2026년 데이터 인프라 준비 상태 보고서

인공지능에 대한 수요가 인프라 준비 상태를 앞지르고 있습니다. Seagate가 2,700명 이상의 기업 기술 의사 결정권자를 대상으로 의뢰한 새로운 글로벌 연구에 따르면, 응답자의 99%가 향후 3년 동안 AI로 인해 스토리지 요구 사항이 증가할 것으로 예상하지만, 이에 대해 완전히 대비하고 있다고 답한 응답자는 38%에 불과했습니다.

인공지능이 새로운 국면에 접어들면서 이러한 준비 부족은 더욱 심각한 문제로 대두되고 있습니다. 인공지능의 첫 번째 시대는 모델과 컴퓨팅 분야의 획기적인 발전으로 정의되었습니다. 다음 시대는 AI를 효율적이고 지속 가능하게 확장하고 장기적인 가치를 창출하는 데 필요한 데이터 인프라 구축 결정에 의해 좌우될 것입니다. 조직들은 새로운 현실에 직면하고 있습니다. AI의 성공은 인프라 혁신에 달려 있으며, 이제 데이터는 비용 센터가 아닌 전략적 비즈니스 자산이 되었습니다.

이러한 배경에서, 본 연구는 조직들이 미래의 AI 인프라에 대비하면서 겪고 있는 여러 가지 역동적인 상황들을 살펴보았습니다.

• AI 기반 데이터 증가
• AI 인프라 준비 상태
• 인프라 투자 우선순위
• 지속 가능성 및 운영 효율성
• 스토리지 전략 및 장기 확장성

데이터 전략, 거버넌스 및 AI 성공에 필요한 시스템에 대한 지속적인 투자의 중요성을 강조하는 이러한 역학 관계는 새로운 필수 과제인 지속 가능한 확장을 정의합니다.

지속 가능한 확장은 AI 역량과 비즈니스 가치를 증대시키는 동시에 이를 지원하는 인프라의 효율성을 지속적으로 개선하는 능력입니다. 정책 입안자, 규제 기관 및 대중이 AI 인프라 성장에 대해 더욱 면밀히 검토함에 따라 지속 가능한 확장은 견고하고 건전한 AI 경제의 장기적인 생존 가능성에 중요한 역할을 할 것입니다.

다음 다섯 가지 전략적 변화는 조직이 지속 가능한 확장을 어떻게 실천하고 있는지, 그리고 가장 큰 기회와 과제가 어디에 있는지를 보여줍니다.

인공지능은 이미 측정 가능한 비즈니스 가치를 창출하고 있습니다. 응답자의 86%는 소속 조직의 AI 투자 수익률이 보통 또는 상당하다고 답했으며, 그중 33%는 측정 가능한 상당한 수익을 올렸다고 응답했습니다. 이러한 결과는 인공지능을 가능하게 하는 데이터의 중요성을 더욱 부각시킨다. 모델, 애플리케이션 및 의사 결정이 데이터에 의존하게 되면 데이터 저장은 더 이상 백그라운드 기능이 아닙니다. 이는 조직이 시간이 지남에 따라 AI 성과를 개선할 수 있는 능력의 일부가 됩니다. 이러한 패턴은 여러 시장에서 공통적으로 나타나며, 미국(87%), 중국(91%), 인도(91%), 일본(75%), 프랑스(82%), 영국(86%), 독일(82%)에서 중간 또는 상당한 수익률이 보고되었습니다.

예상되는 성장률은 상당합니다. 거의 모든 응답자가 3년 안에 AI로 인해 스토리지 용량 요구량이 증가할 것으로 예상했습니다. 응답자 10명 중 7명은 최소 26%의 증가를 예상했으며, 그중 32%는 요구 사항이 50% 이상 증가할 것으로 예상했습니다. 이러한 기대치는 시장의 거의 모든 곳에서 공통적으로 나타나며, 일본의 98%에서 인도, 프랑스, ​​영국, 독일의 100%에 이르며, 미국과 중국은 모두 99%입니다.

