Can We Test Jevons Paradox in AI Inference? A Longitudinal Audit of Token Prices, Demand, and Energy (2022–2026)
이 논문은 현재의 공공 데이터가 AI 추론 효율성이 제본스의 역설(Jevons Paradox)을 유발하고 있는지 여부를 검증하는 데 필요한 세밀함과 인과적 식별력을 결여하고 있음을 입증하기 위해 종단적 데이터셋과 새로운 분석 프레임워크를 구축하며, 관찰된 가격 안정성과 검증되지 않은 물량 증가로 인해 효율성이 궁극적으로 총 에너지 수요를 제한할지 혹은 증가시킬지에 대한 확정적인 결론을 내리는 것이 불가능함을 보여준다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
기계를 더 똑똑하고 저렴하게 만드는 것이 오히려 그 기계의 사용량을 급증시켜 결과적으로 총 에너지 소비를 치솟게 만드는 세상이 있다고 상상해 보십시오. 이것은 1세기 넘게 경제학자들을 괴롭혀 온 문제인 '제번스의 역설(Jevons paradox)'의 핵심입니다. 이 역설은 우리가 자원을 사용하는 효율성을 높일 때 반드시 자원을 절약하게 되는 것이 아니라, 오히려 낮아진 비용이 우리로 하여금 자원을 매우 공격적으로 사용하도록 유도하여 총 소비량을 증가시킨다는 것을 시사합니다. 오늘날 이 질문은 탄광을 넘어 디지털 영역, 즉 인공지능(AI)을 중심으로 옮겨왔습니다. AI 모델이 더 빠르고 저렴하게 운영됨에 따라, 이러한 효율성이 산업의 막대한 에너지 식욕을 제한할 것인지, 아니면 반대로 전력을 생성하는 능력을 앞지르는 수요의 폭발을 부채질할 것인지에 대해 치열한 논쟁이 벌어지고 있습니다. 이를 해결하기 위해서는 세 가지 요소, 즉 AI 사용 가격, 사용량, 그리고 그것을 만드는 데 필요한 실제 에너지가 동시에 일어나는 현상을 확인해야 합니다.
유겐 스피박(Eugen Spivak)이라는 연구자는 2022년부터 2026년까지 이 퍼즐의 세 조각을 찾기 위해 나섰습니다. 그의 목표는 AI 텍스트의 가격, 생성된 텍스트의 양, 그리고 그것을 만드는 데 필요한 에너지를 동일한 서비스와 동일한 기간에 대해 추적하는 하나의 통합된 기록을 구축하는 것이었습니다. 스피박은 11개의 주요 AI 개발사의 가격 페이지 아카이브 버전, 텍스트 단위(토큰)가 얼마나 처리되었는지에 대한 성명, 그리고 발표된 에너지 사용 수치를 포함한 공개 자료를 수집하는 데 수년을 보냈습니다. 그 결과 천 개 이상의 가격 지점, 수십 개의 사용량 성명, 백 개 이상의 에너지 수치를 포함하는 방대한 장부가 만들어졌습니다. 그러나 이 작업의 가장 중요한 발견은 역설을 확인한 것이 아니라, 데이터 자체에 대한 폭로였습니다. 즉, 공적인 기록에는 이 질문에 답하는 데 필요한 정보가 들어있지 않다는 것입니다.
조사 결과, 많은 숫자가 존재하지만 이들이 공정한 비교를 가능하게 할 만큼 서로 맞물려 있지는 않다는 점이 드러났습니다. 예를 들어, 연구자들이 시간이 흐름에 따라 특정 AI 모델의 가격을 조사했을 때, 단일 모델의 가격은 거의 변하지 않았습니다. 동일한 모델을 서로 다른 시점에 확인한 약 700건의 사례 중 대부분에서 가격은 정확히 동일하게 유지되었습니다. 뉴스에서 흔히 인용되는 극적인 가격 하락은 개발사가 기존 도구의 비용을 낮추었기 때문이 아니라, 기존 모델은 비싼 상태로 둔 채 더 저렴한 새로운 모델들을 시장에 출시했기 때문에 발생한 것이었습니다. 이 차이는 매우 중요한데, 이는 AI의 '가격'이 단순히 효율성 개선 때문이 아니라 제품의 변화 때문에 변하고 있음을 의미하기 때문입니다.
