요약
대부분의 AI 에너지 수치는 기업이 전체 방법을 공개하지 않은 채 스스로 보고한 것이거나, 실제 하드웨어에서 측정하지 않고 가정을 바탕으로 추정한 것입니다. 또한 연구마다 "시스템"의 경계를 서로 다른 곳에 긋습니다. 측정이 일관되기 전까지는 그린 AI 주장을 검증하기 어렵고, 모델이나 제공자 사이의 비교는 오해를 부를 수 있습니다.
핵심 내용
- 가장 잘 알려진 프롬프트당 수치는 제공자 자신이 내놓은 것이며 방법이 서로 달라, 직접 비교할 수 없습니다.
- 측정 경계를 바꾸면 결과가 두 배 넘게 달라질 수 있습니다. Google 자체 수치로도 Gemini 프롬프트 하나는 AI 칩만 계산하면 0.24 Wh에서 0.10 Wh로 줄어듭니다.
- 많은 도구가 에너지를 계량하지 않고 하드웨어 사양과 전력망 평균값으로 추정합니다.
- 2025년의 한 분석에 따르면 AI의 환경 비용에 관한 투명성은 나아지기는커녕 줄어들고 있습니다.
- 좋은 수치는 무엇을, 어떻게, 어떤 경계로, 어떤 하드웨어에서, 어떤 작업에 대해 측정했는지 밝힙니다.
측정할 수 없는 것은 관리할 수 없는데, AI의 에너지 사용은 아직도 제대로 측정되지 않고 있습니다. 이는 사소한 문제가 아닙니다. 그린 AI 주장을 검증할 수 있는지, 구매자가 제품을 비교할 수 있는지, 정책이 올바른 대상을 겨냥할 수 있는지가 여기에 달려 있습니다. 믿을 만한 수치가 없다면 모든 친환경 주장은 보도 자료에 불과합니다.
AI 에너지 수치는 왜 믿기 어려울까요?
대부분 AI를 판매하는 기업에서 나오고, 방법이 완전히 공개되지 않으며, 독립적으로 검증할 수 없기 때문입니다. 그렇다고 틀렸다는 뜻은 아니지만, 비교하기는 어렵습니다.
텍스트 프롬프트에 대해 가장 많이 인용되는 두 수치는 모두 자체 보고된 것입니다.
| 수치 | 출처 | 방법에 대해 알려진 것 |
|---|---|---|
| Gemini Apps 텍스트 프롬프트 중앙값 0.24 Wh | Google, 2025 | 발표된 논문이 데이터 센터 부대 비용과 유휴 용량을 포함한 방법을 설명합니다. 2025년 5월 데이터이며, 독립적으로 검증되지 않았습니다. |
| ChatGPT 질의 평균 약 0.34 Wh | OpenAI 최고경영자, 2025 | 블로그 게시물이며, 방법론은 공개되지 않았습니다. |
| 일반적인 GPT-4o 질의 약 0.3 Wh | Epoch AI, 2025 | 하드웨어와 모델 크기에 관한 공개 정보를 바탕으로 한 독립적인 추정입니다. |
수치는 비슷해 보이지만 같은 조건의 비교가 아닙니다. 중앙값은 평균이 아니며, 경계도 다릅니다. 또한 짧은 텍스트 프롬프트만 다룰 뿐, 이미지나 영상 생성, 긴 추론, 에이전트는 다루지 않습니다.
경계는 얼마나 중요할까요?
매우 중요합니다. Google의 논문이 직접 이 점을 보여 줍니다. 작동 중인 AI 가속기(TPU와 GPU)만 계산하면 프롬프트 중앙값당 0.10 Wh가 나옵니다. 호스트 서버, 수요에 대비해 대기시켜 둔 유휴 용량, 냉각 같은 데이터 센터 부대 비용을 더하면 0.24 Wh로, 두 배가 넘습니다.
어디에 선을 긋느냐가 답을 결정합니다. AI 서비스의 전체 경계에는 다음이 포함될 수 있습니다.
- 작업을 하는 AI 칩.
- 서버의 나머지 부분: 프로세서, 메모리, 저장 장치.
- 최대 부하에 대비해 확보한 유휴 및 여유 용량.
- 데이터 센터 냉각과 전력 변환.
