Ep. 46, Sustainable and Responsible Operations in the Age of AI
Quick Summary
Ep. 46, Sustainable and Responsible Operations in the Age of AI를 중심으로, AI로 식품 폐기를 줄여도 AI 자체는 전력과 물을 쓴다. 댄 이안쿠는 데이터센터의 부담이 특정 지역사회에 집중될 수 있어, 운영를 핵심 판단 포인트로 압축 정리한다.
영상 보기
클릭 전까지는 가벼운 미리보기만 먼저 불러옵니다.
🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론
Ep. 46, Sustainable and Responsible Operations in the Age of AI를 중심으로, AI로 식품 폐기를 줄여도 AI 자체는 전력과 물을 쓴다. 댄 이안쿠는 데이터센터의 부담이 특정 지역사회에 집중될 수 있어, 운영를 핵심 판단 포인트로 압축 정리한다.
📌 핵심 요점
- AI로 식품 폐기를 줄여도 AI 자체는 전력과 물을 쓴다. 댄 이안쿠는 데이터센터의 부담이 특정 지역사회에 집중될 수 있어, 운영 효율과 지역 영향을 함께 평가해야 한다고 짚었다.
- 식품 재고 보충처럼 목적이 분명한 업무에는 오랫동안 연구해 온 정량 모델도 쓸 수 있다. 에이프레시(Afresh) 사례에서 중요한 질문은 매장에 실제로 필요한 물량과 버리는 물량이 각각 얼마인가였다.
- AI의 기후 효과를 평가하려면 AI를 도입하지 않았을 때의 배출 경로도 따져야 한다. 실제 공정의 자원 효율을 높이는 AI는 한 가지 가능성이지만, 이안쿠는 현재 모델이 복잡한 탈탄소 문제를 풀 수준인지에 대해서는 신중했다.
- 위성 관측은 기업이 원료 산지의 산림 훼손 여부를 살피는 데 쓰인다. 디지털 트윈은 기후 변화에 적응할 작물 후보를 검토하는 사례로 소개됐다. 두 사례 모두 AI가 현장에서 어떤 판단을 돕는지 보여준다.
- 밀리언 첸은 서로 다른 분야의 사람들이 아이디어를 나누는 데서 희망을 봤다. 교육에서는 학생이 AI에 과도하게 의존하지 않고 자기 판단을 설명할 수 있는지가 책임 있는 활용의 과제로 제기됐다.
🧩 배경과 문제 정의
스탠퍼드의 빌 바넷과 지구시스템을 공부하는 밀리언 첸이 경영대학원 교수 댄 이안쿠와 그가 주최한 콘퍼런스를 돌아본다. 첸이 던진 물음은 식품 폐기 같은 문제를 AI로 해결하면서 전력·물 소비나 토지 이용 부담이라는 새 문제를 만들 때 그 비용을 어떻게 판단하느냐는 것이다. 대담은 이 질문을 매장 발주, 원료 조달, 작물 연구, 교실에서 사람이 내리는 결정에 비춰 살핀다.
🕒 시간순 섹션별 상세정리
1. 콘퍼런스에서 학생이 주목한 것
- 바넷과 첸은 AI 시대의 지속 가능하고 책임 있는 운영을 주제로 콘퍼런스를 연 이안쿠를 보여준다. [00:43]
- 첸은 식품 폐기처럼 구체적인 문제를 더 빨리 해결하는 사례를 들으면서도, 기후 변화에 대응할 새로운 발상을 내는 데 사람의 창의성이 중요하다고 느꼈다. [01:55]
2. 학계와 산업계가 함께 본 AI의 양면
- 이안쿠는 문제 해결 능력, 편향, 에너지 소비를 한자리에서 논의하려고 배경이 다른 발표자들을 초대했다. 학계 연구자와 식품 폐기 분야 실무자, 웨이모 관계자가 참여했다. [03:05]
3. 데이터센터가 지역에 남기는 부담
- 바넷은 AI 수요 증가 속도를 재생전력 확대가 따라갈 수 있는지 물었다. 이안쿠는 전력 사용의 총량과 함께 데이터센터가 특정 지역사회에 불균형한 영향을 미친다는 점을 짚었다. [04:18]
- 이안쿠는 업무에 맞춘 소형 모델을 제안했다. 첸은 데이터센터 부지를 주민이나 자연 서식지를 위해 쓸 수 있었을 가능성도 비용에 포함했다. [05:24]
4. 지속 가능성 문제를 풀 때 새로 생기는 비용
- 첸이 AI 사용 자체의 비용을 묻자 이안쿠는 사람과 자연에 미치는 여러 영향을 측정하고, 서로 충돌하는 목표를 비교하는 데 AI가 도움이 될 수 있다고 답했다. [06:31]
- 이안쿠는 설계와 사용 방식에 따라 같은 기술이 사회적 불평등을 키울 수도 있다고 덧붙였다. [07:02]
