MSI XpertStation WS300 리뷰: GB300이 GPU 메모리 너머로 제공하는 것

MSI의 XpertStation WS300은 748GB의 일관성 메모리와 NVIDIA의 GB300 플랫폼을 결합했지만, 메모리 용량은 이야기의 일부에 불과하다. 10월 23일 ServeTheHome이 공개한 MSI XpertStation WS300 리뷰는 소프트웨어가 프로세서 간 작업을 어떻게 이동시키는지에 따라 유용성이 달라지는 시스템을 살펴본다. 구매자에게 핵심적인 절충점은 더 큰 로컬 모델 용량과, 그 모델이 어디에 위치하느냐에 따른 성능상의 결과 사이에 있다.

이는 자체 하드웨어 테스트가 아니라 해당 보도와 검증된 제품 사양을 분석한 내용이다. WS300은 서버 아키텍처를 타워형 시스템에 담아, 분리된 프로세서와 그래픽 카드 중심으로 구성된 기존 워크스테이션에 새로운 과제를 던진다. 특히 워크로드에 전용 로컬 시스템보다 유연한 용량이 필요할 때는 클라우드 컴퓨팅도 또 다른 선택지로 남는다.

모델을 메모리에 적재할 수 있다고 해서 사용자에게 즉각적으로 응답한다는 뜻은 아니므로 이 차이는 중요하다. 마찬가지로 여러 시스템을 연결한다고 해서 결합된 자원이 더 큰 하나의 가속기처럼 자동으로 작동하는 것도 아니다. MSI의 시스템은 이러한 기능을 함께 제공한다는 점에서 주목할 만하지만, 실제 워크로드에 맞춰야 하는 책임은 구매자에게 남는다.

MSI XpertStation WS300 리뷰는 사양을 넘어 논의를 확장한다

ServeTheHome의 WS300 하드웨어 리뷰는 하드웨어, 소프트웨어, 추론, 네트워킹 전반에서 NVIDIA DGX Station 플랫폼을 구현한 MSI의 방식을 살펴본다. 추론은 학습된 모델을 실행해 답변이나 기타 결과물을 생성하는 것을 뜻한다.

공개일을 제품 출시 시점과 혼동해서는 안 된다. MSI는 3월 18일 발표에서 이 시스템이 3월 16일부터 출시됐다고 밝혔다. WS300 출시 발표는 이 워크스테이션을 연구자를 위한 데스크사이드 선택지로 제시했다.

이번 소식은 새 프로세서 발표가 아니라 기존 플랫폼의 추가 운용 근거다. 따라서 유의미한 질문은 사양이 무엇을 약속하는가에서, 완성된 시스템이 어떤 워크로드에 이점을 주는가로 바뀐다.

사양표는 메모리 용량, 확장 옵션, 지원 인터페이스를 확인해 줄 수 있다. 하지만 다른 사용자가 요청을 제출하는 동안 팀이 선호하는 모델이 충분히 빠르게 응답하는지는 보여주지 못한다. 또한 기존 애플리케이션에 상당한 변경이 필요한지도 알 수 없다.

독립 리뷰는 이들 범주를 연결하는 데 도움이 되지만, 각 리뷰는 여전히 제한된 실험이다. 테스트된 모델, 소프트웨어 버전, 요청 패턴은 해당 환경을 설명한다. 구매자가 궁극적으로 실행할 수 있는 모든 애플리케이션을 대표하지는 않는다.

이 구분은 하나의 시스템이 여러 역할을 수행할 때 특히 중요해진다. 연구자는 낮에는 모델을 개발하고, 밤에는 평가를 예약하며, 동료에게 내부용 어시스턴트를 제공할 수 있다. 이 활동들은 서로 다른 방식으로 자원을 경쟁한다.

워크스테이션 범주는 검토할 필요가 있는 기대도 만든다. 구매자는 흔히 타워형 시스템에 직접적인 상호작용, 익숙한 데스크톱 소프트웨어, 간편한 주변기기 연결을 기대한다. 서버에서 파생된 AI 플랫폼은 관리와 애플리케이션 호환성에 대해 다른 평가를 요구한다.

MSI는 NVIDIA 아키텍처를 기반으로 물리적 시스템을 제공한다. 따라서 구매자는 프로세서 사양과 함께 냉각, 서비스 접근성, 스토리지 구성, 지원 약속도 검토할 이유가 있다. 이러한 세부 사항이 하드웨어가 일상 업무에 얼마나 편안하게 통합되는지를 결정한다.

