# 그린 AI와 AI for Green(친환경을 위한 AI)의 차이

> 그린 AI는 AI 자체의 환경 발자국을 줄이고, AI for Green은 AI를 기후와 자연을 위해 씁니다. 두 개념의 차이, 함께 가야 하는 이유, 순편익 판단법을 설명합니다.

Source: https://greenai.guide/ko/기사/그린-ai와-ai-for-green-친환경을-위한-ai-의-차이/  
Updated: 2026-11-20

## 요약

좁은 의미의 그린 AI는 AI 자체의 환경 발자국, 즉 에너지, 탄소, 물, 하드웨어를 줄이는 것을 뜻합니다. AI for Green(친환경을 위한 AI)은 재생에너지 발전량 예측과 메탄 누출 탐지부터 홍수 경보와 일기 예보까지, AI를 기후 및 환경 행동을 지원하는 데 쓰는 것을 뜻합니다. 기후를 위한 AI 프로젝트는 드는 비용보다 더 많이 절감할 때만 도움이 되므로, 두 개념은 함께 가야 합니다.

## 핵심 내용

- 그린 AI는 AI 자체의 발자국을 줄이고, AI for Green은 AI를 활용해 다른 곳의 배출을 줄이거나 사람들이 기후 변화에 적응하도록 돕습니다.
- AI for Green은 완화(배출 감축)와 적응 및 회복력(변화하는 기후의 영향에 대처하기)을 모두 포함합니다.
- 국제에너지기구는 기존 AI 기반 해법을 폭넓게 쓰면 2035년 에너지 관련 배출의 약 5%에 해당하는 배출을 줄일 수 있다고 추정하지만, 이것이 보장되지는 않는다고 말합니다.
- AI for Green 프로젝트는 자체 발자국을 계산하고, 이를 피할 수 있는 배출이나 피해와 비교하며, 불확실성의 범위를 정직하게 밝혀야 합니다.
- 좋은 AI for Green 프로젝트는 그린 AI를 실천합니다. 효과가 있는 가장 작은 모델을 쓰고, 에너지 사용을 측정하며, 리바운드 효과에 주의를 기울입니다.

거의 똑같이 들리는 두 표현이 꽤 다른 일을 가리킵니다. '그린 AI'는 AI가 지구에 끼치는 비용에 관한 것입니다. 'AI for
Green(친환경을 위한 AI)'은 AI가 지구를 위해 할 수 있는 일에 관한 것입니다. 이 글은 둘의 차이를 설명하고, 각각의 실제
사례를 들며, 가장 좋은 프로젝트에는 왜 둘 다 필요한지 보여 줍니다.

## 그린 AI와 AI for Green은 무엇이 다를까요? {#what-is-the-difference-between-green-ai-and-ai-for-green}

**그린 AI는 AI 자체의 환경 발자국을 줄이고, AI for Green은 AI를 활용해 기후 및 환경 행동을 지원합니다.** 하나는 AI
시스템 안쪽을, 다른 하나는 AI를 적용하는 바깥의 문제를 봅니다.

- 대부분의 사람이 뜻하는 좁은 의미의 **그린 AI**는 AI가 쓰는 에너지, 탄소, 물, 하드웨어에 관한 것입니다. 더 효율적인
  모델과 코드, 에너지 사용 측정, 더 깨끗한 전력으로 운영하기, 하드웨어를 더 오래 쓰기, 그리고 충분성, 즉 AI나 대형
  모델을 그만한 가치가 있는 곳에서만 쓰는 것이 포함됩니다.
- **AI for Green**은 AI를 환경 문제에 적용합니다. 배출을 줄이는 일과, 사람과 자연이 변화하는 기후에 대처하도록 돕는
  일을 모두 포함합니다.

이 사이트의 [그린 AI란 무엇인가?](/ko/기사/그린-ai란-무엇인가/)는 '그린 AI'를 두 개념을 아우르는 상위 용어로 쓰고, 좁은
의미를 '더 친환경적인 AI'라고 부릅니다. 구분 자체는 같습니다. 어떤 용어를 쓰든 어느 쪽을 뜻하는지 밝히는 것이 좋습니다.

