greenai.guide

홈 › 글 › 효율은 충분성이 아닙니다: AI의 리바운드 효과

글

효율은 충분성이 아닙니다: AI의 리바운드 효과

업데이트 · 4분 분량

요약

AI 작업 하나하나를 더 저렴하게 만든다고 해서 AI 전체가 에너지를 덜 쓰는 것은 아닙니다. 작업이 저렴해지면 작업 수가 늘어나는 경향이 있기 때문입니다. 이것이 리바운드 효과 또는 제번스 효과입니다. 그린 AI에는 효율(각 작업을 더 적은 자원으로 하기)과 충분성(할 가치가 있는 작업만 하기)이 모두 필요하며, 절감은 시스템 전체 수준에서 측정해야 합니다.

핵심 내용

  • 효율은 작업당 에너지를 낮추지만, 총에너지는 작업을 몇 번 실행하느냐에 달려 있습니다.
  • 효율 덕분에 무언가가 저렴해지면 수요가 늘어나는 경우가 많고, 때로는 절감분을 상쇄할 만큼 늘어납니다. 이것이 리바운드 효과 또는 제번스 효과입니다.
  • 컴퓨팅은 수십 년 동안 엄청나게 효율적이 되었지만, 전체 전력 사용량은 계속 늘었습니다.
  • 충분성은 어떤 작업에 애초에 AI가, 또는 그렇게 큰 모델이 필요한지 묻습니다.
  • 효율 향상은 총사용량에 상한을 두거나, 측정하거나, 가격을 매길 때만 절감으로 인정됩니다.

그린 AI는 흔히 효율의 문제로 소개됩니다. 모델을 더 작게, 칩을 더 좋게, 데이터 센터를 더 깨끗하게 만들면 발자국이 줄어든다는 것입니다. 효율은 중요하지만, 그것만으로 AI가 에너지를 덜 쓴다는 보장은 없습니다. 이 글은 그 이유와, 효율과 함께 무엇이 필요한지 설명합니다.

효율과 충분성은 무엇이 다를까요?

효율은 작업을 더 적은 자원으로 하는 것이고, 충분성은 할 가치가 있는 작업만 하는 것입니다. 둘 다 환경 영향을 줄이지만, 서로 다른 질문에 답합니다.

효율 충분성
질문 어떻게 하면 이것을 더 적은 에너지로 할 수 있을까? 이것을, 이 규모로 해야 할까?
예 가지치기, 양자화, 더 좋은 칩, 냉각 검색이나 공식으로 충분한 곳에 AI를 쓰지 않기, 프런티어 모델 대신 작은 모델 쓰기
측정 방식 작업당 에너지 총에너지, 에너지 단위당 가치
행동 주체 엔지니어, 하드웨어 제조사, 데이터 센터 운영자 사용자, 제품 책임자, 구매자, 정책 입안자

둘은 경쟁 관계가 아닙니다. 2026년 영국에서 수학자, 컴퓨터 과학자, 산업계가 모인 그린 AI 샌드핏(집중 토론 워크숍)은 그린 AI가 효율에 집중해야 하는지, 아니면 필요한 곳에서만 AI를 쓰는 데 집중해야 하는지 투표를 했는데, 가장 많은 답은 "둘 다 똑같이"였습니다. 더 넓은 정의는 그린 AI란 무엇인가?를 참고하십시오.

리바운드 효과란 무엇일까요?

리바운드 효과는 무언가가 더 저렴하거나 쉬워졌을 때 뒤따르는 추가 사용입니다. 추가 사용이 절감분을 넘어설 만큼 크면 총소비량이 늘어납니다. 그 극단적인 경우를 제번스의 역설이라고 부릅니다(더 약한 형태는 리바운드 효과라고도 합니다).

경제학자 윌리엄 스탠리 제번스(William Stanley Jevons)는 1865년 The Coal Question(석탄 문제)에서 이를 설명했습니다. 그는 더 효율적인 증기 기관이 영국의 석탄 사용을 줄이지 못할 것이라고 주장했습니다. 더 저렴해진 증기 동력이 훨씬 많은 용도에 쓰일 것이기 때문입니다. 그의 말이 옳았습니다. 석탄 소비는 계속 늘었습니다.

리바운드에는 정도가 있습니다.

  • 직접 리바운드: 더 저렴해진 작업을 더 자주 합니다. 더 빠르고 저렴한 챗봇은 더 많은 질문을 받습니다.
  • 간접 리바운드: 절약한 돈이나 시간을 역시 에너지를 쓰는 다른 일에 씁니다.
  • 경제 전반의 리바운드: 더 저렴해진 역량이 완전히 새로운 제품과 산업을 가능하게 합니다.

