Sam Altman의 RAM 발언, 로컬 AI보다 클라우드 효율성에 무게
Sam Altman은 드물어진 컴퓨터 메모리는 가끔 AI를 실행하는 개인 기기보다 바쁜 데이터센터에 배치되어야 한다고 주장했다. Sam Altman의 RAM 발언은 이미 학습된 AI 모델을 기기에서 직접 실행하는 로컬 추론에 관한 것이다. 그의 주장은 공유 인프라와 컴퓨팅 자원에 대한 개인의 통제권을 맞세운다.
이 대화는 Stripe 공동창업자 John Collison이 진행한 2026년 10월 29일자 Cheeky Pint 에피소드에서 나왔다. RAM, 즉 랜덤 액세스 메모리는 실행 중인 소프트웨어가 즉시 필요로 하는 정보를 담는다. Altman은 부족한 메모리가 활용도가 낮은 개인 컴퓨터에 머무르는 것은 전 세계적 배분 관점에서 “상당히 끔찍한” 일이라고 설명했다.
이는 로컬 AI의 논리에 직접적인 도전이 된다. Apple과 Microsoft는 개인 기기에서 실행되는 모델에 투자해 왔고, 클라우드 서비스는 공유 접근 방식 뒤에 자원을 집중시킨다. 이견의 핵심은 무엇이 유용한 용량으로 간주되는가에 있다. 지속적으로 사용되는 하드웨어인지, 아니면 소유자가 필요할 때 언제든 쓸 수 있는 컴퓨팅인지의 문제다.
Sam Altman의 RAM 발언은 로컬 추론을 겨냥한다
로컬 추론 관련 대화는 공급 제약과 수요에 대한 제조업체의 대응을 논의하는 과정에서 나왔다. Altman은 공개적으로 이용 가능한 모델을 개인 컴퓨터에서 실행하면 인프라 부담이 사라진다는 가정에 이의를 제기했다.
그가 구체적으로 우려한 것은 현대 컴퓨팅 전반에 쓰이는 동적 랜덤 액세스 메모리인 DRAM이었다. 그는 개인 컴퓨터가 해당 메모리를 “시간의 5%”만 사용한다고 설명하며 “클라우드에서의 최대 활용률”을 선호했다.
이 발언은 그의 입장을 보여주지만, 해당 대목에는 그 비율을 산정한 방법이 제시되지 않는다. 또한 개인 기기와 클라우드 시스템 간의 비교 기준도 구체적으로 밝히지 않는다.
Altman의 주장은 개인 컴퓨터에 메모리가 있어야 하는지 여부가 아니라, 부족한 메모리가 어디에서 가장 많이 활용되는지에 관한 것이다.
이 구분은 중요하다. 헤드라인만 보면 실제 대화보다 더 광범위한 주장처럼 들릴 수 있기 때문이다. 그의 사례는 로컬 AI 작업에 할당된 메모리를 다룬다. 일반적인 데스크톱 애플리케이션까지 원격 서버로 옮겨야 한다는 결론을 뒷받침하지는 않는다.
컴퓨터는 AI와 무관한 작업에도 상당한 메모리가 필요할 수 있다. 소프트웨어 개발, 이미지 편집, 연구, 일상적인 멀티태스킹 모두 가용 용량을 놓고 경쟁한다. 설치된 모든 구성 요소를 AI 자원으로 취급하면 이러한 용도는 비교 대상에서 사라진다.
따라서 중요한 질문은 추가분에 관한 것이다. 특정 로컬 AI 작업에는 얼마나 많은 추가 메모리가 필요하며, 그 할당은 어떤 유용한 작업을 가능하게 하는가?
대부분의 시간을 비활성 상태로 보내는 전용 기기가 모델 실행에 필요하다면 Altman의 반론은 더 설득력을 얻는다. 반대로 기존 워크스테이션의 여유 용량을 활용한다면 자원 계산은 달라진다.
어느 경우도 “로컬 AI”라는 말만으로 자동으로 결정되지는 않는다. 이 범주에는 매우 다른 하드웨어 구매, 작업 부하, 사용 패턴이 포함된다.
같은 구분은 소유권에도 적용된다. 가끔 하는 실험을 위해 추가 하드웨어를 구입하는 사람은 업무 시간 내내 로컬 모델을 실행하는 개발자와 다른 결정을 내린다.
