Executive Summary

2026년 여름, 미국에서 1,300억 달러 규모의 데이터센터 프로젝트 75건 이상이 멈춰 섰습니다. 자본이 부족해서도, GPU를 못 구해서도 아니었습니다. 다만 "전기가 이 붐을 멈춰 세웠다"고 한 문장으로 정리해 버리면 사실관계가 뭉개집니다. 여기에는 성격이 다른 두 개의 축이 얽혀 있어서, 둘을 갈라놓고 봐야 지금 벌어지는 일이 정확히 보입니다.

1.1축 A — 전기요금이 방아쇠가 된 사회적 저항

75건·1,300억 달러라는 수치의 원출처는 리서치 기관 Data Center Watch의 2026년 1분기(Q1) 리포트입니다. 여기서 "멈췄다"의 직접 원인은 물리적 전력 부족이 아니라 지역사회의 반대(opposition)입니다. 반대 활동 조직은 49개 주에 걸쳐 833개로 1년 만에 두 배 넘게 늘었고, 2026년 첫 6주 동안에만 300건 이상의 주(州) 법안이 발의됐으며 14개 주에서 모라토리엄이 제안됐습니다. 2026년 7월 18일에는 42개 주 142개 도시에서 첫 전국 동시 시위가 열렸습니다.

중요한 건 반대의 실질 근거입니다. 주민들이 내세운 이유는 전기요금 급등 우려, 물 소비, 소음이었습니다. 즉 전기 그 자체가 아니라, 전기요금과 전력망 부담이 주민을 인허가 반대석으로 끌어낸 방아쇠였습니다. 데이터센터가 지역 전력을 대량으로 끌어가면 요금이 오른다는 우려가 정치적 저항으로 번진 것입니다. 버지니아는 이 저항의 진앙지로, Prince William County와 King George County 두 곳만으로 300억 달러 넘는 프로젝트가 걸려 있습니다. 한 여론조사에서는 "우리 동네 데이터센터 반대" 응답이 수개월 만에 크게 뛰었다는 보도도 있었습니다(NBC News 등 인용). 반대는 곧 지역 조례로 데이터센터를 금지하는 사례로 이어지고 있습니다.

1.2축 B — 별개로 조여오는 물리적 그리드 제약

축 A와 별개로, 전력망 자체의 물리적 한계도 실제로 진행 중입니다. 이 둘을 뭉개면 안 되지만, 둘이 같은 방향을 가리키는 것도 사실입니다. 가트너는 2027년까지 새로 짓는 AI 데이터센터의 40%가 전력 가용성 부족으로 운영 제약을 받을 것으로 전망했습니다(가트너 보도자료, 2024-11-12). 미국 최대 전력시장인 PJM에서는 데이터센터 접속 대기 물량이 31GW에 이르고, 2026년 7월 2일에는 최대 수요가 168GW로 20년 만에 최고치를 경신했습니다. "칩은 있는데 꽂을 전기가 없다"는 은유가 통계로 뒷받침되는 국면입니다.

정리하면, 2026년 여름의 벽은 하나가 아니라 둘이었습니다. 하나는 전기요금을 방아쇠로 삼은 사회적 저항이고, 다른 하나는 접속 대기와 발전 용량이 실제로 부족해지는 물리적 제약입니다. 두 축 모두 뿌리에 전력이 있습니다. 그래서 "전기가 붐을 멈춰 세웠다"는 문장은 과장이 아니라, 정확히는 두 겹으로 읽어야 하는 이야기입니다.

AI 스케일링에는 늘 병목이 있었습니다. 달라진 건 병목의 위치입니다. 초기 국면의 병목은 자본이었습니다. 더 큰 모델을 학습시키려면 더 많은 돈이 필요했고, 규모 경쟁은 곧 자금 조달 경쟁이었습니다. 다음 국면의 병목은 칩이었습니다. 2023~2024년, 고성능 GPU가 부족해 리드타임과 가격이 급등했고 누가 얼마나 많은 가속기를 확보했느냐가 경쟁력을 갈랐습니다. 그리고 지금, 2025~2026년의 병목은 전력입니다. 칩을 사들여도 그것을 꽂아 돌릴 전기와, 그 전기를 실어 나를 송·변전 인프라가 율속 단계가 됐습니다.

