[AI 팩토리 시대⑥] AI 전력경제, GPU보다 먼저 전기를 확보하는 싸움

[KtN 박준식기자]네이버(NAVER)가 엔비디아(NVIDIA) DSX 기반 AI 팩토리를 세종 GAK 데이터센터에서 55MW 규모로 시작해 장기적으로 기가와트급으로 확장하겠다고 밝히면서 AI 산업의 경쟁 단위가 전력으로 이동하고 있다. GPU를 얼마나 많이 확보하느냐의 경쟁은 이미 시작됐다. 다음 승부는 확보한 전기를 얼마나 많은 토큰과 매출, 산업 생산성으로 바꾸느냐에서 갈린다.

AI 팩토리는 전력을 원재료처럼 쓰는 생산시설이다. 기존 데이터센터가 검색, 메일, 쇼핑, 동영상, 업무시스템을 처리했다면 AI 팩토리는 모델 학습과 추론을 통해 토큰과 지능형 서비스를 생산한다. GPU 클러스터, 고대역폭메모리, 고속 네트워크, 액체냉각, 전력 변환 장치, 운영 소프트웨어가 하나의 공장처럼 연결된다. 서버를 많이 들여놓는 것만으로는 부족하다. 전력망, 냉각 설비, 장비 가동률, 고객 수요, 토큰당 처리비용이 함께 맞아야 한다.

55MW라는 출발 규모는 네이버의 AI 사업을 설비 투자보다 전력경제의 관점에서 보게 만든다. 55MW는 데이터센터 안에 들어가는 서버 용량만을 뜻하지 않는다. 변전 설비, 전력 인입, 냉각 시스템, 비상전원, 서버실 밀도, 장기 전력 조달 조건이 맞아야 가능한 운영 단위다. 기가와트급 확장 구상은 AI 클라우드 경쟁이 데이터센터 증설을 넘어 발전소, 송전망, 지역 입지, 전력요금 체계까지 끌어들이는 산업으로 커지고 있음을 뜻한다.

생성형 AI의 비용 구조는 기존 인터넷 서비스와 다르다. 포털과 커머스, 동영상 플랫폼은 이용자가 늘수록 광고, 거래, 구독 매출이 서버 비용을 흡수하는 구조를 만들어 왔다. 생성형 AI는 사용자가 질문을 던지고, 문서를 요약하고, 이미지를 만들고, 기업용 에이전트를 호출할 때마다 연산 비용이 발생한다. 이용량 증가는 매출 증가와 동시에 전력 사용, GPU 시간, 메모리 사용, 냉각 비용 증가로 이어진다. AI 클라우드 사업자는 이용자를 늘리는 것만큼 원가를 낮추는 능력을 증명해야 한다.

토큰 원가는 AI 팩토리의 손익계산서를 압축하는 지표다. 같은 GPU를 보유해도 모델 최적화가 부족하면 처리량은 낮고 전력은 계속 나간다. 같은 전력을 확보해도 냉각 효율이 낮으면 장비 밀도를 높이기 어렵다. 같은 데이터센터를 운영해도 고객 수요가 부족하면 가동률이 떨어진다. AI 팩토리 사업자는 장비 대수보다 메가와트당 토큰 처리량, 토큰당 원가, 장비 가동률을 더 치열하게 관리해야 한다.

엔비디아가 DSX MaxLPS를 내세우는 배경도 이 지점에 있다. DSX MaxLPS는 AI 팩토리에서 메가와트당 토큰 성능을 높이고 토큰 비용을 낮추는 소프트웨어로 제시됐다. 칩 성능 경쟁이 전력 효율 경쟁으로 옮겨가고 있다는 뜻이다. AI 팩토리는 더 많은 GPU를 꽂는 시설이 아니라, 제한된 전력 안에서 더 많은 추론을 안정적으로 처리하는 생산 시스템이 되고 있다. 전기는 비용이면서 병목이고, 토큰은 매출로 바뀔 수 있는 생산물이다.

냉각은 전력경제의 또 다른 축이다. 고밀도 GPU 서버는 막대한 열을 낸다. 랙당 전력 밀도가 높아질수록 기존 공기냉각만으로 안정적 운영을 지속하기 어렵다. 액체냉각, 냉각수 온도 관리, 열 회수, 서버실 설계, 누수 대응, 유지보수 체계가 데이터센터 경쟁력 안으로 들어온다. 냉각 효율이 떨어지면 같은 전력을 쓰고도 GPU 가동률이 낮아지고, 장애 위험과 운영비가 함께 커진다. AI 팩토리의 기술 경쟁은 반도체 성능과 냉각 엔지니어링이 동시에 움직이는 구조다.

