전력의 시대에서 스토리지 효율성의 중요성

글로벌 전력 수요는 AI 성장과 데이터센터 확장을 배경으로 빠르게 증가하고 있습니다. 국제에너지기구(IEA)의 「2025 세계 에너지 전망(World Energy Outlook 2025)」는 디지털 수요 증가 속도를 전력망이 따라잡지 못할 수 있으며, 이로 인해 전력 가용성에 현실적인 한계가 생길 수 있다고 경고합니다. AI 추론과 새롭게 부상하는 에이전틱 워크로드는 이러한 부담을 더 가중시킬 것입니다. 데이터센터 설계자에게 스토리지 효율성은 이제 선택이 아닌 필수 요소입니다. 퓨어스토리지 플랫폼은 전력과 공간 소비를 크게 줄이면서도 높은 성능을 제공해, 기업이 전력·비용·지속가능성 한계 내에서 AI 인프라를 확장할 수 있도록 지원합니다.

전력의 시대에 스토리지 효율성이 중요한 이유

글로벌 전력 수요는 급증하고 있다

국제에너지기구(IEA)의 2025 세계 에너지 전망(World Energy Outlook 2025)는 이미 많은 데이터센터 인프라 팀이 체감하고 있는 현실을 공식적으로 확인해 주고 있습니다. 전 세계는 지금 ‘전기의 시대’로 빠르게 이동하고 있습니다. IEA가 제시한 모든 시나리오에서 전력 수요 증가 속도는 전체 에너지 수요 증가 속도를 앞지릅니다. 과거에는 전력 수요 증가의 대부분이 신흥국에서 발생했지만, 이제는 선진국에서도 데이터센터와 AI가 주요 원인이 되고 있습니다. IEA는 전 세계 데이터센터 투자 규모가 2025년에 약 5,800억 달러에 이를 것으로 예상하는데, 이는 같은 해 전 세계 석유 공급 투자 예상치인 5,400억 달러를 웃도는 수준입니다. 재생에너지 비중은 계속 확대되고 있지만, 전력망과 신규 전력 공급이 늘어나는 속도는 디지털 수요 증가를 따라가지 못할 것으로 전망됩니다. 그 결과, AI 시스템이 필요로 하는 전력과 전력망이 실제로 공급할 수 있는 전력 사이의 격차가 점점 더 크게 벌어지고 있습니다.

표 1: IEA WEO 2025의 데이터센터 및 전력 트렌드

출처: IEA World Energy Outlook 2025, S&P Global, DataCenterDynamics.

AI가 전력 수요 곡선을 끌어올리고 있다

불과 몇 해 전까지만 해도 데이터 증가가 핵심 이슈였습니다. 이제는 AI 추론이 중심에 있습니다. 대규모 파운데이션 모델의 학습은 짧은 기간 동안 대량의 전력을 한꺼번에 사용하는 작업입니다. 반면 추론은 항상 그리고 어디에서나 실행됩니다. 기업이 챗봇, 코드 어시스턴트, 에이전틱 AI 서비스를 도입하는 순간, 해당 모델은 사실상 계속 사용되는 상시 서비스가 됩니다. 학습이 끝났다고 해서 전력 사용이 멈추는 것이 아닙니다. 클라우드와 엔터프라이즈 워크로드 전반에서 AI 사용이 지금보다 조금만 늘어나도, 2030년까지 데이터센터 전력 수요가 수백 테라와트시(TWh) 수준까지 증가할 수 있습니다. 이 증가분의 대부분은 모델 수가 아니라 사용자 수에 따라 확장되는 추론 워크로드에서 발생합니다.

결과적으로 AI 추론 워크로드는 데이터센터 전력 수요 증가를 이끄는 핵심 요인이 될 것으로 예상됩니다.

