I. 서론

1. 연구의 배경

오늘날, AI 기술의 고도화와 더불어 산업 전반의 AI 서비스 확산이 가속화됨에 따라, 디지털 인프라의 활용 패러다임이 데이터 저장과 정보처리 중심에서 대규모 학습과 실시간 추론을 지원하는 연산 중심 구조로 빠르게 전환되고 있다. 기존 데이터센터가 기업과 공공부문의 데이터를 보관하고 클라우드 서비스를 제공하는 물리적 거점으로 기능하였다면, AI 확산 이후 데이터센터는 고성능 연산장비를 기반으로 대규모 데이터를 반복적으로 학습하고 이용자의 요청에 즉각적으로 응답하는 AI 서비스를 처리하는 기반시설로 변화하고 있다(Chen et al., 2025). 이와 더불어, AI 서비스의 안정적 제공을 위해서는 AI 데이터센터 구축을 위한 기술적 역량뿐 아니라 대규모 연산시설을 지속적으로 운영할 수 있는 입지적 여건의 확보가 매우 중요하다. 기존 데이터센터의 입지는 데이터 저장 및 서비스 지연 최소화, 통신망 접근성 등 서비스 운영 측면이 주요하게 고려되었지만, AI 데이터센터는 GPU(Graphics Processing Unit)와 NPU(Neural Processing Unit) 기반 고밀도 연산장비를 장시간 운영해야 하므로, 서비스 운영 측면뿐 아니라 전력공급 안정성 및 냉각 부하 대응성 등을 확보할 수 있는 인프라 중심의 입지요건이 중요하게 평가된다(강호석, 2025; 유재국, 2024; Chen et al., 2025).

최근 들어, AI 데이터센터 수요 증가에 대응하기 위해 해외 주요국은 AI 컴퓨팅 기반 확충을 국가 경쟁력 확보의 주요 과제로 다루고 있다. 미국의 경우, AI 수요 확대에 따라 데이터센터 개발이 증가하고 있으며, 실제 입지 검토에서는 전력 접근성, 인프라 연계성, 환경위험, 숙련인력, 토지 가용성 등이 주요 평가기준으로 고려되고 있다(Arzumanyan et al., 2025). 또한, 중국은 국가 차원의 디지털 인프라 전략 아래 데이터센터의 동부 집중에 따른 토지 및 에너지 제약을 완화하기 위해 “동수서산” 정책을 추진하고 있으며, 서부 지역의 청정에너지와 자연냉각 여건을 활용하여 데이터센터 분산과 에너지 효율 개선을 추진하고 있다(Zhang et al., 2025).

국내에서도 정부는 AI 3대 강국 도약을 위해 AI 컴퓨팅 인프라 확충을 주요 정책과제로 설정하고, 고성능 GPU(Graphics Processing Unit) 확보, AI 인프라 관련 세제지원, 전력 및 입지 제도개선을 통한 민간투자 활성화를 추진하고 있다(국가인공지능위원회, 2025). 하지만, 이러한 정책적 추진과 달리, 국내에서는 데이터센터의 수도권 편중과 지역별 전력 및 개발 여건의 차이로 인해 AI 데이터센터의 신규 입지선정이 쉽지 않은 상황이다. 수도권의 경우 전력망 수용 여건, 대규모 부지 확보, 환경 심의, 지역 민원이 입지 확대의 제약요인으로 제기되고 있으며(문승희 등, 2019), 비수도권의 경우 전력 부담 완화와 지역 디지털 산업 기반 확충 측면에서 검토되고 있으나 실제 사업 추진 단계에서 적용할 수 있는 객관적 입지 판단 기준이 부족한 실정이다(최대섭･강명구, 2024).

AI 데이터센터는 막대한 전력 수요와 냉각 수요를 동반하는 시설이므로 기존 산업단지나 일반 물류 시설의 입지 판단 방식만으로는 입지 적합성을 평가하기 어렵다. 또한, 입지선정은 민간사업자의 수익성 판단에만 제한되지 않으며, 국가 디지털 인프라 구축, 전력망 투자계획, 탄소중립 정책, 지역 균형 발전, 주민 수용성까지 함께 검토되어야 한다. 그럼에도 불구하고, 국내에서는 AI 데이터센터의 입지선정 기준을 체계적으로 검토하고, 각 요인의 상대적 중요도를 실증적으로 분석한 연구가 매우 미흡한 실정이다.

지금까지 데이터센터 관련 연구는 클라우드 데이터센터 구축, 친환경 운영, 에너지 효율, 비수도권 분산, 설립 영향요인 등을 중심으로 진행되었다(문승희 등, 2019; 최대섭, 2024; 최대섭･강명구, 2024; Ayyildiz et al., 2025; Kheybari et al., 2020). 해당 연구들은 데이터센터의 기술적 운영과 정책적 필요성을 이해하는 데 기여하였으나, AI 데이터센터를 별도 연구대상으로 설정하고 국내 입지선정 과정에서 우선적으로 고려되어야 할 요인을 분석하는 데에는 한계가 있다. 특히, AI 데이터센터는 전력과 냉각, 네트워크와 부지, 환경과 인허가, 지역사회 수용성이 결합된 의사결정 대상이므로 전문가 판단에 기반한 중요도 분석이 필요하다.

2. 연구 목적

본 연구의 목적은 국내 AI 데이터센터 입지선정에서 고려되어야 할 입지요인을 도출하고, 전문가 판단을 바탕으로 요인별 중요도와 우선순위를 분석하는 데 있다. 특히 본 연구는 AHP와 Fuzzy-AHP를 병행하여 계층별 상대적 중요도와 최종 종합중요도를 산정하고, 두 분석결과의 우선순위 차이를 비교하고자 한다. 이를 위해 전문가 쌍대비교 응답을 바탕으로 AHP 중요도를 산정하고, 동일한 쌍대비교 값을 삼각퍼지수로 변환한 뒤 Chang의 범위분석법을 적용하여 Fuzzy-AHP 중요도를 산정하였다(Chang, 1996). 아울러, 두 분석결과를 병행 제시함으로써 일반 AHP에서 산정된 계층별 상대적 우선순위와 Fuzzy-AHP에서 반영된 판단 불확실성 조건의 우선순위를 비교하고, 국내 AI 데이터센터 입지정책에서 우선 검토할 평가영역을 제시하고자 한다. 본 연구 결과는 국내 AI 데이터센터 입지정책 수립, 민간사업자의 후보지 검토, 지방정부의 유치 전략 마련에 필요한 기초 자료로 활용될 수 있다.