Altman의 입장은 부족한 부품이 공유 서비스로도 충분히 처리할 수 있는 드문 작업에 쓰일 때 가장 강하다. 공유 서비스가 재현할 수 없는 이점을 로컬 실행이 제공할 때는 설명력이 떨어진다.
그래서 이 대화는 도발적인 표현을 넘어 주목할 가치가 있다. 사용자가 물리적 자원의 배분을 정당화하도록 요구하는 한편, 개인 컴퓨팅의 여러 이점은 초기 계산에서 제외하기 때문이다.
메모리 공급업체는 이미 배분 선택을 하고 있다
공급 논쟁에는 구체적인 상업적 배경이 있다. 메모리 제조업체는 어떤 고객, 제품, 시장에 투자와 지원을 제공할지 결정한다.
Micron의 Crucial 소비자 사업 철수는 직접적인 사례다. 이 회사는 2025년 12월 3일 Crucial 소비자 사업에서 철수한다고 발표했다.
Micron은 이 결정을 AI가 이끄는 데이터센터 수요와 명시적으로 연결했다. 발표에 따르면 소비자 채널 출하는 2026년 2월까지 계속되며, 이후에도 보증 서비스와 지원은 유지된다.
회사는 이 전환을 더 큰 전략 고객에 대한 공급과 지원을 개선하는 방법으로 설명했다. 이 발언은 소비자 선호에 대한 예측이 아니라 공급업체의 우선순위를 보여준다.
개인 컴퓨팅에 대한 압박은 사용자가 모델 실행 위치를 선택하기 전, 공급업체의 배분 결정에서 시작된다.
PC 제조업체에는 이것이 계획 수립의 문제가 된다. 이들은 메모리 구성, 부품 수급 가능성, 고객이 실행할 수 있다고 약속하는 애플리케이션 간의 균형을 맞춰야 한다.
개별 구매자에게는 추가 메모리를 단순한 업그레이드로 여길 자유가 줄어든다는 결과로 이어진다. 로컬 AI를 지원하기 위한 구매는 같은 광범위한 제조 생태계의 다른 수요와 경쟁한다.
기업 구매자는 다른 형태의 압박에 직면한다. 하드웨어를 확보할지, 클라우드 용량에 의존할지, 또는 작업 부하를 양쪽으로 나눌지를 결정해야 한다.
이러한 선택이 클라우드 제공업체가 우선권을 가져야 한다는 점을 입증하는 것은 아니다. 다만 누가 부족한 자원을 받는지를 둘러싼 기존 분쟁 속에서 Altman의 배분 논리가 왜 설득력을 얻는지 보여준다.
제조업체에도 자체적인 유인이 있다. 기술적 효율성뿐 아니라 전략적 관계와 예상 성장률도 결정에 영향을 준다. 공급업체가 선호하는 고객이 반드시 가장 큰 사회적 이익을 만드는 사용자는 아니다.
이 구분은 상업적 결과와 공익적 결론을 분리한다. 강한 구매력은 모든 밀려난 소비자 구매가 낭비였음을 입증하지 않고도 공급을 데이터센터로 향하게 할 수 있다.
개발자는 제품을 기획할 때 이러한 긴장을 마주한다. 고객이 적합한 기기를 구할 수 없다면 풍부한 로컬 메모리를 전제로 하는 기능은 지원하기가 더 까다로워진다.
클라우드 기반 기능은 하드웨어 부담을 서비스 제공업체로 옮긴다. 하지만 동시에 제품은 해당 제공업체의 가용성, 접근 조건, 용량 결정에 의존하게 된다.
지식 근로자에게 이 압박은 작업 흐름의 신뢰성을 통해 나타난다. 이들의 관심은 마감 시점에 기기나 서비스가 필요한 작업을 완료할 수 있는지 여부다.
따라서 배분 논쟁은 컴퓨터를 조립하는 애호가를 넘어선다. 소프트웨어 회사가 어떤 기능을 만들지, 고용주가 어떤 기기를 구매할지, 사용자가 일상 업무에 대해 얼마나 많은 통제권을 유지할지에 영향을 미친다.
Micron의 결정이 이러한 절충안을 해결하지는 않는다. 이는 자원 경쟁이 이미 소비자 시장에 영향을 미치고 있음을 보여준다.
