문제: 기업은 AI의 환경 영향을 거의 보지 못한다

AI 모델이 점점 커지면서 이를 운영하는 데이터센터와 전력 수요도 함께 증가하고 있다. 하지만 실제로 AI 서비스를 구매하는 기업들은 다음과 같은 정보를 명확하게 받지 못하는 경우가 많다고 SAIG는 지적한다 .

• AI 모델이 사용하는 전력량
• 데이터센터 전력에서 발생하는 탄소 배출
• 냉각에 필요한 물 사용량
• 데이터센터가 사용하는 에너지 원

또 하나의 문제는 AI 모델마다 환경 영향이 크게 다르다는 점이다.

예를 들어 어떤 업무는 거대한 최신 대형 모델 대신 작게 미세조정된 모델로도 충분히 수행할 수 있으며, 이 경우 필요한 연산량과 전력 소비가 크게 줄어들 수 있다 .

하지만 현실에서는 많은 기업이 이러한 차이를 파악하지 못한 채 가장 유명하거나 가장 큰 모델을 선택하는 경향이 있다는 것이 SAIG의 설명이다.

창립자들의 핵심 주장: 기업 고객이 실제 ‘힘’을 가지고 있다

대부분의 기업은 직접 AI 모델을 학습하거나 데이터센터를 운영하지 않는다. 대신 클라우드 기업이나 AI 플랫폼을 통해 서비스를 구매한다.

그럼에도 SAIG는 기업 고객이 AI 인프라 방향을 바꾸는 중요한 영향력을 갖고 있다고 본다.

기업의 AI 지출이 결국 데이터센터와 칩, 전력 인프라 확장의 재원을 제공하기 때문이다. 즉, 구매 결정이 곧 시장 신호가 된다 .

이 논리에 따르면 기업들은 다음과 같은 영역에 영향을 미칠 수 있다.

• 모델 효율성 기준
• 에너지 사용 보고 방식
• 데이터센터 인프라 투명성
• AI 워크로드가 실행되는 위치

조달과 계약이 AI 인프라를 바꿀 수 있는 방식

SAIG는 기업이 일상적인 **구매 절차(procurement)**만으로도 AI 산업에 압력을 가할 수 있다고 본다.

RFP(제안요청서) 기준

AI 공급업체를 평가할 때 에너지 효율과 환경 보고 기준을 요구할 수 있다.

예를 들어 다음과 같은 질문이 포함될 수 있다.

• 모델의 연산 효율성
• 에너지 사용량 공개 여부
• 최적화 방식
• 데이터센터의 환경 관리 기준

이런 질문은 단순한 체크리스트가 아니라 공급업체의 실제 지속가능성 수준을 드러내는 전략적 지표가 될 수 있다 .

벤더 선택

기업이 더 효율적인 AI 모델이나 인프라를 사용하는 공급업체를 선택한다면 시장 경쟁의 기준이 달라질 수 있다.

성능과 가격뿐 아니라 에너지 효율과 투명성도 경쟁 요소가 되는 것이다.

계약 조건

기업은 마스터 서비스 계약(MSA) 같은 장기 계약에 환경 정보 공개 조항을 넣을 수도 있다.

예를 들어 다음과 같은 정보 공개를 요구할 수 있다.

• 데이터센터 전력의 에너지 원
• 오프그리드 화석연료 발전 사용 여부
• AI 워크로드의 에너지 효율 지표

이런 조건은 공급업체가 인프라 선택을 바꾸도록 유도할 수 있다고 SAIG는 설명한다 .

Sustainable AI Group이 제공하려는 서비스

SAIG는 단순한 컨설팅 회사가 아니라 연구와 도구 개발을 함께 하는 조직을 목표로 한다.

공개 연구

AI 학습과 추론(inference)이 사용하는 에너지, 데이터센터 인프라 영향 등을 분석한 연구를 공개적으로 발표할 계획이다 .

기업 전략 자문

기업이 AI 전략에 지속가능성을 통합하도록 다음과 같은 지원을 제공한다.

