작성자: 줄리앙 데바르드 , Edward Tavares
전력 산업은 중대한 전환점에 서 있습니다. 2035년까지 연간 2.5%의 전례 없는 수요 증 가(2014-2024년 연간 0.5% 성장률의 5배)가 예상되며, 2030년까지 104GW의 발전 용량이 퇴역 예정인 반면 현재 계획된 확고한 대체 용량은 22GW에 불과합니다(미국 에너지부 2025년 7월 자원 적정성 보고서). 이에 따라 유틸리티는 수동 프로세스로는 대규모로 해결할 수 없는 운영상의 문제에 직면해 있습니다. 현재 추세가 지속될 경우 2030년까지 정전이 100배 증가할 수 있다는 미국 에너지부의 엄중한 경고는 혁신적인 솔루션의 시급성을 강조합니다(미국 에너지부 보고서: “미국 전력망의 신뢰성과 보안 평가”).
이러한 맥락에서, 극한 기상 현상, One Big Beautiful Bill Act와 같은 규제 격변, 데이터 센터 및 전기 자동차로 인한 폭발적인 수요 증가가 겹치면서, 이제 문제는 AI 에이전트를 채택할 것인가가 아니라 전력망의 신뢰성과 대중의 신뢰를 보호하기 위해 얼마나 신속하게 구현할 것인가입니다.
유틸리티는 운영상의 스트레스 요인이 완벽하게 결합된 상황에 직면해 있습니다. 전 세계 전력 수요는 2024년에 4.3% 증가하여 역사상 가장 빠른 평시 성장률을 기록했습니다(IEA, 2025). 2028년까지 데이터 센터만으로도 미국 전체 전력 소비량의 12%를 차지할 수 있습니다(DOE). 2030년까지 전기 자동차는 전 세계 수요를 7배 증가시킬 것으로 예상됩니다(IEA Global EV Outlook 2024). 동시에 해당 부문의 노후화된 인프라는 한계에 도달하고 있습니다. 2030년까지 104기가와트의 발전 용량이 퇴역할 예정이지만, 신뢰할 수 있는 대체 용량은 일부에 불과합니다. 수십 년 전에 건설된 송배전망이 점점 더 큰 스트레스를 받고 있어 유지보수 수요가 증가하고 있습니다.
기후 변화로 인해 이러한 문제는 더욱 복잡해집니다. 현재 미국 대규모 정전의 80%는 기상 관련 사건으로 발생합니다. 2024년 허리케인 헬렌만으로도 단일 사건으로는 사상 최고치인 431건의 송전선 고장이 발생했으며, 그 해 날씨 관련 피해액은 270억 달러에 달했습니다(NERC, 2025).
정책 또한 긴급성을 더합니다. 2025년 7월 4일에 제정된 OBBBA는 재생 에너지 배포 일정을 단축하고 주요 인센티브를 제거했습니다. 유틸리티는 전략과 투자를 신속하게 조정해야 합니다. 이 부문은 예측 가능하고 중앙 집중식 발전을 위해 구축된 수동적이고 레거시적인 프로세스에서 오늘날의 변동성에 적합한 민첩하고 데이터 기반 운영으로 전환해야 합니다.
전력망 운영자는 현대 전력망의 복잡성을 관리하는 능력을 제한하는 근본적인 데이 터 및 AI 관련 문제에 직면해 있습니다. 유틸리티 데이터는 부서 및 공급업체 전반에 걸쳐 분리된 시스템에 갇혀 있어 운영 상황을 파편화합니다. 공급업체별 NoSQL 데이터베이스에 저장된 고급 계량 인프라(AMI) 판독값은 레거시 지리 정보 시스템(GIS)의 정전 기록과 조인할 수 없으며, 로컬 서버에 사진, Word 문서 및 Excel 파일로 저장된 전봇대 검사 보고서는 포괄적인 분석을 방해합니다.