II. 국내 AI 데이터센터 입지 관련 이론적 고찰

1. AI 데이터센터 개념 및 입지 특성

기존의 데이터센터는 데이터의 저장, 처리, 전송을 담당하는 정보통신 기반시설로서 클라우드 서비스 제공, 기업 데이터 관리, 공공 정보처리 기능을 수행하는 물리적 거점으로 역할을 담당하였다. 이에, 데이터센터의 입지는 시장접근성을 비롯한 통신망 접근성 및 인력 가용성, 그리고 서비스 지연 최소화를 위해 주로 수도권과 대도시 인접지역을 중심으로 이루어졌다(문승희 등, 2019; 최대섭･강명구, 2024). 하지만, 이러한 데이터센터와 달리 AI 데이터센터는 AI 모델의 대규모 학습과 실시간 추론을 수행하기 위해 GPU와 NPU 등 고성능 연산장비를 고밀도로 운영하는 복합적 디지털 기반시설이라 할 수 있다(산업통상자원부, 2022). 따라서, AI 데이터센터 입지선정은 일반 데이터센터의 입지요인을 고려하면서도, 고성능 연산장비의 집적에 따른 대규모 전력수요를 전력망이 수용할 수 있는지, 필요한 시점에 계통접속이 가능한지, 안정적인 전력공급과 예비전원 구성이 가능한지를 우선적으로 검토할 필요가 있다. 아울러, 냉각부하 확대에 따른 냉각용수 확보 가능성, 통신망 접근성, 부지 확장성, 제도적 대응 여건도 함께 고려되어야 한다(유재국, 2024).

AI 데이터센터는 GPU와 NPU 등 고성능 연산장비를 24시간 고밀도로 운영하는 시설이므로, 후보지의 전력망 수용능력과 계통접속 가능 시점은 사업 추진 여부를 판단하는 중요한 조건이다(유재국, 2024; Chen et al., 2025). 특히 대규모 전력수요가 특정 지역에 집중될 경우 전력계통 부담이 증가하고, 전력공급 가능성 검토와 계통접속 일정에 따라 사업 착수 및 운영 개시 시점이 제한될 수 있다. 이에, 신규 대규모 전력수요에 대한 평가체계 강화와 전력공급이 원활한 지역으로의 입지 분산이 정책적으로 검토되었다(산업통상자원부, 2022). 이러한 측면에서 AI 데이터센터 입지는 토지 확보 가능성보다 전력망 수용능력, 계통접속 가능 시점, 전력공급 안정성을 중심으로 검토될 필요가 있다.

전력계통 조건과 함께 냉각환경도 AI 데이터센터의 운영비용과 안정성을 결정하는 주요 입지요인이다(강호석, 2025; 김철현･김성균, 2025). AI 데이터센터는 고밀도 연산장비에서 지속적으로 발생하는 열을 제어해야 하므로, 외기 냉각 가능성, 냉각용수 확보, 수자원 부담, 폐열 처리, 에너지 효율이 입지평가에 포함되어야 한다(강호석, 2025; Kheybari et al., 2020; Ramos Caceres et al., 2024). 아울러 AI 시대 데이터센터 증가에 따라 국내 전력 소비, PUE, 냉방용 에너지 소비, 전력공급 방안이 주요 정책 과제로 다루어지고 있으며, 낮은 기온, 안정적인 전력 및 용수공급, 지진에 안전한 지반은 데이터센터 입지결정에서 고려되는 주요 요인으로 검토되었다(김철현･김성균, 2025).

통신망과 부지 조건은 전력 및 냉각 인프라와 결합되어 AI 데이터센터의 서비스 품질과 확장 가능성을 좌우한다(최대섭, 2024; Covas et al., 2013; Daim et al., 2013). AI 데이터센터는 대규모 학습과 추론을 수행하는 연산시설인 동시에 클라우드 서비스와 기업 고객의 실시간 데이터 처리를 지원하는 서비스 기반시설이므로, 광통신망 접근성, 통신회선 다중성, 통신망 이중화, 저지연 서비스 가능성이 필요하다(강호석, 2025). 또한 초기 구축 이후 서버 증설, 전력설비 확장, 냉각설비 보강, 예비전원 확대가 이어질 수 있으므로, 후보지는 건축 가능성뿐 아니라 장기 확장 가능성, 도시계획 적합성, 재난 안전성을 함께 갖추어야 한다. 따라서 데이터센터의 적기 건설과 안정적 운영을 위해서는 전력공급이 안정적이고 계통접속이 원활한 지역을 중심으로 입지 분산을 검토할 필요가 있다(산업통상자원부, 2023).

제도, 지역사회, 운영 생태계는 AI 데이터센터 입지의 현실적 추진 가능성과 장기적 지속가능성을 결정하는 조건이다(최대섭･강명구, 2024; 홍승헌, 2025). 대규모 전력수요시설에 대한 계통영향평가, 전력공급 가능성 검토, 건축 인허가, 환경 관련 협의, 재난관리 기준은 사업 일정과 비용에 직접적인 영향을 미친다. 또한 지역사회에서는 전력 사용, 냉각용수, 폐열, 공사 불편, 지역편익에 대한 우려가 제기될 수 있으므로, 정보공개와 주민설명, 지역편익 연계, 환경 부담 관리가 입지 과정에 반영되어야 한다. 나아가, AI 데이터센터는 고성능 연산장비, 전력설비, 냉각설비, 네트워크 장비, 보안시스템이 결합된 시설이므로, 장비 조달 안정성, 유지보수 서비스 접근성, 전문인력 확보 가능성도 장기적 입지 적합성을 판단하는 요소가 된다. 자연환경적 입지 강점만으로는 지역 내 ICT 및 데이터산업 기반의 한계를 보완하기 어렵기 때문에 산업생태계 구축도 함께 요구된다.

2. 선행연구 고찰

데이터센터 입지 관련 선행연구는 입지선정 요인 연구와 의사결정 방법론 연구로 구분할 수 있다. 입지선정 요인 연구는 일반 데이터센터의 입지조건을 다룬 연구와 AI 데이터센터의 기술적 특성을 반영한 연구로 나누어 검토할 수 있으며, 의사결정 방법론 연구는 다수의 평가기준을 비교하고 후보지 또는 입지요인의 우선순위를 산정하는 분석기법을 중심으로 구성된다(<표 1> 참조).

일반 데이터센터의 입지선정 요인 연구에서는 전력, 통신망, 토지비용, 세제 및 인센티브, 재해위험, 인력, 환경성, 재생에너지 접근성 등이 주요 기준으로 검토되었다. 상업용 데이터센터의 국토균형 입지요인분석 연구에서는 국내 상업용 데이터센터 53개를 대상으로 시설, 노동, 수요 측면의 입지특성을 분석하여, 전력, 공시지가, 세금 및 인센티브, 신재생에너지, 자연재해, 지진, 인적재해, 해저케이블, 광케이블, 인터넷 사용률, 인터넷 속도, 평균기온, 고급기술인재와 생활여건을 입지요인으로 제시하였다(최대섭, 2024). 상업용 데이터센터의 비수도권 분산을 검토한 연구에서는 전력, 부지, 통신망, 세제와 인센티브, 자연환경, 지역산업 기반 등 지역 입지조건이 논의되었다(최대섭･강명구, 2024). 탄소중립과 AI 전환의 관계를 데이터센터 규제 측면에서 검토한 연구에서는 데이터센터가 클라우드 및 AI 서비스산업의 기초 인프라로 제시되었고, 데이터주권, 보안, 전력망, 건축규제, 탄소중립 규제, 지역사회 수용성이 데이터센터 입지와 운영에 영향을 미치는 요인으로 검토되었다(홍승헌, 2025).