- 요청과 답을 전달하는 네트워크.
- 사용자 기기.
- 모델 훈련(여러 사용에 나누어 배분).
- 하드웨어 제조(내재 탄소).
대담한 비교에도 같은 원리가 적용됩니다. AI가 같은 일을 하는 사람보다 에너지를 몇 배 더, 또는 덜 쓴다는 주장은 양쪽에 무엇을 넣느냐에 달려 있습니다. 사람의 컴퓨터와 시간, 모델의 훈련, AI 출력을 확인하고 고치는 데 드는 작업 등입니다. 2026년 영국에서 수학자, 컴퓨터 과학자, 산업계가 모인 그린 AI 샌드핏(집중 토론 워크숍)은 그런 비교가 의미를 가지려면 먼저 시스템 경계를 밝혀야 한다고 강조했습니다.
추정과 계량은 어떻게 다를까요?
계량은 작업이 실행되는 동안 하드웨어에서 실제 전력을 읽는 것이고, 추정은 가정으로 계산하는 것입니다. 둘 다 쓸 곳이 있지만, 자주 혼동됩니다.
- 계량은 하드웨어 카운터(최신 프로세서와 GPU에 내장된 것 등), 서버의 전력계, 데이터 센터 계량기를 사용합니다. 다루는 범위에 대해서는 정확하지만 하드웨어에 접근할 수 있어야 합니다.
- 추정은 가정한 정격 전력에 실행 시간과 가동률을 곱한 다음, 평균 전력망 탄소 집약도를 곱합니다. CodeCarbon 같은 도구는 프로세서, GPU, 메모리의 전력을 추정하고 지역 전력망 집약도를 적용합니다. 사용하기 쉽지만, 계량기가 아니라 추정기입니다.
추정은 크게 빗나갈 수 있으며, 특히 다른 무엇이 함께 돌아가는지 볼 수 없는 공유 클라우드 하드웨어에서 그렇습니다. 단순한 경험칙도 위험합니다. Mytton, Lundén, Malmodin은 2024년 네트워크 에너지가 대부분 고정된 기본량이라는 것을 보였습니다. 따라서 "기가바이트당 킬로와트시" 같은 계수는 데이터를 더 많이 또는 더 적게 보낼 때의 효과를 잘못 나타냅니다.
국제전기통신연합(International Telecommunication Union)의 2025년 AI 환경 영향 측정 보고서는 실증적 측정 없이 간접 추정에 크게 의존하는 것을 시급한 문제로 지적했습니다.
투명성은 나아지고 있을까요?
대부분의 척도로 보면 그렇지 않습니다. Luccioni, Gamazaychikov, Alves da Costa, Strubell은 2025년 AI 모델의 환경 정보 공개를 분석하고, 이런 모델의 사용이 늘어나는 동안에도 그 비용과 영향에 관한 투명성은 오히려 줄었다고 결론지었습니다.
규제는 반대 방향으로 밀기 시작했습니다. EU AI Act에 따라 범용 AI 모델 제공자는 모델의 알려진 또는 추정된 에너지 소비량을 문서화해야 합니다(부속서 XI). 이 문서는 대중이 아니라 규제 당국과 하위 제공자에게 전달되며, 측정이 불가능한 경우에는 추정도 허용됩니다.
좋은 측정은 어떤 모습일까요?
재현할 수 있는 수치입니다. 무엇을, 어떻게, 어떤 경계로, 어떤 하드웨어에서, 어떤 작업에 대해 측정했는지 밝힌 수치입니다. 유용한 기초 요소는 이미 있습니다.
- 공개 벤치마크. 알려진 하드웨어에서 공개 모델의 추론 에너지를 측정하는 ML.ENERGY Leaderboard, 그리고 지금 등장하고 있는 에너지 라벨과 벤치마크가 있습니다.
- 표준. 소프트웨어 탄소 집약도(Software Carbon Intensity) 사양인 ISO/IEC 21031:2024는 에너지, 전력망 집약도, 내재 배출량으로 기능 단위당 탄소 비율을 정의합니다.
- 에너지와 함께 정확도. 값싸지만 틀린 답은 효율적이지 않습니다. 에너지 수치는 결과의 품질, 그리고 얼마나 많은 재작업이 필요했는지와 함께 보고해야 합니다.
