나는 오늘 아침 해외 테크 뉴스를 훑어보다가 메타(Meta)가 이번 주에 무려 1GW(기가와트) 규모의 태양광 에너지를 구매했다는 소식을 접했다. 처음 숫자를 봤을 때는 단순히 ‘환경 보호를 위한 기업의 사회적 책임(CSR) 활동이겠거니’ 하고 가볍게 넘기려 했다. 하지만 1GW라는 규모가 주는 압도적인 무게감, 그리고 최근 AI 산업의 흐름을 떠올리니 이것이 단순한 이미지 메이킹이 아니라는 확신이 들었다.

AI라는 괴물이 먹어치우는 전력의 양

최근 생성형 AI 열풍을 지켜보며 내가 가장 놀랐던 점은 모델의 성능 향상보다 그 뒤에 숨겨진 전력 소모량이었다. LLM(대규모 언어 모델)을 학습시키고, 수백만 명의 사용자가 실시간으로 챗봇과 대화하며 추론을 수행하는 과정에서 GPU 서버는 엄청난 양의 전기를 집어삼킨다. 엔비디아의 H100 같은 고성능 칩들이 빽빽하게 들어찬 데이터 센터는 이제 거대한 전력 소비처가 되었다.

메타 역시 예외는 아니다. 라마(Llama) 시리즈를 고도화하고 전 세계적인 인프라를 확장하려면 안정적인 전력 공급원이 필수적이다. 기존의 전력망에만 의존해서는 급증하는 수요를 감당하기 어려울뿐더러, 전력 단가의 변동성이라는 리스크까지 떠안아야 한다. 결국 1GW라는 거대한 태양광 용량을 확보한 것은 AI 시대를 대비한 일종의 ‘에너지 보험’을 든 셈이다.

왜 하필 태양광이었을까

사실 에너지를 확보하는 방법은 여러 가지가 있다. 원자력이나 천연가스 같은 선택지도 있었을 것이다. 하지만 메타가 태양광에 집중한 이유는 단순히 친환경적이기 때문만은 아닐 것이다. 태양광 발전은 설치 속도가 상대적으로 빠르고, 대규모 부지만 확보된다면 확장성이 매우 뛰어나다. 특히 데이터 센터가 위치한 지역의 유휴 부지를 활용해 직접 발전소를 짓거나 PPA(전력 구매 계약)를 맺는 방식은 장기적으로 비용을 예측 가능하게 만든다.

또한, 글로벌 빅테크 기업들이 직면한 ‘넷 제로(Net Zero)’ 압박을 무시할 수 없다. 투자자들과 규제 당국은 이제 기업이 얼마나 돈을 버느냐뿐만 아니라, 그 과정에서 탄소를 얼마나 배출하는지를 엄격하게 따진다. AI를 돌리기 위해 석탄 발전소의 전기를 쓴다는 것은 브랜드 이미지에 치명적일 수 있다. 재생 에너지 확보는 이제 선택이 아니라 생존을 위한 필수 전략이 된 것이다.

에너지 독립이 곧 경쟁력이 되는 시대

나는 이번 메타의 행보를 보며 ‘컴퓨팅 파워의 정의’가 바뀌고 있다는 생각을 했다. 과거에는 얼마나 좋은 알고리즘을 가졌느냐, 혹은 얼마나 많은 GPU를 확보했느냐가 경쟁력이었다. 하지만 이제는 그 GPU를 24시간 내내 돌릴 수 있는 ‘깨끗하고 저렴한 전기’를 누가 더 많이 가졌느냐가 승패를 가르는 핵심 요소가 되고 있다.

구글, 마이크로소프트, 아마존 같은 경쟁사들 역시 이미 수 GW 단위의 재생 에너지 계약을 체결하며 영토 전쟁을 벌이고 있다. 이제 빅테크 기업들은 단순한 소프트웨어 회사가 아니라, 에너지 인프라를 직접 설계하고 관리하는 에너지 기업의 성격까지 띠게 되었다. 전력망의 불안정함이 AI 서비스의 중단으로 이어질 수 있는 상황에서, 자체적인 에너지 공급망을 구축하는 것은 가장 강력한 해자(Moat)가 될 것이다.

