AI 혁신과 인플레이션

A. 실제로 유용한 기술도 버블이 될 수 있는가?

기술 자체가 저렴해진다고 해서 그 기술을 활용하는 데 필요한 전체 시스템도 반드시 저렴해질까? 그리고 어떤 기술이 사회적으로 유용하다고 해서 그 기술을 둘러싼 현재의 모든 투자가 경제적으로 정당화될 수 있을까?

미국의 인공지능 논쟁에서는 서로 다른 두 가지 질문이 자주 뒤섞인다. 첫 번째는 기술적·경제적 질문이다. AI가 실제로 생산비를 낮추고 노동생산성을 높이는가? 두 번째는 금융 및 투자에 관한 질문이다. AI 기업의 기업가치와 데이터센터, 반도체 시설, 전력 인프라에 유입되는 자본의 규모는 경제적으로 합리적인가?

두 질문은 밀접하게 연결돼 있지만 동일하지 않다. AI가 유용하다는 사실이 모든 AI 기업이 높은 수익률을 기록할 것이라는 의미는 아니다. AI가 장기적으로 미국의 생산성을 높일 수 있다는 가능성도 현재 개발 중인 모든 데이터센터, 발전소, 반도체 공장이 충분한 자본수익률을 낼 것이라는 뜻은 아니다.

최근 AI의 가격 대비 성능 개선은 매우 두드러졌다. 일정한 수준의 언어처리, 요약, 코드 생성, 정보 분석 능력을 얻는 직접 비용은 불과 몇 년 사이에 크게 하락했다. 여러 실제 업무에서도 생산성 향상이 관찰됐다.⁶

이러한 결과만 따로 보면 AI는 강한 디플레이션 효과를 가진 기술처럼 보인다. 기업이 더 적은 노동, 더 짧은 시간, 더 낮은 연산 비용으로 같은 수준의 산출물을 생산할 수 있다면 서비스 가격과 생산비에는 하방 압력이 생길 수 있다.

그러나 AI는 단순한 소프트웨어가 아니다. 현대의 대규모 AI 시스템은 데이터센터, 그래픽 가속기, 고대역폭 메모리, 냉각설비, 변압기, 발전설비, 송전망이 결합된 산업 시스템이다. 모델을 한 번 호출하는 가격은 내려가더라도, 모델을 운영하는 데 필요한 전력과 물리적 인프라의 총비용은 오를 수 있다.

미국의 전력 수요는 오랜 정체기를 지나 다시 증가하고 있다. 미국 에너지정보청은 데이터센터를 포함한 대형 컴퓨팅 시설을 주요 수요 증가 요인으로 지목했으며, 2026년과 2027년에도 전력 소비가 계속 늘어날 것으로 전망했다. 신규 발전 증가분에서는 태양광이 가장 큰 비중을 차지할 것으로 예상되지만, 안정성과 필요할 때 전력을 공급할 수 있는 조정 가능 전원으로서 천연가스도 중요한 역할을 할 가능성이 크다.⁷

이러한 성장은 지역별로 균등하지 않다. 대형 데이터센터가 밀집한 북부 버지니아와 텍사스에서는 전력 수요가 특히 빠르게 증가하고 있다. 버지니아의 상업용 전력 판매량은 2019년부터 2025년까지 약 3천만 메가와트시 증가했으며, 그 상당 부분은 데이터센터 집중과 관련이 있다. 텍사스 ERCOT 지역에서도 대형 데이터센터와 기타 대규모 전력 수요 시설이 전력망 연계를 신청하면서 수요가 빠르게 늘고 있다.⁸

자산가격과 투자 주기는 문제를 더욱 복잡하게 만든다. AI가 장래에 막대한 가치를 창출할 것으로 기대하는 기업과 투자자는 그 가치가 현재의 현금흐름에 충분히 반영되기 전에 선점하려 한다. 이를 위해 데이터센터, 발전설비, 반도체 공장, 기업 지분에 투자한다. 이 과정에서 합리적인 선행투자와 과도한 낙관을 구분하기 어려워지고, 전략적인 공급능력 확대와 중복·과잉건설의 경계도 흐려질 수 있다.

철도 광풍과 닷컴버블은 이러한 차이를 이해하는 데 도움이 된다. 두 사건 모두 사회를 실제로 변화시킨 기술을 중심으로 일어났다. 그러나 기반 기술이 장기적으로 성공했다는 사실이 그 기술에 자금을 댄 모든 투자자의 성공을 보장하지는 않았다.

이 글의 핵심 주장은 현재의 AI 투자 열풍이 철도 광풍의 물리적 인프라 투자 논리와 닷컴버블의 기업가치 및 사업모델 논리를 동시에 갖고 있다는 것이다. AI는 특정 연산과 업무의 단위비용을 낮추지만, 이를 미국 경제 전반에 도입하는 과정에서는 발전, 송전, 배전, 디지털 인프라에 새로운 비용과 투자 압력이 발생한다.

B. 기술 비용, 시스템 비용, 비용 전가, 자산가격

AI의 경제적 효과를 평가하려면 네 가지 층위를 구분해야 한다.

