자전거 발전기 논쟁, AI 에너지 계산의 거울

2011년 글이 2026년 AI 인프라 뉴스처럼 읽힌다

Low-tech Magazine의 자전거 발전기 비판은 원래 AI 이야기가 아니다. 글의 요지는 상업적으로 판매되는 페달 발전기가 지속가능해 보이지만 실제로는 변환 손실, 배터리, 전자장치, 낮은 출력 때문에 비효율적일 수 있다는 것이다. 그런데 이 오래된 글이 Hacker News에서 다시 떠오른 이유는 2026년의 AI 인프라 논쟁과 놀라울 만큼 닮았기 때문이다.

AI 데이터센터도 비슷한 함정에 빠진다. “재생에너지로 학습한다”, “탄소중립 클라우드다”, “효율적인 칩이다” 같은 말은 필요하지만 충분하지 않다. 실제 질문은 어느 지점에서 전력을 쓰고, 어떤 변환을 거치며, 저장과 냉각에 얼마를 잃고, 그 연산이 정말 필요한지다. OpenAI 자체 ASIC, GPU 의존의 끝은 아니다가 말했듯 칩을 바꿔도 전체 비용 구조가 자동으로 사라지지는 않는다.

저기술 비판은 고성능 컴퓨팅에도 통한다

사람이 자전거로 지속적으로 낼 수 있는 전력은 제한적이다. 그 작은 에너지를 전기로 바꾸고, 배터리에 저장하고, 다시 기기를 구동하면 손실이 누적된다. Low-tech Magazine은 그래서 전기 변환을 거치지 않는 직접 기계 작업이 더 나을 때가 있다고 본다. 이 관점은 AI에도 적용된다. 모든 문제를 GPU 추론으로 바꾸는 것이 항상 최선은 아니다.

IEA의 데이터센터와 데이터 전송망 분석은 디지털 인프라의 전력 수요를 별도 정책 항목으로 다룬다. Uptime Institute가 데이터센터 운영 신뢰성을 지표화하는 이유도 같다. 전력은 더 이상 시설팀만의 문제가 아니라 제품 전략의 일부다.

AI 제품의 지속가능성은 모델 선택에서 시작한다

많은 AI 제품은 가장 큰 모델을 기본값으로 놓고 나중에 비용 최적화를 시도한다. 그러나 에너지와 비용을 진지하게 본다면 순서가 반대여야 한다. 분류, 검색, 중복 제거, 서식 변환, 간단한 추천은 작은 모델이나 규칙, 임베딩 캐시로 충분한 경우가 많다. HBM 63% 비용론, AI 칩 원가의 병목은 칩 원가의 압박을 다뤘고, Claude Code 비용 절감법, 에이전트 작업도 운영이다는 토큰 비용을 운영 문제로 봤다.

자전거 발전기 논쟁이 주는 교훈은 낭만을 버리라는 말이 아니다. 목적에 맞는 에너지 형태를 쓰라는 말이다. AI에서도 모든 사용자 행동을 실시간 대형 모델 호출로 처리하는 대신, 로컬 전처리, 배치 처리, 결과 캐시, 사용자 확인 단계를 섞어야 한다. 집 안의 AI 서버, 로컬 추론 경제학의 민낯은 로컬 추론이 경제적이려면 사용 패턴과 하드웨어 감가상각을 함께 봐야 한다고 지적했다.

한국 기업에는 전력 예산표가 필요하다

한국의 AI 도입 논의는 아직 모델 성능과 업무 자동화율에 치우쳐 있다. 하지만 제조, 통신, 금융, 공공 분야에서는 전력과 냉각, 망 분리, 장비 수명, 조달 비용이 곧 도입 속도를 결정한다. GPU 서버를 샀는데 평균 이용률이 낮거나, 클라우드 추론비가 예측 불가능하면 자동화 효과가 재무팀에서 멈춘다.

따라서 AI 프로젝트 제안서에는 기능 목록만이 아니라 전력과 호출량 가정이 들어가야 한다. 하루 요청 수, 평균 입력 토큰, 출력 토큰, 캐시 적중률, 피크 시간, 재시도율, 사람이 검토하는 비율을 숫자로 적어야 한다. vLLM 0.28, 추론 엔진은 이제 운영체제 경쟁이다처럼 서빙 스택의 효율이 제품 단가를 좌우하는 이유가 여기에 있다.

낮은 기술의 미덕은 계산의 정직함이다

Low-tech Magazine의 태양광 웹사이트는 전력 상태 페이지를 공개하며, 사이트가 때로 오프라인이 될 수 있다고 말한다. 이 정직함은 AI 서비스에도 필요하다. “무제한 AI”라는 마케팅보다 어떤 작업에 어떤 모델을 쓰고, 비용과 지연을 어떻게 낮추며, 사용자가 언제 기다려야 하는지 설명하는 편이 장기적으로 더 신뢰를 만든다.

자주 묻는 질문

Q1: 자전거 발전기 글이 왜 AI와 관련 있나요?

A: 둘 다 변환 손실과 실제 사용 목적을 계산해야 한다는 공통점이 있다. 상징적 친환경 서사만으로는 충분하지 않다.

Q2: AI 데이터센터가 모두 비효율적이라는 뜻인가요?

A: 아니다. 문제는 연산의 가치와 비용을 함께 봐야 한다는 것이다. 효율적인 인프라도 불필요한 호출에는 낭비가 된다.

Q3: 기업은 무엇을 측정해야 하나요?

A: 토큰당 비용, 요청당 전력 추정, 캐시 적중률, GPU 이용률, 재시도율, 사람 검토 시간을 함께 봐야 한다.

Q4: 로컬 AI가 항상 더 친환경인가요?

A: 아니다. 장비 구매, 유휴 시간, 전력 단가, 모델 크기에 따라 달라진다. 로컬이라는 말만으로 답이 정해지지 않는다.

Q5: 제품팀의 실천 과제는 무엇인가요?

A: 큰 모델 호출을 기본값으로 두지 말고, 작은 모델, 캐시, 규칙 기반 처리, 배치 추론을 워크플로별로 조합해야 한다.