전력망 접속은 AI 인프라 확장의 가장 현실적인 병목이다. 데이터센터 사업자가 전기를 원한다고 바로 쓸 수 있는 것은 아니다. 변전소 여유 용량, 송전망 보강, 지역 전력 수급, 인허가, 주민 수용성, 비상전원 기준이 모두 맞아야 한다. 기가와트급 AI 팩토리는 단일 기업의 투자 계획을 넘어 지역 전력계통에 영향을 준다. 특정 지역에 데이터센터가 몰리면 산업단지, 주거지, 기존 제조업과 전력 수요가 겹칠 수 있다.

한국은 AI 팩토리 경쟁에서 강점과 제약을 동시에 갖고 있다. 메모리 반도체, 제조업, 통신망, 클라우드 운영 경험, 대형 플랫폼 기업은 강점이다. 수도권 전력망 부담, 데이터센터 입지 갈등, 재생에너지 조달, 송전망 확충 속도는 제약이다. AI 인프라가 지방으로 이동하면 지역 산업과 연결될 수 있지만, 데이터센터가 전력과 부지를 쓰는 시설로만 남으면 지역 경제 효과는 제한된다. 지역 제조업의 AI 전환, 대학 인재 양성, 스타트업 실증, 산업 데이터 활용과 묶여야 파급력이 생긴다.

글로벌경제의 흐름도 같은 방향으로 움직이고 있다. 미국 빅테크는 원전, 재생에너지, 가스발전, 장기 전력구매계약을 검토하며 AI 데이터센터 전력 확보에 나서고 있다. 중동 국가는 에너지 자원과 국가 자본을 앞세워 AI 인프라 유치를 추진하고, 유럽은 데이터 주권과 환경 규제를 함께 따진다. AI 클라우드 고객은 성능만 보지 않는다. 전력 원가, 탄소 배출, 데이터 저장 위치, 장기 공급 안정성, 보안 조건을 함께 본다. AI 팩토리는 기술 인프라이면서 에너지 산업의 대형 수요처가 됐다.

국제에너지기구는 데이터센터 전력 소비가 2030년 약 945TWh로 늘어 2024년 대비 두 배 수준에 이를 것으로 전망했다. 이 수치는 AI 인프라 투자가 단순한 디지털 산업 확장이 아니라 전력 수요 구조를 바꾸는 흐름임을 드러낸다. 데이터센터 전력 소비가 빠르게 늘면 전력망 투자는 지연될 수 없고, 발전원 구성과 송전망 입지, 전력요금 체계도 영향을 받는다. AI 산업의 성장률은 전력산업의 증설 속도와 충돌할 수 있다.

전력 확보 방식은 AI 클라우드의 영업 전략과도 연결된다. NAVER가 유럽과 중동의 소버린 AI 수요를 겨냥한다면 GPU 성능만으로는 충분하지 않다. 해외 정부와 기업 고객은 데이터 주권, 보안, 규제 준수, 에너지 조달 안정성을 함께 요구한다. 한국에서 운영되는 AI 인프라가 해외 고객을 끌어들이려면 전력 원가와 친환경 전력 조달, 서비스 안정성, 장기 운영 능력을 설명할 수 있어야 한다. 소버린 AI는 모델의 국적만이 아니라 인프라의 신뢰성까지 포함한다.

물과 열도 비용으로 들어온다. 대형 데이터센터는 냉각 방식에 따라 물 사용량이 늘 수 있고, 열 배출은 지역 환경 기준과 맞물린다. 전력보다 용수와 냉각 문제가 먼저 갈등 요인이 되는 지역도 생길 수 있다. AI 인프라 기업은 전력사용효율뿐 아니라 물 사용, 폐열 처리, 지역 환경 기준을 함께 관리해야 한다. 데이터센터가 도시와 산업단지 가까이에 들어설수록 환경 기준과 주민 수용성은 사업 일정에 직접 영향을 준다.

자본비용은 AI 팩토리의 손익을 더 무겁게 만든다. GPU와 서버, 네트워크, 전력설비, 냉각설비, 건물, 보안 시스템, 운영 소프트웨어가 동시에 필요하다. GPU 세대 전환은 빠르고, AI 모델 구조도 계속 바뀐다. 장비를 늦게 들이면 고객을 놓치고, 너무 빨리 많이 들이면 수요가 올라오기 전 감가상각 부담을 떠안는다. AI 클라우드 사업은 선투자와 가동률 사이에서 줄타기를 해야 한다.

클라우드 고객의 지불 의사도 검증 대상이다. AI 수요가 빠르게 늘고 있다는 말만으로는 사업성이 설명되지 않는다. 기업 고객이 실제 비용을 지불할 준비가 되어 있는지, 내부 데이터가 AI에 맞게 정리되어 있는지, 보안과 규제 문제를 넘을 수 있는지, 반복 사용 가능한 업무가 있는지가 중요하다. 제조, 금융, 공공, 의료, 물류, 콘텐츠 고객이 AI 서비스를 상시 업무로 쓰기 시작해야 AI 팩토리의 고정비가 흡수된다.

