 공급할 수 있는지 알아야 한다. 불확실성은 다른 조건이 적합한 부동산마저 사용할 수 없게 만들 수 있다.

이 문제는 연방 차원의 관심도 끌고 있다. 2026년 6월, Federal Energy Regulatory Commission은 6개 지역 전력망 운영자에게 대규모 부하 연결 규정을 정당화하거나 개정하라고 명령했다.

대규모 부하 명령은 데이터 센터, 공장 및 기타 대규모 전력 사용자를 다룬다. 또한 일반 고객이 정당화되지 않은 인프라 비용을 부담하지 않도록 하는 보호장치도 추진한다.

규제 조치는 이 병목이 단지 애널리스트의 전망에 국한되지 않음을 확인해 준다. 전력망 당국은 AI 캠퍼스가 전례 없는 부하를 요청하기 전 만들어진 규정을 적극적으로 재검토하고 있다.

그러나 절차를 빨리 진행한다고 해서 변압기나 발전 용량이 만들어지는 것은 아니다. 규정 변경은 행정적 지연을 없앨 수 있지만, 물리적 확장에는 여전히 시간이 걸린다.

Hyperscalers Are Bringing Power Closer to the Data Center

클라우드 제공업체들은 에너지 조달을 컴퓨팅 아키텍처의 일부로 다루며 대응하고 있다.

전통적인 접근법은 데이터 센터를 전력 시스템과 분리한다. 개발업체는 유틸리티 연결을 요청하고, 전력을 구매하며, 비상 상황을 위해 백업 발전기를 설치한다.

유틸리티 용량이 프로젝트 일정에 맞춰 공급되지 못할 때 이 모델의 신뢰성은 떨어진다. 개발업체들은 이제 컴퓨팅, 발전, 저장 및 전력망 서비스를 결합한 시설을 고려하고 있다.

Morgan Stanley는 천연가스, 배터리, 마이크로그리드 및 원자력 프로젝트가 더 큰 역할을 맡게 될 것으로 예상한다. 마이크로그리드는 발전, 저장 및 소비를 조정할 수 있는 지역 전력망이다.

계량기 뒤편 발전 설비는 광역 전력망에 요청하는 확정 용량을 줄일 수 있다. 또한 계획된 모든 송전망 증설이 끝나기 전에 시설 가동을 시작하는 데 도움이 될 수 있다.

이 접근법에는 대가가 따른다. 현장 발전은 연료, 인허가, 장비, 유지보수 및 자본을 필요로 하며, 기존 데이터 센터라면 피할 수 있었던 부담일 수 있다.

또한 환경 부담을 지역사회에 전가할 수 있다. 가스 발전은 배출가스를 발생시키며, 대규모 캠퍼스는 물 사용량, 토지 가용성, 소음 및 주거용 전기요금에 영향을 미칠 수 있다.

배터리는 빠르게 대응할 수 있고 단기 피크를 줄일 수 있다. 하지만 1차 에너지를 만들어내지는 않으므로, 그 유용성은 충전 기회와 공급 부족의 지속 기간에 달려 있다.

수요 유연성도 또 다른 선택지다. 애플리케이션이 지연을 허용한다면, 데이터 센터는 전력망이 제약을 받을 때 선택된 워크로드를 줄일 수 있다.

모델 학습 작업은 고객 대면 추론보다 시간상 이동하기 쉬운 경우가 많다. 모델 학습 실행은 때때로 멈출 수 있지만, 은행의 사기 탐지 시스템은 전력 수요가 낮아질 때까지 기다릴 수 없다.

워크로드는 지역 간에 이동할 수도 있다. 이 전략에는 여유 컴퓨팅 용량, 충분한 네트워크 연결, 호환되는 데이터 규정, 그리고 지리적 분산을 고려해 설계된 소프트웨어가 필요하다.

이러한 선택지는 hyperscaler에 우위를 제공한다. 가장 큰 클라우드 및 기술 기업들은 복잡한 에너지 계약을 협상하는 데 필요한 재무 역량, 엔지니어링 팀 및 지리적 거점을 보유하고 있다.

Morgan Stanley는 미국의 5대 기술 기업이 2026년 동안 약 8,000억 달러를 지출할 수 있다고 추산한다. 이들의 합산 자본 지출은 2027년 1조 1,600억 달러에 이를 수 있다.

이러한 수치는 여전히 전망치이며 실제 지출은 매출, 자금 조달 여건 및 기술 성능에 따라 달라질 수 있다. 그럼에도 hyperscaler와 소규모 제공업체 사이의 규모 차이를 보여준다.