전력 국면의 본질은 시차에 있습니다. GPU는 몇 달이면 조달할 수 있지만, 대형 데이터센터에 필요한 변전 인프라와 신규 발전 용량은 여러 해가 걸립니다. 이 구조적 시차를 가장 선명하게 보여주는 지표가 접속 대기 큐(interconnection queue)입니다. 새 발전·수요 설비를 계통에 연결하려면 신청을 넣고 순서를 기다려야 하는데, 미국의 활성 대기 큐는 2025년 말 기준 8,200건·1,312GW에 이릅니다(LBNL "Queued Up"). 신청부터 상업운전까지 걸리는 중앙값 대기 기간은 5년을 넘고, 변전 인프라 신설이 필요한 대형 프로젝트는 8~12년까지 걸립니다.

(⚠️ 접속 대기 규모는 집계 방법에 따라 크게 달라집니다. 여기서는 방법론이 명확한 LBNL 활성 큐 기준 1,312GW를 씁니다. 일부 2차 매체가 인용하는 "2,600GW 백로그"는 누적·광의 집계로 LBNL 수치와 직접 비교할 수 없어 혼용하지 않습니다.)

수요 쪽 신호도 20년 만에 방향을 틀었습니다. 텍사스 계통(ERCOT)의 접속 신청은 1년 만에 56GW에서 205GW 이상으로 약 네 배 뛰었습니다. Goldman Sachs는 미국 전력 수요가 2024~2030년 연평균 2.4% 늘어날 것으로 보는데, 지난 10년간 사실상 0%에 머물던 수요가 다시 깨어난 것입니다. 자본과 칩은 시장이 몇 달 안에 공급을 늘려 대응할 수 있었지만, 전기와 계통은 그럴 수 없습니다. 병목이 전력으로 옮겨갔다는 말은, AI의 성장 속도가 이제 발전소와 송전선의 건설 속도에 묶였다는 뜻입니다.

AI가 전력을 얼마나 먹는지 물으면, 정직한 답은 "정확히 모른다"입니다. 기업들이 학습·추론 에너지의 공식 수치를 거의 공개하지 않으니, 널리 인용되는 숫자들은 대부분 방법론이 제각각인 2차 추정치이고 그 편차가 수십 배에 달합니다. 그래서 단일 숫자를 외우는 것보다, 어느 자리에 얼마만큼의 불확실성이 끼어 있는지를 아는 편이 실무에 훨씬 쓸모 있습니다.

3.1데이터센터 총수요 — 기관마다 눈금이 다르다

비교적 단단한 바닥은 미국 실측치입니다. 로렌스버클리국립연구소(LBNL)는 2024년 미국 데이터센터 전력 소비를 192TWh(미국 전체 전력의 4.7%)로 집계하고, 2028년 참조 시나리오에서 464TWh로 늘어날 것으로 봤습니다. 전 세계로 넓히면 IEA의 2025년 "Energy and AI" 보고서가 2024년 약 415TWh에서 2030년 약 945TWh(전 세계 전력의 3% 미만)로 전망합니다. 같은 기간 AI 전용 데이터센터의 소비는 전체보다 훨씬 빠르게, 대략 세 배로 늘어난다고 봅니다.

문제는 2030년 미국 비중을 물으면 기관마다 답이 갈린다는 점입니다. IEA는 글로벌 기준 3% 미만, Goldman Sachs는 미국 기준 8%, EPRI는 미국 기준 9~17%를 제시합니다. 숫자가 다른 건 틀려서가 아니라 기준(글로벌이냐 미국이냐)과 시나리오가 다르기 때문입니다. 특히 EPRI의 넓은 폭은 "AI 도구 채택 속도"와 "효율 개선 폭"을 두 축으로 삼은 시나리오 설계의 결과로, 범위 자체가 메시지입니다 — 전력 수요 전망이 아직 요동치고 있다는 사실 말입니다.