해외 데이터센터 입지선정 연구에서는 다기준 의사결정기법을 활용하여 입지요인을 도출하거나 후보지를 비교한 연구가 진행되었다. 데이터센터 입지선정을 위한 다기준 의사결정모형 연구에서는 재무, 환경, 사회, 정치, 지리 요인을 평가기준으로 구성하고, 워싱턴, 캘리포니아, 노스캐롤라이나, 오리건의 4개 후보지를 비교하여 통신망 가용성, 토지비용, 세금구조, 인센티브와 보조금, 안전 및 보안을 데이터센터 입지선정의 주요 요인으로 제시하였다(Daim et al., 2013). 지속가능한 데이터센터 입지선정 연구에서는 ELECTRE TRI를 활용하여 위험, 사회, 환경, 경제 기준을 검토하였으며, 자연재해, 인적재해, 부지보안, 전력 및 통신망 접근성, 교통 접근성, 인력 가용성, 에너지비용, 자유냉각 가능성 등이 데이터센터 입지평가의 주요 기준으로 제시되었다(Covas et al., 2013). BWM과 set-covering model을 활용한 연구에서는 사회, 경제, 환경 요인을 분석하였으며, 숙련인력, 정보보안, 고객 접근성, 전력망 접속비용, 운영비용, 에너지비용, 재생에너지, 폐열 활용 가능성, 자유냉각 가능성 등이 데이터센터 입지선정의 주요 요인으로 도출되었다(Kheybari et al., 2020). 데이터센터 입지의 지속가능성과 위험평가 연구에서는 CIFS 기반 AHP와 TOPSIS를 활용하여 50개 경제권을 비교하였으며, 지속가능성, 환경 영향, 인프라 위험, 에너지 위험, 자연 위험, 비즈니스 위험, 정치 위험, 법적 위험이 데이터센터 입지평가의 주요 요인으로 제시되었다(Erdem and Ozdemir, 2024). 재생에너지 연계를 고려한 데이터센터 입지선정 연구에서는 PiF-SWARA와 PiF-VIKOR를 활용한 평가 연구가 진행되었으며, 환경성, 접근성, 경제성, 사회성, 재생에너지 잠재력이 주요 평가기준으로 설정되었고, 태양광 및 풍력 잠재력과 기반시설 접근성이 높은 지역이 적합 입지로 평가되었다(Ayyildiz et al., 2025). 지방자치단체의 데이터센터 입지계획 연구에서는 전력 및 용수 기반시설, 폐열 활용 가능성, 토지이용 다양성, 필지 구조가 데이터센터 입지계획의 주요 요인으로 제시되었다(Ramos Caceres et al., 2024).

AI 데이터센터 관련 연구는 일반 데이터센터 연구에서 제시된 입지요인을 기반으로 하면서도 고성능 연산장비, 전력수요, 냉각부하, 전력망 제약, 저탄소 전원 조달을 더 강조한다. AI 데이터센터의 특성과 냉각시스템 설계 및 시공기술 연구에서는 AI 데이터센터를 Training용과 Inference용으로 구분하고 설계조건을 검토하였다. 해당 연구에서는 랙당 전력밀도, 냉각방식, 신뢰성, 지연시간, 구조하중, 층고, 상면면적이 AI 데이터센터 설계 및 입지판단에서 고려해야 할 주요 요인으로 제시되었다(강호석, 2025). AI 시대 데이터센터 증가의 국내 에너지 소비 연구에서는 전력 소비, PUE, 냉방용 에너지 소비, 전력공급 방안이 주요 정책 과제로 검토되었고, 낮은 기온, 안정적인 전력 및 용수공급, 지진에 안전한 지반이 데이터센터 입지결정에서 고려되는 요인으로 제시되었다(김철현･김성균, 2025). AI 인프라 확장에 따른 전력계통 대응 연구에서는 AI 수요 증가에 대응하기 위한 선제적 전력공급과 전력망 확충 필요성이 검토되었다(유재국, 2024). AI 데이터센터의 전력수요와 전력망 영향을 검토한 연구에서는 AI 확산에 따른 전력수요 증가와 전력계통 영향이 주요 분석대상으로 다루어졌다(Chen et al., 2025). AI 인프라 확장에 따른 에너지 및 기후 영향을 검토한 연구에서는 AI 데이터센터 입지가 전력수요 증가, 재생에너지 가용성, 전력망 의존도, 에너지 저장, 저탄소 전원, 송전망 제약, 지역별 전력수급 여건을 함께 고려해야 하는 의사결정 대상임을 제시하였다(Lal and You, 2025).

의사결정 방법론 측면에서 선행연구는 데이터센터 입지선정이 다수의 정량 및 정성 기준을 동시에 비교해야 하는 의사결정 문제임을 제시한다. 기존 연구에서는 다기준 의사결정모형, ELECTRE TRI, BWM, set-covering model, CIFS 기반 AHP, TOPSIS, PiF-SWARA, PiF-VIKOR 등이 활용되었으며, 이들 방법론은 평가기준 간 중요도 산정, 후보지 비교, 지속가능성 평가, 위험평가, 재생에너지 연계 입지평가에 적용되었다(Ayyildiz et al., 2025; Covas et al., 2013; Daim et al., 2013; Erdem and Ozdemir, 2024; Kheybari et al., 2020). 그러나 국내 AI 데이터센터 입지요인을 대상으로 AHP와 Fuzzy-AHP를 동일 응답자료에 병행 적용하고, 일반 AHP 중요도와 퍼지 판단을 반영한 중요도를 비교한 연구는 제한적이다.

3. 본 연구의 차별성

선행연구 고찰을 통해 본 연구는 연구대상, 연구범위, 연구방법, 연구내용의 측면에서 선행연구와 차별성을 가진다. 연구대상의 차별성은 일반 데이터센터가 아닌 AI 데이터센터를 독립된 입지 의사결정 대상으로 설정한 부분이다. 기존 데이터센터 입지 연구는 전력, 통신망, 비용, 재해위험, 환경성, 재생에너지 등을 주요 요인으로 다루었다. 그러나 AI 데이터센터는 GPU와 NPU 기반 고성능 연산장비의 고밀도 운영으로 인해 전력수요, 냉각부하, 계통접속, 구조하중, 저지연 서비스, 운영 생태계 조건이 강화된다는 점에서 일반 데이터센터와 구분된다. 이에 본 연구는 일반 데이터센터 연구에서 제시된 입지요인을 참고하여 AI 데이터센터의 고밀도 연산장비 운영과 국내 전력계통 및 냉각환경 여건을 고려하여 입지요인을 재구성하였다.

