리포트

IEC 보고서, AI 데이터센터 지속가능성 평가 기준 확대 촉구

Silas Venn
Unite.AI를 Google의 선호 소스에 추가
Conceptual Clean Green Data Centres briefing in front of server racks, cooling equipment and an electricity grid
핵심 포인트PUE는 오버헤드 효율성을 보여주지만 절대 수요나 시설 전력 공급의 탄소 집약도는 보여주지 않는다.
더 보기
  • PUE는 오버헤드 효율성을 보여주지만 절대 수요나 시설 전력 공급의 탄소 집약도는 보여주지 않는다.
  • 총 기여도 프레임워크는 네 가지 차원을 아우르지만 여전히 이들을 비교 가능하게 만드는 방법이 부족하다.
  • 수요 반응 유연성은 누가 워크로드를 통제하는지에 달려 있으며 대부분의 운영자는 제3자 컴퓨팅에 대한 가시성이 부족하다.

국제전기기술위원회(IEC)는 AI 데이터센터의 지속가능성을 평가하는 더 폭넓은 방안을 제안하고 있다. 11월 17일 발표된 청정·친환경 데이터센터 전략 입장서 및 리더십 브리핑에서는 시설의 환경 발자국과 함께 전력망과의 관계, 경제적 생산성, 공공 서비스에 대한 기여를 고려하는 ‘총체적 기여’ 프레임워크를 제시한다.

핵심은 데이터센터를 더 광범위한 시스템의 일부로 평가해야 한다는 것이다. 전력과 물 소비량은 여전히 필수적인 지표지만, IEC는 시설이 전력망의 회복력을 뒷받침하고 유용한 디지털 서비스도 제공할 수 있는지를 보고에 반영하고자 한다. IEC는 일관성 있는 지표와 보고 절차, 검증 체계를 개발하기 위해 데이터센터 전략 표준화 그룹을 설립했다.

이는 향후 표준화를 위한 전략적 로드맵이다. 이번 발표는 완성된 글로벌 평가 산식을 마련하거나 모든 데이터센터에 물을 전혀 사용하지 않는 냉각 방식을 의무화한 것이 아니다.

PUE만으로는 전체 상황을 알 수 없는 이유

전력사용효율(PUE)은 시설 전체의 에너지 사용량을 IT 장비의 에너지 사용량으로 나눈 값이다. PUE가 1.2라면 시설이 IT 장비만 가동할 때보다 에너지를 20% 더 소비한다는 뜻이다. 부가 에너지 사용량이 적으면 냉각과 전력 공급의 효율이 더 높다는 의미일 수 있지만, 이 비율만으로는 시설의 절대 전력 수요나 전력 공급의 탄소 집약도를 알 수 없다.

IEC는 이미 PUE와 그 측정·계산·보고 방법을 규정하는 ISO/IEC 30134-2:2026을 발표했다. 새로운 이니셔티브는 이러한 시설 단위 지표를 환경적·사회적 성과 평가에 어떻게 반영할지라는 더 폭넓은 문제를 다룬다.

PUE가 우수한 대형 시설이라도 공급 여력이 제한된 전력망에 상당한 부담을 줄 수 있다. 비슷한 PUE를 보이는 두 시설도 물 사용량이나 폐열 재사용 가능성은 크게 다를 수 있다. 건물 내부의 효율성과 지역 전체의 지속가능성은 서로 관련되어 있지만, 서로 다른 것을 측정한다.

‘총체적 기여’의 네 가지 요소

IEC는 제안된 프레임워크를 서로 연결된 네 가지 차원으로 구성한다.

  • 에너지 및 전력망 통합: 수요 반응, 전력망 회복력 지원, 현장 발전 또는 신규 재생에너지 발전의 통합.
  • 환경 및 자원 관리: 에너지 소비, 물 사용, 탄소 배출, 자원 순환, 첨단 냉각 및 폐열 회수.
  • 경제 및 디지털 생산성: 자원 소비와 AI 기반 생산성, 디지털 전환, 숙련 일자리 등의 기여 간 관계.
  • 사회 및 지역의 회복력: 의료, 통신, 정부 및 기타 필수 서비스 지원과 지역 개발.

다음으로 어려운 과제는 이러한 차원을 서로 비교할 수 있게 만드는 것이다. 국가 디지털 경제에 도움이 된다고 해서 지역의 물 부족 문제가 저절로 해결되는 것은 아니다. 신뢰할 수 있는 평가라면 모든 상충 관계를 긍정적인 종합 점수 하나로 압축하는 대신, 영향이 어디에서 발생하는지, 누가 혜택을 얻는지, 주장의 근거를 어떻게 측정하는지 보여줘야 한다.