3.2학습·추론 단가 — 반드시 범위로만

한 모델의 학습·추론 에너지로 내려가면 불확실성은 더 커집니다. GPT-3의 학습 전력은 Google의 탄소 연구에서 1,287MWh로 계산됐지만, 공식 수치가 없는 GPT-4급 학습은 2차 추정치가 1,750MWh에서 62,300MWh까지 약 35배 벌어집니다. 쿼리당 추론도 마찬가지입니다. OpenAI가 공개한 자체 수치는 약 0.3~0.34Wh인데, 제3자 추정은 신형 모델의 복잡 질의에서 최대 수십 Wh까지 올라갑니다 — 편차가 60배를 넘습니다. 그래서 본문은 어떤 값도 단정하지 않고 범위로만 제시합니다.

비교의 감을 잡는 데 유용한 기준점은 있습니다. 구글 검색 1건이 약 0.3Wh입니다. AI 쿼리 하나가 웹 검색보다 얼마나 더 쓰느냐를 두고 "1,000배"라는 표현이 매체에 떠돌지만, 원발간물로 확인되지 않는 수치라 이 글은 쓰지 않습니다. 대신 EPRI가 제시한 약 10배를 씁니다. 한 가지 교훈적인 일화도 있습니다. 초기의 한 AI 학습 탄소 추정치는 이후 재계산에서 88배 과대추정이었던 것으로 정정됐습니다. AI의 전력·탄소 수치를 인용할 때 신중해야 하는 이유를 이보다 잘 보여주는 사례는 드뭅니다.

3.3버티는 쪽의 산술 — 40년 된 그리드

수요만 커진 게 아닙니다. 그것을 받아낼 전력망이 낡았습니다. 미국 송전 인프라의 평균 연령은 약 40년이고, 25년 넘은 노후 송전선과 대형 변압기의 비율이 약 70%에 이릅니다. 다만 이 "40년·70%"는 10여 년 전 DOE(2015년) 조사를 기점으로 재인용되어 온 수치이므로, 최신 재조사가 아니라는 점을 함께 봐야 합니다. Brattle Group은 향후 30년간 약 14만 마일의 송전선을 교체해야 하고, 현행 수준을 유지하는 데만 7,000억 달러 이상이 든다고 분석합니다. 노후한 그물에 20년 만에 깨어난 수요가 몰리는 것 — 이것이 지금 그리드가 처한 산술입니다.

전력이 통화가 되면, 성능을 재는 자도 바뀝니다. 지금까지 AI 경쟁은 대체로 "얼마나 큰 모델이냐"로 이야기됐습니다. 파라미터 수, 학습 토큰 수, 벤치마크 점수가 통화였습니다. 그런데 병목이 전력으로 옮겨간 순간, 진짜 물어야 할 것은 같은 전기로 누가 더 유용한 결과를 뽑느냐가 됩니다. 이 글의 핵심이 여기 있습니다. '와트당 유용한 결과(useful output per watt)'가 어떤 통화이고, 무엇이 그 통화를 갉아먹으며, 그 낭비를 줄이는 가장 값싼 레버가 왜 데이터 효율인지를 이어서 봅니다.

4.1새 통화는 이미 측정되고 있다

'와트당 성능'은 수사가 아니라 이미 표준 지표로 자리 잡는 중입니다. MLCommons는 2022년경 MLPerf에 전력 측정 트랙(MLPerf Power)을 도입해 표준 워크로드의 성능/전력 비와 총 에너지를 함께 보고하기 시작했고, 슈퍼컴퓨터 순위인 Green500은 오래전부터 FLOPs/Watt를 정식 랭킹 지표로 씁니다. 추론 쪽에서는 tokens-per-joule(줄당 토큰), tokens-per-watt 같은 지표가 떠오르고 있습니다. NVIDIA는 최신 세대 랙(GB300 NVL72)이 이전 Hopper 세대 대비 와트당 성능을 최대 25배까지 끌어올렸다고 밝혔습니다. 회계 단위가 '규모'에서 '전력당 효율'로 옮겨가고 있다는 신호입니다.