공유 용량에는 장점이 있지만, 메모리는 상호 대체되지 않는다
공유 용량을 지지하는 기본 논리는 간단하다. 서로 다른 사용자는 서로 다른 시점에 컴퓨팅을 필요로 하므로, 공유 인프라는 더 넓은 시간대에 걸쳐 작업 부하를 처리할 수 있다.
여러 조직이 서로 다른 업무 시간에 문서 분석을 요청한다고 가정해 보자. 공유 서비스는 요청이 들어오는 대로 가용 자원을 할당할 수 있다.
각 조직이 별도로 구입한 기기는 유휴 용량을 자동으로 공유할 수 없다. 소유권은 공용 서비스가 때로는 피할 수 있는 경계를 만든다.
풀링은 중복 용량을 줄일 수 있지만, 더 높은 활용률만으로 모든 클라우드 작업 부하가 전체적으로 더 적은 메모리를 사용한다는 점이 입증되지는 않는다.
의미 있는 비교를 하려면 작업과 요구되는 결과를 합리적으로 동일하게 유지해야 한다. 그렇지 않으면 같은 효율성이라는 이름 아래 서로 다른 제품을 비교할 위험이 있다.
좁은 질문에 답하는 소형 로컬 모델은 더 긴 응답을 생성하는 훨씬 큰 호스팅 모델과 동등하지 않다. 이들의 성능, 메모리 요구량, 운영 요건은 다르다.
클라우드 시스템 역시 수요 급증과 운영 장애에 대비할 수 있는 여유 용량이 필요하다. 모든 구성 요소를 계속 한계까지 운용하면 예기치 못한 수요에 대응할 여지가 거의 없다.
개인 기기는 다른 절충안을 택한다. 현재 어떤 애플리케이션도 필요로 하지 않더라도, 사용하지 않는 용량은 소유자에게 즉시 쓸 수 있는 가용성을 제공한다.
어느 접근법도 유휴 자원을 없애지는 않는다. 남는 용량과 책임을 서로 다르게 배분할 뿐이다.
하드웨어 비교는 또 다른 복잡성을 낳는다. 고대역폭 메모리(HBM)는 까다로운 프로세서에 데이터를 빠르게 전달하기 위해 메모리 칩을 적층한다. DDR5는 PC와 서버에 사용되는 일반적인 시스템 메모리 세대다.
Micron의 메모리 공급 프레젠테이션에 따르면 HBM3E는 동일한 메모리 용량을 생산하기 위해 DDR5보다 세 배 많은 실리콘이 필요하다.
이 비교는 제조 자원을 설명한다. 데스크톱 메모리 모듈이 가속기 메모리를 대체할 수 있다는 뜻도, 두 제품의 성능이 동일하다는 뜻도 아니다.
연결점은 생산 선택과 제조 제약에 있다. 서로 다른 메모리 제품은 동일한 완제품 부품이 되지 않으면서도 더 넓은 산업 시스템 안에서 경쟁한다.
이 때문에 배분 논쟁은 책상과 서버 랙 중 하나를 고르는 일보다 더 까다롭다. 메모리가 작동하는 위치와 함께 메모리의 유형도 중요하다.
특수 하드웨어를 사용하는 서비스는 개인 컴퓨터가 만족스럽게 처리할 수 없는 까다로운 작업을 완료할 수 있다. 반면 다른 작업은 소규모 로컬 모델에 충분히 맞을 수 있다.
효율성은 작업 부하와 시스템의 관계에 따라 달라진다. 가장 큰 공유 설치 환경이 모든 요청에 자동으로 최선의 답을 제공하는 것은 아니다.
가장 강력한 클라우드 주장은 완전한 시스템 전반에서 동등하게 유용한 결과를 비교해야 한다. 메모리 요구량, 여유 용량, 응답 품질, 각 결과를 제공하는 데 필요한 자원을 고려해야 한다.
가장 강력한 로컬 주장도 마찬가지여야 한다. 개인 소유를 본질적으로 효율적인 것으로 간주하기보다, AI를 위해 특별히 구매한 하드웨어를 포함해야 한다.
이는 헤드라인이 시사하는 것보다 더 좁고 방어 가능한 결론으로 이어진다. 풀링은 자원을 잘 활용할 기회를 만들지만, 그 기회가 측정 가능한 이점이 되는지는 구현 방식에 달려 있다.
Apple과 Microsoft는 로컬 AI에 다른 역할을 부여한다
클라우드 집중화의 주된 대안이 반드시 개인 컴퓨터가 모든 대형 서버 모델을 대체하는 것은 아니다. 이는 작업의 분업일 수 있다.