대형 구매자는 장기 전력 계약을 체결하거나 신규 발전 프로젝트를 지원할 수 있다. 또한 부족한 칩, 네트워킹 장비 및 건설 용량을 선점할 수도 있다.

소규모 클라우드 제공업체와 기업 운영자는 더 어려운 위치에 놓인다. 이들은 더 높은 요금을 지불하거나, 더 긴 배포 일정을 받아들이거나, 선호하는 사용자로부터 더 먼 곳에 시설을 배치해야 할 수 있다.

이는 시장 집중을 강화할 수 있다. 전력 접근성이 경쟁 자산이 된다면, 기존 캠퍼스와 전력망 관계를 보유한 기업은 신규 진입자에 맞서는 또 하나의 장벽을 얻게 된다.

칩 경쟁이 이 문제를 없애지는 않는다. Nvidia, AMD 및 맞춤형 가속기는 와트당 성능을 개선할 수 있지만, 고객이 더 많은 시스템을 배포하면 총 전력 수요는 계속 증가한다.

효율성은 사용량을 오히려 가속할 수도 있다. 더 낮은 추론 비용은 새로운 애플리케이션의 경제성을 높여 데이터 센터로 전송되는 요청 수를 늘린다.

IEA는 AI 작업당 전력 소비가 빠르게 감소하고 있다고 말한다. 동시에 채택 확대와 워크로드 강도 증가가 더 빠르기 때문에, 2030년까지 전체 데이터 센터 사용량은 두 배가 될 것으로 예상한다.

이 효과는 다른 컴퓨팅 전환기와 닮아 있다. 더 효율적인 프로세서는 총 연산량에 고정된 상한을 두기보다 실용적인 소프트웨어의 범위를 확장했다.

기업 구매자에게 즉각적인 교훈은 아키텍처에 관한 것이다. 팀은 클라우드 용량이 모든 선호 지역에서 항상 즉시 제공될 것이라고 가정해서는 안 된다.

이들은 모델 대체, 워크로드 스케줄링, 지역 장애 조치, 캐싱 및 효율적인 검색을 위한 계획이 필요하다. 이러한 제어 장치는 기업이 자체 발전소를 운영하지 않고도 노출을 줄일 수 있다.

지식 집약형 AI 시스템은 체계적으로 정리되고 권한을 인식하는 소스 자료에도 의존한다. 더 나은 검색은 불필요한 모델 호출을 피하고 동일한 기업 정보를 반복 처리하는 일을 줄일 수 있다.

더 큰 전략적 요점은 여전히 물리적 현실에 있다. AI 소프트웨어 시장은 몇 주 만에 바뀔 수 있지만, 전력 인프라는 수십 년에 걸쳐 자본을 묶어 둔다.

What the Morgan Stanley Outlook Does Not Prove

증거는 심각한 용량 제약을 뒷받침하지만, 일률적이거나 영구적인 전력 위기를 입증하지는 않는다.

원래의 종합 헤드라인은 강한 표현을 사용한다. 독자는 Morgan Stanley가 문서화한 결과와 배포 플랫폼이 덧붙인 프레이밍을 구분해야 한다.

이 은행은 컴퓨팅 용량에 대한 상당한 초과 수요와 단기 전력 제약을 지적한다. 공개 분석은 특히 2027년과 2028년에 대한 우려를 부각한다.

이는 수년에 걸쳐 모든 고객에게 전국적인 전력 부족이 발생할 것이라고 예측하는 것과는 다르다. 제약은 지역, 연결 유형, 시설 설계 및 지불 의사에 따라 달라질 것이다.

제안된 데이터 센터 중 일부는 결코 가동에 이르지 못할 것이다. 개발업체들은 어느 지역이 고객과 전력을 확보할 수 있는지 결정하는 동안 중복되는 프로젝트를 자주 발표한다.

유틸리티 역시 중복 요청에 대한 불확실성에 직면한다. 여러 개발업체가 경쟁하는 캠퍼스를 위한 용량을 요청할 수 있지만, 결국 실제로 진행되는 프로젝트는 하나뿐일 수 있다.

모든 투기적 요청을 위해 설비를 구축하면 좌초 인프라가 생길 수 있다. 시설이 취소되면 주거 및 상업 고객이 전기요금을 통해 비용을 떠안을 수 있다.