지속 가능한 AI를 향한 질문

물론 1GW의 태양광 발전이 모든 문제를 해결해주지는 않을 것이다. 태양광은 낮에만 발전이 가능하다는 치명적인 간헐성이 있다. 이를 해결하기 위해 메타는 아마 거대한 ESS(에너지 저장 시스템)나 다른 보조 전력원을 함께 고민하고 있을 것이다. 결국 AI의 진화 속도가 전력 생산 기술의 진화 속도를 앞지르는 순간, 우리는 다시 한번 거대한 병목 현상에 직면하게 될지도 모른다.

이번 사건을 통해 내가 배운 점은, 눈에 보이는 화려한 AI 인터페이스 뒤에는 이토록 거대하고 물리적인 에너지의 흐름이 존재한다는 사실이다. 우리는 챗GPT나 라마와 대화하며 가벼운 디지털 경험을 하지만, 그 이면에서는 수천 킬로미터의 송전선과 수만 개의 태양광 패널이 쉼 없이 작동하고 있다.

과연 미래의 AI 기업들은 전력난을 해결하기 위해 어디까지 나아갈까? 어쩌면 정말로 소형 모듈 원전(SMR)을 데이터 센터 옆에 직접 세우는 날이 생각보다 빨리 올지도 모르겠다. 여러분은 AI의 발전이 가져올 이 거대한 에너지 갈증을 기술이 해결할 수 있을 것이라고 믿는가, 아니면 우리가 AI의 규모를 조절해야 하는 시점이 올 것이라고 생각하는가?

나는 최근 실리콘밸리의 투자 동향을 살피다가 Converge Bio라는 이름의 스타트업이 2,500만 달러의 자금을 조달했다는 소식을 접했다. 단순히 금액이 크다는 점보다 내 눈길을 끈 것은 투자자들의 면면이었다. 베세머 벤처 파트너스(Bessemer Venture Partners) 같은 전통의 강자는 물론, 메타(Meta), 오픈AI(OpenAI), 그리고 위즈(Wiz)의 핵심 임원들이 개인적으로 참여했다는 점이 매우 흥미롭게 다가왔다.

평소 AI 모델의 파라미터 수나 벤치마크 점수에만 매몰되어 있던 나에게, 이 소식은 AI가 이제 소프트웨어의 영역을 넘어 생명공학이라는 가장 복잡한 물리적 실체로 깊숙이 파고들고 있다는 강한 신호로 느껴졌다. 과연 이들이 어떤 비전을 가지고 이토록 화려한 백커(Backer)들을 모았는지, 그리고 이것이 우리 삶에 어떤 변화를 가져올지 깊이 고민해 보게 되었다.

빅테크 리더들이 바이오에 베팅하는 이유

메타와 오픈AI, 그리고 클라우드 보안의 신성 위즈의 임원들이 한곳에 모였다는 것은 시사하는 바가 크다. 이들은 공통적으로 ‘데이터의 패턴’을 읽어내고 이를 통해 예측 불가능한 시스템을 제어하는 법을 가장 잘 아는 사람들이다. LLM이 언어의 패턴을 학습해 인간처럼 말하듯, 생명공학의 핵심인 단백질 구조나 유전자 서열 역시 일종의 ‘생물학적 언어’라고 볼 수 있기 때문이다.

그동안 바이오 산업은 이른바 ‘시행착오의 예술’이었다. 수만 번의 실험을 통해 단 하나의 유효한 후보 물질을 찾아내는 방식이었고, 이 과정에서 천문학적인 비용과 시간이 소모되었다. 하지만 Converge Bio가 지향하는 방향은 이 과정을 디지털 트윈이나 예측 모델로 전환하는 것이다. AI가 먼저 수억 가지의 조합을 시뮬레이션하고, 가장 가능성 높은 경로만을 실험실로 보내는 방식이다.