이러한 파편화는 일관성 없는 데이터 형식과 열악한 거버넌스로 인해 더욱 악화됩니다. 현장 작업자는 SQL 데이터베이스에 연결된 모바일 장치를 사용하여 자산 검사를 보고할 수 있지만, SCADA 시계열 데이터는 표준화되지 않은 타임스탬프가 있는 CSV 파일로 들어옵니다. 이러한 불일치는 신뢰할 수 없는 예측과 최적화되지 않은 유지보수 일정을 초래하여 전력망 안정성과 신뢰성에 심각한 영향을 미칩니다.
레거시 데이터 웨어하우스는 분산 에너지 자원으로부터의 유입을 수용할 수 없습니다. 초당 스트리밍되는 2차 전지 태양광의 확산은 기존 시스템을 압도하고 이상 감지 및 신속한 대응에 필요한 실시간 통찰력을 저해할 수 있습니다. 전력망이 더욱 분산되고 복잡해짐에 따라 이러한 제한은 실존적인 문제가 됩니다.
AI 에이전트는 운영 능력의 비약적인 발전을 나타냅니다. 정적 규칙을 실행하는 기존 자동화와 달리 AI 에이전트는 방대하고 다양한 데이터 세트를 종합하고, 결과로부터 학습하며, 자산 관리 및 정전 대응과 같은 도메인 전반에 걸쳐 상황 인식 결정을 내릴 수 있습니다. 이러한 시스템은 인간의 전문성을 대체하는 것이 아니라 증강합니다.
Databricks의 에 너지 및 유틸리티 부문 이사인 Julien Debard는 “AI 에이전트 배포 성공의 열쇠는 완전 자동화가 즉각적인 목표가 아니라 지능적 증강이라는 점을 인식하는 데 있습니다.”라고 말합니다. 이는 오늘날 전력망이 에너지 혼합의 복잡성, 부하 예측 및 정전 대응을 효과적으로 관리하기에는 너무 수동적으로 운영되고 있지만, 완전 자동화로의 전환은 성급하고 잠재적으로 위험할 수 있다는 점을 인정하는 것입니다. 대신, AI 에이전트가 인간 운영자가 승인해야 하는 권장 사항을 제공하고, 예외 기반 제어를 통해 에이전트가 일상적인 결정을 자율적으로 처리하지만 비정상적인 상황은 인간 검토를 위해 플래그를 지정하며, 마지막으로 정의된 매개변수 내에서 자율 운영으로 진행되는 명확한 진행 과정을 따를 것입니다.
AI 에이전트 구현에 대한 Hawaiian Electric(HE)의 경험은 이러한 변화를 고려하는 유틸리티에 대한 실질적인 로드맵을 제공합니다. 이 여정은 명확한 비즈니스 문제로 시작되었습니다. “현대 유틸리티는 까다로운 규제 환경에서 매우 복잡한 시스템을 운영합니다. 규제 기관, 고객 및 기타 이해 관계자는 우리에게 자주 질문하며, 그들은 정확하고 철저한 답변을 받을 자격이 있습니다. 이를 달성하는 것은 간단한 작업이 아닙니다. 직원들은 과거 규제 서류 및 기타 운영 데이터를 조사하고 검토하는 데 상당한 시간을 소비하여 답변을 개발합니다. 우리는 AI를 사용하여 파일 전체를 샅샅이 뒤져 직원들이 답변을 개발하는 데 사용할 관련 소스와 인용을 찾아야 합니다.” – Edward Tavares, HE 최고 정보 책임자.
기존 프로세스는 비효율적이고 오류가 발생하기 쉬웠으 며, 수천 개의 문서를 수동으로 검색하고 여러 규제 소스에 걸쳐 시간을 많이 소모하는 상호 참조가 필요했으며, 정보 요청에 대한 일관성 없는 응답을 생성하면서 조직 전체에 전문성을 확장하기 어렵게 만들었습니다.
Databricks와 협력하여 HE는 규제 문서 쿼리를 혁신한 검색 증강 생성(RAG) 모델 개념 증명(PoC)을 개발했습니다. 이 구현은 규제 문서 전반에 걸친 의미론적 검색을 위해 Databricks Vector Search, 중앙 집중식 거버넌스 및 보안 제어를 위해 Unity Catalog, 일관된 데이터 준비 및 가용성을 위해 Lakeflow Declarative Pipelines를 활용했습니다.