## AI for Green에는 무엇이 포함될까요? {#what-does-ai-for-green-include}

**크게 두 종류의 기후 대응 활동입니다. 배출을 줄이는 완화, 그리고 변화하는 기후가 일으키는 피해를 줄이는 적응 및
회복력입니다.** Rolnick과 동료들의 2019년 논문 *Tackling climate change with machine learning(머신러닝으로 기후 변화에
대응하기)*은 스마트 그리드부터 재난 관리까지 두 분야를 모두 정리했습니다. 이 논문은 Climate Change AI가 펴냈는데, 이
단체는 2019년 설립된 자원봉사 기반 비영리 단체로, 현재 이 분야에서 워크숍, 여름 학교, 혁신 보조금을 운영합니다.

### 완화: 배출 줄이기 {#mitigation-cutting-emissions}

- **전력망:** 풍력과 태양광 발전량과 수요를 예측해, 화석 연료 예비 전력을 덜 쓰면서 공급과 수요의 균형을 맞출 수 있게
  합니다.
- **메탄 및 배출 탐지:** 2023년 도입된 유엔환경계획(UN Environment Programme)의 메탄 경보 및 대응 시스템(MARS)은 위성
  데이터에 과학적 전문성과 AI를 결합해 대규모 메탄 배출에 대한 무료 경보를 보냅니다. IEA는 2025년 통보의 약 12%만
  대응을 받았다고 보고하는데, 탐지는 누군가 그에 따라 행동할 때만 도움이 된다는 점을 일깨워 줍니다.
- **소재 발견:** Google DeepMind의 GNoME 프로젝트는 2023년 *Nature*에, 그래프 네트워크가 결정 구조 220만 개를 찾아냈고
  그중 381,000개가 새로 발견된 안정 소재라고 보고했습니다. 이는 더 나은 배터리와 태양 전지를 위한 출발점입니다. 각
  후보는 여전히 실제로 만들어 시험해야 합니다.
- **건물과 산업:** DeepMind는 2016년, 머신러닝으로 Google 데이터 센터 냉각에 쓰는 에너지를 꾸준히 40% 줄일 수 있다고
  보고했습니다.
- **농업과 토지 이용:** 위성 이미지로 작물, 토양, 산림 벌채를 감시합니다.

### 적응 및 회복력: 기후 변화에 대처하기 {#adaptation-and-resilience-coping-with-climate-change}

- **기상 및 기후 예측:** 머신러닝 기상 모델인 GraphCast는 검증 대상 1,380개 중 90%에서 가장 정확한 운영용 결정론적
  시스템보다 나은 성능을 보였으며, 10일간의 전 지구 예보를 1분 안에 만들어 냅니다. 2025년 2월 25일 유럽중기예보센터
  (ECMWF)는 머신러닝 기반의 인공지능 예보 시스템(AIFS)을 실제 운영에 투입했습니다. ECMWF는 AIFS가 여러 지표에서 물리
  기반 모델보다 뛰어나며, 예보 하나를 만드는 데 약 1,000배 적은 에너지를 쓴다고 말합니다.
- **홍수 경보:** Nearing과 동료들은 2024년 *Nature*에서, 수위 관측소가 없는 하천 유역에서 AI 홍수 예측의 5일 전 예보가
  선도적인 전 지구 시스템의 당일 예보만큼 또는 그보다 더 믿을 만하다는 것을 보여 주었습니다. 이들의 모델은 80개국
  이상에 무료 공공 예보를 제공하는 조기 경보 시스템에 쓰입니다.
- **산불과 폭염 조기 경보, 재난 대응, 물 관리, 생물 다양성 감시**도 있습니다. 예를 들어 카메라 트랩과 녹음 자료에서
  종을 식별하는 것입니다.