따라서 이 리뷰는 평가 계획을 세우기 위한 근거로서 가장 중요하다. 제품 설명과 실제 운영 배포 사이의 거리를 좁혀 준다. 하지만 시스템 구매를 정당화하는 애플리케이션을 테스트할 필요까지 없애 주지는 않는다.

로컬 AI를 검토하는 조직에는 이것이 의미 있는 진전이다. 논의는 대형 모델이 타워 안에 들어가는지 여부를 넘어설 수 있다. 대신 전체 워크플로가 현실적인 조건에서 안정적으로 작동하는지에 초점을 맞출 수 있다.

대용량 일관성 메모리는 기존 워크스테이션에 도전한다

WS300의 핵심 아키텍처 기능은 일관성 메모리로, 프로세서가 공유 데이터에 대해 일관된 관점을 유지하도록 한다. MSI는 고대역폭 GPU 메모리인 HBM3e 252GB와 저전력 시스템 메모리인 LPDDR5X 496GB를 명시한다.

이 구성 요소들을 합치면 광고된 748GB 용량이 제공된다. 그러나 대역폭 특성은 서로 다르다. MSI는 WS300 메모리 사양에서 GPU 메모리 대역폭을 7.1TB/s, 시스템 메모리 대역폭을 최대 396GB/s로 기재한다.

일관성 메모리 풀은 작업 공간을 넓히지만, 모든 메모리 위치를 동일하게 빠르게 만들지는 않는다. 이것이 이 시스템의 매력 뒤에 있는 핵심 절충점이다.

기존 워크스테이션은 개발자에게 그래픽 메모리를 둘러싼 엄격한 경계를 자주 마주하게 한다. 모델이 그 경계를 넘으면 모델을 바꾸거나 분산하거나 일부 작업을 다른 곳으로 옮겨야 한다. 어느 대응이든 절충을 수반한다.

WS300은 가능한 선택지를 바꾸지만, 소프트웨어는 여전히 이 아키텍처를 효과적으로 활용해야 한다. 데이터 배치는 프로세서가 대기하는 시간에 영향을 준다. 여유 있게 들어가는 모델도 애플리케이션의 응답 요구사항을 충족하지 못할 수 있다.

따라서 용량과 대역폭은 상호 보완적인 지표다. 용량은 어떤 구성이 가능한지를 결정한다. 대역폭은 필요한 프로세서에 데이터가 얼마나 빨리 도달할 수 있는지를 판단하는 데 도움이 된다.

소스 코드와 기술 문서를 아우르는 내부 엔지니어링 어시스턴트를 생각해 보자. 조직은 까다로운 질문에 더 강력한 추론이 필요하기 때문에 더 큰 모델을 원할 수 있다. 이러한 선호는 추가 로컬 메모리를 갖춘 시스템을 검토해야 할 실질적 이유가 된다.

하지만 어시스턴트는 관련 문서를 검색하고, 요청을 구성하며, 유용한 답변을 반환해야 한다. 모델 용량을 늘린다고 해서 이러한 주변 단계가 자동으로 개선되지는 않는다. 사용자가 경험하는 단위는 여전히 완전한 애플리케이션이다.

배경 분석에서는 모델이 더 나은 결과를 낸다면 느린 응답도 수용할 수 있다. 상호작용형 지원에서는 답변이 개선되더라도 지연 때문에 사용이 줄어들 수 있다. 따라서 동일한 하드웨어도 한 워크로드에는 적합하고 다른 워크로드에는 기대에 미치지 못할 수 있다.

이 지점에서 MSI WS300 로컬 AI는 단순한 구성 요소 업그레이드가 아니라 인프라 결정이 된다. 구매자는 애플리케이션의 어떤 부분이 공유 접근의 이점을 받는지 이해해야 한다. 또한 메모리 트래픽이 제약이 되는 위치도 파악해야 한다.

GPU 컴퓨팅을 지원하는 NVIDIA의 CUDA 소프트웨어 생태계도 또 다른 고려 사항이다. 이미 호환 라이브러리를 사용하는 팀은 관련 없는 도구에 의존하는 팀과 다른 마이그레이션 경로를 갖는다. 소프트웨어 스택에 대한 친숙도는 하드웨어 성능만큼이나 배포 노력에 영향을 미칠 수 있다.