결과는 기대를 뛰어넘었습니다. 쿼리 응답 시간은 5분에서 5초로 60배 향상되었으며, 전체 시스템은 단 2주 만에 구현되었습니다. 대화형 RAG 챗봇은 이제 모든 응답에 대해 특정 페이지 참조를 제공하여 법무팀의 진실 공급원 역할을 하며, 투명성을 통해 신뢰를 구축하고 사용자가 AI 생성 통찰력을 원본 소스와 대조하여 확인할 수 있도록 합니다.
이러한 투명성은 정확성과 감사 가능성이 가장 중요한 규제 대상 유틸리티에 매우 중요합니다. 이 초기 배포의 성공은 다른 부서 및 운영 영역으로 AI 기능을 확장할 수 있는 기반을 마련했습니다.
이는 정의된 사용 사례에 집중하는 접근 방식을 통해 얼마나 빠르고 효율적으로 문제를 해결할 수 있는지를 보여줍니다. 유틸리티는 이러한 에이전트를 하나씩 구축함으로써 오늘날의 데이터 및 AI 솔루션에서 진정한 가치를 얻을 것입니다.
AI 에이전트의 혁신 잠재력은 여러 운영 도메인에 걸쳐 있으며, 특히 전력망 운영에 대한 네 가지 사용 사례가 특히 유망합니다.
예측 자산 관리는 아마 도 가장 즉각적인 기회일 것입니다. 시간 간격을 기반으로 한 기존의 예약 유지보수는 종종 예상치 못한 고장과 불필요한 작업 지시로 이어집니다. AI 에이전트는 자산 상태 데이터를 지속적으로 분석하여 장비 성능 저하 패턴을 식별하고 고장이 발생하기 전에 방지하도록 유지보수 일정을 최적화할 수 있습니다. Databricks를 기반으로 구축된 이러한 솔루션의 한 예는 150만 명의 고객, 2,400개의 변전소 및 250,000개의 장치에 대한 실시간 모니터링을 가능하게 했습니다. 이 시스템은 월별 보고에서 거의 실시간 보고로 전환하여 신뢰성 지표를 크게 개선하고 유지보수 비용을 절감했습니다. 사고 예방 및 안전 증진을 위해 데이터 및 AI를 사용하는 또 다른 예는 산불 예방입니다. 유틸리티는 고급 지리 공간 분석, 위성 이미지 및 LiDAR 데이터를 결합하고 수 테라바이트의 날씨 데이터를 처리하여 더 빠르고 정확한 위험 통찰력을 제공할 수 있었습니다. 특정 사례에서는 이 이니셔티브를 통해 정전 데이터 분석 범위를 3.3배 늘리고 정확도를 4.1배 향상했으며 처리 시간을 64배 단축했습니다.
지능형 정전 대응은 유틸리티 산업에서 가장 눈에 띄는 문제 중 하나를 해결합니다. 전화와 수작업 기반의 수동 인력 파견은 복구 지연과 최적이 아닌 자원 할당으로 이어집니다. AI 에이전트는 정전 이벤트와 날씨, 인력, 재고 데이터를 함께 처리하여 인력 배치를 최적화하고 복구 시간을 단축할 수 있습니다.
동적 그리드 관리는 레거시 발전소와 분산 에너지 자원에 대한 재생 에너지 통합의 증가하는 복잡성을 다룹니다. 정적인 부하 예측과 수동적인 재생 에너지 간헐성 관리는 재생 에너지 보급이 증가함에 따라 비효율성과 신뢰성 문제를 야기 합니다. 예를 들어, 재생 에너지원의 통합은 레거시 그리드 운영이 적절하게 대처할 수 없는 전례 없는 주파수 관리 문제를 야기합니다. 전통적인 화석 연료 발전기는 대규모 회전 터빈을 통해 그리드 주파수를 안정시키는 데 도움이 되는 자연적인 관성을 제공했지만, 풍력 및 태양광 설비에는 이러한 기계적 관성이 부족하여 지속적인 균형 조정이 필요한 전압 및 주파수 변동을 발생시킵니다. 이 문제는 AI 및 데이터 센터 워크로드의 새로운 수요 패턴으로 인해 더욱 복잡해지는데, 이는 수천 개의 GPU를 밀리초 단위로 즉시 가동하여 레거시 주파수 규제 시스템이 예측하거나 수용할 수 없는 갑작스러운 전력 소모를 발생시킬 수 있습니다. AI 에이전트는 실시간 주파수 데이터, 날씨 예측 및 컴퓨팅 수요 신호를 동시에 처리하여 그리드 운영을 예측하고 선제적으로 조정함으로써, 간헐적인 발전과 인간 운영자가 대응할 수 있는 것보다 빠르게 변화하는 AI 기반 소비가 모두 포함된 네트워크 전반의 안정성을 유지할 수 있습니다.