Apple의 온디바이스 모델은 이러한 접근 방식을 보여준다. 공개된 연구는 기기 모델과 더 큰 서버 모델을 함께 설명한다.
Microsoft의 Phi Silica 아키텍처도 마찬가지로 언어 모델 기능을 Windows 기기에 직접 배치한다. 이는 원격 인프라가 불필요하다는 선언이 아니라 로컬 실행을 중심으로 한 제품 선택이다.
클라우드 AI에 대한 경쟁적 대응은 대개 선별적인 로컬 처리이며, 더 큰 작업 부하는 다른 곳에서 처리된다.
이 접근법은 메모리 배분이 무엇을 정당화해야 하는지 바꾼다. 로컬 모델은 유용하고 빈번한 작업을 안정적으로 수행한다면 가장 광범위한 호스팅 서비스와 동일한 수준일 필요가 없다.
짧은 텍스트 변환을 제공하는 가상의 글쓰기 애플리케이션을 생각해 보자. 사용자들은 광범위한 추론보다 즉각적인 응답과 예측 가능한 가용성을 더 중요하게 여길 수 있다.
길고 복잡한 기술 기록을 분석하는 호스팅 모델과 달리, 이 요건을 충족하는 로컬 모델은 다른 목적을 수행한다. 두 모델을 하드웨어 점유율만으로 비교하면 서로 다른 역할을 놓치게 된다.
애플리케이션이 민감한 정보를 처리할 때 이러한 상충 관계는 더욱 분명해진다. 처리를 기기 내에서 유지하면 콘텐츠를 다른 곳으로 전송해야 할 필요를 줄일 수 있다.
다만 이 이점은 실제 제품 아키텍처에 달려 있다. 로컬 모델이 있다고 해서 애플리케이션의 모든 부분이 로컬에 머무는 것은 아니다.
검색, 동기화, 진단, 선택 기능은 별도의 데이터 흐름을 만들 수 있다. 구매자는 “온디바이스”를 완전한 개인정보 보호 설명으로 받아들이기 전에 전체 워크플로를 검토해야 한다.
클라우드 처리 역시 구체적인 평가가 필요하다. 원격 실행 자체만으로는 제공업체가 무엇을 보관하는지, 누가 정보에 접근할 수 있는지, 어떤 보호 조치가 적용되는지를 알 수 없다.
유용한 비교는 경계가 명확히 정의되고 문서화된 시스템 간에 이루어진다. 포괄적인 명칭은 그러한 증거를 대신할 수 없다.
개발자에게 혼합형 아키텍처는 실질적인 책임을 만든다. 애플리케이션은 어떤 요청을 로컬에 유지하고 어떤 요청에 원격 처리가 필요한지 결정해야 한다.
실패와 한계도 명확히 설명해야 한다. 사용자는 이용할 수 없는 기능이 기기 제약, 네트워크 상태, 서비스 제한 중 무엇 때문인지 알아야 한다.
기업 구매자에게 동일한 아키텍처는 일관성에 관한 의문을 제기한다. 기능이 직원의 기기에 따라 다르게 작동하거나 원격 접근이 불가능할 때 기능을 잃을 수 있다.
이 때문에 접근 방식을 표준화하기 전에 실제 작업을 테스트해야 한다. 그렇다고 모든 조직에 동일한 하드웨어나 단일 실행 모델이 필요하다고 가정할 이유는 아니다.
Sam Altman의 RAM 발언은 로컬 모델이 인프라 부족 문제를 해결한다는 광범위한 주장에 압박을 가한다. Apple과 Microsoft의 접근 방식은 더 좁은 명제를 뒷받침한다. 일부 작업은 사용자 가까이에서 처리되어야 한다는 것이다.
이러한 입장은 공존할 수 있다. 개인용 모델은 일상적인 작업을 처리하고, 공유 인프라는 기기의 실질적인 한계를 넘어서는 요청을 지원할 수 있다.
남은 이견은 그 경계가 어디에 있어야 하는지, 누가 이를 선택하는지, 그리고 누구의 이해관계가 기본값을 결정하는지에 관한 것이다.
“5%” 주장은 가장 어려운 질문들을 남겨둔다
Altman의 비율은 정밀하게 들리지만, 표현의 정밀함이 측정된 결과를 입증하지는 않는다. 해당 발언 기록은 그 배경이 되는 모집단이나 워크로드를 정의하지 않는다.