첫째는 핵심 기술의 비용이다. 여기에는 모델 추론 가격, 반도체의 가격 대비 성능, 알고리즘 효율, 에너지 효율, 소프트웨어 최적화가 포함된다. 같은 성능을 더 적은 연산능력과 더 낮은 비용으로 구현할 수 있다면 AI 서비스의 단위비용은 하락한다.

둘째는 보완 인프라의 비용이다. 대규모 AI 서비스에는 데이터센터, 발전설비, 전력망, 냉각장치, 변압기, 전력망 연계, 메모리, 첨단 패키징이 필요하다. 이러한 투입요소의 공급이 부족하면 핵심 기술이 저렴해지더라도 전체 시스템 비용은 높은 수준에 머물 수 있다.

셋째는 비용 전가다. 기업이 AI를 통해 비용을 절감하더라도 그 절감분이 소비자 가격에 어느 정도 반영되는지는 경쟁 강도, 전환비용, 시장지배력, 조직 내 도입비용에 따라 달라진다. 반대 방향의 질문도 중요하다. AI에 필요한 전력망과 발전설비의 확장 비용은 누가 부담하는가? 이 비용은 전기요금, 특별요금제, 장기 전력계약, 세제 혜택, 인프라 보조금 등의 형태로 전가될 수 있다.

넷째는 자산가격과 투자다. 장래의 대규모 이익에 대한 기대는 실제 이익이 실현되기 전에 주가와 기업가치, 자본지출을 끌어올릴 수 있다. 미래 시장을 선점하려면 일정 수준의 선행투자가 필요하다. 그러나 여러 기업이 같은 수요 전망을 전제로 투자하면 전체적으로는 시장이 필요로 하는 수준보다 더 많은 데이터센터와 발전설비가 건설될 수 있다.

이 네 층위는 서로 반대 방향으로 움직일 수 있다. AI 추론 가격은 하락하는데 데이터센터 건설비와 전력 조달비는 상승할 수 있다. 업무 생산성은 개선되는데 AI 기업의 기업가치에는 비현실적으로 높은 미래 이익이 반영될 수도 있다.

따라서 “AI는 생산적인가?”와 “현재의 AI 투자 열풍은 버블인가?”는 서로 양립할 수 없는 질문이 아니다. 생산적인 기술도 투기적 과열의 대상이 될 수 있고, 투기적 과열이 있다고 해서 기반 기술의 장기적 가치가 사라지는 것도 아니다.

C. AI 추론 비용 하락과 생산성 향상

AI 비용 하락을 가장 분명하게 보여주는 지표 가운데 하나는 일정한 수준의 모델 성능을 달성하는 데 필요한 가격이다. 스탠퍼드 HAI의 2025년 AI 인덱스에 따르면 GPT-3.5와 비슷한 성능을 제공하는 시스템의 이용 비용은 2022년 11월부터 2024년 10월 사이 280분의 1 이하로 감소했다.⁹

이러한 비용 하락은 미국 기업이 AI를 일상적인 서비스에 도입할 수 있는 경제적 조건을 만들었다. 과거에는 고부가가치 업무에만 적용할 수 있었던 기능이 이제 고객지원, 검색, 문서 작성, 번역, 코딩, 보험 처리, 데이터 분석 등에 활용될 수 있다.

같은 보고서는 AI 하드웨어의 가격 대비 성능이 연평균 약 30퍼센트, 에너지 효율은 연평균 약 40퍼센트 개선됐다고 설명한다.¹⁰ 이러한 개선이 누적된다면 일정량의 연산을 수행하는 데 필요한 장비와 전력 비용은 시간이 지날수록 하락할 가능성이 크다.

정확한 비용 하락률은 어떤 벤치마크와 성능 기준을 사용하는지에 따라 달라진다. Epoch AI는 대규모 언어모델이 일정한 성능을 달성하는 데 드는 가격이 빠르게 하락해 왔다고 분석하지만, 연간 하락률 추정치는 과제와 성능 수준에 따라 상당한 차이를 보인다고 설명한다.¹¹

군들라흐와 공동연구자들은 지식, 추론, 수학, 소프트웨어 공학 벤치마크에서 일정한 성능을 달성하는 데 드는 가격이 매년 약 5분의 1에서 10분의 1 수준으로 감소했다고 추정한다. 이들은 비용 하락의 원인으로 하드웨어 발전, 알고리즘 효율, 시스템 최적화, 경제적 요인을 함께 제시한다.¹²

비용 하락은 실제 업무의 생산성 향상으로도 이어지고 있다. 브린욜프슨, 리, 레이먼드는 미국 고객지원 업무에 생성형 AI 도우미를 도입한 효과를 분석했다. AI 도우미를 사용할 수 있었던 근로자는 시간당 해결한 고객 문의 건수가 평균 15퍼센트 증가했다.¹³

노이와 장은 전문 문서 작성 업무에 생성형 AI를 적용하는 실험을 수행했다. AI를 사용한 참가자들은 과제를 더 빨리 끝냈고, 평균적으로 더 높은 품질의 결과물을 제출했다.¹⁴

소프트웨어 개발에서도 비슷한 결과가 보고됐다. 펑과 공동연구자들은 GitHub Copilot을 사용한 참가자들이 자바스크립트 HTTP 서버 개발 과제를 대조군보다 55.8퍼센트 빠르게 완료했다고 밝혔다.¹⁵

이러한 결과는 AI의 유용성이 금융시장의 기대에만 근거한 것이 아님을 보여준다. 그러나 기술적 유용성이 모든 공급자의 재무적 성공을 보장하는 것은 아니다. 모델 가격이 계속 빠르게 하락하면 고객이 경제적 편익의 상당 부분을 가져가는 반면, 모델 개발사와 서비스 제공사는 경쟁 심화로 수익성이 압박받을 수 있다.

