효율이 오르면 왜 전력 소비는 더 늘어나는가 — AI와 제번스의 역설
목차
AI 모델의 추론 비용은 분기마다 거의 반으로 떨어지고 있지만, 데이터센터 전력 수요는 오히려 가속하고 있다. 효율이 소비를 줄이는 게 아니라 늘리는 '제번스의 역설'이 150여 년 전 석탄 시대와 똑같은 모양으로 반복되고 있기 때문이다.
배경 / 왜 지금 이 주제인가
데이터센터 전력난은 이미 자주 다뤄진 주제다. 통상 제시되는 해법은 "모델과 칩이 효율화되면 전력 문제도 완화된다"는 것이다. 실제로 추론 비용은 눈에 띄게 떨어지고 있다. 그런데 같은 기간 전력 수요 전망은 줄어들지 않고 오히려 상향 조정되고 있다. 효율화가 전력 문제의 해법이 아니라 오히려 수요를 더 키우는 쪽으로 작동하고 있다면, 지금까지의 전제 자체를 다시 봐야 한다. 이 역설을 설명하는 틀이 1865년 영국 경제학자 윌리엄 스탠리 제번스가 제시한 '제번스의 역설(Jevons paradox)'이다.
핵심 데이터 & 현황
- AI 추론 비용 하락 속도: 동일한 성능 기준에 도달하는 비용이 2023년 이후 분기당 약 47% 씩 떨어지고 있다 (Epoch AI 추정, Let's Data Science 보도)
- 데이터센터 전력 수요 전망: 전 세계 데이터센터 전력 소비는 2024년 약 415테라와트시(TWh, 전 세계 전력의 약 1.5%)에서 2030년 약 945TWh로 두 배 이상 늘어날 것으로 전망된다 (IEA, 'Energy and AI' 보고서, 2025.4)
- 빅테크 실측치: 구글은 2026년 환경보고서에서 2025년 전력 수요가 전년 대비 37% 늘어 2019년의 약 3.5배에 달했고, 총 온실가스 배출량도 18% 늘었다고 밝혔다 (Axios, 2026.6)
해석: 비용이 분기마다 거의 절반으로 떨어지는데 전체 소비 전망은 오히려 상향되는 것은, 단가 하락이 수요를 억제하지 못하고 있다는 신호다. '쓰는 양'이 '단가 하락 속도'보다 더 빠르게 늘고 있다는 뜻이다.
심층 분석
1) 제번스의 역설이란 무엇인가 — 석탄에서 AI까지
제번스는 1865년 저서 《석탄 문제》에서 제임스 와트의 증기기관 개량으로 같은 작업에 드는 석탄이 크게 줄었는데도, 영국의 석탄 총 소비량은 줄지 않고 오히려 늘었다고 지적했다. 효율이 좋아지면 자원을 쓰는 비용이 낮아지고, 비용이 낮아지면 전에는 비싸서 못 하던 새로운 용도가 생겨나 결국 총 소비가 늘어난다는 것이다. 컴퓨터 아키텍처 학계 매체인 SIGARCH Computer Architecture Today는 이 구조를 그대로 데이터센터 전력 문제에 적용하며, 칩·냉각 효율이 개선될수록 그만큼 더 많은 GPU를 돌릴 여력이 생겨 총 전력 수요가 줄지 않는다고 짚었다.
2) AI 추론에서 같은 구조가 반복되는 이유
토큰 단가가 떨어지면 같은 예산으로 쓸 수 있는 추론량이 늘어난다. 여기에 더해 최근 확산되는 추론(reasoning) 모델과 에이전트형 사용은 질문 하나당 내부적으로 훨씬 많은 토큰을 소비한다. 즉 토큰당 비용은 내려가지만 질문당 쓰는 토큰 수는 늘어나는 두 흐름이 겹친다. 국제에너지기구(IEA)는 추론이 이미 AI 연산의 80~90%를 차지하며, 2030년에는 AI 전력 수요의 약 75%를 추론이 차지할 것으로 본다. 학습 한 번보다 수십억 건의 일상적 추론 요청이 쌓이는 쪽이 전력 수요를 끌어올리는 구조로 바뀌고 있다는 뜻이다. 미국 조지아공대·헤이스팅스 로스쿨 연구진의 논문(arXiv, 2025)도 AI 환경 논쟁이 데이터센터의 직접적 에너지·물 사용에만 집중된 나머지, 효율화가 불러오는 이런 간접적 리바운드 효과는 제대로 다뤄지지 않고 있다고 지적한다.