컴퓨터의 가동 시간은 모델 응답을 생성하는 데 쓰는 시간과 다르다. 메모리 점유 역시 완료된 유용한 작업과는 다르다.
명확한 분모가 없다면 그 비율만으로 더 폭넓은 결론을 뒷받침할 수 없다. 공정한 비교에는 양측 모두에 적용되는 일치된 정의가 필요하다.
이 논증에서 가장 큰 공백은 동등한 로컬 및 클라우드 워크로드 간 비교가 빠져 있다는 점이다.
유의미한 연구라면 이미 설치된 메모리와 AI를 위해 별도로 구매한 메모리를 구분할 것이다. 또한 가끔 하는 실험과 지속적인 전문 업무 활용도 분리해야 한다.
사용된 모델, 작업, 품질 기준, 하드웨어를 명시해야 한다. 그렇지 않으면 낮은 활용률 수치는 로컬 컴퓨팅의 결함이 아니라 잘못된 구매를 설명할 수 있다.
클라우드 측에도 같은 기준이 적용되어야 한다. 제공업체는 점유된 인프라와 유용한 고객 성과를 구분해야 한다.
바쁘게 작동하는 시스템도 불필요한 작업을 수행할 수 있다. 반복된 실패 요청, 지나치게 큰 모델, 피할 수 있는 처리는 결과를 개선하지 않으면서도 하드웨어를 계속 가동시킬 수 있다.
이는 특정 제공업체의 측정된 운영에 관한 주장이 아니라 분석상의 가능성이다. 활동량과 가치는 별도로 다뤄야 하는 이유를 설명한다.
가용성은 또 다른 복잡성을 만든다. 개인 소유는 장기간 적극적으로 사용하지 않더라도 용량이 소유자를 위해 예약되어 있다는 점에서 가치가 있을 수 있다.
전문 워크스테이션은 존재를 정당화하기 위해 계속 가동될 필요가 없다. 공유 접근을 기다리지 않고 긴급 작업을 처리할 수 있는 능력에 그 가치가 달려 있을 수 있다.
클라우드 인프라는 사용자의 기기를 넘어서는 역량에 접근할 수 있다는 점을 포함해 다른 장점을 제공한다. 관련된 질문은 그러한 장점이 새롭게 생기는 의존성을 상쇄하는지 여부다.
비판적 보도는 소유권이라는 차원을 강조해 왔다. local AI tradeoff를 다룬 글에서 Tom’s Guide의 Jason England는 Altman의 구도 설정에 이의를 제기하고 로컬 컴퓨팅을 옹호했다.
이 비판은 독립적인 활용률 기준이 아니라 반대되는 판단을 제시한다. 개인용 기기가 언제나 더 낫다는 또 다른 포괄적 주장으로 누락된 측정치를 대체해서는 안 된다.
OpenAI의 상업적 위치도 인정할 필요가 있다. 클라우드 AI 제공업체는 사용자가 해당 요청을 로컬 처리로 대체하는 대신 공유 모델에 접근할 때 이익을 얻는다.
그러한 유인이 효율성 논증을 무효화하는 것은 아니다. 다만 기업이 선호하는 아키텍처가 사업에도 도움이 될 때 증거의 중요성은 특히 커진다.
로컬 하드웨어 공급업체에도 자체적인 유인이 있다. 더 높은 사양을 요구하는 소프트웨어는 모든 구매자에게 추가 용량이 필요한지와 관계없이 기기 업그레이드를 촉진할 수 있다.
가장 강력한 분석은 양측에 동일한 기준을 적용한다. 클라우드 경영진의 활용률 주장도 하드웨어 공급업체의 제품 시연도 모든 사용자에게 최선의 배분을 입증하지는 않는다.
독자 역시 이 논쟁을 보편적인 구매 권고로 바꾸지 말아야 한다. 이 발언은 기존 컴퓨터에 더 적은 메모리가 필요하다거나 업그레이드에 가치가 없다는 점을 입증하지 않는다.
이는 측정할 가치가 있는 질문을 제기한다. 개인 AI 용량은 공유 인프라도 사용할 수 있는 자원을 정당화할 만큼 충분한 이점을 언제 제공하는가?
