AI 데이터센터 PUE의 함정: 냉각 효율이 좋아져도 전기는 더 쓸 수 있다

2026년 10월 15일 읽는 시간 약 16분

AI 데이터센터의 냉각 효율이 좋아졌다는 소식을 들으면 전기 사용량도 줄었을 것이라고 생각하기 쉽다. 하지만 두 문장은 같은 의미가 아니다. 냉각설비의 부담이 줄어드는 동안 서버의 전력 소비가 더 크게 늘었다면, 효율 지표는 좋아져도 시설 전체가 쓰는 전기는 증가할 수 있다.

이 차이를 이해하는 데 필요한 개념이 PUE다. 데이터센터 기사와 기업 발표에 자주 등장하지만, 숫자 하나만 떼어 읽으면 오해하기 쉬운 지표이기도 하다. 특히 액체냉각처럼 서버와 냉각설비의 작동 조건을 함께 바꾸는 기술에서는 무엇을 분자와 분모에 넣었는지가 중요해진다.

이 글은 CAUSIFOLD의 「효율은 좋아졌는데, 전기는 더 썼다」가 소개한 문제의식에서 출발한다. HAWK 연구의 확인 가능한 결과와 공식 자료를 바탕으로, PUE의 의미를 계산 예시와 AI 서비스 운영 관점까지 확장해 살펴본다. 아래의 가상 계산은 연구의 실측값과 구분했다.

PUE가 알려주는 것부터 정확히 이해하기

PUE는 Power Usage Effectiveness의 약자로, 일정한 측정 경계와 기간에서 데이터센터 전체 에너지 사용량을 IT 장비의 에너지 사용량으로 나눈 비율이다. 서버·스토리지·네트워크 장비를 가동하는 데 필요한 에너지에 비해 냉각과 전력 공급 등의 시설 운영에 얼마가 추가로 들어가는지 살펴보는 데 유용하다.

PUE = 데이터센터 전체 에너지 사용량 ÷ IT 장비 에너지 사용량

같은 기간 IT 장비가 100kWh를 쓰고 냉각·전력설비 등에서 20kWh를 추가로 썼다면 전체는 120kWh다. 이때 PUE는 1.20이다. IT 사용량 1에 대해 시설에서 소비한 총량이 1.20이라는 뜻이지, 서버가 계산에 투입한 에너지의 83.3%를 유용한 결과로 바꿨다는 뜻은 아니다.

이 구분은 생각보다 중요하다. 서버가 일을 하지 않고 대기하면서 쓰는 전력도 IT 에너지에 포함될 수 있다. 비효율적인 소프트웨어 때문에 같은 계산을 여러 번 반복해도 PUE만으로는 그 낭비를 골라내기 어렵다. 분모에 들어가는 IT 사용량이 곧 유용한 작업량은 아니기 때문이다.

따라서 PUE가 낮다는 설명은 시설 운영의 추가 부담이 상대적으로 작다는 단서를 준다. 그러나 서로 다른 데이터센터의 총전력, AI 모델의 처리 효율, 실제 전기요금까지 한 번에 비교해 주지는 않는다. 작은 시설보다 훨씬 많은 서버를 가동하는 대형 시설은 PUE가 낮더라도 전력 사용량 자체는 클 수 있다.

냉각 전력은 줄었는데 전체 사용량은 늘어나는 계산

원리를 보기 위해 동일한 시간 동안 운영한 두 가지 가상 조건을 비교해 보자. 아래 수치는 HAWK 연구에서 가져온 값이 아니라 비율 지표의 특성을 설명하기 위해 구성한 예시다.

항목	변경 전	변경 후
IT 장비 에너지	100kWh	110kWh
냉각 등 시설 에너지	20kWh	15kWh
전체 에너지	120kWh	125kWh
PUE	1.20	약 1.14

시설 에너지는 20에서 15로 25% 줄었다. PUE도 120÷100=1.20에서 125÷110≒1.136으로 낮아졌다. 지표만 보면 개선이다. 그런데 전체 에너지는 120에서 125로 약 4.17% 늘었다. IT 장비에서 추가로 사용한 10kWh가 시설에서 절약한 5kWh보다 컸기 때문이다.