컴퓨팅에서도 이런 일이 있었나요?

그렇습니다. Koomey와 동료들은 2011년, 1940년대 최초의 전자 컴퓨터 이후 에너지 단위당 계산 횟수가 약 1.57년마다 두 배가 되었다는 것을 발견했습니다. 같은 수십 년 동안 컴퓨팅의 총 전력 사용량은 늘었습니다. 더 저렴해진 계산이 훨씬 많은 용도에 쓰였기 때문입니다.

Freitag와 동료들은 2021년 ICT의 기후 영향을 검토하면서 이 부문이 전 세계 온실가스 배출의 1.8~2.8%, 공급망을 모두 반영하면 2.1~3.9%를 차지한다고 보았습니다. 이들은 큰 효율 향상에도 불구하고 ICT의 발자국이 계속 커져 왔으며, 효율을 기후 측면의 절감으로 계산하기 전에 리바운드 효과를 반영해야 한다고 주장했습니다.

AI도 같은 양상을 따르고 있을까요?

초기 징후는 그렇다고 말합니다. AI 작업당 에너지는 빠르게 줄고 있지만, 총수요는 늘고 있습니다.

  • Google은 2025년, 더 나은 모델, 소프트웨어, 하드웨어 덕분에 Gemini 텍스트 프롬프트 중앙값의 에너지가 12개월 동안 33분의 1로 줄었다고 보고했습니다.
  • 비슷한 기간에 국제에너지기구(IEA)는 데이터 센터 전력 사용량이 2024년 약 415 TWh에서 2030년 약 945 TWh로 두 배 넘게 늘어날 것으로 전망했으며, AI를 그 증가의 가장 중요한 원인으로 꼽았습니다.

둘은 동시에 사실일 수 있습니다. 프롬프트가 저렴해지면 검색 결과, 문서, 휴대폰, 소프트웨어 도구에 AI를 기본으로 넣고, 작업당 여러 번 호출하는 에이전트를 실행하는 것이 경제적이 됩니다(에이전틱 AI와 토큰 낭비 참고).

Luccioni, Strubell, Crawford는 2025년 AI의 양극화된 환경 논쟁에 관한 논문에서 이를 살펴보았습니다. 이들은 효율 향상이 총사용량을 늘릴 수 있으므로 AI를 더 효율적으로 만드는 것만으로는 환경 피해 감소가 보장되지 않으며, 논쟁이 이런 간접 효과를 소홀히 하고 있다고 주장했습니다. 그리고 전 과정 평가와 함께 사업적 유인, 시장, 거버넌스, 사회 규범에 대한 분석을 요구합니다.

효율은 왜 자동으로 절감이 되지 않을까요?

효율로 이득을 보는 쪽이 대개 그 이득을 써 버리기 때문입니다. AI에서 흔한 메커니즘은 세 가지입니다.

  • 가격. 제공업체가 낮아진 비용을 가격에 반영하면 사용량이 늘어납니다.
  • 역량. 품질이 팔리기 때문에, 어떤 크기에서 얻은 절감은 더 큰 모델이나 더 긴 컨텍스트에 쓰입니다.
  • 기본값. AI가 모든 사람에게 켜 둘 만큼 저렴해지면, 요청하지 않은 사람을 포함해 모든 사람에게 켜집니다.

이것이 효율 개선을 멈출 이유는 아닙니다. 효율이 없다면 총수요는 더 높을 것입니다. 다만 총사용량을 측정하기 전까지는 효율 향상을 기후 측면의 절감으로 계산하지 말아야 할 이유입니다.

실제로 충분성은 어떤 모습일까요?

도구를 작업에 맞추고, 때로는 AI를 아예 쓰지 않는 것을 뜻합니다. 실제적인 형태는 다음과 같습니다.

  • 결정론적 방법이 있다면 그것을 쓰십시오. 계산기, 데이터베이스 질의, 고전적 수치 해석 방법은 대개 언어 모델보다 저렴하고 믿을 만합니다.
  • 모델의 규모를 알맞게 하십시오. 간단한 요청은 작은 모델로 보내십시오. 알맞은 모델 고르기를 참고하십시오.
  • 무거운 AI는 기본값이 아니라 선택 사항으로 두십시오. 페이지를 볼 때마다 콘텐츠를 생성하는 기능은 에너지 사용을 몇 배로 늘립니다.
  • 반복을 줄이십시오. 이미지나 영상이 마음에 들 때까지 거듭 다시 생성하면 시도마다 비용이 곱해집니다. 더 나은 프롬프트 작성과 편집 도구는 시도 횟수를 줄여 줍니다.
  • 다시 생성하지 말고 재사용하십시오. 생성보다 오케스트레이션을 참고하십시오.