공급 약정, 워크로드 증거, 로컬 제품 출시를 주시하라
Sam Altman의 RAM 발언은 관찰 가능한 변화를 통해 가장 쉽게 평가할 수 있다. 앞으로 수개월 동안에는 세 가지 신호를 특정 순서로 주목할 만하다.
첫째, 메모리 공급업체의 다음 실적 공개와 공급 약정을 살펴봐야 한다. 유용한 세부 정보는 생산 우선순위, 고객 배정, 납품 전망에 관한 것이다.
미래 용량 발표는 고객에게 실제로 도달하는 부품과 구분해야 한다. 공장 계획과 실제로 사용할 수 있는 메모리는 문제의 서로 다른 단계를 해결한다.
공급업체가 클라이언트 및 서버 시장 전반에서 가용성이 개선되고 있다고 보고한다면, 클라우드 용량을 우선시해야 한다는 희소성 기반 논거의 긴급성은 낮아진다. 제한이 지속된다면 그 즉각적인 관련성은 강화될 것이다.
어느 결과도 개인정보 보호, 소유권, 신뢰성 문제를 해결하지는 못한다. 다만 이러한 이점을 평가해야 하는 자원 제약 자체는 바뀐다.
둘째, 비교 가능한 워크로드 측정치를 살펴봐야 한다. 가치 있는 증거라면 허용 가능한 출력에 대한 명확한 기준을 두고 개인 기기와 공유 시스템에서 동등한 작업을 테스트할 것이다.
그 비교에는 작업을 완료하는 데 필요한 메모리와 각 시스템의 사용성을 유지하는 데 필요한 추가 용량이 포함되어야 한다. 무엇을 활용률로 간주하는지도 설명해야 한다.
공동 사용 시스템이 더 적은 자원으로 동등한 결과를 낸다면 Altman의 핵심 효율성 논증은 힘을 얻는다. 작은 로컬 모델이 빈번한 작업을 경제적으로 처리한다면 로컬 실행을 반대하는 광범위한 주장은 약화된다.
측정은 간헐적인 구매와 기존 하드웨어도 구분해야 한다. 워크로드가 기기에 이미 존재하는 용량을 사용할 때는 환경적·상업적 의미가 달라진다.
셋째, Apple, Microsoft, 그리고 애플리케이션 개발자들이 실제로 무엇을 출시하는지 살펴봐야 한다. 중요한 증거는 일반적인 운영 환경에서 제공되는 유용한 기능이다.
로컬 기능은 사용자가 이를 정기적으로 활용하고 실질적인 기기 한계 안에서 작동할 때 더 강력한 반론이 된다. 시연만으로 입증되는 것은 훨씬 적다.
혼합형 제품은 어떤 작업이 기기에 남고 언제 원격 처리가 시작되는지 설명할 때 설득력을 높인다. 명확한 경계는 구매자가 상충 관계를 평가하는 데 도움이 된다.
결정적인 신호는 자원당 완료된 유용한 작업과, 그 작업에 대해 사용자가 받는 통제권이다.
아키텍처를 선택하는 팀에게 이는 더 구체적인 평가를 제안한다. 직원들이 수행하는 작업, 관련 정보, 그리고 작업이 계속되어야 하는 조건을 식별해야 한다.
personal knowledge base가 포함된 워크플로는 원본 자료에 민감한 문서와 업무 맥락이 담길 수 있으므로 특히 주의할 필요가 있다. 저장 위치와 처리 위치는 별도로 확인해야 한다.
다음 AI 구매는 실제로 수행하는 작업을 기준으로 평가하라. 추가로 어떤 하드웨어가 필요한지, 어떤 데이터가 기기를 떠나는지, 원격 접근이 실패하면 어떤 일이 발생하는지 물어봐야 한다. 모델의 크기나 하드웨어 소유의 매력 대신, 완료된 작업의 품질을 비교하라. Sam Altman의 RAM 발언은 희소 자원에 관한 정당한 질문을 제기하지만, 사용자는 여전히 자신의 상황에 맞는 증거가 필요하다. 공유 용량은 더 많은 사람에게 서비스를 제공할 수 있고, 예약된 로컬 용량은 접근성과 통제권을 보호할 수 있다. 어느 쪽을 선택하기 전에 배분에 관한 명확한 설명과 자신의 워크로드를 활용한 시연을 요청하라. 필요한 경계를 유지하면서 필수 작업을 완료하는 방식은 무엇인가?