이는 조직이 더 많은 데이터와 그 데이터에 담긴 더 많은 가치를 모두 고려하여 계획을 세워야 한다는 것을 분명히 보여줍니다. 당장의 역량에만 초점을 맞춘 단기적인 접근 방식은 정보를 파편화시키고, 접근을 어렵게 하거나, 재사용 비용을 증가시킬 수 있습니다. 장기적인 관점에서 보면, 유지, 접근 및 거버넌스 관련 결정을 조직이 AI를 통해 창출할 것으로 기대하는 미래 가치와 연결할 수 있습니다.

그러한 변화는 리더들이 스토리지에 대해 설명하는 방식에서 이미 나타나고 있습니다. 98%는 AI가 데이터 저장을 단순한 사무 업무 기능에서 전략적인 비즈니스 인프라로 변화시키고 있다는 데 동의합니다. 이번 발견은 우선순위의 변화를 시사합니다. 이제 데이터 저장 방식에 대한 결정은 조직이 데이터를 얼마나 빠르게 활용할 수 있는지, 그리고 데이터의 가치를 얼마나 잘 보존할 수 있는지에 직접적인 영향을 미칩니다. 이러한 견해는 일본과 독일에서 96%, 인도에서 100%에 이르기까지 시장 전반에 걸쳐 일관되게 나타나며, 미국과 영국은 99%, 중국은 98%, 프랑스는 97%입니다.

확대

대부분의 조직은 자신들의 방향에 대해 자신감을 표명하지만, 자세히 살펴보면 훨씬 더 미묘한 현실이 드러납니다. 응답자의 83%는 AI의 장기적인 데이터 수요에 대해 충분히 또는 대체로 대비되어 있다고 답했지만, 완전히 대비되어 있다고 생각하는 사람은 38%에 불과했습니다. 국가별로 재난 대비에 대한 인식은 큰 차이를 보이며, 중국의 96%에서 일본의 55%, 인도의 89%, 영국의 88%, 미국과 독일의 86%, 프랑스의 74%에 이르기까지 다양합니다.

이번 연구 결과는 AI 준비 상태가 컴퓨팅 용량이나 투자액만으로는 판단할 수 없다는 것을 시사합니다. 응답자들은 AI 전략 성숙도, 예산 및 자원, 데이터 관리 및 거버넌스를 가장 일반적인 격차로 꼽았습니다. 배포 관련 어려움도 비슷한 맥락을 보여줍니다. 주요 운영 제약 조건 중 53%는 데이터 품질 및 준비 상태를, 43%는 스토리지 인프라를 꼽았으며, 컴퓨팅 가용성은 27%, 에너지 제약은 24%로 나타났습니다.

응답자들은 컴퓨팅 가용성 및 에너지 제약보다 데이터 품질 및 준비 상태(53%)와 스토리지 인프라(43%)를 AI 배포의 주요 과제로 꼽았습니다.

확대

응답자들은 컴퓨팅 가용성 및 에너지 제약보다 데이터 품질 및 준비 상태(53%)와 스토리지 인프라(43%)를 AI 배포의 주요 과제로 꼽았습니다.

궁극적으로 준비 부족 문제는 데이터 기반 부족에서 비롯됩니다. 결과적으로 조직은 AI를 효과적으로 확장하기 위해 데이터 보존, 거버넌스, 저장 및 컴퓨팅을 조화롭게 연결하는 통합 데이터 기반이 필요합니다.

기업들은 데이터센터 투자를 필수적인 운영 비용이 아닌 전략적 사업 우선순위로 인식하는 경향이 점점 더 커지고 있습니다. 응답자의 4분의 3 이상이 이를 세 가지 주요 인프라 우선순위 중 하나로 꼽았으며, 5명 중 1명은 이를 가장 중요한 단일 우선순위로 꼽았습니다.