전략적 투자 계획은 데이터 기반 자본 할당 결정을 가능하게 합니다. 정적 예측에 기반한 사일로화된 CAPEX 결정은 특히 수요 패턴이 빠르게 변할 때 예상 수익을 충족시키지 못하는 경우가 많습니다. AI 에이전트는 자산 상태 데이터, EV 채택 추세 및 개발 계획을 통합하여 CAPEX 시나리오의 순위를 매기고 시뮬레이션함으로써, 유틸리티가 최대 수익을 제공하고 변화하는 수요 패턴에 대비하여 네트워크를 미래에 대비할 수 있도록 돕습니다.
성공적인 AI 에이전트 배포에는 기존 유틸리티 시스템을 괴롭히는 데이터 문제를 해결하는 강력한 기술 기반이 필 요합니다. 최신 데이터 플랫폼은 단일 관리 환경 내에서 구조화된 운영 데이터, 지리 공간 정보, 이미지, 오디오, 비디오 및 비정형 문서와 같은 다중 모달 데이터 유형을 처리해야 합니다. Databricks의 레이크하우스 아키텍처는 데이터 레이크의 유연성과 데이터 웨어하우스의 성능 및 안정성을 결합하여 이 기반을 제공합니다.
벤더 종속을 피하려면 오픈 소스 기반 위에 구축된 플랫폼이 필요합니다. Delta Lake, Unity Catalog 및 개방형 데이터 형식은 기존 시스템과의 통합을 가능하게 하면서 장기적인 유연성을 보장합니다.
민감한 고객 데이터와 중요 인프라 정보를 처리하는 유틸리티의 경우, 거버넌스 기능은 필수적입니다. Unity Catalog는 모든 워크스페이스에서 세분화된 액세스 제어, 감사 로깅 및 계보 추적을 제공하여 AI 에이전트가 규제 요구 사항을 준수하면서 적절한 보안 경계 내에서 작동하도록 보장합니다.
최신 그리드는 초당 미만의 의사 결정 능력을 필요로 합니다. Structured Streaming, Lakeflow Pipelines 및 실시간 모델 서빙을 통해 AI 에이전트는 고속 데이터 스트림을 처리하고 운영 의사 결정을 위한 즉각적인 통찰력을 제공하여 데이터 수집과 실행 가능한 정보 간의 시간 격차를 해소할 수 있습니다.
AI 에이전트 배포를 고려하는 유틸리티는 적절한 계획과 파트너십을 통해 해결할 수 있는 몇 가지 일반적인 과제에 직면합니다. 많은 유틸리티는 고급 AI 시스템 개발을 위한 사내 전문성이 부족하여, 숙련된 공급업체와의 파트너십이 필수적이며 필요한 장기적인 조직 역량을 구축하기 위해 인력 개발에 투자해야 합니다.
레거시 시스템 통합은 신중한 계획과 단계적 접근 방식을 필요로 하며, 아직 현대화되지 않은 중요 애플리케이션이 클라우드의 새로운 통합 데이터 세트에서 작동하도록 보장합니다.
보안 및 규정 준수 문제는 규제 요구 사항을 해결하는 강력한 거버넌스 프레임워크와 보안 제어를 요구하며, 동시에 혁신을 가능하게 합니다. Unity Catalog의 포괄적인 보안 모델은 최신 플랫폼이 기능성을 희생하지 않으면서 유틸리티 등급의 보안 요구 사항을 어떻게 충족할 수 있는지 보여줍니다.
