AI 인프라 병목, 반도체와 전력 넘어 인력으로 확산

AI 경쟁의 병목이 반도체와 전력에서 숙련 인력으로도 넓어지고 있다. 대형 언어모델과 AI 서비스가 실제로 돌아가려면 GPU 서버뿐 아니라 데이터센터 건설, 전력 연결, 냉각 설비, 광통신, 보안 운영을 담당할 사람이 필요하다. 보스턴권 한인 유학생과 직장인에게 이는 AI 커리어를 모델 개발이나 앱 개발로만 좁혀 보기보다, 클라우드 인프라와 물리적 운영까지 함께 봐야 한다는 신호다.

파이낸셜타임스는 6월 21일 빅테크의 AI 인프라 확장 과정에서 노동력이 새로운 병목으로 떠오르고 있다고 분석했다. 보도에 따르면 빅테크 기업들이 AI 인프라에 투입하려는 자금은 약 7,250억 달러 규모로 거론된다. 문제는 돈과 장비만으로 데이터센터가 세워지지 않는다는 점이다. 전기기술자, 용접공, 배관공, 광섬유 기술자, 데이터센터 운영 인력 같은 숙련직 수요가 함께 늘고 있다.

메타는 이달 초 ‘America’s Workforce Academy’라는 1억1,500만 달러 규모의 무료 훈련 프로그램을 발표했다. 이 프로그램은 루이지애나, 오하이오, 인디애나, 텍사스 등 메타 데이터센터 프로젝트가 있는 지역에서 전기, 배관, 용접, 광섬유 등 데이터센터 건설 관련 직무를 훈련하는 데 초점을 맞춘다. AI 투자 경쟁이 소프트웨어 엔지니어 채용만으로 설명되지 않는다는 점을 보여주는 사례다.

제조 분야에서도 비슷한 흐름이 보인다. AP통신에 따르면 엔비디아와 광학 기술 기업 코히런트는 텍사스 셔먼 공장 확장과 관련해 20억 달러 규모의 AI 인프라 파트너십을 추진하고 있다. 이 공장은 AI 칩 사이에서 데이터를 빠르게 주고받게 하는 인듐인화물 기반 레이저 소재를 생산한다. 코히런트는 건설 인력을 포함해 약 1,000개 일자리가 생기고, 이 가운데 약 550개가 고급 제조, 엔지니어링, 기술직이 될 것으로 추산했다.

공식 고용 전망도 이 방향과 맞닿아 있다. 미국 노동통계국은 전기기술자 고용이 2024년부터 2034년까지 9% 증가할 것으로 전망한다. 같은 기간 매년 평균 약 8만1,000개의 일자리가 신규 수요 또는 교체 수요로 열릴 것으로 본다. 노동통계국의 빠르게 성장하는 직업 목록에서도 풍력 터빈 기술자와 태양광 설치 기술자는 각각 50%, 42% 성장률로 상위권에 올라 있다. AI 데이터센터가 전력과 냉각을 많이 쓰는 산업이라는 점을 고려하면, 에너지·전기·시설 관리 역량은 더 이상 테크 산업의 주변 업무로만 보기 어렵다.

보스턴 지역 독자에게 중요한 부분은 직접적인 데이터센터 건설지가 어디냐보다 산업 연결성이다. 대형 데이터센터 투자는 텍사스, 오하이오, 버지니아 같은 지역에서 더 크게 나타날 수 있다. 그러나 보스턴권의 AI 연구, 바이오테크, 로보틱스, 클라우드 기반 헬스케어 기업들도 AI 모델을 직접 만들거나 외부 모델을 쓰면서 클라우드 비용, 데이터 보안, 처리 속도, 규제 대응을 함께 관리해야 한다. 이 과정에서 AI 플랫폼 엔지니어, MLOps 담당자, 클라우드 비용 최적화 인력, 네트워크 엔지니어, 보안·컴플라이언스 담당자, 하드웨어와 소프트웨어를 함께 이해하는 시스템 엔지니어의 역할이 더 중요해질 수 있다.

유학생과 졸업 예정자는 ‘AI를 배운다’는 표현을 조금 더 구체화할 필요가 있다. 연구직을 목표로 한다면 머신러닝 이론과 모델 평가 역량이 중요하다. 반면 기업 채용 현장에서는 Kubernetes, 분산시스템, GPU 클러스터 운영, 데이터 파이프라인, MLOps, 네트워크, 클라우드 비용 관리 같은 실무 역량이 함께 요구될 수 있다. 전기·컴퓨터공학 전공자는 전력전자, 반도체 패키징, 광통신, 임베디드 시스템이 AI 인프라와 만나는 지점을 살펴볼 만하다.

비자 이슈가 있는 독자에게는 직무명보다 회사의 실제 채용 정책과 스폰서십 이력이 중요하다. OPT나 H-1B를 고려하는 경우 채용 공고의 sponsorship 문구, 회사의 과거 고용 기록, 근무지와 직무 요건을 일찍 확인하는 편이 현실적이다. 다만 비자 가능성은 회사 정책, 직무, 개인 이력, 시점에 따라 달라지므로 일반적인 시장 흐름만으로 개인별 결론을 내리기는 어렵다.

현직자에게는 AI를 비용과 운영의 언어로 설명하는 능력이 더 중요해지고 있다. 기업이 AI 기능을 도입할 때 단순히 모델을 붙이는 것보다, 얼마의 컴퓨팅 비용으로 어떤 업무 효과를 냈는지, 지연시간과 장애 대응은 어떻게 관리하는지, 민감한 데이터는 어디서 처리되는지를 따지게 된다. 개발자는 모델 호출 비용, 보안, 성능, 장애 대응을 이해해야 하고, 제품·운영·재무 담당자는 AI 기능이 실제 매출, 고객 유지, 업무시간 절감으로 이어지는지 검증해야 한다.

창업 관심자에게도 같은 질문이 적용된다. AI 스타트업은 모델 성능만으로 차별화하기 어려운 환경에 들어서고 있다. 클라우드 비용을 감당할 수 있는지, 데이터센터나 GPU 공급망 의존도가 사업 구조에 어떤 부담을 주는지, 고객이 실제로 비용을 지불할 만한 업무 문제를 해결하는지 따져봐야 한다. 투자자 역시 AI 데모의 완성도뿐 아니라 비용 구조와 운영 안정성을 더 세밀하게 볼 가능성이 있다.

다만 이 흐름을 모든 직군의 기회로 단순화하기는 어렵다. 데이터센터 건설 일자리는 프로젝트가 끝난 뒤 상시 고용 규모가 줄어들 수 있고, 지역 전력망 부담이나 주민 반발도 변수다. 빅테크의 AI 투자가 늘어나는 동안 일부 사무직과 중복 조직은 계속 재편될 수 있다. 따라서 ‘AI가 일자리를 없앤다’ 또는 ‘AI가 일자리를 만든다’ 중 하나로 결론 내리기보다, 어떤 역할이 줄고 어떤 역할이 새로 연결되는지 보는 편이 더 정확하다.

지금 확인할 만한 키워드는 비교적 분명하다. AI infrastructure, data center operations, power systems, optical networking, GPU cluster, cloud cost optimization, MLOps, cybersecurity, facilities automation 같은 표현이 채용 공고에 어떻게 들어가는지 살펴볼 필요가 있다. 보스턴권 유학생과 직장인에게 AI 커리어의 다음 단계는 챗봇 활용 능력에 그치지 않는다. AI가 실제 기업 시스템과 물리적 인프라 위에서 안정적으로 돌아가게 만드는 역량까지 커리어 선택지 안에 들어오고 있다.