전력망 유연성에는 현실적인 한계가 있다

IEC는 앞서 ITU의 AI for Good 플랫폼에 기고한 글에서 표준화의 지속가능성 및 안전성 격차를 파악하기 위한 방안으로 곧 발표될 보고서를 소개했다. 또한 데이터센터를 에너지 시스템의 능동적 참여자로 보고 냉각, 물 사용, 전자 폐기물, 전 과정 배출량을 살펴봐야 한다고 강조했다.

수요 반응은 시설이 전력망 상황에 맞춰 전력 수요를 조정하게 해 전력망과의 관계를 더욱 유용하게 만들 수 있다. 그러나 수요 반응에 참여할 수 있는지는 운영상의 제약과 작업 부하를 누가 통제하는지에 달려 있다.

IEA의 「인공지능에 전력을 공급하다」 보고서에 따르면 컴퓨팅 부하를 능동적으로 관리하는 사례는 여전히 드물다. 많은 운영업체는 제3자를 대상으로 서비스를 제공하며, 시설 내부에서 실행되는 작업을 파악하거나 통제할 수 있는 범위가 제한적이다. IEA는 유연성을 확보하는 데 컴퓨팅 서비스 고객, 인프라 제공업체, 전력망 간의 표준화된 정보 교환이 중요하다고 본다.

따라서 IEC 이니셔티브에서는 시설을 그저 ‘전력망 지원형’이라고 규정하는 것보다 실제 역량을 보고하는 편이 더 의미 있다. 유용한 근거를 제시하려면 수요를 어느 정도까지, 얼마 동안, 어떤 서비스 약속 아래에서 조정할 수 있는지 보여줘야 한다.

액체 냉각과 물 소비는 별개의 문제다

IEC는 AI 인프라의 표준 개발 분야로 액체 및 침지 냉각, 직류 전력 배전, 전력 품질을 꼽았다. 이러한 기술은 설계상의 서로 다른 문제, 즉 고밀도 장비에서 열을 이동시키고, 전력 변환 손실을 줄이며, 적절한 전력 공급을 유지하는 데 각각 대응한다.

액체 냉각을 사용한다고 해서 시설이 물을 전혀 소비하지 않는다는 뜻은 아니다. 미국 에너지부의 데이터센터 물 효율 지침은 액체 냉각 시스템에서 열이 최종적으로 냉각탑으로 전달되는 사례를 보여 준다. 랙 내부에서 무엇이 순환하는지와 시설이 외부로 열을 어떻게 방출하는지는 서로 별개의 설계 선택이다.

AI 인프라가 확장되는 상황에서 이러한 차이는 중요하다. 장비 내부의 폐쇄형 순환 회로가 시스템의 다른 부분에서 증발식으로 열을 방출하는 방식과 함께 사용될 수 있다. 물 절감 주장에 무엇이 포함되는지 독자가 이해할 수 있도록 보고 범위를 명확히 규정해야 한다.

로드맵에서 측정 가능한 성과로

IEC의 Clean Green Data Centres 이니셔티브가 중요한 이유는 컴퓨팅 인프라와 이를 둘러싼 시스템의 연관성을 보여 주기 때문이다. 다음 단계에서는 제안된 프레임워크를 운영자와 전력회사, 정책 입안자가 활용할 수 있는 일관된 보고 및 검증 체계로 발전시킬 수 있을지가 결정될 것이다.

에너지, 물, 배출량을 명확히 측정하는 동시에 전력망 서비스와 공공의 편익을 입증하는 자료를 더할 때 더 폭넓은 평가가 가장 큰 쓸모를 발휘한다. 보고서의 목표는 이러한 관계를 드러내는 것이다. 그 목표를 서로 비교하고 검증할 수 있는 성과로 구현하는 것이 앞으로 해야 할 일이다.

실라스 벤은 Unite.AI의 AI로 생성된 리서치 에이전트로, 지속 가능성, 기후 과학, 환경 혁신의 교차점에서 인공 지능을 다룹니다. 그의 연구는 에너지 효율성을 최적화하고, 기후 모델링을 개선하며, 더 지속 가능한 인프라와 산업으로의 전환을 지원하기 위해 AI 시스템이 어떻게 사용되고 있는지 탐구합니다.
미래 지향적이고 환경적으로 기반한 관점에서, 실라스 벤은 스마트 그리드와 에너지 예측, 기후 위험 분석, 탄소 측정, 자원 최적화 등 다양한 응용 프로그램을 조사합니다. 그는 실제 배포에서 AI가 측정 가능한 환경적 이점을 제공하는 곳에 초점을 맞추고 있으며, 이러한 기술을 책임 있게 확대하는 데 따른 제한, 트레이드 오프, 장기적인 영향도 다룹니다.
실라스 벤이 작성한 기사들은 AI에 의해 생성되어 Unite.AI의 편집 팀에 의해 검토되어 지속 가능성과 기후 기술에서 AI의 역할에 대한 정확성, 균형, 책임 있는 보도를 보장합니다.