이 계산에는 모순이 없다. PUE는 절대 사용량을 보여주는 계량기가 아니라 두 사용량의 관계를 나타내는 비율이다. 분모가 커지는 동시에 시설 사용량이 줄면 비율은 내려갈 수 있다. 같은 기간에 수행한 작업량이 달라졌다면 생산성까지 따로 확인해야 하지만, 적어도 전체 사용량이 감소했다는 결론은 이 표에서 나오지 않는다.

거꾸로 IT 장비를 효율적인 제품으로 바꿔 IT 에너지가 크게 줄고 시설 에너지는 조금만 줄었다면, 전체 에너지가 감소했는데도 PUE가 기대만큼 개선되지 않을 수 있다. 이는 개선 작업이 실패했다는 의미가 아니다. 비율과 절대량이 서로 다른 질문에 답하고 있다는 의미다.

HAWK 연구에서 실제로 확인된 변화

슈투트가르트대 연구진의 HAWK 슈퍼컴퓨터 연구는 액체냉각 공급수온과 시스템 전력 사이의 관계를 다뤘다. 출판사가 공개한 논문 요약에 따르면 연구진은 21개월의 운전자료를 분석했다. 공급수온을 17°C에서 25°C로 높였을 때, 외기 습구온도 19°C 조건에서 액체냉각 계통의 전력은 63.3% 감소했다. 반면 IT 장비의 전력은 약 3.15% 증가했다. HAWK 연구 논문

여기서 63.3%는 데이터센터 전체가 절약한 비율이 아니다. 특정 조건의 액체냉각 계통에 관한 수치다. 이를 “액체냉각으로 데이터센터 전기를 63% 절감했다”라고 바꾸면 대상과 조건이 모두 달라진다. IT 전력의 증가율과도 서로 다른 기준량을 분모로 쓰므로, 두 퍼센트를 단순히 빼서 전체 절감률을 구할 수 없다.

논문은 이러한 상호작용을 반영해 냉각과 IT 장비를 함께 다루는 모델도 구성했다. CAUSIFOLD가 소개한 17°C·22°C·27°C 조건의 비교와 PUE 역설은 이 모델을 활용한 시뮬레이션에 해당한다. 실제 운전자료에서 관측한 결과와 모델로 조건을 바꿔 계산한 결과를 한 종류의 실험값처럼 섞어 읽지 않는 것이 중요하다.

이 글에서는 출판사 공개 요약으로 확인되는 실측 수치를 중심으로 설명한다. 원문에 소개된 시뮬레이션 도표의 세부 전력값을 직접 대조하지 못했으므로 해당 값을 확정적인 비교표로 재사용하지 않았다. 연구의 핵심은 특정 온도가 모든 시설에서 정답이라는 데 있지 않다. 냉각 계통에서 얻은 이득과 IT 장비에서 발생한 변화를 함께 계산해야 한다는 데 있다.

냉각수를 따뜻하게 보내면 왜 이런 일이 생길까

냉각은 열을 없애는 과정이 아니라 필요한 위치에서 다른 위치로 옮기는 과정이다. 칩에서 나온 열을 냉각수로 받아 외부로 내보내려면 콜드플레이트, 배관, 열교환기, 펌프, 냉동기 등 여러 요소가 함께 움직인다. 구성에 따라 일부 장치는 생략되거나 다른 방식으로 대체된다.

시설 입장에서는 냉각수를 아주 낮은 온도까지 내리지 않아도 된다면 냉각 부담을 줄일 여지가 생긴다. 그러나 서버 입장에서는 공급수온이 올라간 만큼 칩과 주변 부품의 온도 조건이 달라질 수 있다. 칩 온도와 전력 소비의 관계, 서버 내부의 팬 동작, 실내로 전달되는 열, 펌프 운전 조건까지 연결된다.