FERC는 대규모 부하 검토에서 소비자 보호를 핵심 요소로 삼고 있다. 위원회는 대형 사용자가 필요한 업그레이드 비용의 적절한 몫을 부담하도록 보장하면서 연결을 더 빠르게 하려 한다.

수요 전망에는 또 다른 불확실성이 있다. AI 모델은 예상보다 빠르게 효율화될 수 있으며, 기업들은 측정 가능한 수익을 내지 못하는 고비용 에이전트 워크로드를 제한할 수 있다.

Morgan Stanley의 자체 기업 증거는 불균일한 시장을 보여준다. 2026년 1분기에 정량화된 AI 효과를 언급한 S&P 500 기업은 4분의 1에 불과했다.

이 비중은 전년 대비 두 배가 됐지만, 여전히 4분의 3은 측정 가능한 혜택을 보고하지 않았다. 일부 기업은 파일럿이 취약한 경제성이나 거버넌스 문제를 드러낸 뒤 배포 속도를 늦출 수 있다.

프로덕션에 도달한 워크로드가 작은 규모에 머물 수도 있다. 81% CIO 수치는 조직이 적어도 하나의 프로덕션 배포를 예상하는지를 측정한 것이지, 모든 응답자의 총 컴퓨팅 규모를 나타내는 것은 아니다.

또한 이 수치는 미국과 유럽의 CIO 100명을 대상으로 한 설문에서 나왔다. 방향성은 유익하지만, 표본이 전 세계 모든 기업을 대표하지는 않는다.

Morgan Stanley는 투자은행, 자산관리, 리서치 및 프라이빗 마켓 전반에 참여하고 있다. 그 전망은 관련 자산의 자금 조달에 적극적인 기관의 관점을 반영하면서도 실제 추세를 포착할 수 있다.

따라서 이 은행의 추정치는 독립적인 에너지 분석과 함께 검토해야 한다. IEA와 Lawrence Berkeley의 연구 결과는 수요 증가를 뒷받침하지만, 하나의 고정된 결과 대신 범위를 제시한다.

기술 변화는 부족 가설을 약화시킬 수 있다. 더 나은 가속기, 더 작은 모델, 개선된 냉각 및 더 절제된 소프트웨어는 완료된 작업당 전력 사용량을 줄일 수 있다.

규제 개혁은 계통 연계 일정을 단축할 수 있다. 유연한 계약은 데이터 센터가 전력 시스템 스트레스 시 소비를 줄이는 조건으로 더 빨리 연결되도록 할 수 있다.

신규 발전과 송전도 일부 시장에서는 예상보다 빠르게 도입될 수 있다. 가용 토지, 가스 공급, 재생에너지 자원 또는 기존 원자력 용량을 보유한 지역은 더 많은 개발을 유치할 수 있다.

반대로 부족 현상은 더 심해질 수도 있다. 장비 지연, 지역의 반대, 연료 제약 또는 더 빠른 에이전트 채택은 계획된 수요와 이용 가능한 공급 사이의 격차를 키울 것이다.

Google News 독자는 이 이야기를 피할 수 없는 정전까지의 카운트다운이 아니라 용량 확보 경쟁으로 봐야 한다. 눈에 보이는 증상은 재난적이라기보다 상업적인 형태로 나타나는 경우가 많을 것이다.

그 증상에는 지연된 캠퍼스, 더 높은 클라우드 계약 비용, 지역별 용량 제한 및 발전 설비에 대한 공격적인 투자가 포함된다. 이는 여전히 AI 산업 전반의 경쟁 구도를 바꿀 수 있다.

Three Signals Will Test the AI Infrastructure Thesis

전력망 결정, hyperscaler 지출, 그리고 프로덕션 사용량은 수요가 Morgan Stanley의 예상만큼 공급을 가파르게 앞지르는지를 보여줄 것이다.

첫 번째 신호는 FERC의 대규모 부하 명령 이행이다. 지역 전력망 운영자는 대형 사용자의 연결 방식을 규정하는 규칙을 설명하거나 변경해야 한다.

명확한 일정, 예치금 요건, 유연한 서비스 옵션 및 인프라 비용 배분 규칙을 지켜봐야 한다. 더 빠른 승인은 행정적 불확실성을 줄이겠지만, 장비 부족을 없애지는 못할 것이다.

유연한 송전 계약에는 특히 주목할 필요가 있다. 데이터 센터는 인근 발전 설비에서 나머지 전력을 확보하면서 전력망 서비스 축소를 받아들일 수 있다.