A. 철도 광풍: 물리적 인프라와 투자자 손실

1840년대 영국의 철도 광풍은 유용한 기술이 금융 투기와 대규모 물리적 투자에 얽힐 수 있음을 보여주는 대표적 사례다.

철도는 기존 육상 운송수단보다 더 빠르고 더 많은 화물을 운송할 수 있었다. 초기 철도 노선의 상업적 성공은 철도망이 산업, 무역, 도시 발전을 변화시킬 것이라는 믿음을 강화했다. 이러한 기대는 우호적인 금융 여건, 신규 투자자의 참여, 철도회사 설립 급증과 맞물렸다.

1840년대 중반 영국 의회에는 수많은 철도 사업안이 제출됐고, 새로운 철도회사 주식이 대중에게 발행됐다. 일부 주식은 투자자가 액면가 전액이 아니라 일부만 먼저 납입하도록 설계돼, 상승장에서 사실상 레버리지와 비슷한 효과를 제공했다. 캠벨은 이러한 자금조달 구조가 철도 투자 열풍을 확대하는 데 기여했다고 분석한다.¹⁶

철도 기술의 가치 자체는 분명했지만 모든 노선이 경제적으로 타당했던 것은 아니다. 서로 경쟁하거나 중복되는 노선이 계획됐고, 건설비는 과소평가됐으며, 예상 수요는 과대평가되는 경우가 많았다. 철도의 미래에 대한 믿음이 개별 노선의 수익성에 대한 면밀한 평가와 분리되기 시작했다.

철도주 가격이 하락하고 회사들이 투자자에게 약정한 추가 자본의 납입을 요구하자 투자자 부담은 커졌다. 경제성이 부족하거나 충분한 자금을 확보하지 못한 사업은 취소되거나 지연됐고, 일부는 더 강한 회사에 흡수됐다. 철도 기술은 성공했지만 많은 철도회사와 투자자는 성공하지 못했다.

금융 손실이 모든 물리적 투자를 지운 것은 아니었다. 투자 열풍 속에서 조달된 자본의 일부는 선로, 역, 교량, 기타 철도 인프라로 전환됐다. 루이스는 반복된 영국 철도 투자 붐이 투자자의 초과수익이 사라진 뒤에도 상당한 인프라를 남겼다고 설명한다.¹⁷

이 차이는 사회적 수익과 투자자 수익이 서로 다를 수 있음을 보여준다. 철도망은 장기적으로 운송시간을 줄이고 시장을 통합할 수 있지만, 그 건설에 자금을 댄 투자자는 낮은 수익이나 손실을 기록할 수 있다.

이 비교는 미국의 AI 데이터센터 투자에도 직접 적용된다. AI가 장기적으로 매우 중요한 기술이 되더라도 현재 개발 중인 모든 데이터센터와 전력 사업이 높은 가동률과 적정한 수익률을 기록하는 것은 아니다. 일부 설비가 과잉이 되더라도 전력 인프라, 광섬유망, 데이터센터 건물은 다른 디지털 용도로 활용될 수 있다. 그러나 인프라가 남는다는 사실이 최초 투자자의 성공을 보장하지는 않는다.

B. 닷컴버블: 실제 기술과 과대평가된 기업

1990년대 후반 미국의 닷컴버블은 경제를 실제로 변화시킨 범용기술의 등장과 인터넷 기업에 대한 과도한 기업가치 평가가 결합된 사건이었다.

인터넷은 통신, 상거래, 정보 유통, 기업 운영의 비용을 줄일 잠재력이 있었다. 개인용 컴퓨터가 보급되고 통신망이 확장되며 웹브라우저가 대중화되자 투자자들은 기존 산업이 인터넷에 의해 재편될 것으로 예상했다.

그 예상 자체가 근본적으로 틀린 것은 아니었다. 전자상거래, 검색, 디지털 광고, 클라우드 컴퓨팅, 온라인 미디어는 이후 미국 경제의 주요 산업으로 성장했다. 그러나 인터넷이 경제를 변화시킬 것이라는 명제와 모든 상장 인터넷 기업이 지속적인 이익을 낼 것이라는 명제는 같지 않았다.

많은 닷컴 기업은 안정적인 매출, 이익, 고객 유지 구조를 확보하지 못한 상태에서도 높은 기업가치를 인정받았다. 이용자 증가, 웹사이트 방문자 수, 초기 시장 선점 가능성이 단기 재무성과를 대신하는 지표처럼 취급됐다. 투자자들은 네트워크 효과와 승자독식 가능성을 강조하면서 현재의 적자를 가볍게 보는 경향을 보였다.

