요약
AI 자체의 발자국(훈련 또는 미세 조정, 그리고 예상 수명 동안의 실행)을 추정하고, 같은 기간에 측정한 효과와 비교하십시오. 아무것도 하지 않는 경우가 아니라 가장 단순한 비AI 방법과 비교하십시오. 에너지나 배출량을 줄이려는 프로젝트라면, 절감량이 AI 자체의 비용을 분명히 넘어야 합니다. 그렇지 않으면 순손실입니다.
단계
- 기대하는 효과와 그것을 측정할 방법을 적어 둡니다.
- 훈련, 추론, 재시도를 포함해 예상 수명 동안 AI의 발자국을 추정합니다.
- 같은 일을 할 수 있는 가장 단순한 비AI 방법과 비교합니다.
- 어떤 결과가 나오면 중단하거나 축소할지 미리 정합니다.
- 시스템이 운영되면 측정한 수치로 다시 확인합니다.
AI 자체의 발자국을 계산하고, 같은 기간의 효과와 비교하십시오. "친환경을 위한 AI" 프로젝트를 포함해 AI로 무언가를 최적화하는 프로젝트는 AI 자체의 에너지를 거의 계산하지 않으며, 그 수치가 없으면 프로젝트가 오히려 순손실일 수 있습니다.
AI 쪽은 어떻게 추정하나요?
- 훈련 또는 미세 조정. 하는 경우에 해당합니다.
- 추론. 하루 요청 수 × 요청당 에너지 × 운영 일수. 일반적인 ChatGPT 질의 하나에 약 0.3 Wh라는 Epoch AI의 추정치는 텍스트의 출발점이 되지만, 입력이 길면 크게 늘어나므로 자체 토큰 수를 쓰십시오. AI API 호출의 에너지 추정하기를 참고하십시오.
- 재시도와 실패한 실행. 잊기 쉽습니다.
무엇과 비교해야 하나요?
아무것도 하지 않는 경우가 아니라 가장 단순한 비AI 방법과 비교하십시오. AI는 시간을 아껴 줄 때도 공짜가 아닙니다. 12개 프로그래밍 과제에서 수작업 코딩과 AI 지원 코딩을 비교한 2025년 연구에서는 AI 지원 방식의 탄소 발자국이 수작업 방식의 평균 약 33배였습니다. 이는 AI를 절대 쓰지 말라는 뜻이 아니라, 그만한 값어치가 있는지 확인하라는 뜻입니다.
ITEA 연구 프로젝트인 GreenCode는 자체 AI 발자국을 목표로 하는 에너지 절감량과 비교한 기후 근거를 공개하는데, 따라 할 만한 좋은 본보기입니다.
가장 큰 차이를 만드는 것
시작하기 전에 중단 조건을 정하는 것입니다. 어떤 결과가 나오면 축소할지 적어 두어, 관성에 떠밀려 결정하지 않게 하십시오.
흔한 실수
- 효과는 10년 동안, AI 비용은 한 달 동안만 계산하는 것.
- 도구가 인기를 얻은 뒤 사용량이 늘어나는 것을 무시하는 것.
- 불확실성을 0으로 취급하는 것. 범위로 제시하십시오.
더 넓은 그림은 효율만으로는 충분하지 않다를 읽어 보십시오.
출처
- Green AI and energy-aware computing, GreenCode (2026)
- Comparative analysis of carbon footprint in manual vs. LLM-assisted code development, Cheung, Kaul, Jahangirova, Mousavi and Zie, ResponsibleSE 2025 (ACM) (2025)
- How much energy does ChatGPT use?, Epoch AI (2025)
관련 내용
이 작업에 AI가 정말 필요한지 어떻게 판단하나요?
작업에 생성형 AI가 필요한지, 아니면 검색, 계산기, 템플릿, 간단한 규칙이 더 빠르고 에너지도 덜 쓰는지 가려내는 간단한 테스트입니다.
AI 효율 개선 효과가 사용 증가로 상쇄되지 않게 하려면 어떻게 해야 하나요?
AI 효율 절감분이 늘어나는 사용에 묻히지 않게 하는 방법입니다. 총량을 추적하고, 사용에 상한이나 예산을 두며, 남는 용량은 회수하고, 필요성을 묻습니다.
AI API 호출에 드는 에너지는 어떻게 추정하나요?
호스팅 AI API는 계측할 수 없지만, EcoLogits로 토큰 수와 모델 가정에서 호출당 에너지를 추정하고 비용과 함께 기록할 수 있습니다.
효율은 충분성이 아닙니다: AI의 리바운드 효과
AI를 더 효율적으로 만들어도 전체 에너지 사용이 줄어든다는 보장이 없는 이유, 리바운드 효과(제번스 효과)의 의미, 절감을 실제로 지키는 방법을 설명합니다.