출처: IEA 보고서: AI의 에너지 수요, 로렌스 버클리 국립 연구소: 2024 미국 데이터센터 에너지 사용량 보고서

전력이 없는 상황이 현실이 되고 있다

이제 전력 공급은 데이터센터 운영 전반에 걸친 직접적인 리스크가 되었습니다. 미국 캘리포니아, 북버지니아, 유럽 일부 지역에서는 전력망 제약으로 신규 데이터센터 연결이 이미 지연되고 있습니다. 미국 서부 일부 지역에서는 데이터센터 건물을 먼저 지어놓고도, 전력 할당을 기다리느라 가동하지 못한 채 비어 있는 시설도 있습니다. 캘리포니아 산타클라라 카운티의 경우, 가용 전력 부족으로 신규 프로젝트가 중단되기도 했습니다. 신규 전력 설비나 에너지 프로젝트가 승인되더라도, 실제로 전력을 공급하기까지는 수년이 걸리는 것이 일반적입니다. IEA는 이를 디지털 확장 속도와 물리적 한계 사이의 긴장이 점점 커지고 있는 상황으로 설명합니다. 전력 인프라가 수요를 따라가지 못하면, 데이터센터 개발·운영 기업은 더 높은 비용, 더 긴 구축 일정, 그리고 전력 가용성에 대한 불확실성을 감수해야 합니다.

에너지 효율성은 새로운 ‘용량’이다

가장 확보하기 쉬운 전력은, 애초에 사용하지 않아도 되는 전력입니다. 실제로 효율성 향상은 용량 확보와 동일한 효과를 가집니다. 동일한 워크로드를 처리하면서 스토리지, 컴퓨트, 네트워크 장비가 소비하는 전력을 줄일 수 있다면, 새로운 변전소나 송전선을 증설하지 않않고도 더 많은 AI 워크로드와 더 많은 사용자를 수용할 수 있습니다. IEA 역시 공급 부족을 피하기 위해 인프라 전반의 유연성과 효율성이 필수적이라고 강조합니다. 이로 인해 에너지 성능은 더 이상 지속가능성 보고서에만 등장하는 지표가 아니라, 인프라를 설계하고 확장할 때 반드시 고려해야 하는 핵심 설계·계획 제약 조건이 되었음을 의미합니다.

스토리지가 핵심적인 역할을 하는 이유

스토리지는 에너지 전략을 세울 때 종종 간과되는 영역입니다. 보통은 컴퓨트와 냉각에 관심이 집중되지만, 실제로 스토리지 아키텍처 선택은 데이터센터 전체 부하를 다음 세 가지 측면에서 좌우합니다.

1. 직접 전력 소비: 스토리지 어레이의 TB당 소비 전력 및 IOPS당 소비 전력
2. 간접 부하: 해당 스토리지를 지원하기 위해 필요한 랙, 스위치, 냉각 자원의 규모
3. 라이프사이클 영향: 제조·운송·폐기 전 과정에 걸쳐 투입되는 내재 에너지와 그에 따른 비용

AI 워크로드, 특히 추론과 에이전틱 시스템은 I/O 집약적입니다. 벡터 스토어, 피처 스토어, 검색 인덱스를 통해 대량의 데이터를 지속적으로 읽고 씁니다. 이러한 데이터가 비효율적이거나 저밀도 스토리지에 저장될 경우, 모든 쿼리마다 더 많은 전력과 더 강한 냉각이 필요합니다.

퓨어스토리지의 효율성

퓨어스토리지 시스템은 성능과 효율성을 동시에 구현한다는 원칙을 기반으로 설계되었습니다. 퓨어스토리지 플랫폼은 고밀도 플래시 기반 아키텍처 위에 구축되어, 와트당 높은 처리량과 용량을 제공하도록 설계되어 있습니다. 전통적인 하이브리드 디스크 어레이와 퓨어스토리지 올플래시 어레이를 비교한 최근 분석 결과, 퓨어스토리지 시스템이 동일 워크로드에서 에너지와 공간 사용을 크게 줄일 수 있는 것으로 나타났습니다:

표 2: 스토리지 전력·공간 비교

이러한 차이는 규모가 커질수록 훨씬 더 크게 누적됩니다. 수십 페타바이트(또는 그 이상)의 AI 데이터셋을 운영하는 환경에서는 플래시블레이드//EXA(FlashBlade//EXA™)를 도입했을 때 동급 PB급 경쟁 시스템 대비 데이터센터의 전력 및 냉각 사용량을 최대 75% 이상 줄일 수 있습니다.

왜 추론 워크로드에는 효율적인 스토리지가 필요한가

추론은 이제 어디에나 존재합니다. 모델 서빙, RAG(Retrieval-Augmented Generation), 에이전틱 시스템, 임베디드 AI 기능은 모두 저장된 데이터에 대한 빠른 접근을 필요로 합니다. 모델 호출 한 번이 수 기가바이트에 이르는 벡터 데이터나 로그 데이터에 접근할 수 있으며, 이러한 호출이 사용자 수만큼 하루 수백만 건으로 쌓이면 스토리지 I/O 프로파일은 순식간에 막대한 규모로 커집니다.