기존 워크스테이션도 이 아키텍처와 나란히 존재할 이유가 있다. 가속기 메모리에 들어가는 애플리케이션은 익숙한 소프트웨어, 그래픽 워크플로 또는 확장 유연성을 우선시할 수 있다. 더 많은 일관성 메모리가 이러한 요구사항을 자동으로 능가하지는 않는다.

압박은 일반 그래픽 메모리의 한계를 넘어선 워크로드를 가진 구매자에게 가장 직접적으로 가해진다. 이제 이들은 평가할 또 하나의 로컬 경로를 갖게 됐다. 핵심 비교는 그 경로가 관리 가능한 운영 복잡성으로 더 나은 애플리케이션 결과를 제공하는지 여부다.

로컬 제어는 워크플로가 이를 활용할 때만 가치를 만든다

NVIDIA는 DGX Station GB300을 로컬에서 모델을 개발하고 실행하며 데이터센터 배포로 확장할 수 있는 플랫폼으로 소개한다. DGX Station 플랫폼에는 사전 구성된 소프트웨어 환경과 시스템 연결을 위한 네트워킹이 포함된다.

NVIDIA는 최대 20 petaFLOPS의 AI 컴퓨팅 성능과 최대 1조 개 파라미터를 포함하는 모델 지원도 내세운다. petaFLOPS는 초당 1천조 회의 부동소수점 연산을 뜻한다. 파라미터는 모델의 동작을 형성하는 학습된 값이다.

이는 특정 애플리케이션을 보장하는 내용이 아니라 공급업체의 사양이다. 모델 크기만으로는 답변 품질, 응답성, 또는 동시 요청을 위해 남는 자원을 판단할 수 없다.

로컬 소유는 조직이 지속적으로 운영할 수 있는 명확한 워크플로를 개선할 때 실질적 가치를 갖는다. 시스템을 가까이에 두는 것은 이 논의의 시작일 뿐이다.

개발팀은 공유 원격 자원을 기다리지 않고 실험을 반복하기 위해 전용 시스템을 사용할 수 있다. 이는 일정과 소프트웨어 버전에 대한 통제력을 높일 수 있다. 그 이점은 환경 유지가 정당화될 만큼 수요가 꾸준한지에 달려 있다.

기업은 대신 일부 정보를 자체 시스템 내에 보관하는 것을 우선시할 수 있다. 로컬 실행은 이 목표를 지원할 수 있지만, 배포 위치만으로 보안이 확립되지는 않는다. 접근 제어, 로깅, 백업, 애플리케이션 권한은 여전히 주의가 필요하다.

모델이 사무실 안에서 실행되더라도 어시스턴트는 답변을 통해 민감한 자료를 노출할 수 있다. 잘못 구성된 애플리케이션은 정보를 다른 곳으로 전송할 수도 있다. 구매자는 로컬 하드웨어를 보안 경계로 간주하기보다 전체 애플리케이션의 데이터 흐름을 평가해야 한다.

지식 검색은 이것이 왜 중요한지를 보여준다. 검색은 모델이 답변을 생성하기 전에 관련 자료를 선택한다. 이 선택에서 최신 문서를 놓친다면 추가 컴퓨팅 용량으로도 누락된 맥락을 복구할 수 없다.

이 아키텍처를 평가하는 팀은 검색 가능한 지식 기반 구축 방식도 검토할 수 있다. 문서의 소유권, 최신성, 출처 추적 가능성은 어시스턴트가 유용한 답변을 제공하는지에 영향을 미친다.

이 연결이 remio와 WS300 간의 호환성을 입증하는 것은 아니다. 이는 지식 애플리케이션의 별도 요구사항을 보여준다. 추론 품질을 판단하기 전에 정보가 체계적으로 정리되고 검색 가능해야 한다.

클라우드 서비스는 다른 운영 방식을 제공한다. 구매자가 모든 자원을 미리 소유하지 않아도 변화하는 수요를 수용할 수 있다. 조직은 이러한 유연성을 제어, 배포 일관성, 데이터 처리 요구사항과 비교해 판단해야 한다.

그러므로 가장 강력한 로컬 배포 근거는 반복적으로 발생하는 워크로드에서 출발한다. 팀은 누가 이를 사용하는지, 수요가 언제 발생하는지, 시스템을 사용할 수 없게 되면 어떤 일이 벌어지는지를 알아야 한다. 이러한 답이 전용 시스템이 상황을 개선하는지 결정한다.