연구범위의 차별성은 국내 AI 데이터센터 입지요인을 중심으로 분석범위를 설정한 부분이다. 기존 연구들은 해외 국가나 특정 지역의 데이터센터 후보지 평가, 일반 데이터센터의 지속가능성 및 위험평가, 국내 상업용 데이터센터의 국토균형입지 문제를 중심으로 진행되었다. 이에 비해 본 연구는 국내 입지 여건에서 AI 데이터센터의 입지결정에 영향을 미치는 요인을 분석 대상으로 설정하고, 전력계통 여건, 수도권 집중, 지역분산 정책, 냉각 및 용수 조건, 제도 및 지역사회 수용성 등을 함께 고려하였다. 특히, AI 데이터센터 입지평가에서 중요성이 커지는 전력망 수용성, 계통접속 적시성, 전력공급 안정성, 전원백업성, 용수공급 안정성, 고밀도 냉각 확장성, 저탄소 전력접근성을 평가체계에 포함함으로써 기존 데이터센터 입지연구와의 분석범위 차이를 구분하였다.

연구방법의 차별성은 AI 데이터센터 입지요인의 중요도를 파악하기 위한 실증분석 방법으로 AHP와 삼각퍼지수 기반 Fuzzy-AHP를 병행 적용한 부분이다. 기존 데이터센터 입지 연구에서는 GIS, 회귀분석, MCDM, TOPSIS, VIKOR 등 다양한 방법이 활용되었다. 그러나 국내 AI 데이터센터 입지요인을 대상으로 전문가 쌍대비교 판단을 계층별 가중치로 산정하고, 동일한 쌍대비교 값을 삼각퍼지수로 변환하여 Chang(1996)의 범위분석법에 따라 Fuzzy-AHP 중요도를 산정한 연구는 제한적이다. 본 연구는 AHP 종합중요도와 Fuzzy-AHP 종합중요도를 병렬적으로 비교함으로써, 전문가 판단에 포함된 언어적 모호성과 판단 불확실성을 반영한 입지요인 분석을 수행한다는 점에서 방법론적 차별성을 가진다. 또한, AHP 결과를 통해 평가요인 간 기본적인 상대적 우선순위를 확인하고, Fuzzy-AHP 결과를 통해 판단 불확실성이 반영된 조건에서 우선순위가 유지되는지 비교함으로써 정책적 우선 검토영역을 더 명확히 제시할 수 있다.

연구내용의 차별성은 AI 데이터센터 입지요인을 전력 및 냉각 조건에 한정하지 않고, 네트워크, 부지, 환경, 재난, 제도, 지역사회, 운영 생태계를 포함한 통합 평가체계로 구성한 부분이다. 또한 본 연구는 선행연구와 전문가 인터뷰를 바탕으로 인프라 자원 연계성, 네트워크 입지 기반성, 환경 리스크 지속가능성, 거버넌스 사회 운영 여건을 계층적으로 구성하고, 각 요인의 중요도와 우선순위를 분석한다. 이러한 과정에서 일반 데이터센터 연구에서 제시된 전력, 통신망, 부지, 비용, 재해위험, 환경성, 인력 관련 요인을 국내 AI 데이터센터 입지평가에 맞게 검토하고, AI 데이터센터 관련 연구에서 강조된 전력수요 증가, 냉각부하 확대, 계통접속, 저탄소 전력조달, 고밀도 냉각 조건을 평가항목에 반영하였다. 이를 바탕으로 본 연구는 국내 AI 데이터센터 입지결정에 영향을 미치는 요인의 우선순위를 도출하고, 민간사업자와 공공부문이 활용할 수 있는 입지평가 기준을 제시하고자 한다.

III. Fuzzy-AHP 모형 설계

1. Fuzzy-AHP 측정 항목 선정

본 연구는 국내 AI 데이터센터 입지요인의 중요도 분석을 위해 Fuzzy-AHP를 적용하였다. 이를 위해 국내외 데이터센터 입지, AI 데이터센터 인프라, 에너지 및 탄소중립, 도시계획 및 규제 관련 선행연구를 검토하고, AI 데이터센터 입지선정에 영향을 미치는 후보요인을 도출하였다. 이후 도출된 후보요인의 적합성을 검토하기 위해 데이터센터 개발 및 운영, 전력 및 에너지 인프라, 냉각 및 설비 기술, 통신 및 네트워크, 도시계획 및 인허가, 환경 및 지역정책 분야 전문가 각 1명의 의견을 수집하였다. 전문가 검토 과정에서는 선행연구에서 제시된 요인이 국내 AI 데이터센터 입지 여건에 적합한지, 요인 간 중복 가능성이 있는지, 국내 입지정책과 사업 실무에서 고려해야 할 항목이 누락되었는지를 중심으로 검토하였다. 특히, 유사하게 인식될 수 있는 요인은 평가대상, 관리주체, 운영상 의미를 기준으로 구분하였다. 전력공급 안정성과 전원백업성은 외부 전력계통의 공급 안정성과 내부 예비전원 구성 가능성으로 구분하였고, 용수공급 안정성과 냉각자원 확보성은 냉각용수의 지속적 공급 가능성과 냉각방식 선택 여건으로 구분하였다. 또한 자연재해 위험도와 인적재해 위험도는 위험 발생 원인과 대응체계의 차이를 기준으로 구분하였으며, 제도 및 지역 수용성 관련 요인도 정책 대응, 규제 예측, 인허가 절차, 절차 공정성, 갈등 관리 가능성의 측면에서 각각 검토하였다. <표 2>는 선행연구와 전문가 검토를 통해 정리한 AI 데이터센터 입지 결정요인을 나타낸다.

다음으로, <표 2>를 바탕으로 인프라 자원 연계성, 네트워크 입지 기반성, 환경 리스크 지속가능성, 거버넌스 사회 운영 여건의 4개 항목을 대분류 항목으로 설정하였다. 인프라 자원 연계성은 전력계통 연계성과 냉각환경 적합성으로 구성하였고, 네트워크 입지 기반성은 네트워크 연결성과 부지 활용성으로 구성하였다. 환경 리스크 지속가능성은 입지 안정성과 환경 지속가능성으로 구성하였으며, 거버넌스 사회 운영 여건은 제도 대응성, 지역 수용성, 운영 생태계로 구성하였다. 이후 각 중분류 항목의 하위 요인을 검토하여 총 33개의 세부요인을 설정하였다. 계층구조는 AHP 분석의 계산구조와 직접 연결되므로, 중분류와 세부요인의 소속을 명확히 구분하였다. 제도 대응성에는 정책규제 대응성, 복합규제 예측성, 인허가 절차성을 포함하였고, 지역 수용성에는 입지공정성, 주민수용성, 지역편익 연계성을 포함하였다. 또한 운영 생태계에는 장비공급 안정성, 유지보수 생태계, 전문인력 확보성을 포함하였다. 이와 같은 구조를 바탕으로 <표 2>와 같이 Fuzzy-AHP 분석을 위한 최종 측정항목을 설정하였다.