4.2낭비의 해부 — 저품질·중복 데이터는 낭비된 전력이다

새 통화의 관점에서 보면, 그동안 비용·성능의 언어로만 논의되던 데이터 품질이 다른 얼굴을 드러냅니다. 중복된 문서, 저품질 샘플, 라벨 오류로 가득한 학습 데이터는 단지 "성능을 떨어뜨리는 것"이 아닙니다. 그것들은 같은 성능에 도달하기 위해 더 많은 연산을 요구하고, 연산은 전력에 비례합니다. 즉 데이터셋에 낀 군더더기는 학습 때마다 실제 전기를 태웁니다. 추론에서도 마찬가지입니다. 불필요하게 긴 컨텍스트, 과잉 호출, 재학습을 너무 자주 도는 습관은 모두 와트를 태우면서 유용한 결과는 늘리지 못하는 순수 낭비입니다.

4.3데이터 효율의 정량 근거 — 복수의 독립 연구

"데이터를 잘 다루면 전기를 아낀다"는 주장은 수사로 끝나면 실패입니다. 다행히 이 인과의 앞 절반 — 데이터 효율화가 학습 토큰·스텝을 크게 줄인다 — 은 서로 독립적인 여러 연구가 반복해서 보인 실증 결과입니다.

• Sorscher et al. 2022(NeurIPS 우수논문, arXiv:2206.14486): 좋은 프루닝 척도로 데이터를 골라내면, 성능 오차가 데이터 크기에 대해 거듭제곱 법칙으로 완만히 줄던 것이 지수함수적으로 가파르게 줄기 시작합니다. 같은 성능에 필요한 데이터량이 스케일링 법칙보다 훨씬 빠르게 감소한다는 뜻입니다.
• FineWeb-Edu(arXiv:2406.17557): 교육적 가치가 높은 웹 데이터만 걸러낸 이 코퍼스는 동일한 MMLU 성능에 도달하는 데 C4·Dolma 대비 토큰을 약 10배 적게 씁니다. 전체 FineWeb에서 90% 넘는 토큰을 걷어내고도 MMLU와 ARC 같은 지식·추론 벤치마크는 오히려 크게 올랐습니다.
• Lee et al. 2021(중복 제거, arXiv:2107.06499): 학습 데이터의 중복을 제거하면 암기가 크게 줄고, 같거나 더 나은 정확도를 더 적은 학습 스텝으로 달성합니다. Llama 3의 데이터 파이프라인도 URL·라인·문서 단위의 계층적 중복 제거를 코퍼스 전체에 적용했고, 후속 라인 필터링 연구는 학습 스텝을 최대 32%까지 줄여 베이스라인 성능에 도달했습니다.

이 지점은 페블러스가 오래 다뤄 온 주제와 정확히 겹칩니다. 데이터 큐레이션이 왜 다시 파운데이션 모델의 병목이 됐는지는 별도의 글에서 자세히 다뤘습니다. 거기서 '연산 효율'로 이야기했던 것을, 이 글은 '전력 효율'로 한 번 더 번역합니다.

전력이 율속 단계가 되자, 하이퍼스케일러들은 전력을 '사서 쓰는 것'에서 '직접 만드는 것'으로 넘어가기 시작했습니다. 전기요금을 협상하던 회사들이 발전소를 재가동하고, 전력구매계약을 넘어 발전 자산을 통째로 사들이고 있습니다. AI 회사가 조용히 에너지 회사로 변신하는 중입니다.

5.1재가동과 인수 — 조달에서 소유로

가장 상징적인 사건은 Microsoft와 Constellation의 계약입니다. 1979년 부분 노심용융 사고로 유명한 Three Mile Island의 인접 원자로(현 크레인 클린 에너지 센터)를 재가동해 20년간 835MW를 공급받기로 한 것입니다. 재가동 투자는 16억 달러, 공급량은 가정 약 80만 호 분량이며, 당초 2028년이던 재가동 목표는 2027년으로 앞당겨졌습니다. Google은 한 걸음 더 나갔습니다. 전력을 사는 계약(PPA)을 넘어, 재생에너지 개발사 Intersect Power를 47.5억 달러에 완전 인수(2026년 3월 완료)하며 발전 자산 자체를 소유하는 쪽으로 전략을 틀었습니다. Google의 설비투자(CAPEX)는 2025년 약 900억 달러에서 2026년 최대 1,850억 달러로 뛸 전망입니다.