5. AI가 없었을 때의 배출 경로
- 바넷은 AI 확산 전에도 이산화탄소 배출 증가세가 꺾이지 않았다는 점을 들어, AI를 도입하지 않은 세계를 비교 기준으로 제안했다. [08:16]
- 그는 배출을 여러 요인으로 나누어 보는 카야 항등식을 소개하고, AI가 경제활동의 탄소·에너지 집약도를 바꿀 여지가 있는지 물었다. [08:58]
6. 탈탄소화에 필요한 기술과 현재 모델의 한계
- 이안쿠는 실제 공정에 관여해 자원을 더 효율적으로 쓰게 하는 물리적 AI를 하나의 가능성으로 들었다. [09:50]
- 그는 추상 수학 문제의 진전과 빈곤·탈탄소화 같은 현실 문제의 해결 사이에는 거리가 있으며, 후자에서 획기적인 해법을 내는 모델은 아직 보지 못했다고 말했다. [10:34]
7. 에이프레시가 식품 재고를 다루는 방식
- 첸은 에이프레시의 네이선 페너가 수천 개 품목의 재고 보충과 생산에 필요한 물량 파악을 소개했다고 전했다. 이 사례의 목표는 생산과 소매 단계에서 발생하는 폐기를 줄이는 것이다. [11:17]
- 이안쿠는 필요한 양과 버리는 양을 수치로 파악하는 일을 예로 들며, 수십 년간 연구해 온 정량 모델도 이런 업무에 쓸 수 있다고 설명했다. [13:00]
8. 자연자본을 보는 관점
- 바넷은 그레천 데일리의 자연자본 연구를 들어 자연이 제공하는 생태계 서비스까지 부와 자본의 범위를 넓혀 볼 수 있다고 설명했다. [14:01]
- 이안쿠는 서로 다른 학문이 만나면 정량적으로 다루지 않았던 문제에도 데이터와 알고리즘을 적용할 방법을 찾을 수 있다고 봤다. [15:00]
9. 위성으로 살피는 산림 훼손과 의료 현장의 판단
- 이안쿠는 유럽연합 산림전용방지규정(EUDR)을 예로 들었다. 그의 설명에 따르면 새텔리전스(Satelligence)의 위성 데이터는 코코아·팜유 등을 조달하는 기업이 산지의 산림 훼손 여부와 위험을 살피는 데 쓰인다. [15:59]
- 의료 분야에서는 의사의 판단을 돕고 질병을 조기에 발견하는 연구가 소개됐다. [16:16]
10. 기후 변화에 적응할 작물 연구
- 바넷은 이전 운영·환경 콘퍼런스에서 짧게 다뤘던 AI가 주요 의제가 됐다고 돌아본 뒤, 배출 감축에서 기후 적응으로 화제를 옮겼다. [17:38]
- 바넷은 바이엘 과학자에게 들은 사례를 전했다. 새 환경에 적합한 작물 품종을 검토하는 과정에서 디지털 트윈을 써서 수년 걸리던 일부 작업을 수주로 줄였다는 설명이다. [18:44]
11. 적응 전략을 미리 시험하는 시뮬레이션
- 이안쿠는 복잡한 과정을 디지털 트윈으로 모사하거나 사람의 의사결정을 모델링해 여러 대안을 시험할 가능성을 설명했다. 다만 기후 적응 자체는 이번 콘퍼런스의 중심 주제가 아니었다고 말했다. [20:18]
12. 다음 세대가 본 창의성과 협업
- 첸은 보건·지속 가능성·교육 문제를 다루는 사람들이 아이디어를 주고받는 모습에서 희망을 느꼈다고 말했다. 윤리와 지속 가능성을 지키며 사람을 중심에 두는 것이 그가 바라는 방향이다. [21:46]
- 그는 생성형·분석형 AI의 사용이 사고방식과 새로운 아이디어를 내는 능력에 어떤 영향을 주는지도 살펴야 한다고 덧붙였다. [22:15]
13. 교실에서 확인하는 판단과 책임
- 바넷은 수업에서 기기 사용을 줄이자 학생들이 서로 더 많이 이야기하게 됐다고 전했다. 이안쿠는 AI가 학습을 도울 수 있지만 과도한 의존은 책임감을 약화시킬 수 있다고 봤다. [23:20]
- 이안쿠는 학생이 스스로 생각한 과정을 확인하는 방식으로 지필·구술·판서 시험을 언급했다. [23:48]
14. 책임 있는 활용을 당부하며 마무리
- 이안쿠는 AI의 가능성에 관심을 갖는 만큼 책임 있고 지속 가능한 사용에도 관심을 가져 달라고 당부했다. [24:28]
- 바넷이 출연진과 인사를 나눈 뒤, 스탠퍼드 경영대학원과 도어 지속가능성대학원의 후원 및 음악 크레디트가 계속된다. [25:03]
🧾 결론
- 지속 가능성의 판단 기준은 모델을 도입한 뒤 현장에서 무엇이 달라졌는지다. 식품 폐기 감소량과 모델 운영에 든 자원을 같은 업무 범위에서 살펴야 순편익을 논할 수 있다.