그렇다고 냉각수를 무조건 차갑게 보내는 방법이 최선인 것도 아니다. 서버에서 얻는 이익보다 시설에서 추가로 쓰는 에너지가 크면 전체 효율이 나빠진다. 외부 기상 조건, 장비 부하, 열교환 성능, 허용 온도와 유량을 함께 살펴야 한다. 어떤 운전점에서 유리했던 설정이 여름과 겨울에 똑같이 유리하리라는 보장도 없다.

실무적으로는 장비 제조사의 허용 범위와 안정성 조건을 먼저 지키고, 그 안에서 전체 사용량과 작업 성능을 비교해야 한다. 특정 논문의 온도를 그대로 가져와 서버실 설정값으로 적용하는 방식은 적절하지 않다. 연구가 제공하는 것은 판단의 구조이며, 개별 시설의 안전한 운전값은 해당 장비와 설비 조건으로 결정해야 한다.

전력과 전력량을 구분해야 비교가 제대로 된다

데이터센터 기사에서 kW와 kWh가 섞이면 절감 효과도 쉽게 부풀려진다. kW는 어느 시점 또는 구간에서 전기를 사용하는 속도인 전력이고, kWh는 일정 시간 동안 누적해 사용한 에너지다. 자동차로 비유하면 속도와 이동거리처럼 서로 관련은 있지만 같은 값은 아니다.

예를 들어 전력 차이가 100kW이고 그 차이가 정확히 10시간 유지됐다면 에너지 차이는 1,000kWh다. 하지만 하루 중 한 시점에 관측한 100kW 차이가 일 년 내내 유지된다고 가정해 연간 절감량을 계산하면 실제 부하와 계절 변화를 놓친다. 연간 효과를 말하려면 시간대별 운전 조건과 가동시간을 반영해야 한다.

PUE를 비교할 때도 분자와 분모의 기간을 맞춰야 한다. 하루 동안의 시설 사용량을 한 시간의 IT 사용량으로 나누는 계산은 의미가 없다. 특정 순간의 전력 비율을 설명용으로 계산할 수는 있지만, 이를 연간 에너지 사용량 기반의 수치와 같은 조건이라고 소개해서는 안 된다.

평균값을 만드는 방식도 확인할 필요가 있다. 여러 시간대의 PUE를 단순 평균한 값과, 전체 기간의 에너지를 먼저 합산한 뒤 나눈 값은 다를 수 있다. 부하가 작은 시간과 큰 시간에 같은 가중치를 주느냐의 차이다. 숫자의 소수점보다 먼저 측정 기간과 집계 방식을 확인해야 하는 이유다.

AI 데이터센터라면 작업 결과까지 함께 봐야 한다

AI 서비스에서 궁극적으로 필요한 것은 서버가 켜져 있었다는 사실이 아니라 요구한 품질의 결과를 제시간에 제공했다는 사실이다. 전기를 덜 쓰더라도 처리량이 크게 줄거나 응답 지연이 허용 범위를 벗어나면 서비스 운영의 개선이라고 단정하기 어렵다.

그래서 PUE 옆에는 전체 에너지와 유효 작업량을 함께 놓는 편이 좋다. 추론 서비스라면 일정한 품질 조건을 충족한 요청 한 건당 에너지, 같은 요청 묶음을 처리하는 데 필요한 총에너지, 처리량과 응답시간을 비교할 수 있다. 학습이라면 합의한 성능 목표에 도달할 때까지 사용한 에너지를 살펴볼 수 있다.

토큰당 에너지도 참고값이 될 수 있지만, 토큰 수만 같다고 작업 난도가 같은 것은 아니다. 모델 크기, 입력 길이, 출력 길이, 배치 크기, 캐시 사용 여부가 달라지면 비교의 전제가 바뀐다. 짧고 쉬운 질문을 처리한 서비스와 긴 문서를 분석한 서비스를 단순히 같은 단위로 순위 매기면 공정하지 않다.

품질 기준을 빼고 에너지 절감을 논하는 것도 조심해야 한다. 정확도를 낮추거나 필요한 추론 과정을 생략해서 전력만 줄였다면 사용자에게 돌아가는 결과가 달라진다. 같은 목표를 달성하는 데 필요한 자원을 줄였는지 확인하는 것이 핵심이다. 이렇게 해야 냉각설비 개선, 하드웨어 교체, 소프트웨어 최적화의 효과를 각각 해석할 수 있다.