추론 워크로드를 위한 스토리지의 핵심 요구사항:

• I/O 지연 없이 가속기를 공급할 수 있는 높은 처리량
• 신속한 대응을 위한 낮은 지연 시간
• 데이터를 가까운 곳에 집적하고 랙 수를 줄일 수 있는 고밀도 구조
• 전력 예산을 초과하지 않고 성장을 감당할 수 있는 에너지 효율

플래시블레이드//EXA(FlashBlade//EXA)와 플래시어레이(FlashArray™) 아키텍처는 병렬 처리와 고밀도 플래시 설계를 통해 이러한 요구사항을 충족합니다. 동일한 추론 처리량을 기준으로 할 때, 회전식 디스크나 혼합형 플래시 시스템보다 랙과 전력이 적게 사용됩니다.

다가오는 에이전틱 AI의 물결

에이전틱 AI 워크로드는 단순한 일회성 추론을 넘어서, 여러 모델 호출을 체인처럼 연결하고 데이터를 반복적으로 검색하며, 다단계의 워크플로우를 모사하는 복잡한 추론 과정을 수행합니다. 각 에이전틱 상호작용에는 보통 다음과 같은 단계가 포함될 수 있습니다.

1. 입력 파싱
2. 벡터 또는 정형 데이터베이스에서 검색
3. 추론 또는 도구 호출
4. 출력 생성 및 검증

이러한 루프는 쿼리 하나 당 수십 회 반복될 수 있으며, 스토리지 계층은 수천 건의 소규모 동시 요청을 효율적으로 처리해야 합니다. 비효율적인 스토리지를 사용할 경우 에이전틱 세션 하나하나가 눈에 보이는 에너지 비용으로 이어집니다. 시간이 지날수록 시스템 전체 전력 사용량이 모델 학습 단계에 근접할 정도로 커질 수 있습니다. 이를 통제할 수 있는 사실상 유일한 방법은 인프라 전 계층에서 효율성과 밀도를 극대화하는 것입니다.우, 각 에이전트 세션은 측정 가능한 에너지 비용을 추가합니다. 시간이 지남에 따라 시스템의 총 에너지 소비는 트레이닝 부하에 필적할 수 있습니다. 모든 계층에서 효율성과 밀도를 통해 이를 관리할 수 있는 유일한 실행 가능한 경로입니다.

전력 제약은 곧 비즈니스 제약이다

전력 제약은 더 이상 지속가능성 보고서에만 등장하는 항목이 아닙니다. 이제는 서비스 구축 일정, 가용성, 데이터센터 성장 속도를 직접 좌우하는 요소가 되었습니다. 조직이 충분한 전력 할당을 확보하지 못하면 확장 계획은 멈추고, 냉각 설비가 한계에 도달하면 가동 여유가 줄어들며, 전력망 가격이 급등하면 운영 비용이 치솟습니다. 이는 디지털 경제 전반에 걸친 구조적 리스크입니다. AI 도입이 확산되면서 많은 신흥국에서도 이미 같은 패턴이 반복되고 있으며, IEA의 2025년 세계 에너지 전망 보고서는 핵심 광물 공급망의 병목이 신규 에너지 시스템 도입을 늦춰 전력 공급을 더 촉박하게 만들 수 있다고 경고합니다.

지금 데이터센터 설계자가 해야 할 일

데이터센터 및 인프라 팀이 전력망 구축 일정은 통제할 수 없지만, 설계는 통제할 수 있습니다.

1. 현황 진단 및 기준 수립
기존 스토리지·컴퓨트·냉각 인프라의 총 전력 및 공간 사용량을 측정하고, TB당 소비 전력, IOPS당 소비 전력을 체계적으로 추적합니다.

2. 미래 AI 수요 모델링
학습과 추론 성장뿐 아니라 에이전틱 워크로드와 분산 추론 패턴까지 포함해 예측합니다.

3. 병목 구간 식별
랙 공간, 냉각, 전력 피드, 변압기 용량 중 어디에서 먼저 한계가 발생하는지 파악합니다.