확대

지출 전망은 AI 인프라가 GPU를 넘어 확장될 것임을 보여줍니다. 보안 및 규정 준수 인프라가 조직의 투자 우선순위 목록에서 가장 높은 순위(44%)를 차지했으며, 데이터 관리/거버넌스가 두 번째(43%)를 차지했습니다. AI 및 GPU 인프라와 스토리지 하드웨어 업데이트는 세 번째로 큰 투자 우선순위(39%)로 꼽혔습니다.

따라서 전략적 질문은 스택에서 어느 단일 계층이 가장 많은 예산을 받는가가 아닙니다. 핵심은 전체 인프라가 AI 시스템으로의 데이터 흐름을 지원하고, 나중에 가치가 높아질 수 있는 데이터를 보존하며, 새로운 운영상의 제약을 만들지 않고 확장할 수 있는지 여부입니다. 조직이 이러한 상호 의존성을 함께 평가할 때 투자는 더 큰 가치를 창출합니다.

에너지 및 지속가능성 관련 고려 사항은 이미 AI 인프라 계획에 영향을 미치고 있습니다. 응답자의 77%는 이러한 우려 때문에 조직이 확장을 연기하거나 구조를 변경했다고 답했습니다. 여기에는 계획된 투자를 크게 재조정한 36%와 사소한 지연을 겪은 41%가 포함됩니다.

이러한 발견은 효율성을 미래의 목표에서 현재의 계획 제약 조건으로 전환시킵니다. 조직은 용량을 늘려야 하지만, 그에 따른 전력, 공간, 냉각 및 장비 수명 주기 관련 사항도 이해해야 합니다. 리더가 내릴 수 있는 결정 중 가장 유용한 결정은 측정 가능한 운영 요구 사항과 연결되는 결정입니다.

응답자들은 진전을 기대한다. 응답자의 39%는 현재 자신들의 저장 운영 방식을 '매우 지속가능하다'고 평가했습니다. 향후 5년 동안 사업장이 어디에 위치할지를 고려하면 그 비중은 61%까지 올라갑니다. 투자 가능액에 따라 기대치도 달라집니다. 연간 지속가능성 예산이 1억 달러 이상인 조직의 70%는 5년 안에 자사 사업이 '매우 지속가능'해질 것으로 예상하는 반면, 예산이 100만 달러 미만인 조직은 48%만이 그렇게 예상합니다.

기업들은 환경 보고만으로 지속 가능한 인프라를 정의하고 측정하기보다는 운영 효율성을 기준으로 정의하고 측정하는 경향이 점점 더 커지고 있습니다. 저장 장치의 환경적 영향을 평가할 때 가장 자주 고려되는 요소는 전력 소비량으로, 응답자의 62%가 이를 언급했습니다. 기기 수명 및 내구성은 55%로 나타났습니다. 거의 모든 응답자는 데이터 저장 장비의 수명 주기를 연장하는 것이 데이터 센터 운영의 지속 가능성에 상당한 영향을 미친다는 데 동의했습니다.

이러한 연구 결과는 지속 가능한 규모 확장에 대한 운영적 관점을 뒷받침합니다. 조직은 보다 포괄적인 환경 관련 용어에 의존하기보다는 전력 사용량, 용량 활용률, 장비 수명 및 테라바이트당 에너지 비용을 통해 특정 인프라 선택 사항을 평가할 수 있습니다. 이러한 조치들은 지속가능성 목표를 인프라의 일상적인 경제성과 연결하는 것을 더 쉽게 만들어줍니다.

인공지능(AI)이 기업의 성공과 성장에 필요한 데이터의 양, 다양성, 가치를 증가시키면서, AI를 기반으로 하는 비즈니스 모델은 그 기반이 되는 데이터 인프라에 의해 점점 더 큰 영향을 받고 있습니다. 생산능력을 늘리는 것만큼 중요한 것은 성장의 경제성과 운영 효율성을 최적화하는 것입니다. 이는 조직이 용량을 확장하는 동시에 자원 활용도, 이윤폭 및 장기 투자 수익률을 지속적으로 개선할 수 있도록 인프라 설계에 효율성 중심 원칙을 적용하는 것을 의미합니다.