LG의 Chip-to-Chiller가 보여주는 통합 관리의 방향

LG전자는 2026년 9월 29일 공식 발표에서 칩부터 냉각설비까지 연결하는 Chip-to-Chiller 솔루션과 냉각 장비를 통합 관리하는 DCCM을 소개했다. 10월 1일에는 미국 버지니아의 냉동기 생산시설 신설과 한국 생산능력 확대 계획을 발표했다. 이는 냉각 산업이 장치 하나의 효율을 넘어 연결된 계통 전체의 운영을 다루는 방향으로 확대되고 있음을 보여주는 사례다. LG전자 9월 29일 발표 · LG전자 10월 1일 발표

다만 사업 발표와 독립적인 성능 검증은 구분해야 한다. 통합 관리 기능을 제공한다는 설명만으로 특정 시설에서 전기를 얼마나 절약했는지 알 수는 없다. 실제 개선 폭을 판단하려면 비교 대상, 부하, 외기 조건, 운영 기간, 측정 범위가 공개돼야 한다.

시설 운영자가 확인할 질문도 자연스럽게 달라진다. “냉동기 자체의 소비전력이 줄었나”에 더해 “서버까지 포함한 총량이 줄었나”, “같은 작업을 같은 품질로 처리했나”, “정상 운전과 장애 대응 여유가 유지됐나”를 물어야 한다. 통합 솔루션의 가치는 이런 질문에 답할 수 있을 때 더 명확해진다.

PUE의 한계를 아는 것과 PUE를 버리는 것은 다르다

국제표준에서도 PUE는 계속 다뤄지고 있다. IEC 공식 안내에 따르면 ISO/IEC 30134-2:2026의 두 번째 판은 2026년 1월 16일 발행됐으며, PUE의 측정·계산·보고와 올바른 해석을 포함한다. 지표가 널리 쓰이는 만큼 같은 방법으로 측정하고 읽는 것이 중요하다는 뜻이다. IEC 표준 안내

유럽의 데이터센터 공통 등급 관련 절차도 진행 중이다. 2026년 10월 15일 확인한 유럽의회 절차 페이지는 위원회 결정 대기 상태이며, 10월 6일 의회 요청으로 심사기간이 두 달 연장됐다고 표시한다. 따라서 이를 이미 모든 절차를 마치고 시행 중인 제도라고 소개해서는 안 된다. 유럽의회 절차 현황

IEA 4E EDNA가 2026년 6월 22일 공개한 액체냉각 보고서 소개도 PUE가 액체냉각의 효율 개선을 충분히 드러내지 못할 수 있다고 지적한다. 전체 절전과 비율 지표가 서로 다른 방향으로 움직일 수 있다는 점을 염두에 두면, 낮은 PUE만 강조하는 홍보와 높은 PUE만 보고 내리는 부정적인 평가를 모두 경계할 수 있다. IEA 4E EDNA 보고서

물 사용과 탄소배출은 또 다른 계산이다

전력 사용량을 줄였다고 해서 모든 환경 부담이 같은 비율로 줄어드는 것은 아니다. 냉각 방식에 따라 전기와 물의 사용 관계가 달라질 수 있고, 같은 전기를 사용해도 공급 전원의 구성에 따라 배출량이 달라질 수 있다. PUE는 이 차이를 자동으로 설명하지 않는다.

물 사용을 평가할 때는 WUE 같은 지표와 실제 물 사용량을 함께 확인할 수 있다. 다만 현장에서 사용한 물만 포함했는지, 전력 생산 단계의 물까지 포함했는지 경계를 밝혀야 한다. 같은 단위로 적혀 있어도 계산 범위가 다르면 직접 비교하기 어렵다.

탄소 역시 전력 사용량에 적용한 배출계수와 산정 방식이 중요하다. 연간 평균으로 계산한 값과 특정 시간·지역의 전력 공급 특성을 반영한 값은 서로 다른 의미를 가질 수 있다. 전력 효율, 물 사용, 탄소배출은 함께 살펴볼 항목이지 어느 하나가 나머지를 대신하는 관계가 아니다.