결국 이들이 투자한 것은 단순한 신약 개발 회사가 아니라, ‘생물학을 프로그래밍 가능한 영역으로 바꾸려는 시도’ 그 자체라고 생각한다. 코드를 수정해 버그를 잡듯, 유전적 결함을 수정하거나 단백질의 기능을 최적화하는 시대가 머지않았음을 직감한 것이 아닐까.

2,500만 달러, 그 자본이 향할 곳

시드 단계 혹은 초기 단계에서 2,500만 달러라는 자금은 매우 공격적인 규모다. 일반적인 소프트웨어 서비스(SaaS)라면 서버 비용과 마케팅비에 집중했겠지만, 바이오 AI 기업의 지출 구조는 완전히 다르다. 우선 고성능 컴퓨팅(HPC) 자원이 필수적이다. 수조 개의 파라미터를 가진 모델을 돌려 분자 구조를 예측하려면 엄청난 양의 GPU 자원이 필요하기 때문이다.

또한, AI 모델의 성능을 검증할 ‘젖은 실험실(Wet Lab)’ 구축 비용이 상당할 것이다. 아무리 AI가 완벽한 설계도를 그려줘도, 실제로 세포 수준에서 반응이 일어나는지 확인하는 물리적 검증 과정이 없다면 그것은 환상에 불과하다. Converge Bio는 아마도 컴퓨팅 파워(Dry Lab)와 실제 실험(Wet Lab)의 피드백 루프를 극단적으로 빠르게 만드는 데 이 자금을 투입할 것으로 보인다.

데이터 확보 전략 역시 중요할 것이다. 공개된 데이터셋만으로는 한계가 명확하기에, 독자적인 고품질 데이터를 생성하는 자동화 파이프라인을 구축하는 데 집중할 가능성이 높다. 데이터가 모델을 만들고, 모델이 다시 더 좋은 데이터를 생성하는 선순환 구조를 만드는 것이 이들의 핵심 경쟁력이 될 것이다.

융합의 시대, 우리가 마주할 변화

나는 이번 사례를 보며 ‘전문성의 경계’가 완전히 허물어지고 있다는 생각을 했다. 과거에는 생물학 박사와 컴퓨터 공학자가 서로 다른 언어를 쓰는 외계인처럼 느껴졌다면, 이제는 AI라는 공용어가 그 간극을 메우고 있다. 이제 바이오 기업의 핵심 인재는 파이펫을 잘 다루는 사람뿐만 아니라, PyTorch나 TensorFlow를 능숙하게 다루며 생물학적 도메인 지식을 모델에 녹여낼 수 있는 ‘하이브리드 인재’가 될 것이다.

이런 흐름이 가속화되면 우리는 개인 맞춤형 의료의 진정한 시대를 맞이하게 될지도 모른다. 지금의 약들이 ‘평균적인 환자’를 대상으로 설계되었다면, Converge Bio 같은 기업들이 성공시킨 미래에는 내 유전자 서열과 단백질 구조에 최적화된 ‘나만을 위한 약’이 AI에 의해 설계되고 며칠 만에 합성되어 배달되는 풍경이 펼쳐질 수 있다.

물론 윤리적 문제와 규제의 벽은 여전히 높다. 하지만 기술의 발전 속도는 언제나 규제의 속도보다 빨랐다. 오픈AI가 챗GPT로 세상의 일하는 방식을 바꿨듯, 바이오 AI 기업들은 우리가 병을 정의하고 치료하는 방식 자체를 재정의하게 될 것이다.

생각의 확장: 다음은 무엇일까

Converge Bio의 이번 펀딩 소식은 단순한 기업의 성장이 아니라, AI의 전선이 어디로 확장되고 있는지를 보여주는 이정표 같다. 이제 AI는 화면 속의 텍스트와 이미지를 넘어, 우리 몸을 구성하는 가장 작은 단위인 분자와 원자의 영역으로 내려가고 있다.