가끔 하는 실험과 내부 프로덕션 서비스는 서로 다른 의무를 부과한다. 후자는 소유권, 모니터링, 복구 절차, 지원 경로가 필요하다. 동료들이 결과물에 의존하기 시작하면 워크스테이션 섀시가 이러한 책임을 줄여 주지는 않는다.

MSI WS300 로컬 AI는 이러한 책임이 식별 가능한 이점과 함께할 때 가장 설득력이 있다. 구매 결정은 반복 가능한 평가나 안정적인 접근성 같은 워크플로 결과와 하드웨어 역량을 연결해야 한다. 로컬 모델에 대한 일반적인 열정은 더 약한 토대다.

네트워킹은 아키텍처의 한계를 없애지 않으면서 용량을 확장한다

WS300의 네트워킹은 단일 타워를 넘어선 작업을 지원한다는 점에서 주목할 만하다. NVIDIA의 네트워크 인터페이스 프로세서인 ConnectX-8은 이 플랫폼에 고속 연결성을 제공한다.

ServeTheHome의 ConnectX-8 네트워크 테스트는 두 네트워크 링크를 모두 사용했을 때 GPU 간 페이로드가 784.3Gbps에 이르렀다고 보고했다. Grace CPU 간 트래픽은 약 229Gbps에 도달했다. 이 수치는 애플리케이션 수준의 가속이 아니라 테스트된 경로를 설명한다.

중요한 결과는 통신 성능이 시스템 내부의 경로에 따라 달라진다는 점이다. 단일 네트워크 대역폭 수치만으로는 모든 전송을 동일하게 설명할 수 없다.

이는 확장에 직접적인 영향을 준다. 더 빠른 GPU 경로를 통해 통신하는 애플리케이션은 트래픽이 CPU를 거치는 소프트웨어와 다른 기회를 갖는다. 구매자는 자신의 프레임워크가 실제로 어떤 경로를 사용하는지 파악해야 한다.

RDMA, 즉 원격 직접 메모리 액세스는 호환 시스템이 CPU 개입을 줄인 상태에서 데이터를 전송하도록 한다. 하드웨어 수준의 지원은 활용 기회를 만든다. 하지만 이를 실현하려면 적절한 소프트웨어, 네트워크 구성, 애플리케이션 동작이 필요하다.

분산 모델은 조정 작업도 추가한다. 프로세서는 모델과 실행 전략이 정하는 시점에 정보를 교환해야 한다. 더 빠른 링크는 이러한 오버헤드를 줄일 수 있지만 완전히 없애지는 못한다.

따라서 워크스테이션을 하나 더 추가할 때는 새로운 평가가 필요하다. 확장된 구성은 용량과 통신 요구 사항을 모두 바꾼다. 추가 리소스의 이점이 이를 조정하는 비용을 상회하는지에 따라 유용성이 결정된다.

장비를 연결하는 이유는 여러 가지로 구분된다. 하나는 개별 시스템이 편안하게 수용할 수 있는 용량을 넘어서는 모델을 실행하기 위해서다. 다른 하나는 별도 워크로드를 별도 장비에 배정하기 위해서다.

이 두 방식은 서로 다른 문제를 해결한다. 모델 분산은 추가적인 공유 성능을 추구한다. 독립 작업 분산은 모든 요청이 장비 경계를 넘지 않아도 더 많은 총 작업량을 처리하려는 방식이다.

평가를 수행하는 조직이라면 독립 작업이 간단한 확장 경로를 제공할 수 있다. 반면 대형 모델을 제공하는 조직에서는 통신 동작이 핵심이 된다. 네트워크 사양만으로는 어느 구성이 더 나은지 결정할 수 없다.

스토리지 트래픽도 고려해야 한다. 애플리케이션은 추론 활동과 함께 모델 파일을 로드하고, 데이터 세트를 읽고, 결과를 기록한다. 배포 계획은 이러한 작업이 모델에 필요한 통신과 경쟁하는지 검토해야 한다.

따라서 DGX Station GB300은 익숙한 범주들 사이에 위치한다. 전용 로컬 노드로 동작할 수 있는 동시에 더 큰 인프라와 연관된 인터페이스도 제공한다. 이 조합은 모든 확장 전략을 똑같이 매력적으로 만들지는 않지만, 잠재적인 활용 범위를 넓힌다.