폐열을 다른 곳에서 활용하는 경우에도 마찬가지다. 회수 가능한 열의 양, 실제 사용한 양, 기존에 필요했던 에너지를 얼마나 대체했는지를 따로 확인해야 한다. “열을 회수할 수 있다”는 설계 가능성과 “그 열을 유용하게 사용했다”는 운영 결과 사이에는 차이가 있다.

데이터센터 효율 기사를 읽을 때 확인할 일곱 가지

무엇의 사용량인가. 냉각장치 한 대, 냉각 계통, IT 장비, 시설 전체 중 어디에 해당하는 수치인지 확인한다.
비율인가 절대량인가. PUE 개선과 전체 kWh 감소를 서로 다른 항목으로 읽는다.
같은 기간인가. 순간값, 월간값, 연간값을 섞지 않았는지 살핀다.
같은 조건인가. 외기 조건과 서버 부하, 측정 범위가 비교 가능하게 맞춰졌는지 본다.
측정인가 모델 계산인가. 실제 운전에서 관측한 값과 시뮬레이션 결과를 구분한다.
작업 결과도 같은가. 처리량과 응답시간, 정확도 등 서비스 품질이 유지됐는지 확인한다.
누가 검증했는가. 제조사의 목표·제품 설명, 자체 측정, 독립 연구를 같은 수준의 증거로 취급하지 않는다.

이 질문은 기술을 의심하기 위해서가 아니라, 개선의 성격을 정확히 이해하기 위한 것이다. 시설 관리자는 냉각 운영을 개선할 수 있고, 개발자는 소프트웨어의 불필요한 계산을 줄일 수 있다. 두 개선이 서로 다른 지표에 드러난다고 해서 어느 쪽의 가치가 사라지는 것은 아니다.

일상적인 AI 서비스 이용자가 얻을 수 있는 판단 기준

개인이 데이터센터의 냉각수 온도를 조정할 일은 거의 없다. 그래도 이 구분은 서비스 선택과 기술 뉴스 해석에 도움이 된다. 어떤 AI 서비스가 친환경 인프라를 사용한다고 설명할 때, 낮은 시설 지표만 제시하는지 실제 서비스 운영의 에너지까지 설명하는지 살펴볼 수 있기 때문이다.

개발팀이 내부 보고서를 작성할 때도 같은 원칙을 적용할 수 있다. 모델을 바꾸거나 검색 과정을 추가한 뒤 응답 품질이 어떻게 달라졌는지 먼저 확인하고, 같은 테스트 요청 묶음을 처리하는 시간과 자원 사용량을 기록한다. 그 결과에 시설 지표를 연결하면 소프트웨어와 인프라의 영향을 섞지 않고 해석할 수 있다. 필요한 데이터를 확보하지 못했다면 추정의 범위를 명시하는 편이 근거 없는 정밀한 숫자를 제시하는 것보다 낫다.

결론: 좋은 숫자 다음에는 좋은 질문이 필요하다

AI 데이터센터의 효율을 이해할 때 가장 먼저 볼 것은 숫자의 크기보다 숫자가 설명하는 대상이다. PUE는 시설 운영에 필요한 추가 에너지를 이해하는 유용한 출발점이다. 그러나 서버의 유효 작업량, 시설 전체의 누적 사용량, 물과 탄소까지 대신 설명해 주지는 않는다.

냉각 효율이 좋아졌다는 발표를 봤다면 다음 질문을 붙이면 된다. 서버까지 포함해서 전기가 줄었는가. 같은 시간에 같은 품질의 일을 처리했는가. 결과는 실제로 측정했는가, 특정 조건을 넣어 계산했는가. 이 세 가지를 확인하면 지표의 개선을 실제 운영 성과와 연결해 볼 수 있다.

PUE가 낮아졌다는 사실은 중요한 정보다. 그다음에 전체 에너지와 유효 작업량을 함께 확인해야 절약의 의미가 완성된다.