## 둘은 어떻게 비교될까요? {#how-do-they-compare}

**목표, 참여하는 사람, 성공의 척도는 다르지만, 한 가지 위험은 같습니다. 주장만 하고 측정하지 않는 편익입니다.**

| | 그린 AI | AI for Green |
|---|---|---|
| **목표** | AI가 쓰는 에너지, 탄소, 물, 자재 줄이기 | AI로 다른 곳의 배출을 줄이거나 기후 피해 줄이기 |
| **누가 하는가** | AI 개발자, 데이터 센터 및 칩 설계자, IT 및 조달 팀, 일상 사용자 | 기후 및 지구 과학자, 에너지 기업, 예보관, 자연 보전 단체, 정부, 그리고 AI 전문가 |
| **성공의 모습** | 유용한 결과당 에너지와 탄소 감소, 총사용량 감소 | 측정된 배출 회피량, 더 이른 경보, 지켜 낸 생명과 비용 |
| **대표적 방법** | 더 작거나 증류된 모델, 양자화, 에너지 측정, 탄소 인지 스케줄링, 하드웨어 수명 연장 | 예측, 위성 이미지 분석, 전력망과 건물 최적화, 소재 선별 |
| **주요 위험** | 절감분이 사용 확대로 소진됨([리바운드 효과](/ko/용어집/#rebound-effect)), 총량 없는 효율 주장 | 편익보다 큰 발자국, 측정하지 않고 가정한 편익, 아무도 대응하지 않는 탐지 |

## AI는 기후에 좋을까요, 나쁠까요? {#is-ai-good-or-bad-for-the-climate}

**둘 다이며, 균형은 어떻게 쓰느냐에 달려 있습니다.** 국제에너지기구의 2025년 *Energy and AI* 보고서는 기준 시나리오에서
데이터 센터 전력 사용으로 인한 배출이 현재 1억 8천만 톤에서 2035년 3억 톤으로 늘어날 것으로 예상합니다. 또 기존 AI 기반
해법을 폭넓게 쓰면 2035년 에너지 관련 배출의 약 5%에 해당하는 배출을 줄일 수 있다고 추정합니다. 이는 데이터 센터
배출보다 훨씬 크지만, 기후 변화에 대응하는 데 필요한 양보다는 훨씬 작습니다.

IEA는 두 번째 수치에 신중합니다. 도입 장벽을 극복해야 하고, 사람들이 대중교통에서 자율주행차로 옮겨 가는 것 같은
리바운드 효과가 편익을 깎아 먹을 수 있으며, AI는 "만능 해결책이 아니다"라고 말합니다. Kaack과 동료들은 2022년
*Nature Climate Change*에서 이를 생각하는 유용한 틀을 제시합니다. 이들은 AI가 배출에 미치는 영향을 세 가지로 나눕니다.

1. **컴퓨팅 관련 영향:** AI가 쓰는 에너지와 하드웨어.
2. **직접적인 응용 영향:** 사용의 직접적인 효과, 예를 들어 연료를 덜 태우는 것.
3. **시스템 수준 영향:** 리바운드를 포함한 행동과 수요의 더 넓은 변화.

그린 AI는 첫 번째 영역을, AI for Green은 두 번째 영역을 다룹니다. 세 번째 영역은 어느 쪽에든 도움이 될 수도, 해가 될
수도 있습니다.

## 그린 AI와 AI for Green은 왜 함께 가야 할까요? {#why-do-green-ai-and-ai-for-green-belong-together}

**AI for Green 프로젝트는 드는 비용보다 더 많이 절감할 때만 도움이 되고, 그 비용을 낮게 유지하는 방법이 그린 AI이기
때문입니다.** 목적이 기후를 위한 것이라고 해서 발자국이 사라지지는 않습니다.

많은 AI for Green 작업은 그린 AI와 잘 맞습니다. 기상, 홍수, 전력망 예측은 한 가지 일을 위해 만든 특화 시스템이며,
ECMWF는 AIFS가 예보 하나를 만드는 데 약 1,000배 적은 에너지를 쓴다고 보고합니다. 이 수치는 예보를 만드는 데 대한
것이며, 전체를 따지려면 모델 학습도 계산에 넣어야 합니다. 위험은 프로젝트가 대형 범용 모델을 쓰거나, 필요 이상으로
자주 재학습하거나, 편익으로 정당화되지 않는 규모로 운영할 때 생깁니다. Luccioni, Strubell, Crawford는 효율 향상이 사용
확대를 부를 수 있으므로, 프로젝트는 작업당 효율만이 아니라 총발자국을 봐야 한다고 주장합니다
([효율은 충분성이 아닙니다](/ko/기사/효율은-충분성이-아닙니다-ai의-리바운드-효과/) 참고).