- AI의 성과는 문제의 규모에 따라 구분해서 읽어야 한다. 매장의 발주 결정을 개선한 사례만으로 경제 전체의 탄소 배출 경로까지 바뀐다고 결론 내리기는 어렵다.
- 책임 있는 운영에는 누가 혜택을 얻고 누가 비용을 부담하는지 묻는 과정이 포함된다. 목표를 정하고 결과를 해석하고 결정에 책임지는 일에는 사람의 판단이 필요하다.
📈 투자·시사 포인트
- 유통 AI를 평가할 때는 처리 품목 수와 함께 도입 전후의 폐기량, 필요 물량 추정의 변화, 재고 보충에 걸리는 시간을 확인할 수 있다. 에이프레시 사례에서 사업 가치를 가늠할 지표들이다.
- AI 인프라 투자에서는 전력 공급과 물 사용량, 부지의 다른 용도, 인근 주민에게 돌아가는 부담이 사업성 검토의 변수다. 같은 업무를 소형 모델로 수행할 수 있는지도 비용 판단에 영향을 준다.
- 산림 훼손 규제는 위성 데이터의 구체적인 쓰임을 보여준다. 관련 서비스를 평가할 때는 구매 기업이 복잡한 공급망에서 원산지 상태를 확인하고 조달 결정을 내리는 데 어떤 도움을 받는지 살펴볼 수 있다.
⚠️ 불확실하거나 확인이 필요한 부분
- 대담에는 에이프레시 도입 전후의 식품 폐기 감축률이나 모델의 전력·물 사용량이 제시되지 않는다. 두 효과를 합친 환경 순편익은 확인하기 어렵다.
- 작물 연구에서 수년 걸리던 일을 수주로 줄였다는 설명은 빌 바넷이 바이엘 과학자에게 들은 사례다. 단축된 연구 단계의 범위와 개발비 산정 방식은 구체적으로 제시되지 않았다.
- AI가 탈탄소화를 앞당길 수 있다는 논의는 가능성에 관한 것이다. 대담에서는 AI 도입 여부에 따른 실제 배출 경로를 비교한 결과를 제시하지 않았다.
- 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
- 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
- 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.
✅ 액션 아이템
- 식품 재고 업무를 검토한다면 도입 전 폐기량과 재고 보충 시간을 기록하고, 도입 후 같은 품목과 업무 범위에서 비교한다.
- 하나의 업무에 소형 특화 모델과 대형 모델을 적용할 때 필요한 정확도, 전력과 물 사용량을 나란히 검토한다.
- 데이터센터 입지 검토에 인근 주민의 자원 이용과 기존 토지·서식지 용도를 포함한다.
- 교육에 AI를 사용할 때 학생이 직접 판단한 부분을 구두나 판서로 설명할 기회를 마련한다.
❓ 열린 질문
- 어떤 업무에서 AI가 절감한 자원이 모델 운영에 추가로 든 자원을 넘어서는가?
- AI를 도입하지 않았을 때도 일어났을 효율 개선과 AI 덕분에 생긴 개선을 어떻게 구분할 수 있을까?
- 디지털 트윈에서 유망했던 기후 적응 방안이 실제 작물과 현장 조건에서도 효과가 있는지 어떻게 확인할 수 있을까?