4. 스토리지 현대화
HDD 중심 또는 하이브리드 어레이에서 벗어나, 플래시어레이(FlashArray)와 플래시블레이드//EXA(FlashBlade//EXA)와 같은 고밀도 올플래시 시스템으로 전환합니다. 이를 통해 TB당 전력 사용량, 랙 수, 냉각 부담을 동시에 줄일 수 있습니다.

5. 데이터 배치 최적화
자주 조회되는 추론용 데이터는 고성능 플래시에 두고, 사용 빈도가 낮은 콜드 데이터는 중복제거가 가능한 하위 계층이나 오브젝트 스토리지로 이전합니다.

6. 시설 및 전력 공급자와의 조율
초기 단계부터 지역 전력 공급자와 긴밀히 협력하고, 최소 3~5년 후까지의 전력 수요를 예측해 둡니다. 스토리지 업그레이드 계획을 전력 가용성과 연동해 수립하는 것이 중요합니다.

7. 지속가능성 지표 통합
인프라 계획에 에너지와 CO₂ 관련 데이터를 통합하고, 각 효율화 조치별로 전력 사용량과 탄소 배출을 얼마나 줄였는지 정량화합니다.

8. 전력 부족 대비
전력 공급이 제한되거나 지연되는 시나리오도 가정해야 합니다. 효율적인 스토리지는 이런 상황에서도 기존 전력 한도 내에서 성장을 이어갈 수 있게 해 줍니다.

인프라 계획 예시

한 중견 기업 AI 플랫폼이 2027년까지 추론 트래픽이 3배 증가할 것으로 예상된다고 가정해 보겠습니다. 이 회사의 현재 스토리지 아키텍처는 100TB당 약 1.2kW를 소모하는 하이브리드 HDD 어레이를 사용하고 있습니다. 데이터 용량을 2PB에서 6PB로 확장하면, 스토리지 전력은 24kW에서 72kW로 증가합니다. 여기에 냉각 부하가 30~40% 추가되면, 스토리지만으로도 전체 설비 부하는 100kW에 가까워집니다.

이 어레이를 100TB당 250W를 사용하는 플래시블레이드//EXA(FlashBlade//EXA) 시스템으로 교체하면, 예상 스토리지 전력은 72kW에서 15kW 수준으로 감소합니다. 냉각까지 포함하더라도 전체 설비 부하는 20kW 이하로 떨어집니다. 이는 연간 약 700MWh의 전력 절감과, 약 8만5천 달러에 해당하는 에너지 비용 절감, 그리고 약 300톤의 CO₂ 배출 회피 효과를 제공합니다. 무엇보다 중요한 것은, 이 프로젝트를 기존 전력 용량 범위 안에서 수행할 수 있게 된다는 점입니다.

앞으로를 내다보며

IEA는 태양광을 중심으로 2050년까지 재생에너지가 어떤 에너지원보다 빠른 속도로 성장할 것으로 내다보고 있으며, 정체됐던 원자력도 수십 년 만에 다시 확대될 것으로 전망합니다. 하지만 이와 같은 성장이 이루어지더라도, 실제로 새로운 청정 전력이 전력망에 연결되기까지는 시간이 걸립니다. 그 사이 AI와 데이터 서비스는 발전·송전 인프라 보강 속도보다 더 빠르게 성장하고 있습니다. 이 불균형이 앞으로 10년간 인프라 설계의 방향을 규정하게 될 것입니다. 스토리지 효율성은 더 이상 부가적인 이점이 아니라 필수 설계 요건입니다. 와트당 더 높은 성능과 랙당 더 큰 용량을 제공하는 시스템은 곧 비즈니스 연속성과 지속가능성을 직접 뒷받침하는 인프라가 됩니다.

마무리

다음 AI 확장의 한계는 컴퓨트가 아니라 전력입니다. 지금 에너지와 공간 효율성을 중심에 두고 인프라를 설계하는 조직일수록 서비스를 더 빠르게 배포하고, 더 낮은 비용으로 운영하며, 더 적은 노력으로 지속가능성 목표를 달성할 수 있습니다. 퓨어스토리지 플랫폼은 높은 성능, 높은 밀도, 높은 효율성을 하나의 플랫폼으로 제공해, 현실적인 제약 속에서도 AI 인프라 확장을 가능하게 합니다. IEA가 경고하듯, 전력의 시대는 이미 도래했습니다. 전력은 유한합니다. 효율성은 곧 용량입니다. 전력망이 “불가”라고 말하기 전에 계획해야 합니다.