2. 평가자 선정 및 자료수집

본 연구의 실증분석을 위해 국내 AI 데이터센터 입지선정과 관련된 전문가 집단을 조사대상으로 설정하였다. Fuzzy-AHP는 전문가의 쌍대비교 판단을 바탕으로 평가항목 간 상대적 중요도를 산정하는 다기준 의사결정기법이므로, 조사대상은 해당 분야에서 5년 이상 실무경력을 보유하였거나 데이터센터 또는 대규모 기반시설 입지 검토 경험을 가진 전문가로 한정하였다. 전문가 집단은 데이터센터 개발과 운영 전문가 6명, 전력과 에너지 인프라 전문가 6명, 냉각과 설비 기술 전문가 6명, 통신과 네트워크 전문가 5명, 도시계획과 인허가 전문가 5명, 환경과 지역정책 전문가 5명 등 총 33명으로 구성하였다.

설문지는 응답자의 전문분야, 관련 업무 종사기간, AI 데이터센터 관련 업무 참여 경험, 데이터센터 또는 대규모 기반시설 관련 프로젝트 참여 건수를 확인하는 문항과 계층별 쌍대비교 평가 문항으로 구성하였다. 쌍대비교 평가는 대분류, 중분류, 세부요인의 계층별 평가항목을 두 항목씩 비교하는 방식으로 진행하였다. 평가척도는 AHP에서 일반적으로 활용되는 9점 척도를 적용하였으며, 응답자는 두 항목 중 상대적으로 더 중요하다고 판단되는 항목과 중요도 수준을 선택하도록 하였다.

AHP 쌍대비교 평가는 대분류 6문항, 중분류 6문항, 세부요인 46문항으로 구성하였다. 대분류는 4개 항목 간 쌍대비교로 구성하였고, 중분류는 각 대분류 내부의 하위 항목 간 쌍대비교로 구성하였다. 세부요인은 전력계통 연계성, 냉각환경 적합성, 네트워크 연결성, 부지 활용성, 입지 안정성, 환경 지속가능성, 제도 대응성, 지역 수용성, 운영 생태계의 하위 요인 간 쌍대비교로 구성하였다. 이에 따라 전문가 1인이 응답해야 하는 분석용 쌍대비교 문항은 총 58문항이다. 이때, 58문항은 전체 세부요인을 일괄 비교하는 방식이 아닌 대분류, 중분류, 세부요인을 계층별로 구분하고 동일 범주 내부의 평가항목을 비교하는 방식으로 구성되었다.

설문조사는 2026년 2월 13일부터 4월 11일까지 58일간 일대일 면접조사, 사회관계망서비스, 이메일을 통해 진행하였다. 회수된 설문 중 응답 오류가 있거나 일관성 비율 기준을 충족하지 못한 5부는 분석에서 제외하였다. 제외된 5부의 분야별 분포를 검토한 결과, 데이터센터 개발 및 운영 1부, 전력 및 에너지 인프라 1부, 냉각 및 설비 기술 1부, 도시계획 및 인허가 1부, 환경 및 지역정책 1부로 확인되었으며, 통신 및 네트워크 분야에서는 제외 표본이 발생하지 않았다. 이에 따라 최종 유효표본은 데이터센터 개발 및 운영 5부(17.9%), 전력 및 에너지 인프라 5부(17.9%), 냉각 및 설비 기술 5부(17.9%), 통신 및 네트워크 5부(17.9%), 도시계획 및 인허가 4부(14.3%), 환경 및 지역정책 4부(14.3%) 등 총 28부로 구성되었다. 최종적으로, 28부를 유효표본으로 선정하여 실증분석에 활용하였다. 본 연구는 동일한 쌍대비교 응답자료를 바탕으로 AHP 가중치와 Fuzzy-AHP 가중치를 각각 산정하고, 두 분석결과의 중요도와 우선순위를 비교하였다.

3. Fuzzy-AHP 분석 절차 및 일관성 검증

본 연구는 AI 데이터센터 입지요인의 중요도와 우선순위를 분석하기 위해 AHP 분석과 Fuzzy-AHP 분석을 병행하였다. AHP 분석은 평가항목 간 쌍대비교 결과를 바탕으로 계층별 상대적 중요도를 산정하는 방법이다. Fuzzy-AHP 분석은 쌍대비교 과정에서 발생할 수 있는 평가자의 언어적 모호성과 판단 불확실성을 반영하기 위해 비교척도를 삼각퍼지수로 변환한 뒤 상대적 중요도를 산정하는 방법이다. 본 연구에서는 삼각퍼지수를 활용하는 범위분석법을 적용하였다(Chang, 1996; van Laarhoven and Pedrycz, 1983; Zadeh, 1965).

AHP 분석에서는 대분류, 중분류, 세부요인의 쌍대비교 행렬을 구성하고, 각 계층별 상대적 중요도를 산정하였다. 이후 대분류 가중치, 중분류 가중치, 세부요인 가중치를 계층적으로 결합하여 전체 세부요인의 AHP 종합중요도를 산정하였다. Fuzzy-AHP 분석에서는 동일한 쌍대비교 응답값을 삼각퍼지수로 변환하여 퍼지 쌍대비교 행렬을 구성하였다. 쌍대비교 언어척도는 동등하게 중요함, 약간 중요함, 중요함, 매우 중요함, 절대적으로 중요함으로 구분하였으며, 이를 각각 (1, 1, 2), (2, 3, 4), (4, 5, 6), (6, 7, 8), (8, 9, 9)의 삼각퍼지수로 변환하였다. 역방향 비교값은 각 삼각퍼지수의 역수로 처리하였다(Chang, 1996).

Chang의 범위분석법은 퍼지 쌍대비교 행렬을 바탕으로 각 평가항목의 Fuzzy Synthetic Extent 값을 산정한 뒤, 평가항목 간 가능도 비교를 통해 상대적 우위 정도를 계산하는 절차로 구성된다. 이후 가능도 비교 결과를 벡터화하고 정규화하여 계층별 Fuzzy-AHP 가중치를 산정하였다. 본 연구에서는 대분류, 중분류, 세부요인별 Fuzzy-AHP 가중치를 각각 산정한 뒤, 상위계층 가중치와 하위계층 가중치를 결합하여 전체 세부요인의 Fuzzy-AHP 종합중요도를 도출하였다. 이에 최종 분석에서는 AHP 종합중요도와 Fuzzy-AHP 종합중요도를 병렬적으로 제시하고, 두 분석결과의 우선순위 차이를 비교하였다. 이는 일반 AHP에서 산정되는 계층별 상대적 중요도와 Fuzzy-AHP에서 반영되는 판단 불확실성 조건의 중요도를 함께 검토하기 위한 절차이다. 특히 Chang의 범위분석법은 삼각퍼지수 변환과 가능도 비교를 통해 상대적 우위를 산정하므로, 특정 평가항목의 우위가 강하게 계산될 경우 Fuzzy-AHP 가중치가 일반 AHP보다 집중될 수 있다. 따라서 본 연구에서 Fuzzy-AHP 중요도는 AHP 중요도를 대체하는 절대값이 아닌 전문가 판단의 언어적 모호성이 반영된 조건에서 우선순위가 유지되는지를 확인하기 위한 보완 지표로 해석하였다(Chang, 1996; Zhu et al., 1999).