효율성 중심의 인프라로의 전환은 조직들이 채택하고 있는 운영 방식에 반영되어 있습니다.

• 52%가 AI를 사용하여 스토리지 및 운영 요구 사항을 결정합니다(미국): 48%, 중국: 55%, 인도: 62%, 일본: 54%, 프랑스: 47%, 영국: 53%, 독일: 42%).
• 46%가 재생 에너지원에 투자하고 있습니다(미국: 44%, 중국: 41%, 인도: 58%, 일본: 37%, 프랑스: 45%, 영국: 49%, 독일: 47%).
• 40%는 인프라를 지속적으로 운영하는 대신 실제 데이터 요구량에 따라 전력을 배분합니다(미국): 34%, 중국: 44%, 인도: 48%, 일본: 41%, 프랑스: 29%, 영국: 41%, 독일: 40%).
• 데이터 인프라에서 발생하는 열을 31% 재활용합니다(미국): 26%, 중국: 37%, 인도: 32%, 일본: 24%, 프랑스: 38%, 영국: 31%, 독일: 33%).

이와 같은 효율성 중심적 사고방식은 스토리지 아키텍처에도 점점 더 큰 영향을 미치고 있습니다. 업무량에 맞춘 접근 방식은 이러한 변화의 한 예입니다. 조직은 전체 데이터 수명주기에 걸쳐 단일 아키텍처를 적용하는 대신, 워크로드 요구 사항에 따라 성능, 용량, 효율성 및 장기적인 가치의 균형을 맞춘 시스템을 설계할 수 있습니다. 이를 통해 인프라 비용과 자원 수요를 제어하면서 AI를 확장할 수 있는 보다 실용적인 프레임워크가 구축됩니다.

AI 환경은 성능, 용량 및 접근 요구 사항이 서로 다른 다양한 데이터 유형을 포함합니다. 훈련 데이터, 활성 데이터 세트, 추론 컨텍스트, 모델 체크포인트, 소스 콘텐츠 및 보존된 출력은 모두 인프라에 동일한 요구 사항을 부과하지는 않습니다. 인공지능이 확장됨에 따라 효율성을 중시하는 설계가 점점 더 중요해지고 있습니다. 지능형 다계층 아키텍처 내에서 워크로드 요구 사항에 맞춰 스토리지 기술을 조정하는 조직은 경제적 효율성을 향상시키고 운영 비용을 절감하며 장기적인 성장을 위한 더욱 탄력적인 기반을 구축할 수 있습니다.

차세대 AI는 더 많은 데이터를 생성할 것이지만, 단순히 데이터 처리 능력만으로는 어떤 조직이 그 가치를 확보할지 결정되지 않을 것입니다. 핵심 차별화 요소는 성장과 함께 발생하는 인프라 요구 사항을 효율적으로 관리하면서 데이터를 항상 사용 가능하고 준비된 상태로 유지하는 능력입니다.

조사에 따르면 이러한 작업은 이미 진행 중입니다. 기업들은 데이터센터 투자에 우선순위를 두고 있으며, 스토리지의 역할을 재평가하고 확장 계획에 효율성과 수명주기 고려 사항을 반영하고 있습니다. 하지만 대부분 준비된 상태와 완벽하게 준비된 상태 사이의 격차는 여전히 큽니다.

이러한 격차를 해소하려면 전체 데이터 수명주기를 중심으로 구축된 인프라 전략이 필요합니다. 조직은 어떤 데이터를 생성할지, 다양한 워크로드가 얼마나 빠르게 데이터에 접근해야 하는지, 데이터가 얼마나 오랫동안 가치를 유지할지, 그리고 어떤 운영 지표가 성장을 이끌지 이해해야 합니다. 그러한 결정들은 지속 가능한 확장과 AI로부터 지속적인 가치를 창출하기 위한 토대를 제공합니다.