3) 효율은 오르는데 총량은 왜 더 오르는가
구글의 사례가 이를 잘 보여준다. 구글은 제미니 모델의 질문당 에너지 소비를 큰 폭으로 줄였다고 밝혔지만, 2026년 환경보고서가 보여준 것은 정반대 방향이다. 전체 전력 수요는 전년 대비 37% 늘었고, 배포하는 AI 하드웨어 생산 과정까지 포함한 총 배출량은 18% 늘어 역대 최대 증가폭을 기록했다. Sopra Steria는 이런 사례를 들어, 단위당 효율 개선 수치만 보고 전체 환경 영향이 줄었다고 판단하면 안 된다고 경고한다. 분석: 효율화는 '같은 일을 하는 데 드는 전력'은 줄이지만, '얼마나 많은 일을 할 수 있는가'의 문턱을 낮춰 새로운 수요를 만들어낸다. 두 효과 중 어느 쪽이 더 큰지가 관찰되는 결과를 결정한다.
국내 시사점
한국도 같은 구조에서 자유롭지 않다. 네이버·카카오·클라우드 사업자들의 데이터센터 투자가 이어지는 동시에, 수도권 전력 계통 접속 지연과 신규 발전 설비 확충 속도가 AI 인프라 확장 속도를 따라가지 못한다는 우려가 꾸준히 제기된다. 효율이 좋은 국산·해외 AI 반도체를 들여온다고 해서 전력 수요 자체가 줄어들 것으로 기대하기보다는, 오히려 그 효율 덕분에 더 많은 서비스와 사용량이 유입될 가능성을 전제로 전력망 확충·재생에너지 조달 계획을 세워야 한다는 시사점을 준다. 엔터프라이즈 입장에서도 AI 도입을 전력·비용 절감 수단으로만 접근하면, 실제로는 사용량 증가로 총 비용이 늘어나는 역설을 겪을 수 있다는 점을 염두에 둘 만하다.
전망 & 주목할 변수
- 긍정 변수: 저전력 추론 전용 칩, 재생에너지·가스 발전 확충, 소형모듈원자로(SMR) 등 전력 공급 쪽 투자 확대
- 리스크 변수: 추론·에이전트형 사용 확산으로 질문당 연산량이 늘어 단가 하락 효과를 상쇄
- 체크포인트: 전력회사의 신규 접속 대기열 길이, 빅테크의 연간 환경보고서에 나타나는 총 전력·배출량 변화 추이(단위당 효율 수치가 아니라 총량 기준으로 봐야 한다)
결론
- AI 효율화는 실제로 빠르게 진행되고 있지만, 그 자체로 전력 소비 총량을 줄이는 해법은 아니다.
- 1865년 석탄에서 관찰된 제번스의 역설이 AI 추론 비용 하락에도 거의 같은 모양으로 나타나고 있다.
- 전력 문제를 보려면 '단위당 효율' 대신 '총 소비·총 배출' 수치를 기준으로 삼아야 한다.
참고 링크
목차
관련 글
AI는 왜 이 일만 못할까 — '들쭉날쭉한 경계'라는 개념
AI가 어떤 업무는 사람보다 뛰어나게 해내면서도 비슷해 보이는 다른 업무에서는 오히려 성과를 떨어뜨리는 이유를, 하버드-BCG 현장실험과 '검증 비대칭' 이론으로 짚고, 업무별로 AI를 어디까지 믿어야 할지 판단하는 기준을 정리합니다.
모델이 상품이 될 때, 돈은 어디로 흐르는가 — AI 가치사슬의 모트
모델 가격은 계속 떨어지는데 모델 기업 매출은 급등하고, 기업 89%가 AI를 쓰지만 수익 체감은 37%뿐입니다. 이 간극이 생기는 이유를 모델·인프라·애플리케이션·운영 잔여물 네 구간의 방어력 차이로 짚어봤습니다.
예측 치안과 사회신용, 민주주의도 다르지 않다 — 감시 기술의 수렴
영국 갱스매트릭스와 미국 오클랜드의 예측치안 알고리즘은 중국 사회신용시스템과 명분·절차는 다르지만, 과거 데이터로 위험군을 가려내는 기법 수준에서는 서로 닮아 있습니다. 감시 기술을 가르는 선이 체제가 아니라 투명성과 책임성이라는 점을 데이터로 짚어봅니다.
AI 규제는 왜 나라마다 다른가 — 정치구조의 세 갈래
EU는 법을 만들고 미국은 기업과 서약하고 중국은 등록제로 관리합니다. AI 규제가 나라마다 다른 모양인 이유는 AI를 대하는 태도 차이가 아니라, 각국 정치시스템이 애초에 규칙을 만들고 집행하는 방식 자체가 다르기 때문입니다.