일관성 검증은 쌍대비교 응답자료의 논리적 일관성을 확인하기 위한 절차이다. 본 연구는 AHP 분석에서 일반적으로 활용되는 일관성 비율을 기준으로 응답의 신뢰성을 검토하였다. 일관성 비율은 쌍대비교 과정에서 산출된 판단값의 논리적 모순 정도를 확인하는 지표이며, 일반적으로 0.1 미만일 경우 응답의 일관성이 확보된 것으로 판단한다(Saaty, 1980; 1990). 이에 본 연구에서도 대분류, 중분류, 세부요인별 쌍대비교 행렬의 일관성 비율을 산출하였다. 일관성 검증은 대분류, 중분류, 세부요인의 각 쌍대비교 행렬 단위로 실시하였다. 검정 결과 일관성 비율이 0.1 이상인 표본은 응답의 신뢰성이 낮은 것으로 판단하여 분석에서 제외하였고, 일관성 비율이 0.1 미만인 표본만을 최종 유효표본으로 선정하였다. 분석에 포함된 유효표본의 일관성 검증 결과 최대 CI는 0.062449, 최대 CR은 0.069388로 산정되어 기준치 0.1을 초과하지 않았다.

IV. 실증분석 결과

본 연구는 국내 AI 데이터센터 입지요인의 중요도와 우선순위를 산정하기 위해 <표 3>의 대분류와 중분류, 전체 분류에 대해 AHP 분석과 Fuzzy-AHP 분석을 진행하였다.

1. AI 데이터센터 입지 대분류의 중요도 분석

<표 4>의 대분류 분석 결과, AHP와 Fuzzy-AHP 모두에서 인프라 자원 연계성이 가장 높은 중요도로 산정되었다. 인프라 자원 연계성은 AHP 중요도 0.3932, Fuzzy-AHP 중요도 0.4950으로 산정되어 다른 대분류에 비해 높은 비중을 차지하였다. 다음으로 네트워크 입지 기반성이 AHP 0.2204, Fuzzy-AHP 0.2411로 2순위, 거버넌스 사회 운영 여건이 AHP 0.1998, Fuzzy-AHP 0.1375로 3순위, 환경 리스크 지속가능성이 AHP 0.1866, Fuzzy-AHP 0.1265로 4순위로 산정되었다. 이는 국내 AI 데이터센터 입지선정에서 전력과 냉각을 포함한 인프라 조건이 가장 우선적으로 검토되어야 하며, 네트워크와 부지 조건도 입지 경쟁력을 구성하는 중요한 평가영역임을 의미한다.

한편, Fuzzy-AHP 결과에서는 인프라 자원 연계성의 중요도가 AHP 결과보다 높게 산정되었다. 이는 Fuzzy-AHP의 삼각퍼지수 변환과 가능도 비교 과정에서 전력망 수용성, 계통접속 적시성, 전력공급 안정성, 냉각용수 확보와 같은 제약적 인프라 조건의 상대적 우위가 크게 산정된 결과로 해석된다. 반면 거버넌스 사회 운영 여건과 환경 리스크 지속가능성은 AHP보다 Fuzzy-AHP에서 낮은 비중으로 산정되었으나, 두 분석에서 순위 변화는 발생하지 않았다. 따라서 Fuzzy-AHP 결과는 인프라 자원 연계성의 우선 검토 필요성을 강조하는 보완적 판단자료로 활용될 수 있으나, 거버넌스와 환경 관련 요인의 정책적 필요성이 낮다는 의미로 확대 해석하기는 어렵다. 또한 AHP 결과는 대분류 간 상대적 중요도를 비교하는 기준으로, Fuzzy-AHP 결과는 판단 불확실성이 반영된 조건에서도 인프라 자원 연계성의 우선순위가 유지되는지를 확인하는 기준으로 활용될 수 있다. 대분류 수준에서는 AHP와 Fuzzy-AHP 분석 결과의 우선순위가 일관되게 산정된 것으로 해석된다.

2. AI 데이터센터 입지 중분류의 중요도 분석

<표 5>의 Level 2 중분류 분석 결과, 전력계통 연계성이 AHP 종합중요도 0.2420, Fuzzy-AHP 종합중요도 0.3667로 모두 1순위로 산정되었다. 냉각환경 적합성은 AHP 0.1511, Fuzzy-AHP 0.1283으로 2순위로 산정되었고, 네트워크 연결성은 AHP 0.1124, Fuzzy-AHP 0.1275로 3순위로 산정되었다. 이에 따라 전력계통 연계성, 냉각환경 적합성, 네트워크 연결성이 중분류 수준의 상위 평가영역을 구성하는 것으로 확인된다.

전력계통 연계성은 인프라 자원 연계성 내부에서도 상대중요도가 높게 산정되었다. AHP 상대중요도는 0.6156, Fuzzy-AHP 상대중요도는 0.7409로 산정되어 냉각환경 적합성보다 높은 비중을 갖는다. 이는 AI 데이터센터 입지 판단에서 전력망 수용능력, 계통접속 가능성, 전력공급 안정성 등이 냉각환경보다 우선적으로 검토되는 조건임을 의미한다. 특히, Fuzzy-AHP에서 전력계통 연계성의 상대중요도가 AHP보다 높게 산정된 것은 판단 불확실성을 반영한 조건에서도 전력계통 관련 요인의 우선순위가 유지되었음을 의미한다. 또한, 네트워크 입지 기반성 내부에서는 네트워크 연결성과 부지 활용성의 상대중요도가 비교적 유사하게 산정되었으나, Fuzzy-AHP 종합중요도 기준으로는 네트워크 연결성 0.1275, 부지 활용성 0.1136의 순으로 산정되었다.

환경 리스크 지속가능성 내부에서는 환경 지속가능성이 입지 안정성보다 높게 산정되었다. 거버넌스 사회 운영 여건 내부에서는 제도 대응성이 Fuzzy-AHP 종합중요도 0.0658로 6순위, 지역 수용성이 0.0544로 7순위, 운영 생태계가 0.0172로 9순위로 산정되었다. 이는 제도 대응성과 지역 수용성이 사업 추진 가능성과 관련된 평가영역으로 일정한 중요도를 가지는 반면, 운영 생태계는 전체 중분류 간 상대 비교에서 전력계통, 냉각환경, 네트워크 및 부지 조건보다 낮은 우선순위로 산정된 결과로 해석된다. 따라서 운영 생태계의 낮은 가중치는 해당 요인의 필요성이 낮다는 의미 보다 AI 데이터센터 입지요인 전체 중에서 물리적 인프라와 입지 기반 조건의 제약성이 더 크게 평가된 결과로 해석할 필요가 있다.