원자력으로의 쏠림은 업계 전반의 흐름입니다. Amazon(AWS)은 Talen과 손잡고 Susquehanna 원자력 인근에 200억 달러 넘게 투자하기로 했고, Meta는 1~4GW 규모의 원자력 조달 제안요청(RFP)을 냈으며, Google은 Kairos와 소형모듈원자로(SMR) 최대 500MW 계약을 맺었습니다. 빅테크가 최근 1년간 새로 맺은 원자력 계약을 합치면 10GW를 넘어섭니다. OpenAI·Oracle·SoftBank의 Stargate 프로젝트 역시 대규모 전력 조달을 전제로 합니다.

5.2그리드가 감당하는 부담

이 조달 경쟁은 계통에 부담을 남깁니다. Goldman Sachs는 미국 데이터센터 전력 수요가 2025년 31GW에서 2027년 66GW로 두 배 이상 늘고, 여름철 최대 수요에서 데이터센터가 차지하는 비중이 2025년 4.1%에서 2027년 8.5%로 커질 것으로 봅니다. 데이터센터 대응에만 약 500억 달러의 신규 발전 투자가 필요하고, 2030년까지 그리드 전체로는 7,200억 달러가량이 들 것으로 추정합니다. Capgemini가 2026년 6월 21개국 전력·데이터센터 임원 787명을 조사한 결과, 상당수가 "피크 수요가 더 극단적이고 예측 불가능해질 것"이라 답했고, 전력 임원 과반은 "데이터센터의 지역 집중이 안정 공급의 주요 장애"라고 봤습니다.

그렇다면 실무자의 질문은 하나로 좁혀집니다. 전력이 병목이라면, 무엇부터 손대야 할까요. 답은 비용과 시간의 비교에서 나옵니다. 발전 용량을 새로 확보하는 일은 수년이 걸리고 수십억 달러가 듭니다 — 원전 재가동에도 여러 해, 대형 프로젝트의 계통 접속에는 8~12년이 걸립니다. 반면 데이터 효율화는 오늘 시작할 수 있고 한계비용이 낮은 레버입니다. 순서상 데이터 효율이 먼저인 이유입니다.

발전 용량 확보와 데이터 효율화의 실행 리드타임 비교(개념도). 공급을 늘리는 데 걸리는 시간과, 수요(낭비)를 줄이는 데 걸리는 시간은 자릿수가 다르다.

실무자가 오늘 손댈 수 있는 목록은 구체적입니다. 재학습 빈도를 낮추고, 학습 데이터셋의 중복과 저품질 샘플을 걷어내고, 추론 컨텍스트 길이와 과잉 호출을 줄이는 것 — 이 세 가지는 모두 와트와 비용과 탄소를 동시에 줄입니다. 공급측 해법이 상보적으로 함께 갈 수도 있습니다. 두뇌를 모방한 저전력 하드웨어처럼 칩 차원에서 와트당 성능을 높이는 접근은 데이터 효율화와 겨루는 게 아니라 겹쳐 쌓입니다. 다만 하드웨어 교체가 자본과 리드타임을 요구하는 반면, 데이터는 지금 쥐고 있는 자산이라는 차이가 있습니다.

6.1비즈니스·기술 연결

대다수 매체는 이 사태를 '전력망 인프라 뉴스'로 다룹니다. 그 프레임에서 데이터는 보이지 않습니다. 그러나 병목이 전력으로 옮겨간 세계에서, 학습·추론에 흘러드는 데이터의 품질은 곧 '와트당 유용한 결과'를 결정하는 직접 변수입니다. 페블러스가 오래 다뤄 온 데이터 진단(중복·저품질·라벨 오류 탐지)과 AI-Ready Data는, 이 관점에서 성능 개선 도구일 뿐 아니라 에너지 절감 레버이기도 합니다.

6.2데이터 품질 관점

핵심 등식은 이것입니다 — 데이터 효율 = 에너지 효율. 학습 데이터의 중복과 군더더기는 모델 내부 표현에 부담을 줄 뿐 아니라, 그 부담을 처리하느라 실제 전기를 태웁니다. 데이터 품질을 비용·성능의 언어로만 말해 온 관행에 전력·탄소라는 축을 하나 더 얹으면, 같은 작업이 세 가지 이유(비용·성능·에너지)로 정당화됩니다.