오펙과 리처드슨은 낙관적인 투자자가 시장을 주도하고 비관적인 투자자는 공매도 제약을 받는 상황에서는 인터넷 주식 가격이 기초 현금흐름과 괴리된 상태를 오랫동안 유지할 수 있다고 설명한다.¹⁸

2000년 무렵 수익성에 대한 우려가 커지고 금융 여건이 긴축적으로 바뀌자 인터넷 주식은 급락했다. 많은 기업이 파산하거나 인수됐고, 정보기술 투자는 크게 위축됐다. 그러나 인터넷 자체가 사라진 것은 아니다. 정보기술은 이후 미국 기업의 운영과 생산성 향상에 깊이 통합됐다.¹⁹

닷컴버블은 인터넷이 쓸모없는 기술이어서 붕괴한 것이 아니었다. 인터넷의 장기적 가치가 개별 기업의 단기 이익과 기업가치에 지나치게 광범위하고 공격적으로 반영됐기 때문에 붕괴한 측면이 컸다.

같은 구분은 AI 모델 개발사와 응용서비스 기업에도 적용된다. AI 도입이 광범위하게 확산되더라도 모델 가격 하락, 경쟁 심화, 오픈소스 대안, 고객의 협상력 때문에 많은 기업이 현재 시장 기대에 부합하는 수익을 얻지 못할 수 있다.

C. AI 투자 열풍이 두 버블을 모두 닮은 이유

현재의 AI 투자 열풍은 철도 광풍과 닷컴버블이 결합된 현상으로 이해할 수 있다.

첫 번째로 철도 광풍과 닮은 점은 대규모 물리적 인프라가 필요하다는 것이다. AI 모델은 소프트웨어 제품처럼 보이지만 실제로는 데이터센터, 가속기, 고대역폭 메모리, 냉각시스템, 발전설비, 송전선, 변압기에 의존한다.

이러한 자산은 건설기간이 길고 초기 자본투자가 크다. 기업은 미래 수요를 예상해 미리 투자해야 하므로, 실제 투자 시점에는 투자 부족과 과잉투자를 명확히 구분하기 어렵다.

철도 광풍 당시 여러 철도회사가 중복 노선을 계획했던 것처럼, AI 기업도 중복되는 데이터센터와 모델 개발 역량을 구축할 수 있다. 실제 수요가 모든 기업의 계획을 뒷받침하지 못하면 일부 시설은 낮은 가동률과 부진한 수익률에 직면할 수 있다.

두 번째로 닷컴버블과 닮은 점은 기술의 장기적 가치가 실제임에도 개별 기업의 경제성이 불확실하다는 것이다. AI는 생산성을 높이고 새로운 시장을 만들 수 있지만, 모든 모델 개발사와 응용서비스 기업이 독점적 이익을 얻는 것은 아니다.

AI 모델의 품질이 비슷해지고 추론 가격이 계속 하락하면 이용자는 더 큰 편익을 누릴 수 있지만 모델 공급자의 이익률은 압박받을 수 있다. 고객에게는 디플레이션 효과를 주는 기술이 공급자에게는 경쟁 심화와 수익성 악화로 이어질 수 있다.

따라서 AI 버블이 존재한다면 그것을 무가치한 기술을 둘러싼 투기로 이해해서는 안 된다. 실제 기술이 장래에 만들어낼 가치를 현재의 기업가치와 물리적 투자에 빠르게 반영하는 과정에서 발생한 과열로 보는 편이 더 정확하다.

A. 미국 데이터센터 전력 수요: 수요 정체 시대의 종말

미국 전력산업은 오랫동안 전력 수요가 큰 폭으로 증가하지 않을 것이라는 가정 아래 운영돼 왔다. 에너지 효율 개선과 제조업 구성 변화로 2000년대 중반 이후 전력 판매 증가율은 낮은 수준을 유지했다. 그러나 데이터센터, 첨단 제조업, 전기화 확대가 이러한 가정을 흔들고 있다.

버클리연구소의 2024년 보고서는 미국 데이터센터가 2023년에 약 176테라와트시의 전력을 소비한 것으로 추정했다. 이는 미국 전체 전력 소비의 약 4.4퍼센트다. 보고서는 데이터센터 전력 소비가 2028년에 약 325테라와트시에서 580테라와트시로 증가해 미국 전체 전력 사용량의 6.7퍼센트에서 12퍼센트를 차지할 수 있다고 전망했다.²⁰

2026년에 공개된 2025년 업데이트는 전망 기간을 2030년까지 연장했다. 기준 시나리오에서 미국 데이터센터 전력 소비는 649테라와트시에 이를 수 있으며, 이는 미국 전체 전력 소비량의 약 11.8퍼센트에 해당한다. 전체 시나리오 범위는 521테라와트시에서 843테라와트시, 비중으로는 9.5퍼센트에서 15.3퍼센트다.²¹

전망 범위가 넓은 이유는 AI 반도체 출하량, 서버 가동률, 유휴 전력 소비, 교체 주기, 냉각 효율에 대한 불확실성이 크기 때문이다. 데이터센터 전력 수요는 개발되는 모델의 수만으로 결정되지 않는다. 얼마나 많은 반도체가 설치되는지, 얼마나 집중적으로 가동되는지, 유휴 상태에서 얼마나 많은 전력을 소비하는지, 얼마나 빠르게 교체되는지가 모두 중요하다.