이러한 구조가 일반화된다면 Morgan Stanley의 전력 확보까지의 시간 논지는 더 강해진다. 개발업체들이 기존 연결 방식이 일정에 맞지 않기 때문에 운영 모델을 바꾸게 되는 셈이다.

지역 운영자가 광범위한 특별 계약 없이 대규모 부하를 연결한다면, 가장 심각한 부족 전망은 약화될 것이다. 결과는 시장마다 다를 가능성이 높다.

두 번째 신호는 주요 기술 기업의 자본 지출과 완공된 용량이다. 발표된 예산보다 신뢰할 수 있는 전력에 연결된 실제 가동 데이터 센터가 더 중요하다.

투자자들은 지출을 클라우드 매출, AI 사용량, 건설 진행 상황, 그리고 제약이 있는 지역에 관한 경영진 발언과 비교해야 한다. 전력 가용성에 대한 반복적인 언급은 병목현상 가설을 뒷받침할 것이다.

취소된 캠퍼스나 하락하는 가동률은 반대 방향을 가리킬 수 있다. 이는 이전 전망이 고객이 자금을 지원할 의향이 없는 수요까지 포함했음을 시사할 수 있다.

global energy outlook은 유용한 기준점을 제공한다. 이 보고서는 전 세계 데이터센터 전력 소비량이 2030년 동안 약 945테라와트시(TWh)에 이를 것으로 예상한다.

이 수치가 크게 수정되면 유틸리티 기업, 칩 공급업체, 클라우드 사업자, 데이터센터 개발업체 전반의 전망에 영향을 미칠 것이다.

세 번째 신호는 측정 가능한 엔터프라이즈 AI 사용량이다. 프로덕션 도입 발표에는 토큰 소비량, 활성 사용자 수, 완료된 워크플로, 매출 효과 또는 검증된 생산성 향상이 함께 제시되어야 한다.

정량화된 성과를 보고하는 기업 수는 특히 중요한 지표가 될 것이다. Morgan Stanley는 S&P 500 기업 가운데 해당 비율이 1년 만에 13%에서 25%로 상승했다고 밝혔다.

또 한 번 큰 폭의 증가는 기업 도입과 지속적인 인프라 수요 간의 연관성을 강화할 것이다. 결과가 정체되거나 감소한다면 프로덕션이라는 표현이 실제 사용량을 과장하고 있음을 시사할 수 있다.

엔터프라이즈 구매자들은 클라우드 계약 내의 제한도 주시해야 한다. 더 긴 약정 기간, 지역 제한, 용량 예약 요건은 국가 통계에 나타나기 전에 희소성을 드러낼 수 있다.

개발자들은 가속기 접근성, 지연 시간, 할당량, 배포 위치를 통해 제약을 체감하게 될 것이다. 지식 근로자들은 제품 가용성, 응답 속도, 변화하는 사용 정책을 통해 이를 마주하게 될 것이다.

더 큰 흐름은 더 이상 기업들이 AI를 실험할 것인지에 관한 문제가 아니다. 이는 물리적 인프라가 공급업체들이 예상하는 규모의 반복적 사용을 지원할 수 있는지에 관한 문제다.

Morgan Stanley의 경고는 이러한 충돌을 선명하게 보여준다. 소프트웨어 도입은 기업 워크플로 전반에서 가속화되고 있지만, 전력망과 발전 프로젝트는 여전히 수년 단위 일정에 묶여 있다.

이러한 불일치가 보편적인 위기를 보장하는 것은 아니다. 다만 전력 가용성을 AI 제품 전략, 클라우드 경쟁, 지역 경제 개발의 핵심 변수로 만든다.

다음 Google News 업데이트 자체보다 중요한 것은 그 뒤에 있는 운영상 근거다. 향후 분기에는 전력망 접속 제도 개혁, 완공된 컴퓨팅 용량, 정량화된 엔터프라이즈 사용량을 지켜봐야 한다.

세 요소가 모두 함께 상승한다면 인프라 확충은 계속해서 수요를 따라잡기 위한 경쟁이 될 것이다. 배포가 둔화되거나 접속 일정이 개선된다면 공급 부족 서사는 수정이 필요할 것이다.

지금 AI 시스템을 계획하는 팀에게 실질적인 질문은 명확하다. 선호하는 컴퓨팅 용량이 제약될 때도 애플리케이션은 경제성과 신뢰성을 유지할 수 있는가? 효율적인 모델, 유연한 지역, 측정 가능한 가치를 염두에 둔 설계는 무제한 공급을 가정하는 것보다 더 나은 답을 제시한다.