실질적인 질문은 추가 타워를 통해 배포 규모를 어디까지 확장해야 하는가다. 어느 시점에서는 중앙 관리형 서버 구성을 비교할 가치가 있다. 그 경계는 워크로드 동작, 지원 요구 사항, 물리적 환경에 따라 달라진다.

구매자는 네트워킹을 조건이 수반되는 아키텍처 역량으로 봐야 한다. 이는 로컬 AI를 위한 선택지를 늘려 준다. 그러나 확장된 워크스테이션 배포가 특정 분산 워크로드용으로 설계된 하드웨어와 같은 효율을 낸다는 사실을 보장하지는 않는다.

벤치마크 속도에는 애플리케이션 맥락이 필요하다

ServeTheHome의 Blackwell Ultra 벤치마크는 요청 패턴, 동시 사용자 수, 생성 설정을 달리했다. 언어 모델은 서로 다른 워크로드에서 매우 다른 결과를 낼 수 있으므로 이러한 선택은 중요하다.

벤치마크는 그 조건이 의도한 애플리케이션과 유사할 때 의사결정 근거가 된다. 조건 없는 처리량 수치는 불완전한 비교를 제공한다.

처리량은 시간에 따라 완료된 총 작업량을 측정한다. 대화형 사용자는 답변이 시작되기 전의 지연 시간과 이후 출력의 속도도 중요하게 여긴다. 애플리케이션은 총 처리량에서는 좋은 성능을 보이면서도 개별 사용자에게는 만족스럽지 않은 경험을 제공할 수 있다.

동시성, 즉 동시에 들어오는 요청은 이 균형을 바꾼다. 여러 사용자가 가속기를 공유하면 활용률이 개선될 수 있다. 그러나 가벼운 부하의 시연에서는 보이지 않는 대기 시간과 리소스 경쟁도 발생할 수 있다.

프롬프트 길이도 비슷한 이유로 중요하다. 짧은 질문과 문서 비중이 큰 요청은 시스템에 서로 다른 요구를 제기한다. 지식 지원 도구는 모델에 응답을 요청하기 전에 상당한 맥락을 구성하는 경우가 많다.

출력 길이는 테스트 조건을 다시 바꾼다. 짧은 분류를 생성하는 일은 긴 설명을 작성하는 일과 다르다. 구매자는 이들 작업의 결과를 서로 대체 가능한 것으로 취급하지 않아야 한다.

모델 구성도 신중하게 공개해야 한다. 모델 값을 더 낮은 수치 정밀도로 표현하는 양자화는 메모리 요구량을 줄일 수 있다. 답변 품질과 성능에 미치는 영향은 모델과 구현 방식에 따라 달라진다.

생성 최적화도 또 다른 변수다. 벤치마크 성능을 높이는 설정은 애플리케이션이 품질 요구 사항을 충족하는지 시험할 때도 유지해야 한다. 그렇지 않으면 성능 결과와 제품 경험이 서로 다른 시스템을 설명하게 된다.

그러므로 유용한 평가는 대표적인 요청에서 시작한다. 엔지니어링 팀은 반복되는 질문, 예상 소스 자료, 허용할 수 없는 답변의 사례를 선정할 수 있다. 그러면 하드웨어는 추상적인 점수가 아니라 정의된 테스트를 수행하게 된다.

품질 검토에는 올바른 응답이 불확실성인 까다로운 사례도 포함해야 한다. 근거 없이 확신에 찬 답변을 빠르게 생성하는 시스템은 추가 검토 업무를 만들 수 있다. 더 빠른 출력은 신뢰할 수 없는 근거를 보완하지 못한다.

운영상의 점검은 답변 품질과 함께 이뤄져야 한다. 팀은 지속적인 활동, 소프트웨어 업데이트, 중단 후 복구 과정에서의 동작을 관찰해야 한다. 이러한 조건은 초기 시연 이후에도 장비가 신뢰할 수 있는지 보여 준다.

MSI XpertStation WS300 리뷰는 보편적인 순위가 아니라 이러한 평가를 위한 단서를 제공한다. 결과는 어떤 아키텍처 기능을 시험할 가치가 있는지 파악하는 데 도움이 된다. 하지만 구매자는 자신의 소프트웨어가 해당 기능을 어떻게 사용하는지 여전히 확인해야 한다.

기존 워크스테이션과의 비교도 같은 원칙을 따라야 한다. 동등한 애플리케이션 목표를 사용하고, 구성 차이를 공개하며, 반응성과 유용한 출력을 함께 검토해야 한다. 시스템은 사용자와 관련된 결과를 통해 그 가치를 입증해야 한다.