미국 에너지정보청은 대형 컴퓨팅 시설을 전력 수요 증가의 주요 원인으로 지목했다. 미국의 전력 소비가 2026년에 1퍼센트, 2027년에 3퍼센트 증가할 것으로 예상하며, 이로 인해 2000년 이후 가장 강한 4년 연속 전력 수요 증가세가 나타날 수 있다고 전망했다.²²

전국 단위의 수치는 문제의 일부만 보여준다. 데이터센터는 특정 지역에 집중되며, 수백 메가와트에서 1기가와트를 넘는 규모의 시설이 짧은 기간 안에 전력망 연계를 신청할 수 있다. 국가 전체로 보면 감당할 수 있어 보이는 수요 증가도 개별 전력회사와 지역 송전기관에는 심각한 계획 및 투자 부담을 줄 수 있다.

B. 버지니아와 텍사스: 지리적 집중의 비용

북부 버지니아는 세계 최대 규모의 데이터센터 집적지 가운데 하나다. 광섬유 연결성, 고객과의 근접성, 이용 가능한 토지, 기존 전력 인프라가 이 지역의 디지털 허브 지위를 강화해 왔다.

미국 에너지정보청에 따르면 버지니아의 상업용 전력 판매량은 2019년부터 2025년까지 약 3천만 메가와트시 증가했다. 규모가 훨씬 큰 텍사스를 제외하면 다른 어떤 주보다 빠른 증가세였으며, 데이터센터 집중이 주요 원인으로 지목됐다. PJM은 버지니아 주요 데이터센터 지역을 포함하는 도미니언 구역이 2026년부터 2030년까지 여름철 최대전력수요가 가장 크게 증가하는 지역 가운데 하나가 될 것으로 전망한다.²³

텍사스에서도 비슷한 추세가 나타나고 있다. ERCOT 지역은 데이터센터, 암호화폐 채굴시설, 첨단 제조업 투자를 끌어들이고 있다. 미국 에너지정보청은 대형 데이터센터와 기타 컴퓨팅 시설을 주요 요인으로 지목하며 ERCOT의 전력 수요가 2025년에 7퍼센트, 2026년에 14퍼센트 증가할 수 있다고 전망했다.²⁴

버지니아와 텍사스는 데이터센터 전력정책의 서로 다른 두 모델을 보여준다. 버지니아는 여러 주에 걸친 도매전력시장인 PJM에 속해 있으며, PJM은 광범위한 지역의 발전설비, 송전망, 안정성을 조정한다. 반면 텍사스는 주로 독립된 ERCOT 시스템 안에서 빠른 수요 증가를 관리해야 한다.

기본적인 문제는 두 지역 모두 비슷하다. 전력회사는 약속된 데이터센터 전력 수요가 정확히 언제 실제 가동으로 이어질지 알지 못한 채 발전소, 송전선, 변전소, 배전설비에 투자해야 한다. 사업이 지연되거나 취소되면 다른 전력 소비자가 활용도가 낮은 인프라 비용을 부담할 수 있다. 반대로 투자가 너무 늦으면 데이터센터의 전력망 연결이 지연되고 지역 경제개발 기회를 잃을 수 있다.

따라서 핵심 정책 질문은 단순히 전기를 더 많이 생산하는 방법이 아니다. 대규모 전력 수요 신청이 실제로 신뢰할 만한지 어떻게 확인할 것인지, 전력망 확장에 따른 재무적 위험을 데이터센터 개발사, 전력회사, 일반 전력 소비자 사이에 어떻게 배분할 것인지가 더 중요하다.

C. 미국의 발전원과 전력망: AI에 필요한 전기는 누가 공급할 것인가?

데이터센터 수요 증가는 미국의 발전원 구성에도 영향을 미치고 있다. 데이터센터는 연간 전력량뿐 아니라 24시간 안정적으로 공급되는 전력과 충분한 예비력을 필요로 한다.

미국 에너지정보청은 2026년과 2027년 미국 발전량 증가분에서 태양광이 가장 큰 비중을 차지할 것으로 전망한다. 그러나 천연가스는 여전히 미국 최대 발전원으로 남아 전체 전력의 약 39퍼센트에서 40퍼센트를 공급할 것으로 예상된다. 원자력은 약 18퍼센트, 풍력은 11퍼센트에서 12퍼센트, 태양광은 7퍼센트에서 9퍼센트를 담당할 전망이다.²⁵

하나의 발전원만으로 AI 전력 수요를 충족하기는 어렵다. 태양광과 풍력은 비교적 빠르게 건설할 수 있고 가격 경쟁력을 갖출 수 있지만, 데이터센터에 연속적으로 전력을 공급하려면 저장장치, 송전망, 유연한 수요 관리, 다른 조정 가능 발전원이 필요하다.