3. AI 데이터센터 입지 세부요인의 종합중요도 분석

<표 6>의 Level 3 세부요인 분석 결과, Fuzzy-AHP 종합중요도 기준 상위 5개 요인은 전력망 수용성, 계통접속 적시성, 전력공급 안정성, 전원 백업성, 용수공급 안정성으로 산정되었다. AHP 분석에서도 동일한 5개 요인이 상위권을 구성하였으며, 세부 순위에서만 일부 차이가 발생하였다. 전력망 수용성은 AHP 0.0591, Fuzzy-AHP 0.0946으로 모두 1순위로 산정되었고, 계통접속 적시성은 AHP 0.0534, Fuzzy-AHP 0.0871로 모두 2순위로 산정되었다. 이는 AI 데이터센터 입지선정에서 지역 전력망의 수용능력과 계통접속 가능 시점이 사업 착수 가능성을 판단하는 중심 조건임을 의미한다.

Fuzzy-AHP 기준 상위 7개 세부요인은 모두 전력계통 연계성과 냉각환경 적합성에 속한다. 전력계통 연계성에 속하는 전력망 수용성, 계통접속 적시성, 전력공급 안정성, 전원 백업성, 전력조달 경제성은 각각 1순위, 2순위, 3순위, 4순위, 6순위로 산정되었다. 냉각환경 적합성에 속하는 용수공급 안정성과 수자원 부담도는 각각 5순위와 7순위로 산정되었다. 이에 따라 국내 AI 데이터센터 입지평가에서는 전력계통 조건이 가장 높은 우선순위를 가지며, 냉각용수 확보 가능성과 수자원 부담도 전력계통 다음으로 중요한 평가요인으로 산정되었다. 특히, AHP와 Fuzzy-AHP에서 상위 5개 세부요인의 구성이 동일하다는 점은 전력계통과 냉각환경 관련 요인의 우선순위가 분석방법의 차이에도 비교적 안정적으로 유지되었음을 의미한다.

네트워크와 부지 관련 요인도 Fuzzy-AHP 분석에서 비교적 높은 순위로 산정되었다. 개발공정 위험도는 0.0401로 8순위, 광통신 접근성은 0.0398로 9순위, 대규모 부지 확보성은 0.0394로 10순위로 산정되었다. 이는 인허가, 설계, 시공 지연 가능성, 대용량 통신망 접근성, 장기 확장 가능한 부지 확보가 전력 및 냉각 조건과 함께 입지 적합성 판단에 중요한 영향을 미치는 것으로 해석된다.

환경 지속가능성 관련 세부요인은 AHP 분석에서는 비교적 높은 순위로 산정되었으나, Fuzzy-AHP 분석에서는 중위권으로 산정되었다. 저탄소 전력접근성은 AHP 7순위에서 Fuzzy-AHP 13순위로, 자원효율 달성성은 AHP 9순위에서 Fuzzy-AHP 14순위로, 물열환경 부담도는 AHP 10순위에서 Fuzzy-AHP 18순위로 산정되었다. 이는 환경 지속가능성 요인이 장기 운영과 정책 적합성 측면에서 중요하지만, 전체 세부요인 간 상대 비교에서는 전력계통, 냉각환경, 네트워크, 부지 조건의 제약성이 더 크게 평가된 결과로 해석된다. 따라서 환경 지속가능성 관련 요인의 중위권 산정 결과는 해당 요인의 정책적 필요성이 낮음을 의미하기 보다 AI 데이터센터 입지요인 전체의 상대적 우선순위 구조에서 해석될 필요가 있다.

거버넌스 사회 운영 여건에서는 제도 대응성과 지역 수용성 관련 요인이 중위권을 형성하였다. 복합규제 예측성은 Fuzzy-AHP 15순위, 정책규제 대응성은 16순위, 입지공정성은 17순위, 주민수용성은 19순위로 산정되었다. 이는 규제 변화 대응, 입지 절차의 공정성, 주민수용성이 입지평가에서 고려되어야 하는 요인이지만, 전체 세부요인 간 상대 비교에서 전력계통, 냉각환경, 부지, 네트워크 조건보다 낮은 우선순위로 산정된 결과이다. 따라서 제도 대응성과 지역 수용성 관련 요인은 물리적 인프라 조건에 비해 상대적 우선순위가 낮게 산정된 항목으로 해석된다.

운영 생태계에 속하는 장비공급 안정성, 유지보수 생태계, 전문인력 확보성은 Fuzzy-AHP 기준 하위권으로 산정되었다. 다만 이는 해당 요인의 중요성이 낮음을 의미하기보다 전체 세부요인 간 상대 비교에서 전력계통 수용성, 계통접속 일정, 냉각용수 확보, 부지 확보 가능성 등이 더 직접적인 제약조건으로 평가된 결과이다. 따라서, 운영 생태계 관련 요인의 낮은 가중치는 입지요인 간 상대적 우선순위 산정 결과로 제한하여 해석해야 한다.

V. 논의 및 결론

1. 논의

AHP와 Fuzzy-AHP 분석결과를 비교하면, 두 분석 모두에서 인프라 자원 연계성과 전력계통 연계성이 가장 높은 우선순위로 산정되었다. 특히 전력망 수용성, 계통접속 적시성, 전력공급 안정성, 전원 백업성은 Fuzzy-AHP 기준 1순위부터 4순위까지를 차지하였다. 이는 전문가 판단의 언어적 모호성과 불확실성을 반영하더라도 전력계통 관련 요인의 우선순위가 유지된 결과로 해석된다. 따라서 AHP 결과는 평가요인 간 기본적인 상대적 중요도를 확인하는 기준으로 활용할 수 있으며, Fuzzy-AHP 결과는 판단 불확실성이 반영된 조건에서 우선순위가 유지되는지를 확인하는 보완적 기준으로 활용할 수 있다.

Fuzzy-AHP에서 인프라 자원 연계성과 전력계통 연계성의 가중치가 AHP보다 높게 산정된 것은 삼각퍼지수 변환과 가능도 비교 과정에서 전력망 수용성, 계통접속 적시성, 전력공급 안정성, 냉각용수 확보와 같은 제약적 인프라 조건의 상대적 우위가 크게 산정된 결과로 해석된다. 이는 국내 AI 데이터센터 입지선정에서 전력계통과 냉각환경 조건이 사업 추진 가능성과 운영 안정성을 결정하는 주요 요인으로 인식되고 있음을 의미한다. 다만 Fuzzy-AHP 중요도는 AHP 중요도를 대체하는 절대값이 아닌 전문가 판단의 불확실성이 반영된 조건에서 우선순위가 어떻게 유지되는지를 확인하기 위한 보완적 판단자료로 해석될 필요가 있다.

반면 환경 지속가능성, 거버넌스 사회 운영 여건, 운영 생태계 관련 요인은 중하위권으로 산정되었으며, 이는 해당 요인이 입지평가에서 배제되어야 함을 의미하지 않는다. 본 연구의 가중치는 전체 입지요인 간 상대적 우선순위를 의미한다. 따라서 환경 지속가능성, 지역 수용성, 운영 생태계 관련 요인의 낮은 가중치는 정책적 필요성의 부족을 의미하기 보다 전체 평가요인 간 비교에서 전력계통과 냉각환경의 제약성이 더 크게 평가된 결과로 해석되어야 한다.