나는 문득 궁금해졌다. 만약 AI가 생명 설계도를 완벽하게 이해하게 된다면, 우리는 ‘질병의 치료’를 넘어 ‘인간 기능의 확장’이라는 영역까지 너무 쉽게 진입하게 되는 것은 아닐까? 효율성이라는 이름 아래 우리가 놓치고 있는 생명 본연의 가치는 무엇일까 하는 철학적인 질문이 꼬리를 문다.

이번 조사를 통해 배운 점은, 결국 세상을 바꾸는 혁신은 서로 전혀 상관없어 보이는 분야의 정점들이 만날 때 일어난다는 것이다. 빅테크의 자본과 철학, 그리고 바이오의 정밀함이 만난 이 지점에서 어떤 결과물이 나올지 설레는 마음으로 지켜보려 한다. 여러분은 AI가 설계한 약을 믿고 복용할 준비가 되셨는가, 아니면 여전히 인간 과학자의 직관과 경험이 더 중요하다고 생각하는가?

나는 얼마 전 업무 효율을 높이기 위해 챗GPT와 클로드(Claude)를 번갈아 쓰다가 문득 의구심이 들었다. 내가 작성한 프롬프트가 과연 최선인지, 아니면 그저 운 좋게 괜찮은 답변을 얻어낸 것뿐인지 확신이 서지 않았기 때문이다. 마침 커뮤니티에서 프롬프트의 품질을 수치로 측정해 준다는 무료 AI 평가 도구를 발견했고, 호기심에 내 ‘프롬프트 실력’을 테스트해 보기로 했다.

막연한 감이 아닌 수치로 보는 프롬프트의 품질

그동안 우리는 프롬프트를 짤 때 주로 ‘감’에 의존해 왔다. “조금 더 구체적으로 써봐”, “전문가처럼 행동해 줘” 같은 수식어를 붙여가며 결과물이 만족스러울 때까지 수정을 반복하는 식이다. 하지만 이런 방식은 시간이 너무 오래 걸릴뿐더러, 왜 이 프롬프트가 작동하는지에 대한 논리적인 근거를 찾기 어렵다.

내가 사용해 본 이 평가 도구는 내가 입력한 프롬프트를 분석해 0점에서 100점 사이의 점수를 매겨준다. 단순히 점수만 주는 것이 아니라, 명확성(Clarity), 맥락 제공(Context), 제약 조건(Constraints), 출력 형식(Output Format) 같은 세부 항목별로 점수를 쪼개어 보여준다. 처음 내 프롬프트를 넣었을 때 받은 점수는 62점이었다. 스스로 꽤 잘 썼다고 생각했는데, 생각보다 낮은 점수에 당혹스러우면서도 묘한 승부욕이 생겼다.

도구는 내 프롬프트에서 ‘맥락’ 부분이 부족하다고 지적했다. 내가 요청한 작업의 배경이나 최종 목적지를 명확히 설정하지 않았기 때문에, AI가 추측해서 답변해야 하는 영역이 너무 많다는 뜻이었다. 이 지점을 통해 나는 내가 그동안 AI를 ‘똑똑한 비서’가 아니라 ‘모든 것을 다 아는 신’처럼 대하며 설명을 생략해 왔다는 사실을 깨달았다.

90점을 향한 프롬프트 튜닝 과정

점수를 올리는 과정은 마치 퍼즐을 맞추는 것과 같았다. 가장 먼저 손댄 곳은 페르소나 설정이었다. 단순히 “마케터처럼 써줘”라고 했던 부분을 “10년 차 IT 서비스 B2B 마케팅 전문가로서, 전환율 최적화(CRO) 관점에서 분석해 줘”라고 구체화했다. 이렇게 바꾸자마자 명확성 점수가 눈에 띄게 상승했다.