천연가스는 빠르게 출력 조절이 가능하고 기존 인프라를 활용할 수 있어 단기적인 전력 안정성에 중요하다. 그러나 가스발전 확대는 연료 가격, 파이프라인 부족, 탄소배출 위험에 노출된다. 원자력은 높은 이용률과 낮은 직접 탄소배출이라는 장점이 있지만, 신규 대형 원전은 건설기간이 길고 자본비용이 높다.

일부 기술기업은 안정적인 저탄소 전력을 확보하기 위해 원자력, 차세대 원자로, 지열, 장기 전력구매계약을 추진하고 있다. 이러한 사업이 데이터센터 수요 증가 속도에 맞춰 가동될 수 있는지는 기술, 인허가, 규제, 자금조달에 달려 있다.

미국의 AI 전력 문제는 발전설비만의 문제가 아니다. 새로운 발전소와 데이터센터가 모두 건설되더라도 충분한 송전선, 변전소, 전력망 연계 용량이 없으면 전력을 전달할 수 없다.

D. 세계 전력 수요의 관점

현재 미국은 세계 데이터센터 전력 소비에서 가장 큰 비중을 차지하지만, AI로 인한 전력 수요 증가는 세계적인 현상이다.

국제에너지기구는 2024년 전 세계 데이터센터가 약 415테라와트시의 전력을 소비한 것으로 추정한다. 이는 세계 전체 전력 소비의 약 1.5퍼센트다. 미국은 전 세계 데이터센터 전력 소비의 약 45퍼센트, 중국은 약 25퍼센트, 유럽은 약 15퍼센트를 차지했다.²⁶

국제에너지기구의 기준 시나리오에서 세계 데이터센터 전력 소비는 2030년에 약 945테라와트시로 두 배 이상 증가한다. AI가 증가분의 가장 큰 원인이 될 것으로 예상되며, 미국은 추가 수요에서 가장 큰 비중을 차지할 전망이다. 데이터센터는 2030년까지 미국 전체 전력 수요 증가분의 절반 가까이를 차지할 수 있다.²⁷

2030년 데이터센터가 세계 전력 소비에서 차지하는 비중이 약 3퍼센트에 그치더라도 지역적 영향은 훨씬 클 수 있다. 데이터센터는 특정 대도시와 송전 구역에 집중되기 때문에 기존 전력망 규모에 비해 매우 큰 신규 부하가 될 수 있다.

국제에너지기구는 선진국에서 새로운 송전선을 개발하는 데 일반적으로 4년에서 8년이 걸린다고 추정한다. 변압기와 케이블 같은 핵심 장비의 납기도 최근 몇 년 사이 두 배로 늘었다고 지적한다. 이러한 제약이 해결되지 않으면 2030년까지 전 세계에서 계획된 데이터센터 설비의 약 20퍼센트가 전력망 연결 지연에 직면할 수 있다.²⁸

따라서 세계의 AI 경쟁은 단순한 모델 성능 경쟁이 아니다. 발전설비, 송전망, 변압기, 냉각용수, 반도체 생산능력, 지역 인허가를 둘러싼 경쟁이기도 하다.

E. 변압기와 전력망 연계

데이터센터는 전력망에 연결되지 않으면 운영할 수 없다. 발전소에서 서버실까지 전력을 공급하려면 송전선, 변전소, 배전망, 변압기가 필요하다.

미국 국립재생에너지연구소의 보고서는 배전용 변압기 수요를 장기적으로 증가시키는 요인과 관련 공급망 문제를 분석한다.²⁹ 보고서에 인용된 업계 자료에 따르면 미국 전력회사가 변압기를 인도받기까지 최대 2년이 걸리는 사례가 나타났고, 납기는 2022년 이전보다 크게 길어졌으며 일부 배전용 변압기의 가격은 최근 몇 년 사이 수배 상승했다.

충분한 변압기와 전력망 연계 용량이 없으면 데이터센터 건물이 완공돼도 전력을 공급받지 못할 수 있다. 장비 납기 장기화는 사업을 지연시키고, 장비 가격과 금융비용 상승은 데이터센터 개발의 총자본비용을 높인다.

철도 노선의 경제성이 토지 확보, 교량, 터널, 역에 의존했던 것처럼 AI 서비스의 경제성도 모델 가격뿐 아니라 운영에 필요한 전력 인프라의 공급 가능성과 비용에 달려 있다.

전력망 병목은 AI 투자 열풍이 철도 광풍과 닮았다는 점을 보여준다. 인프라 결정은 수요가 완전히 확인되기 수년 전에 내려져야 한다. 투자가 부족하면 경제적 기회를 놓칠 수 있고, 투자가 지나치면 일반 전력 소비자가 활용도가 낮은 자산의 비용을 부담할 수 있다.

A. 고대역폭 메모리: 성능 향상과 비용 제약

현대 AI 시스템은 연산능력뿐 아니라 메모리 대역폭에도 의존한다. 대규모 모델은 방대한 수의 매개변수와 중간 계산 결과를 빠르게 읽고 써야 한다. 따라서 프로세서와 메모리 사이의 데이터 이동속도가 전체 시스템 성능을 제한할 수 있다.

고대역폭 메모리는 여러 메모리 다이를 수직으로 쌓고 넓은 인터페이스로 연결해 데이터를 매우 빠르게 이동시키는 기술이다. 프로세서가 데이터를 기다리는 시간을 줄여주기 때문에 AI 학습과 추론에 중요하다.