따라서 좋은 AI for Green 프로젝트는 그린 AI를 실천합니다.

- 효과가 있는 가장 단순한 방법을 고릅니다. 때로는 고전 통계나 물리 모델이 그 답입니다.
- 시스템을 학습하고 운영하는 데 드는 [에너지를 측정](/ko/모범-사례/ai의-에너지와-탄소를-측정하는-방법/)합니다.
- 전력이 더 깨끗한 장소와 시간에 실행합니다.
- 처음부터 학습하기보다 기존 모델과 데이터를 재사용합니다.

## AI for Green 프로젝트의 순편익은 어떻게 평가할까요? {#how-do-you-assess-the-net-benefit-of-an-ai-for-green-project}

**AI 자체의 발자국을, AI가 없었을 경우와 비교해 피할 수 있는 배출이나 피해와 견주고, 불확실성의 범위를 제시하십시오.**
Kaack과 동료들은 이런 영향 평가를 우선 과제로 요구합니다.

1. **AI의 발자국을 계산하십시오.** 학습, 재학습, 일상적 사용, 데이터 저장, 그리고 가능하면 하드웨어의 내재 탄소를
   포함하십시오. 가능한 곳에서는 추측하지 말고 측정하십시오.
2. **반사실 시나리오를 정하십시오.** AI가 없다면 무슨 일이 일어날까요? 기존 예보, 수작업 점검, 아니면 아무것도 하지 않는
   것인가요? 편익은 그 차이뿐입니다.
3. **피할 수 있는 배출이나 피해를 추정하십시오.** 탐지나 예측만이 아니라, 실제로 수리한 누출이나 실제로 절감한 에너지처럼
   측정된 결과가 있으면 그것을 쓰십시오.
4. **리바운드와 시스템 효과를 포함하십시오.** 더 저렴하거나 쉬워진 활동이 더 많은 활동으로 이어지는지 물어보십시오.
5. **불확실성을 보여 주십시오.** 범위를 제시하고, 가정을 밝히며, 시스템을 쓰기 시작한 뒤 추정치를 다시 검토하십시오.

범위의 비관적인 끝에서도 편익이 발자국의 몇 배라면 근거가 탄탄한 것입니다. 둘이 비슷하거나 편익을 측정하지 않았다면
그 주장을 조심스럽게 다루십시오. [측정이 병목이다](/ko/기사/측정이-그린-ai의-병목입니다/)와
[정직한 친환경 주장하기](/ko/모범-사례/ai에-관한-정직한-친환경-주장/)를 참고하십시오.

## 다음에 할 일 {#what-to-do-next}

- 핵심 정의는 [그린 AI란 무엇인가?](/ko/기사/그린-ai란-무엇인가/)를 읽어 보십시오.
- AI for Green 프로젝트를 시작하기 전에 반사실 시나리오와
  [에너지 사용을 측정할 방법](/ko/모범-사례/ai의-에너지와-탄소를-측정하는-방법/)을 적어 두십시오.
- 기후 및 자연 기금을 포함해 [그린 AI 및 AI for Green 프로젝트를 위한 자금](/ko/연구비-지원/)을 찾아보십시오.
- 이 분야에서 활동하는 단체는 [연구 디렉터리](/ko/연구/)에서 찾을 수 있습니다.
- 총사용량이 왜 중요한지 알아보려면 [효율은 충분성이 아닙니다](/ko/기사/효율은-충분성이-아닙니다-ai의-리바운드-효과/)를 읽어 보십시오.
- 낯선 용어는 [용어집](/ko/용어집/)에서 찾아보십시오.

## 자주 묻는 질문

### AI for Green이란 무엇인가요?

AI for Green은 인공지능을 기후 및 환경 행동을 지원하는 데 쓰는 것입니다. 예를 들어 재생에너지 발전량을 예측하거나 메탄 누출을 찾아 배출을 줄이고, 홍수 경보와 더 나은 일기 예보로 사람들의 적응을 돕는 것입니다.