NVIDIA 생태계 의존도는 비용 측면에서도 남는다. DSX와 CUDA, AI 서버, 네트워크, 소프트웨어 스택을 활용하면 AI 팩토리 구축 속도는 빨라질 수 있다. 반면 장비 가격, 업그레이드 일정, 유지보수 비용, 공급 우선순위에서 NVIDIA 의존이 커진다. 한국 기업이 AI 인프라 사업자로 성장하려면 NVIDIA 플랫폼을 활용하면서도 운영 노하우, 고객 데이터, 모델 최적화, 산업별 서비스에서 자체 경쟁력을 쌓아야 한다. 플랫폼을 빌려 쓰는 비용과 시장 진입 속도 사이의 균형이 필요하다.

SK하이닉스의 차세대 메모리 협력은 전력과 토큰 원가 경쟁에 바로 연결된다. AI 팩토리에서 GPU가 데이터를 기다리는 시간이 늘어나면 전력은 쓰면서 생산량은 떨어진다. HBM과 차세대 메모리는 GPU 가동률과 추론 효율을 높이는 핵심 부품이다. 메모리 대역폭, 용량, 전력 효율, 패키징 완성도는 AI 팩토리의 전체 원가에 영향을 준다. SK하이닉스가 NVIDIA 로드맵 안에서 메모리를 공동개발하는 이유는 AI 시스템 비용 구조가 메모리에서 크게 갈리기 때문이다.

국산 AI반도체의 역할도 전력 비용에서 다시 부각된다. 초대형 모델 학습에는 최신 GPU가 필요하지만, 반복 추론과 엣지 서비스까지 모두 고가 GPU로 처리하면 운영비가 커진다. 국산 NPU와 AI 가속기는 특정 모델과 업무에서 낮은 전력, 낮은 비용, 현장 처리 능력을 제시해야 한다. 공장 영상 검사, 도시 관제, 드론·로봇, 온디바이스 AI처럼 전력과 지연시간이 중요한 시장에서는 GPU 클라우드와 다른 계산법이 가능하다. 전력 효율은 국산 반도체가 시장을 여는 언어가 될 수 있다.

정부 정책은 AI 인프라와 에너지 인프라를 함께 다뤄야 한다. GPU 확보 사업만으로 AI 팩토리는 돌아가지 않는다. 송전망 확충, 변전 설비, 재생에너지 조달, 데이터센터 입지, 전력요금, 수요반응, 에너지저장장치, 비상전원 기준이 함께 움직여야 한다. 과학기술 정책과 산업 정책, 에너지 정책이 따로 움직이면 GPU는 확보하고도 가동률을 높이지 못하는 상황이 생길 수 있다.

전력 수요를 조절하는 능력도 중요해진다. 모든 AI 연산이 같은 시간에 반드시 처리돼야 하는 것은 아니다. 실시간 추론은 지연을 줄여야 하지만, 일부 학습 작업과 배치형 데이터 처리는 전력 수급 상황에 맞춰 시간을 조정할 수 있다. AI 데이터센터가 전력망과 상호작용하는 방식이 정교해지면 피크 시간 부담을 낮추고 전력 비용을 줄일 수 있다. 데이터센터는 전기를 일방적으로 소비하는 시설에서 전력 수요를 조절하는 대형 산업 고객으로 바뀔 수 있다.

AI 팩토리의 경제성은 세 가지 숫자로 압축된다. 확보한 전력, 실제 가동률, 토큰당 원가다. 전력이 부족하면 장비를 늘릴 수 없고, 가동률이 낮으면 투자비를 회수하기 어렵다. 토큰당 원가가 높으면 고객 가격 경쟁에서 밀린다. GPU 대수와 투자 발표는 초기 신호일 뿐이다. 장비가 실제 서비스로 전환되고, 고객이 반복적으로 비용을 지불하며, 전력당 처리량이 개선될 때 AI 팩토리는 산업 인프라로 자리 잡는다.

NAVER의 GAK 세종 확장과 NVIDIA DSX 도입은 한국 AI 인프라 경쟁의 출발점을 보여준다. SK하이닉스의 차세대 메모리 협력은 AI 팩토리 내부 효율을 좌우하는 반도체 축을 맡고, 정부 GPU 사업은 공공과 민간의 연산 자원 부족을 메우는 역할을 맡는다. 남은 변수는 전력망과 비용이다. AI 팩토리가 한국 산업의 새 성장 기반이 되려면 전력 확보, 냉각 기술, 토큰당 원가, 고객 수요, 국산 반도체 활용이 한꺼번에 맞물려야 한다.

기가와트급 AI 팩토리라는 말은 거대한 설비 투자의 크기만 뜻하지 않는다. 한국 AI 산업이 전기를 얼마나 효율적으로 지능형 서비스로 바꿀 수 있는지 묻는 경제 지표에 가깝다. GPU를 확보하는 경쟁은 이미 시작됐다. 다음 평가는 전력 한 단위가 몇 개의 토큰과 어느 정도의 매출, 어떤 산업 생산성으로 바뀌는지에서 나온다.