AI 데이터센터 경쟁, 전력 넘어 물과 현장 인력 병목으로 확대

AI 인프라 경쟁의 쟁점이 GPU 확보와 전기요금에서 물 사용, 냉각 방식, 숙련 기술직 인력으로 넓어지고 있다. 구글, 아마존, 마이크로소프트 등 주요 클라우드 기업은 최근 데이터센터의 물 사용과 재활용수, 보충 프로젝트, 새 냉각 기술을 설명하는 데 더 많은 비중을 두고 있다. AI 서비스를 더 많이 쓰는 기업일수록 대규모 컴퓨팅 시설이 필요하지만, 그 시설이 지역 전력망과 수자원, 건설 인력 시장에 어떤 부담을 주는지가 사업 리스크로 올라온 것이다.

Axios는 6월 25일 AI 데이터센터 논쟁에서 물이 전력만큼 중요한 쟁점으로 부상하고 있다고 보도했다. 갤럽이 5월 공개한 조사에서는 미국 성인의 약 70%가 자신이 사는 지역에 AI 데이터센터가 들어서는 데 반대한다고 답했다. 반대 이유 중에는 물과 에너지 사용이 각각 18%로 비슷하게 제기됐다. 데이터센터가 미국 전체 물 사용에서 차지하는 비중은 농업이나 발전 같은 대형 산업보다 작지만, 특정 지역에서는 물 사정과 전기요금, 주민 수용성에 국지적 영향을 줄 수 있다는 점이 핵심이다.

기술적으로도 선택은 단순하지 않다. 물을 쓰는 냉각 방식은 공기를 이용하는 방식보다 전기를 덜 쓸 수 있지만, 지역 주민 입장에서는 물 소비가 눈에 보이는 부담으로 받아들여질 수 있다. 반대로 물 사용을 줄이는 설비는 전력 사용량이나 설비 비용을 키울 수 있다. AI 기업이 모델 성능만 설명하던 시기에서, 이제는 데이터센터가 어떤 전기로 돌아가고 어떤 냉각 방식을 쓰며 지역 비용을 어떻게 관리하는지 설명해야 하는 단계로 이동하고 있다.

인력 병목도 커지고 있다. Tom’s Hardware는 6월 24일 AI 데이터센터 건설에 전기기사, 고전압 기술자, 광섬유 설치 인력, HVAC 기술자, 제어 엔지니어, 시운전 팀 같은 전문 인력이 필요하다고 보도했다. 이 직무들은 단기간 채용으로 빠르게 늘리기 어렵다. 미국 노동통계국의 2024~2034년 전망에서도 전기기사는 9%, HVAC 기술자는 8% 고용 증가가 예상된다. 이는 AI 수요만 따로 계산한 수치는 아니지만, 전력·냉각·건물 자동화 인력이 이미 여러 산업에서 부족해지고 있음을 보여준다.

메타가 1억1500만 달러 규모의 숙련 기술직 훈련 프로그램을 시작한 것도 같은 흐름이다. 이 프로그램은 루이지애나, 오하이오, 인디애나, 텍사스의 데이터센터 프로젝트와 연결해 전기, 배관, 용접, 광섬유 등 분야의 교육과 취업 연결을 제공한다. 빅테크가 AI 연구자만 채용하는 것이 아니라, 데이터센터를 실제로 짓고 운영할 현장 인력 파이프라인까지 직접 만들기 시작한 셈이다.

보스턴권 독자에게 이 변화는 두 갈래로 읽힌다. 보스턴이 북버지니아나 텍사스처럼 초대형 데이터센터 집적지는 아니더라도, 지역의 AI, 바이오, 로보틱스, 헬스케어, 금융 기술 기업은 클라우드 비용과 컴퓨팅 접근성에 민감하다. 데이터센터 인허가, 전력 계약, 냉각 비용이 올라가면 스타트업의 모델 학습 비용, 바이오 데이터 분석 비용, 기업용 AI 서비스 가격에도 간접적으로 반영될 수 있다.

커리어 관점에서는 AI 직무의 범위가 넓어지고 있다는 신호다. 머신러닝 모델을 직접 만드는 연구직뿐 아니라 클라우드 인프라, 네트워크 안정성, 데이터센터 운영, 전력 시스템, 열관리, 보안, 설비 자동화, 비용 최적화 역할이 함께 중요해지고 있다. 전기·기계·컴퓨터공학을 공부하는 유학생이라면 AI를 소프트웨어 직무로만 좁게 볼 필요는 없다. 다만 현장 기술직과 전문직 비자 스폰서십은 직무 성격과 고용주에 따라 차이가 크기 때문에, OPT, STEM OPT, H-1B를 고려하는 경우 채용 공고에서 직무 요건과 스폰서십 가능성을 일찍 분리해 확인하는 편이 현실적이다.

현직자와 이직 준비자에게는 실무 언어가 달라지고 있다는 점이 중요하다. 단순히 생성형 AI 도구를 써봤다는 경험보다, AI 서비스를 실제 운영 환경에 올렸을 때 비용, 지연시간, 보안, 전력 사용, 장애 대응을 어떻게 관리했는지가 더 구체적인 경쟁력이 될 수 있다. 보스턴의 바이오·헬스케어·금융·대학 연구 환경에서는 데이터 보안, 규제, 재현성, 비용 통제가 함께 요구되기 때문에 모델 활용과 운영 관리를 연결해 설명할 수 있는 인력이 주목받을 가능성이 있다.

창업 관심자에게도 데이터센터 논쟁은 남의 일이 아니다. AI 제품의 단가는 API 비용과 클라우드 요금에 묶여 있고, 투자자는 매출 성장뿐 아니라 컴퓨트 비용 구조를 더 자주 묻고 있다. 초기 스타트업은 큰 모델을 많이 쓰는 전략만이 아니라, 작은 모델 활용, 캐싱, 추론 비용 절감, 데이터 처리 자동화, 온프레미스와 클라우드의 조합 같은 선택지를 사업계획 안에서 설명할 필요가 커졌다.

지금 당장 모든 AI 채용이 전력·냉각 분야로 이동한다는 뜻은 아니다. 다만 AI 경쟁의 병목이 GPU 확보에서 전력망, 물, 숙련 인력, 지역 수용성으로 넓어지고 있다는 점은 분명해지고 있다. 보스턴의 구직자와 현직자는 AI를 사람을 대체하는 도구로만 볼 것이 아니라, 새로운 인프라를 설계하고 운영하고 비용을 관리하는 업무가 함께 늘어나는 변화로 볼 필요가 있다. 앞으로는 주요 클라우드 기업의 환경보고서, 주정부의 데이터센터 규제, 전력요금 변화, 빅테크의 기술직 훈련 투자가 AI 산업의 속도를 판단하는 핵심 지표가 될 것이다.