### 그린 AI와 AI for Green은 무엇이 다른가요?

그린 AI는 AI 자체의 발자국에 관한 것으로, 모델, 하드웨어, 데이터 센터가 에너지, 탄소, 물, 자재를 덜 쓰게 하는 것입니다. AI for Green은 AI를 무엇에 쓰느냐에 관한 것으로, AI를 환경 문제에 적용하는 것입니다. 한 프로젝트가 둘 중 하나일 수도, 둘 다일 수도, 둘 다 아닐 수도 있습니다.

### AI는 기후에 좋은가요, 나쁜가요?

어떻게 쓰느냐에 따라 둘 다입니다. 국제에너지기구는 기존 AI 응용을 더 널리 쓰면 데이터 센터가 더하는 배출보다 훨씬 많은 배출을 줄일 수 있다고 보지만, 이것이 보장되지 않으며 리바운드 효과가 그 이득을 깎아 먹을 수 있다고 경고합니다.

### 그린 AI와 지속 가능한 AI는 무엇이 다른가요?

두 용어는 겹치며 흔히 같은 뜻으로 쓰입니다. 그린 AI는 대개 AI의 환경 발자국에 초점을 맞추고, 지속 가능한 AI는 사회적, 경제적 영향까지 포함하는 더 넓은 뜻으로 쓰이는 경우가 많습니다.

### AI 기후 프로젝트가 그 발자국만큼 가치가 있는지 어떻게 알 수 있나요?

AI를 만들고 운영하는 데 드는 에너지와 탄소를 추정하고, AI가 없을 때와 비교해 피할 수 있는 배출이나 피해를 추정한 다음, 불확실성의 범위와 함께 둘을 비교하십시오. 편익을 측정하지 않았다면 그 주장은 입증되지 않은 것입니다.

### AI가 기후 변화 대응에 도움이 된 사례가 있나요?

있습니다. ECMWF의 AIFS 같은 머신러닝 기상 모델이 이제 실제 운영되고 있고, AI 기반 홍수 예측이 80개국 이상에서 무료 공공 경보를 제공하며, 유엔환경계획의 메탄 경보 시스템은 위성 데이터와 AI를 활용해 대규모 메탄 배출을 알립니다.

## 출처

- [Tackling climate change with machine learning](https://arxiv.org/abs/1906.05433), Rolnick et al., Climate Change AI (arXiv:1906.05433) (2019)
- [About Climate Change AI](https://www.climatechange.ai/about), Climate Change AI (2026)
- [Aligning artificial intelligence with climate change mitigation](https://www.nature.com/articles/s41558-022-01377-7), Kaack et al., Nature Climate Change (2022)
- [Energy and AI: executive summary](https://www.iea.org/reports/energy-and-ai/executive-summary), International Energy Agency (2025)
- [ECMWF's AI forecasts become operational](https://www.ecmwf.int/en/about/media-centre/news/2025/ecmwfs-ai-forecasts-become-operational), European Centre for Medium-Range Weather Forecasts (2025)
- [Learning skillful medium-range global weather forecasting (GraphCast)](https://arxiv.org/abs/2212.12794), Lam et al., Science (arXiv:2212.12794) (2023)
- [Global prediction of extreme floods in ungauged watersheds](https://www.nature.com/articles/s41586-024-07145-1), Nearing et al., Nature (2024)
- [Responding to satellite notifications from the Methane Alert and Response System](https://www.iea.org/reports/responding-to-satellite-notifications-from-the-methane-alert-and-response-system), International Energy Agency (2026)
- [Scaling deep learning for materials discovery](https://www.nature.com/articles/s41586-023-06735-9), Merchant et al., Nature (2023)
- [DeepMind AI reduces Google data centre cooling bill by 40%](https://deepmind.google/discover/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-by-40/), Google DeepMind (2016)
- [From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate](https://arxiv.org/abs/2501.16548), Luccioni, Strubell and Crawford, ACM FAccT (2025)