연구자가 이 가격을 실제 AI 사용량과 연결하려 했을 때, 데이터는 더욱 파편화되었습니다. 가장 큰 두 제공업체인 구글과 오픈AI의 경우, 플랫폼에서 생성되는 텍스트의 양이 2025년에서 2026년 사이에 매년 4~5배 이상 급증했다는 명확한 성명들이 있었습니다. 동시에, 그들의 표준 모델에 대한 가격은 떨어지지 않았으며, 사실 많은 카테고리에서 오히려 상승했습니다. 이는 사용량은 폭발적으로 늘어나는데 단위당 비용은 떨어지지 않는 혼란스러운 그림을 만들어냅니다. 그러나 결정적인 간극이 남아 있습니다. 사용량 성명들은 그들이 생성하는 텍스트가 정확히 어떤 종류인지를 명시하지 않습니다. 입력 텍스트인지, 출력 텍스트인지, 혹은 캐시된 데이터인지를 밝히지 않고 있습니다. 반면 가격표는 특정 유형의 출력만을 다룹니다. 사용량 수치와 가격 수치가 정확히 같은 것을 말하고 있는지 알 수 없다면, 사용량의 증가가 가격 하락에 대한 직접적인 반응이었는지 판단하는 것은 불가능합니다.
전체 그림을 완성하는 데 있어 가장 큰 결함은 에너지 데이터입니다. AI가 얼마나 많은 에너지를 사용하는지에 대한 많은 주장이 있지만, 대부분은 측정의 경계를 명시하지 않습니다. 어떤 수치는 컴퓨터 칩만을 계산하고, 어떤 수치는 건물 전체, 냉각 시스템, 그리고 서버가 유휴 상태일 때도 가동되는 데 드는 전력까지 포함합니다. 이러한 측정값들은 서로 다른 규모에서 이루어지기 때문에, 서로 신뢰할 수 있게 비교할 수 없으며, 가격 및 사용량 데이터와 매칭하는 것 또한 불가능합니다. 연구에 따르면 검토된 에너지 수치의 절반 이상에서 정확히 무엇을 측정하고 있는지 알 수 없었습니다. 단위 작업당 에너지에 대한 명확하고 일관된 측정이 없고, 가격과 사용량 사이의 명확한 연결 고리가 없다면, 효율성이 더 높은 소비를 유도하고 있는지는 보여줄 수 없습니다.
결국, 이 엄격한 감사는 우리가 아직 AI가 제번스의 역설을 겪고 있는지 말할 수 없다는 결론을 내립니다. 공적인 기록은 효율성 개선이 총 에너지 사용을 유발하고 있다는 것을 증명하기에도, 혹은 효율성이 결국 그 사용을 제한할 것이라는 것을 증명하기에도 너무나 부실합니다. 데이터는 AI 사용량이 빠르게 성장하고 있음을 보여주지만, 이 성장이 낮은 가격이나 더 나은 효율성 때문이라는 것은 보여주지 않습니다. 연구자는 이 미스터리를 풀기 위해서 이 시스템을 만드는 기업들이 더 명확한 데이터를 공개하기 시작해야 한다고 주장합니다. 그들은 가격이 언제 적용되는지, 사용량 수치가 무엇을 측정하는지, 그리고 에너지 측정의 경계가 어디인지를 정확히 명시해야 합니다. 이러한 세부 사항이 제공되지 않는 한, AI의 에너지 미래에 대한 논쟁은 사실이 아닌 이론의 영역으로 남을 것이며, 우리는 이 기계가 지속 가능한 도구가 될 것인지 아니면 탐욕스러운 에너지 소비자로서 남을 것인지 알 수 없게 될 것입니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.