• 조달 정책 설계
• 내부 워크숍
• 측정 프레임워크 구축
• 의사결정 지원 도구
• 기술팀과 ESG·지속가능성 팀 간 협력 조정

또한 기업 내부에서 어디에 AI가 사용되고 있는지 파악하고 환경 영향의 기준선(baseline)을 설정하는 작업도 지원한다 .

측정과 벤치마킹 도구

AI 효율성을 실제로 비교할 수 있게 만드는 것도 핵심 목표다.

대표적인 예가 AI Energy Score다.

이 프로젝트는 특정 작업에서 AI 모델이 사용하는 에너지를 측정해 표준화된 에너지 등급과 공개 리더보드를 제공하는 시스템이다 .

이미 여러 AI 작업 영역에서 수백 개 모델의 에너지 효율을 평가하는 기준점 역할을 하고 있다 .

목적에 맞는 모델 선택

또 다른 목표는 기업이 모든 업무에 대형 모델을 쓰는 대신 업무에 맞는 모델을 선택하도록 돕는 것이다.

적절한 모델을 선택하면 동일한 성능을 유지하면서도 연산량과 전력 사용을 크게 줄일 수 있다 .

지금이 중요한 이유: AI 인프라 투자 폭증

SAIG는 AI 인프라 투자가 2030년대 초까지 최대 5조 달러 규모에 이를 수 있다고 본다 .

문제는 데이터센터, 전력 계약, 반도체 공급망이 한번 구축되면 수년에서 수십 년 동안 구조가 고정될 수 있다는 점이다.

즉 지금이 **AI 인프라의 환경 방향을 바꿀 수 있는 짧은 창(window)**이라는 것이다.

더 큰 목표: 시장 신호로서의 지속가능성

Sustainable AI Group의 궁극적인 아이디어는 단순하다.

기업의 구매 기준을 통해 시장 경쟁의 규칙을 바꾸는 것이다.

기업 고객이 에너지 효율과 투명성을 요구하기 시작하면 AI 공급업체들은 결국 다음 세 가지를 모두 경쟁해야 한다.

• 성능
• 가격
• 에너지 효율

그 변화가 실제로 일어날지는 결국 기업들이 자신들의 구매력을 얼마나 적극적으로 활용하느냐에 달려 있다.

문제: 기업은 AI의 환경 영향을 거의 보지 못한다

AI 모델이 점점 커지면서 이를 운영하는 데이터센터와 전력 수요도 함께 증가하고 있다. 하지만 실제로 AI 서비스를 구매하는 기업들은 다음과 같은 정보를 명확하게 받지 못하는 경우가 많다고 SAIG는 지적한다 .

• AI 모델이 사용하는 전력량
• 데이터센터 전력에서 발생하는 탄소 배출
• 냉각에 필요한 물 사용량
• 데이터센터가 사용하는 에너지 원

또 하나의 문제는 AI 모델마다 환경 영향이 크게 다르다는 점이다.

예를 들어 어떤 업무는 거대한 최신 대형 모델 대신 작게 미세조정된 모델로도 충분히 수행할 수 있으며, 이 경우 필요한 연산량과 전력 소비가 크게 줄어들 수 있다 .

하지만 현실에서는 많은 기업이 이러한 차이를 파악하지 못한 채 가장 유명하거나 가장 큰 모델을 선택하는 경향이 있다는 것이 SAIG의 설명이다.

창립자들의 핵심 주장: 기업 고객이 실제 ‘힘’을 가지고 있다

대부분의 기업은 직접 AI 모델을 학습하거나 데이터센터를 운영하지 않는다. 대신 클라우드 기업이나 AI 플랫폼을 통해 서비스를 구매한다.

그럼에도 SAIG는 기업 고객이 AI 인프라 방향을 바꾸는 중요한 영향력을 갖고 있다고 본다.

기업의 AI 지출이 결국 데이터센터와 칩, 전력 인프라 확장의 재원을 제공하기 때문이다. 즉, 구매 결정이 곧 시장 신호가 된다 .

이 논리에 따르면 기업들은 다음과 같은 영역에 영향을 미칠 수 있다.

• 모델 효율성 기준
• 에너지 사용 보고 방식
• 데이터센터 인프라 투명성
• AI 워크로드가 실행되는 위치

조달과 계약이 AI 인프라를 바꿀 수 있는 방식

SAIG는 기업이 일상적인 **구매 절차(procurement)**만으로도 AI 산업에 압력을 가할 수 있다고 본다.