전문인력 확보성, 유지보수 생태계, 지역편익 연계성, 인적재해 위험도 등은 Fuzzy-AHP 종합중요도 기준에서 상대적으로 낮은 순위로 산정되었다. 그러나 이들 요인은 AI 데이터센터 구축과 운영 과정에서 필요한 항목이며, 본 연구의 분석결과는 해당 요인을 제외해야 한다는 의미로 해석되기 어렵다. 해당 항목들은 전체 33개 세부요인 간 상대 비교에서 전력계통 수용성, 계통접속 일정, 전력공급 안정성, 냉각용수 확보, 부지확보 가능성보다 낮은 우선순위로 산정된 결과로 해석하는 것이 타당하다.

본 연구의 정책적 시사점은 국내 AI 데이터센터 입지정책이 전력망 수용성과 계통접속 가능성을 우선적으로 검토하는 방향으로 설계될 필요가 있다는 점이다. 현재 데이터센터 입지는 수도권 집중, 전력망 부담, 환경 규제, 지역 민원 등 여러 제약과 연결되어 있다. 따라서 국가와 지방정부는 AI 데이터센터 유치 과정에서 부지 제공이나 세제지원에 앞서 전력계통 수용능력, 계통접속 가능 시점, 전력공급 안정성, 냉각용수 확보 가능성을 사전에 검토할 수 있는 입지정보 체계를 마련할 필요가 있다. 또한 전력망 투자계획, 분산에너지 정책, 재생에너지 조달 여건, 환경 인허가 절차를 함께 검토할 수 있는 통합적 입지검토 방식이 요구된다.

실무적 측면에서 AI 데이터센터 사업자는 입지검토 과정에서 부지 가격, 네트워크 접근성, 지방정부 지원조건과 함께 전력계통과 냉각환경을 우선적으로 검토해야 한다. AI 데이터센터는 건축공사가 완료되더라도 전력망 접속이 지연되거나 냉각용수 확보가 어려우면 실제 운영 개시가 제한될 수 있다. 이에 따라 전력망 수용성, 계통접속 일정, 전력공급 안정성, 예비전원 구성, 냉각용수 확보, 전력조달 조건을 포함한 사전 타당성 검토가 필요하다. 특히 AI 데이터센터는 초기 투자규모가 크고 운영 중단 위험이 큰 시설이므로, 입지선정 과정에서 전력과 냉각 관련 조건을 면밀하게 검토하는 것이 사업 리스크를 낮추는 데 중요하다.

2. 결론

본 연구는 AI 기술 확산과 AI 서비스 수요 증가에 따라 국내 AI 데이터센터 입지선정의 중요성이 높아지는 상황에서, 입지선정 시 우선적으로 고려해야 할 요인을 도출하고 요인별 중요도를 분석하는 데 목적을 두었다. AI 데이터센터는 기존 데이터센터보다 전력수요와 냉각수요가 크고, 고성능 연산장비와 초고속 통신망을 기반으로 운영되는 시설이므로 일반 산업시설이나 기존 클라우드 데이터센터와 동일한 기준으로 입지를 평가하는 데 한계가 있다. 이에 본 연구에서는 국내외 선행연구와 전문가 인터뷰를 바탕으로 AI 데이터센터 입지요인을 도출하고, AI 데이터센터 관련 전문가를 대상으로 AHP와 Fuzzy-AHP 분석을 실시하였다.

본 연구에서는 AI 데이터센터 입지요인을 인프라 자원 연계성, 네트워크 입지 기반성, 환경 리스크 지속가능성, 거버넌스 사회 운영 여건의 4개 대분류로 설정하였다. 또한 전력계통 연계성, 냉각환경 적합성, 네트워크 연결성, 부지 활용성, 입지 안정성, 환경 지속가능성, 제도 대응성, 지역 수용성, 운영 생태계를 중분류 항목으로 구성하고, 총 33개의 세부요인을 최종 측정항목으로 선정하였다. AHP 분석에서는 전문가 쌍대비교 응답을 바탕으로 계층별 상대적 중요도와 종합중요도를 산정하였다. Fuzzy-AHP 분석에서는 동일한 쌍대비교 값을 삼각퍼지수로 변환한 후 Chang(1996)의 범위분석법을 적용하여 계층별 Fuzzy-AHP 중요도와 종합중요도를 산정하였다.

분석결과, AHP와 Fuzzy-AHP 모두에서 인프라 자원 연계성과 전력계통 연계성이 가장 높은 우선순위로 산정되었다. 세부요인 수준에서도 전력망 수용성, 계통접속 적시성, 전력공급 안정성, 전원 백업성, 용수공급 안정성이 상위권을 구성하였다. 이는 국내 AI 데이터센터 입지선정에서 지역 전력망의 수용능력, 계통접속 가능 시점, 안정적 전력공급, 예비전원 구성, 냉각용수 확보가 입지판단의 주요 조건으로 고려되어야 함을 의미한다.

학술적 측면에서 본 연구는 AI 데이터센터를 기존 데이터센터와 구분되는 입지 분석 대상으로 설정하고, 국내 입지 여건을 반영한 평가요인 체계를 구성하였다는 점에서 의의를 가진다. 기존 데이터센터 관련 연구는 일반 데이터센터의 입지, 에너지 효율, 친환경 운영, 비수도권 분산, 설립 영향요인 등을 중심으로 진행되었다. 이에 비해 본 연구는 AI 데이터센터의 고밀도 전력수요, 고발열 냉각수요, 계통접속, 저탄소 전력조달, 지역 수용성, 운영 생태계 등을 함께 고려하여 입지요인을 구성하였고, 전문가 판단을 통해 요인별 우선순위를 분석하였다. 또한 AHP 종합중요도와 Chang(1996)의 범위분석법에 기반한 Fuzzy-AHP 종합중요도를 함께 비교함으로써, 전문가 쌍대비교 판단의 계층적 중요도와 판단 불확실성을 반영한 입지요인 분석 가능성을 제시하였다.

한편, 본 연구는 AI 데이터센터 입지요인을 전문가 판단에 기반하여 분석하였다는 점에서 한계를 갖는다. 전문가 집단의 실무경험을 반영하여 분석결과의 신뢰성을 확보하고자 하였으나, 객관적인 지역별 전력망 자료, 용수공급 자료, 인허가 기간 자료, 토지가격 자료 등을 직접 결합하지는 못하였다. 또한 본 연구의 결과는 후보지별 입지 적합성 평가가 아닌 국내 AI 데이터센터 입지요인의 우선순위 분석에 해당한다. 향후 연구에서는 본 연구에서 도출된 평가요인을 바탕으로 지역별 객관지표를 결합하고, 실제 후보지별 입지 적합성을 비교하는 연구가 필요하다. 또한 Training용 AI 데이터센터와 Inference용 AI 데이터센터의 입지요인이 다를 수 있으므로, AI 워크로드 유형에 따른 입지요인 차이를 분석하는 후속 연구도 필요하다.