측정은 또한 "데이터 센터"보다 더 세밀한 수준, 즉 요청 하나, 모델 하나, 코드 한 줄까지 내려가야 합니다. 그런 수준의 배분이 있어야 엔지니어가 비용이 큰 부분을 찾아 고칠 수 있습니다.
다음에 할 일
- AI 에너지 수치를 보면 물어보십시오. 누가 측정했는지, 어떤 경계로 했는지, 계량한 것인지 추정한 것인지.
- 사용하는 하드웨어에서 자체 워크로드를 측정하십시오. AI 에너지 측정하기를 참고하십시오.
- 수치를 발표할 때는 경계와 방법을 함께 밝히십시오. 정직한 친환경 주장하기를 참고하십시오.
- 공급업체에 마케팅용 비율이 아니라 측정된 작업당 에너지를 요구하십시오. 지속 가능한 AI 조달을 참고하십시오.
- 제품 디렉터리에서 도움이 되는 도구를, 컨설턴트 디렉터리에서 전문가의 도움을 찾아보십시오.
자주 묻는 질문
ChatGPT와 Gemini의 에너지를 왜 비교할 수 없나요?
공개된 수치가 자체 보고된 것이고, 서로 다른 범위를 다루며, 방법이 완전히 공개되지 않았기 때문입니다. 한쪽은 데이터 센터 부대 비용과 유휴 용량을 포함하고 다른 쪽은 포함하지 않을 수 있습니다. 둘 다 같은 방식으로 측정되기 전까지 직접 비교는 신뢰할 수 없습니다.
AI 에너지를 추정하는 것과 측정하는 것은 어떻게 다른가요?
측정은 작업이 실행되는 동안 하드웨어 센서나 계량기에서 전력을 읽는 것입니다. 추정은 칩의 정격 전력, 가동률, 실행 시간 같은 가정으로 에너지를 계산하는 것입니다. 추정은 측정이 불가능할 때 유용하지만, 크게 빗나갈 수 있습니다.
시스템 경계란 무엇인가요?
무엇을 계산에 넣을지 정하는 선입니다. 좁은 경계는 AI 칩만 계산하고, 넓은 경계는 서버, 냉각, 유휴 용량, 네트워크, 사용자 기기, 하드웨어 제조까지 더합니다.
출처
- Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)
- The gentle singularity, Sam Altman (OpenAI) (2025)
- How much energy does ChatGPT use?, Epoch AI (2025)
- Misinformation by omission: the need for more environmental transparency in AI, Luccioni, Gamazaychikov, Alves da Costa and Strubell (2025)
- Measuring what matters: how to assess AI's environmental impact, International Telecommunication Union (2025)
- CodeCarbon, CodeCarbon project (2020)
- The ML.ENERGY benchmark: toward automated inference energy measurement and optimization, Chung et al., NeurIPS Datasets and Benchmarks (2025)
- ISO/IEC 21031:2024 Software Carbon Intensity (SCI) specification, ISO/IEC and Green Software Foundation (2024)
- Network energy use not directly proportional to data volume, Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
- Regulation (EU) 2024/1689 (AI Act), Annex XI, European Union (2024)
관련 내용
AI의 에너지와 탄소를 측정하는 방법
AI 작업의 에너지와 탄소를 계측하거나 추정하는 실용 안내서입니다. 도구, 시스템 경계, 작업 단위 지표, 정직한 불확실성 표기를 다룹니다.
AI 에너지 라벨과 벤치마크
2026년 AI 에너지 등급 현황: AI Energy Score, MLPerf Power, EU AI Act 문서화, 데이터 센터 등급, 라벨이 보여 줄 수 있는 것을 정리합니다.
AI에 관한 정직한 친환경 주장
AI 그린워싱을 피하는 법: 주장해도 되는 것과 안 되는 것, 리바운드 효과, 정직한 보고, 영국·EU·미국의 환경 주장 규정을 설명합니다.
왜 지금 그린 AI가 중요한가
AI가 데이터 센터 전력 수요를 빠르게 늘리며 전력망에 부담을 주고 비용을 높이고 있습니다. 2026년의 규모, 에너지, 비용, 정책 근거를 살펴봅니다.