삼성전자는 2024년 2월 36기가바이트 용량의 12단 HBM3E 제품을 개발했다고 발표했다. 회사는 이 제품이 초당 최대 1,280기가바이트의 대역폭과 36기가바이트의 용량을 제공할 수 있다고 설명했다.³⁰

마이크론테크놀로지도 비슷한 시기에 HBM3E 양산을 시작했다고 발표했으며, 24기가바이트 8단 제품이 엔비디아 H200 텐서 코어 GPU에 사용될 예정이라고 밝혔다.³¹

고대역폭 메모리는 성능을 높이지만 비용 제약도 만든다. 셰와 공동연구자들은 HBM이 AI 업무에서 높은 대역폭과 에너지 효율을 제공하지만 비트당 비용이 높아 AI 인프라의 확장성을 제한할 수 있다고 설명한다.³²

HBM은 첨단 제조, 적층, 패키징 공정을 필요로 하므로 생산능력을 빠르게 늘리기 어렵다. 수요가 공급보다 빠르게 증가하면 가격, 공급 가능성, 물량 배분이 AI 시스템 도입을 제한할 수 있다.

이런 의미에서 HBM은 철도 시대의 레일, 기관차, 건설역량과 비슷하다. 핵심 보완재의 공급 여부가 기술 확산의 속도와 비용을 결정할 수 있다.

B. 기술 디플레이션과 인프라 인플레이션의 공존

현재까지의 증거는 AI가 기술 디플레이션과 인프라 인플레이션을 동시에 만들어낼 수 있음을 보여준다.

핵심 기술 수준에서는 비용이 분명히 하락하고 있다. 일정한 성능을 달성하는 데 드는 가격은 빠르게 감소했고, 하드웨어의 가격 대비 성능과 에너지 효율은 향상됐다. 고객지원, 전문 문서 작성, 코딩 업무에서도 생산성 향상이 관찰됐다.

이러한 개선은 미국 기업의 업무 단위비용을 낮출 수 있다. 경쟁이 충분한 시장에서는 비용 절감의 일부가 낮은 가격이나 더 높은 품질의 서비스 형태로 소비자에게 전달될 수 있다.

동시에 대규모 AI 도입은 데이터센터, 발전설비, 송배전망, 변압기, 고대역폭 메모리, 첨단 패키징에 대한 수요를 높인다. 이러한 부문의 공급 제약은 AI 도입을 늦추고 자본비용을 상승시킬 수 있다.

따라서 같은 경제 안에서 상반된 가격 효과가 나타날 수 있다. AI 기반 소프트웨어와 디지털 서비스 가격은 하락하는 반면, 데이터센터가 집중된 지역에서는 전력 인프라, 토지, 냉각설비, 천연가스 공급, 전력망 연계 비용이 상승할 수 있다.

철도 광풍은 물리적 인프라에 대한 과잉투자가 투자자에게 손실을 주면서도 사회적으로 유용한 자산을 남길 수 있음을 보여준다. 닷컴버블은 기술이 장기적으로 성공하더라도 개별 기업의 기업가치는 지나치게 높게 평가될 수 있음을 보여준다.

AI는 두 경로를 동시에 따를 수 있다. 데이터센터와 전력 인프라는 철도처럼 장기적으로 남는 물리적 자산이 될 수 있고, 모델 개발사와 응용서비스 기업은 닷컴기업과 비슷한 기대를 바탕으로 평가될 수 있다.

A. 미국 정책과 투자에 대한 시사점

미국의 AI 정책은 모델 성능과 반도체 확보에만 초점을 맞춰서는 안 된다. AI 도입 속도는 발전설비, 송전선, 변압기, 데이터센터 입지, 냉각, 메모리, 인허가에도 달려 있다.

첫째, 대형 데이터센터의 전력망 연계 신청에는 더 강한 재무적 의무가 필요하다. 개발사가 실제 수요가 확정되지 않은 여러 건의 신청을 동시에 제출하면 전력회사는 실현되지 않을 수요를 전제로 인프라를 계획하게 된다. 보증금, 단계적 용량 배정, 장기 최소사용 약정은 실제 사업과 투기적 신청을 구분하는 데 도움이 될 수 있다.

둘째, 전력망 확장 비용을 배분하는 명확한 원칙이 필요하다. 데이터센터를 위해 주로 건설된 변전소와 송전선 비용이 가정과 중소기업에 전가되면 전기요금 부담과 형평성 문제가 커질 수 있다. 반대로 데이터센터가 모든 광역 송전망 투자비를 부담하도록 하면 더 넓은 이용자에게도 이익이 되는 인프라 투자가 지연될 수 있다.

셋째, 데이터센터 입지의 지리적 유연성을 높여야 한다. 발전설비와 송전망 여유가 있는 지역으로 신규 데이터센터를 유도하면 북부 버지니아와 같은 기존 집적지의 혼잡을 줄일 수 있다. 세제 혜택과 인허가를 결정할 때는 일자리 창출뿐 아니라 전력망 비용, 물 사용, 지역경제 전반의 효과도 고려해야 한다.