RFP(제안요청서) 기준

AI 공급업체를 평가할 때 에너지 효율과 환경 보고 기준을 요구할 수 있다.

예를 들어 다음과 같은 질문이 포함될 수 있다.

• 모델의 연산 효율성
• 에너지 사용량 공개 여부
• 최적화 방식
• 데이터센터의 환경 관리 기준

이런 질문은 단순한 체크리스트가 아니라 공급업체의 실제 지속가능성 수준을 드러내는 전략적 지표가 될 수 있다 .

벤더 선택

기업이 더 효율적인 AI 모델이나 인프라를 사용하는 공급업체를 선택한다면 시장 경쟁의 기준이 달라질 수 있다.

성능과 가격뿐 아니라 에너지 효율과 투명성도 경쟁 요소가 되는 것이다.

계약 조건

기업은 마스터 서비스 계약(MSA) 같은 장기 계약에 환경 정보 공개 조항을 넣을 수도 있다.

예를 들어 다음과 같은 정보 공개를 요구할 수 있다.

• 데이터센터 전력의 에너지 원
• 오프그리드 화석연료 발전 사용 여부
• AI 워크로드의 에너지 효율 지표

이런 조건은 공급업체가 인프라 선택을 바꾸도록 유도할 수 있다고 SAIG는 설명한다 .

Sustainable AI Group이 제공하려는 서비스

SAIG는 단순한 컨설팅 회사가 아니라 연구와 도구 개발을 함께 하는 조직을 목표로 한다.

공개 연구

AI 학습과 추론(inference)이 사용하는 에너지, 데이터센터 인프라 영향 등을 분석한 연구를 공개적으로 발표할 계획이다 .

기업 전략 자문

기업이 AI 전략에 지속가능성을 통합하도록 다음과 같은 지원을 제공한다.

• 조달 정책 설계
• 내부 워크숍
• 측정 프레임워크 구축
• 의사결정 지원 도구
• 기술팀과 ESG·지속가능성 팀 간 협력 조정

또한 기업 내부에서 어디에 AI가 사용되고 있는지 파악하고 환경 영향의 기준선(baseline)을 설정하는 작업도 지원한다 .

측정과 벤치마킹 도구

AI 효율성을 실제로 비교할 수 있게 만드는 것도 핵심 목표다.

대표적인 예가 AI Energy Score다.

이 프로젝트는 특정 작업에서 AI 모델이 사용하는 에너지를 측정해 표준화된 에너지 등급과 공개 리더보드를 제공하는 시스템이다 .

이미 여러 AI 작업 영역에서 수백 개 모델의 에너지 효율을 평가하는 기준점 역할을 하고 있다 .

목적에 맞는 모델 선택

또 다른 목표는 기업이 모든 업무에 대형 모델을 쓰는 대신 업무에 맞는 모델을 선택하도록 돕는 것이다.

적절한 모델을 선택하면 동일한 성능을 유지하면서도 연산량과 전력 사용을 크게 줄일 수 있다 .

지금이 중요한 이유: AI 인프라 투자 폭증

SAIG는 AI 인프라 투자가 2030년대 초까지 최대 5조 달러 규모에 이를 수 있다고 본다 .

문제는 데이터센터, 전력 계약, 반도체 공급망이 한번 구축되면 수년에서 수십 년 동안 구조가 고정될 수 있다는 점이다.

즉 지금이 **AI 인프라의 환경 방향을 바꿀 수 있는 짧은 창(window)**이라는 것이다.

더 큰 목표: 시장 신호로서의 지속가능성

Sustainable AI Group의 궁극적인 아이디어는 단순하다.

기업의 구매 기준을 통해 시장 경쟁의 규칙을 바꾸는 것이다.

기업 고객이 에너지 효율과 투명성을 요구하기 시작하면 AI 공급업체들은 결국 다음 세 가지를 모두 경쟁해야 한다.

• 성능
• 가격
• 에너지 효율

그 변화가 실제로 일어날지는 결국 기업들이 자신들의 구매력을 얼마나 적극적으로 활용하느냐에 달려 있다.