그다음으로는 제약 조건을 추가했다. “길게 써줘”라는 모호한 표현 대신, “서론-본론-결론의 구조를 갖추되, 본론에서는 3가지 핵심 포인트를 불렛 포인트로 정리하고, 전체 분량은 공백 포함 800자 내외로 제한해 줘”라고 명시했다. AI에게 자유도를 주는 것이 아니라, 명확한 가이드라인이라는 ‘울타리’를 쳐주는 작업이었다.

마지막으로 예시(Few-shot)를 삽입했다. 내가 원하는 답변의 톤앤매너가 담긴 샘플 텍스트를 한두 문장 추가하자, 마침내 화면에 92점이라는 숫자가 떴다. 단순히 단어를 몇 개 바꾼 것이 아니라, AI가 사고하는 경로를 설계했다는 느낌이 들었다. 60점대 프롬프트와 90점대 프롬프트의 차이는 결국 ‘모호함의 제거’에 있었다.

평가 도구가 주는 진짜 가치: 메타 인지

사실 이 도구의 진정한 가치는 점수 그 자체보다, 내가 프롬프트를 작성하는 사고방식을 교정해 준다는 점에 있다. 점수를 올리기 위해 고민하는 과정에서 자연스럽게 ‘좋은 지시란 무엇인가’에 대한 기준이 세워지기 때문이다. 이전에는 결과물이 이상하면 “AI가 멍청하네”라고 생각했지만, 이제는 “내 프롬프트의 어떤 요소가 누락되어 AI가 길을 잃었을까?”를 먼저 생각하게 된다.

또한, 이런 도구는 팀 단위로 협업할 때 특히 유용할 것 같다. 각자 다른 스타일로 프롬프트를 짜는 팀원들이 공통의 평가 기준을 갖게 되면, ‘최적의 프롬프트 라이브러리’를 구축하는 속도가 훨씬 빨라질 것이다. 누군가 90점을 넘긴 프롬프트를 공유하면, 다른 팀원들은 그 구조를 템플릿 삼아 자신의 작업에 적용할 수 있기 때문이다.

물론 수치가 전부는 아니다. 100점을 맞았다고 해서 반드시 모든 상황에서 완벽한 답변이 나오는 것은 아니다. 하지만 최소한 ‘낙제점’ 수준의 프롬프트를 던져놓고 AI의 성능을 탓하는 비효율은 확실히 줄일 수 있다. 기본기를 다지는 훈련 도구로서 이만한 것이 없다는 생각이 들었다.

더 나은 소통을 위한 다음 단계

이번 경험을 통해 배운 가장 큰 교훈은 AI와의 소통 역시 인간 사이의 소통과 다르지 않다는 점이다. 상대방이 내 머릿속을 다 알고 있다고 가정하는 순간 오해가 생기듯, AI에게도 충분한 배경 설명과 명확한 기준을 제시해야만 최선의 결과가 나온다. 결국 프롬프트 엔지니어링이란 기술적인 스킬이라기보다, 논리적으로 생각하고 명확하게 전달하는 커뮤니케이션 능력의 확장판인 셈이다.

이제 나는 새로운 작업을 시작할 때마다 습관적으로 이 평가 도구에 내 초안을 넣어본다. 점수를 확인하며 부족한 부분을 채워 넣는 과정이 이제는 일종의 게임처럼 느껴지기 시작했다. 다음에는 단순히 텍스트 기반의 프롬프트를 넘어, 복잡한 워크플로우를 설계하는 체인 프롬프트(Chain-of-Thought)의 효율성을 어떻게 수치화할 수 있을지 고민해 보려 한다.

혹시 여러분도 매번 AI의 답변이 만족스럽지 않아 답답했던 적이 있지는 않은가? 그렇다면 무작정 다시 시도하기보다, 내 지시서의 점수를 먼저 매겨보는 것은 어떨까. 내 프롬프트의 취약점이 어디인지 아는 것만으로도, AI를 다루는 숙련도는 완전히 달라질 것이라 확신한다.