넷째, 데이터센터의 운영 유연성을 전력시장에 통합해야 한다. 일부 연산업무는 시간대나 지역을 옮겨 수행할 수 있고, 데이터센터는 배터리, 비상발전기, 여유설비를 갖춘 경우가 많다. 수요반응과 유연한 운영은 안정성을 해치지 않으면서 전력망 부담을 줄일 수 있다. 국제에너지기구도 유연한 입지와 운영을 전력망 연계 지연을 줄이는 중요한 수단으로 제시한다.³³

다섯째, 에너지정책은 기술적으로 실용적이어야 한다. 재생에너지, 저장장치, 천연가스, 원자력, 지열은 건설기간과 운영 특성이 서로 다르다. 데이터센터가 요구하는 안정성을 충족하면서 비용과 배출을 관리하려면 지역별로 서로 다른 발전원 조합이 필요하다.

투자자는 AI 기술의 성장과 개별 기업의 수익성을 구분해야 한다. 빠르게 성장하는 시장이라도 경쟁과 가격 하락이 이익률을 압박하면 높은 투자수익률을 보장하지 않는다. 기술 이용자가 경제적 편익의 대부분을 가져가고 공급자는 제한적인 수익만 얻는 상황도 가능하다.

따라서 데이터센터 투자를 분석할 때는 계약된 수요, 전력 공급 가능성, 전력망 연계 상태, 고객 집중도, 전력망 비용의 부담 주체, 장비 노후화, 대체 용도 가능성을 검토해야 한다. 물리적 자산이 오래 남는다고 해서 높은 투자수익을 보장하는 것은 아니다.

B. 결론

인공지능은 실제로 유용한 기술이다. 일정한 수준의 모델 성능을 달성하는 데 필요한 비용은 빠르게 하락했고, 하드웨어의 가격 대비 성능과 에너지 효율은 향상됐다. 미국의 고객지원, 전문 문서 작성, 특정 코딩 업무에서도 생산성 향상이 관찰됐다.

그러나 AI가 유효한 기술이라는 사실이 AI와 관련된 모든 투자나 기업가치를 정당화하지는 않는다.

철도 광풍은 물리적 인프라에 대한 대규모 선행투자가 투자자에게 손실을 안기면서도 사회적으로 유용한 자산을 남길 수 있음을 보여준다. 철도는 경제를 변화시켰지만 모든 철도회사와 노선이 수익을 낸 것은 아니었다.

닷컴버블은 실제 기술적 가치와 과도한 기업가치가 동시에 존재할 수 있음을 보여준다. 인터넷은 미국 경제를 변화시켰지만 많은 초기 인터넷 기업은 지속 가능한 사업모델을 구축하지 못했다.

현재의 AI 투자 열풍은 두 사건의 특징을 모두 갖는다. 철도 광풍처럼 데이터센터, 발전소, 송전망, 변압기, 냉각설비, 반도체 생산시설에 대규모 물리적 투자가 필요하다. 닷컴버블처럼 AI의 장기적 유용성에 대한 기대가 개별 기업의 수익성과 기업가치에 광범위하게 반영되고 있다.

미국은 이러한 변화의 중심에 있다. 미국은 현재 세계 데이터센터 전력 소비에서 가장 큰 비중을 차지하며, 데이터센터는 미국 전력 수요 증가의 주요 원인이 될 것으로 예상된다. 북부 버지니아, 텍사스, 기타 주요 집적지에서는 이미 데이터센터 수요가 발전, 송전, 배전 계획을 바꾸고 있다.

일부 기업과 사업이 실패하더라도 데이터센터, 전력 인프라, 반도체 생산능력, AI 소프트웨어 생태계는 장기적으로 가치 있는 자산으로 남을 수 있다. 그러나 그 가능성이 과잉투자, 부적절한 비용 전가, 투자자 손실을 정당화하는 것은 아니다.

AI는 인플레이션에 한 방향으로만 영향을 미치지 않는다. AI는 연산과 일부 업무의 단위비용을 낮추는 동시에 전력, 토지, 장비, 첨단 메모리에 대한 수요를 증가시킨다. 기술 디플레이션과 인프라 인플레이션은 동시에 발생할 수 있다.

따라서 핵심 질문은 AI가 실제 기술인지, 아니면 버블인지 가운데 하나를 선택하는 것이 아니다. 실제로 유용한 기술을 둘러싼 시장도 과열될 수 있다.

AI가 장기적으로 창출할 사회적 가치 가운데 얼마가 지속 가능한 기업 현금흐름으로 전환될 것이며, 오늘날 데이터센터·발전설비·송전망·반도체에 투입되는 자본 가운데 얼마가 생산적인 인프라로 남고 얼마가 과잉설비가 될 것인가?

미국의 전력정책에는 또 하나의 질문이 따른다.

하락하는 AI 단위비용은 전력망, 변압기, 발전설비, 조직 변화의 비용을 얼마나 빠르게 상쇄할 수 있으며, 그 과정에서 발생하는 비용과 편익은 데이터센터 개발사, 전력회사, 가정, 기업, 납세자, 투자자 사이에 어떻게 배분될 것인가?