이 접근 방식은 과도한 하드웨어가 애플리케이션 문제를 가리는 것도 막아 준다. 부실한 검색, 비효율적인 요청 처리, 불필요한 모델 호출은 결과를 개선하지 않고도 추가 용량을 소모할 수 있다. 이런 문제를 해결하면 워크로드에 실제로 필요한 장비가 달라질 수 있다.

구매자가 2027년 초까지 주목해야 할 사항

다음 단계의 근거는 지속적인 애플리케이션, 실질적인 확장, 지원되는 배포에 초점을 맞춰야 한다. 이러한 신호는 아키텍처의 장점이 반복 가능한 이점으로 이어지는지 분명히 해 줄 것이다.

가장 강력한 검증은 문서화된 운영 조건에서 WS300의 추가 용량을 더 나은 결과와 연결하는 것이다. 방법론이 의미 있는 비교를 허용하지 않는다면, 단편적인 성능 기록이 늘어나도 명확성은 제한적이다.

첫째, 품질과 반응성을 모두 보고하는 재현 가능한 애플리케이션 테스트를 지켜봐야 한다. 가장 유용한 사례에는 현실적인 문서 맥락, 동시 요청, 공개된 소프트웨어 설정이 포함될 것이다. 시스템이 얼마나 많은 텍스트를 생성했는지가 아니라 무엇을 생성했는지를 설명해야 한다.

이런 결과는 기존 워크스테이션에서 메모리 제약을 겪는 구매자에게 더 강한 근거가 될 수 있다. 반대로 현실적인 요청에서 반응성이 낮다면 이점을 얻는 워크로드 범위는 좁아질 것이다. 어느 쪽이든 최대 모델 크기만으로 판단하는 것보다 유용한 지침을 제공한다.

둘째, 용량 증가와 속도 증가를 구분하는 분산 워크로드를 지켜봐야 한다. 보고서는 어떤 통신 경로를 사용하는지, 시스템을 하나 더 추가한 뒤 성능이 어떻게 변하는지를 공개해야 한다. 또한 추가되는 관리 부담도 고려해야 한다.

일관된 성능 향상은 확장 논거를 강화할 것이다. 조정 오버헤드가 결과를 지배한다면 독립 워크로드나 다른 인프라 구성이 더 적합할 수 있다. 네트워킹 하드웨어는 가능성을 만들지만, 애플리케이션 측정이 이점을 입증해야 한다.

셋째, 출하 구성과 일치하는 배포 문서를 지켜봐야 한다. 운영 체제 지원, 검증된 소프트웨어 버전, 복구 절차, 서비스 기대치는 명확해야 한다. 평가용 장비가 공유 리소스가 될 때 이런 세부 사항은 중요하다.

명확한 지원 약속은 엔터프라이즈 구매자의 불확실성을 줄일 것이다. 모호한 구성 지침은 배포 전에 필요한 작업을 늘릴 것이다. 구매자는 모든 플랫폼 발표가 즉시 적용된다고 가정하지 말고, 실제로 제공되는 특정 시스템을 확인해야 한다.

이러한 신호는 동일한 의사결정 체계 안에 있어야 한다. 메모리 용량은 기회를 열고, 네트워킹은 이를 확장하며, 운영 지원은 팀이 이에 의존할 수 있는지를 결정한다. 어느 것도 워크로드에 관한 근거를 대체하지 못한다.

이 MSI XpertStation WS300 리뷰를 구매 근거로 사용하기 전에, 장비가 처리해야 할 애플리케이션을 정의해야 한다. 대표적인 요청을 선정하고, 사용자에게 허용 가능한 답변 품질과 대기 시간이 무엇인지 결정해야 한다. 그런 다음 동일한 요구 사항으로 워크스테이션을 기존 로컬 시스템 및 적절한 클라우드 구성과 비교해야 한다. 비교에는 문서 준비, 검색, 배포 노력, 복구도 포함해야 한다. 공급업체에는 검토 중인 정확한 구성의 메모리 배치, 지원 소프트웨어, 서비스 절차를 설명해 달라고 요청해야 한다. 확장이 중요하다면 링크 사양에 의존하지 말고 분산 워크로드의 근거를 요청해야 한다. WS300은 귀사 팀의 어떤 측정된 제약을 해소하며, 그 변화가 가치 있었다는 사실을 보여 줄 애플리케이션 결과는 무엇인가?