샌드핏에서 나온 한 주제는, 가능한 곳에서는 각 사용자가 아니라 시스템이 이런 선택을 해야 한다는 것이었습니다. 예를 들어 충분한 성능을 내는 가장 작은 모델로 자동 라우팅하는 것입니다. 모든 사용자에게 모든 요청의 에너지 비용을 판단하라고 요구하는 방식은 규모가 커지면 통하지 않기 때문입니다.

리바운드는 어떻게 억제할 수 있을까요?

작업당 사용량만이 아니라 총사용량을 측정하고, 상한을 두고, 가격을 매기는 것입니다. 방법은 다음과 같습니다.

  • 예산. 프로젝트나 제품에 에너지, 토큰, 탄소 예산을 정해, 효율 향상이 자동으로 사용 확대로 이어지지 않고 여유분을 만들도록 하십시오.
  • 시스템 전체 측정. 작업당 에너지와 함께 시간에 따른 총에너지를 보고하십시오. 측정이 병목이다를 참고하십시오.
  • 정직한 주장. 제품이 "X배 더 효율적"이라는 주장은 총영향에 대해 아무것도 말해 주지 않습니다. 정직한 친환경 주장하기를 참고하십시오.
  • 정책. 탄소 가격제와 전력망 제약은 효율 기준만으로는 할 수 없는 방식으로 총수요에 작용합니다. 그린 AI 정책을 참고하십시오.

다음에 할 일

  • 요청당 수치만이 아니라 시간에 따른 AI 총에너지나 총지출을 추적하십시오.
  • AI 기능을 추가하기 전에 AI가 아닌 방법으로 충분한지, 그리고 기본으로 켜 두어야 하는지 물어보십시오.
  • 일을 해내는 가장 작은 모델로 요청을 보내십시오. AI를 효율적으로 쓰기를 참고하십시오.
  • 효율 향상을 이루었다면, 그것이 총사용량을 줄일지 새로운 사용에 쓰일지 미리 정하십시오.
  • 이런 선택을 조달과 제품 설계에 반영하는 방법은 비즈니스 안내를 읽어 보십시오.

자주 묻는 질문

제번스의 역설이란 무엇인가요?

1865년 윌리엄 스탠리 제번스(William Stanley Jevons)가 석탄에 관해 처음 제시한 관찰로, 자원을 더 효율적으로 쓰면 그 자원이 더 저렴해져 더 널리 쓰이기 때문에 오히려 총소비량이 늘어날 수 있다는 것입니다.

리바운드 효과가 있다면 효율은 소용없는 건가요?

아닙니다. 효율은 여전히 필요하며, 효율이 없다면 총사용량은 더 많을 것입니다. 요점은 효율만으로는 총사용량 감소가 보장되지 않으므로, 충분성 및 측정과 짝을 이뤄야 한다는 것입니다.

그린 AI에서 충분성이란 무엇인가요?

충분한 가치를 더하는 곳에서만 AI를 쓰고, 일을 잘 해내는 가장 작은 모델과 가장 적은 계산을 쓰는 것입니다. '어떻게 하면 더 저렴하게 할까?'와 함께 '이것을 해야 할까?'를 묻는 것입니다.

출처

  1. The Coal Question, W. Stanley Jevons, Macmillan (1865)
  2. From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate, Luccioni, Strubell and Crawford, ACM FAccT (2025)
  3. The real climate and transformative impact of ICT: a critique of estimates, trends, and regulations, Freitag, Berners-Lee, Widdicks, Knowles, Blair and Friday, Patterns (2021)
  4. Implications of historical trends in the electrical efficiency of computing, Koomey, Berard, Sanchez and Wong, IEEE Annals of the History of Computing (2011)
  5. Energy and AI, International Energy Agency (2025)
  6. Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)

함께하기

AI가 지구에 미치는 영향을 함께 줄여 주세요

새 가이드, 지원 공모, 디렉터리 등록 소식을 한 달에 한 번 정도 이메일로 받아 보세요. 또는 제품, 강좌, 박사 과정, 연구를 디렉터리에 추가하세요.

추적하지 않습니다. 클릭 한 번으로 구독을 해지할 수 있습니다. 다른 참여 방법 · 개인정보 보호