6.3고객·파트너 실무 함의

전력 비용이 학습·추론 예산에서 눈에 띄는 항목이 될수록, 데이터 효율화의 투자수익률(ROI)은 커집니다. 발전소를 지을 수 없는 대부분의 조직에게 '와트를 아끼는 법'은 결국 '데이터를 정돈하는 법'입니다. 이는 한국의 인프라 정책 논의와도 평행합니다. 국가 AI 컴퓨팅 인프라를 둘러싼 그릇(컴퓨트) 중심의 투자 흐름 속에서, 그 그릇에 무엇을 담고 무엇을 걷어낼지의 문제 — 데이터의 자리 — 는 여전히 빈칸으로 남아 있습니다. 국내 데이터센터 시장도 2024년 6.2조 원에서 2028년 10.2조 원으로 커질 것으로 전망되며(한국데이터센터연합회), 수도권 집중·송전 증설 갈등·발전 입지 제약이라는 미국과 닮은 과제를 안고 있습니다.

2026년 여름의 벽은 AI에게 새로운 질문을 던졌습니다. 더 크게 만드는 경쟁에서, 같은 전기로 더 유용하게 만드는 경쟁으로. 그 경쟁의 첫 수는 발전소가 아니라, 오늘 손에 쥔 데이터를 정돈하는 일에서 시작됩니다.

학술 (arXiv / 논문)

• 1.Sorscher et al., "Beyond neural scaling laws: beating power law scaling via data pruning," NeurIPS 2022. arXiv:2206.14486
• 2.Penedo et al., "The FineWeb Datasets: Decanting the Web for the Finest Text Data at Scale," 2024. arXiv:2406.17557
• 3.Lee et al., "Deduplicating Training Data Makes Language Models Better," 2021. arXiv:2107.06499
• 4.Patterson et al., "Carbon Emissions and Large Neural Network Training," 2021. arXiv:2104.10350

정책·통계·기관

• 5.Gartner, "Gartner Predicts Power Shortages Will Restrict 40% of AI Data Centers by 2027," 보도자료, 2024-11-12. gartner.com
• 6.IEA, "Energy and AI," 2025. iea.org
• 7.LBNL, "2024 United States Data Center Energy Usage Report" (2025 Update, LBNL-2001637). eta-publications.lbl.gov
• 8.LBNL, "Queued Up: 2025 Edition" (interconnection queue). emp.lbl.gov/queues
• 9.EPRI, "Powering Intelligence: Analyzing Artificial Intelligence and Data Center Energy Consumption" (2024 백서 + 2026 갱신). epri.com
• 10.Goldman Sachs Research, "AI, data centers and the coming US power demand surge," 2025. goldmansachs.com
• 11.Data Center Watch (10a Labs), "Q1 2026 Report: Data Center Opposition." datacenterwatch.org
• 12.Capgemini Research Institute, "Power and data center executives survey," 2026-06. capgemini.com

업계·매체 (2차 — 원출처 소급 후 인용)

• 13.NBC News, "Data center opposition is sharply rising in 2026, study finds." nbcnews.com
• 14.Tom's Hardware, "More than 75 data center build-outs worth $130 billion blocked in early 2026." tomshardware.com
• 15.Utility Dive / DCD, "Microsoft–Constellation Three Mile Island (Crane Clean Energy Center) 20-year PPA." utilitydive.com

페블러스 인접 (교차 링크)

• 16.페블러스, "데이터 큐레이션은 왜 다시 병목이 되었나". blog/data-curation-bottleneck-foundation-models
• 17.페블러스, "지역이 데이터센터를 막을 때". blog/monterey-park-data-center-ban
• 18.페블러스, "국가 AI 컴퓨팅센터 착공에 들어가다". report/korea-ai-compute-center-npu-2026-07
• 19.페블러스, "두뇌를 모방한 저전력 AI 하드웨어". blog/flourish-brain-inspired-ai-500m