문화 변화 관리는 AI 에이전트 배포의 가장 어려운 측면이 될 수 있습니다. 수동 운영에서 AI 지원 운영으로의 전환은 상당한 조직적 변화를 필요로 합니다. AI의 역할을 대체가 아닌 증강 도구로 명확하게 소통하고, 광범위한 교육과 점진적인 구현을 통해 조직적 수용을 구축하고 성공적인 채택을 보장합니다.
자율 그리드 운영으로의 전환은 조직적 신뢰를 구축하고 시스템 신뢰성을 보장하기 위해 신중한 조정이 필요합니다. 이 진화는 일반적으로 세 가지 뚜렷한 단계를 거치며, 각 단계는 다음 수준의 자동화를 위한 자신감과 역량을 구축합니다.
초기 단계는 인간 감독에 중점을 두며, AI 에이전트는 완전한 투명성을 가지고 권장 사항을 제공하고 인간 운영자가 모든 조치를 검토하고 승인합니다. 이 기간 동안 의사 결정에 대한 상세한 로깅은 지속적인 개선을 가능하게 하며, 자신감을 구축하기 위해 중요하지 않은 애플리케이션에 중점을 둡니다. 성공 지표에는 인간 결정 대비 AI 권장 사항의 정확성, 더 빠른 정보 처리를 통한 시간 절약, 사용자 채택률이 포함됩니다.
두 번째 단계는 예외 기반 제어를 도입하며, AI 에이전트는 일상적인 결정을 자율적으로 처리하지만 복잡하거나 특이한 상황은 자동으로 인간에게 에스컬레이션됩니다. 이 단계는 인간 피드백으로부터의 지속적인 학습을 강조하며 점진적으로 더 중요한 애플리케이션으로 확장됩니다. 주요 지표는 자율적으로 처리된 결정의 비율, 잘못된 양성 에스컬레이션 감소, 응답 시간 개선으로 전환됩니다.
최종 단계는 정의된 매개변수 내에서 자율 운영을 가능하게 하며, 인간 감독은 전략적 지침 및 예외 처리에 중점을 둡니다. 운영 경계의 지속적인 모니터링 및 조정은 안전한 확장을 보장하며, 엔터프라이즈 시스템과의 완전한 통합은 가치를 극대화합니다. 성공 척도에는 전반적인 운영 효율성 개선, 고객 만족도 점수, 비용 절감 성과가 포함됩니다.
성능 향상: 유틸리티 운영의 규모와 점진적인 개선의 누적 효과를 고려할 때 AI 에이전트 배포의 재정적 사례는 설득력이 있습니다. 정전 대응 최적화는 개선된 인력 배치를 통해 서비스 복구 시간을 30% 단축할 수 있으며, 예측 자산 관리는 유지 보수 효율성을 25% 향상시킬 수 있습니다. 부하 예측 정확도 15-20% 향상은 더 나은 자원 계획과 운영 비용 절감으로 이어지며, 고객 서비스 자동화는 콜센터 비용을 40-50% 절감할 수 있습니다.
비용 회피: 운영 효율성 향상 외에도 AI 에이전트는 비용이 많이 드는 긴급 수리를 방지하는 장비 문제의 조기 감지, 운영 비용을 절감하는 최적의 자원 할당, 규정 준수 비용 및 벌금을 줄이는 더 빠르고 정확한 규정 보고를 통해 상당한 비용 회피를 가능하게 합니다.
수익 증대 기회에는 고객 만족도 및 유지율로 직접 이어지는 그리드 신뢰성 향상, 에너지 시장 참여 최적화를 가능하게 하는 더 나은 부하 관리, 경쟁 시장에서 고객 만족도를 지원하는 향상된 서비스 품질이 포함됩니다.
지능형 그리드 운영으로의 전환은 하룻밤 사이에 일어나지 않겠지만, 오늘 여정을 시작하는 유틸리티는 앞으로의 어려움을 헤쳐나갈 수 있는 최선의 위치에 있을 것입니다. 성공을 위해서는 더 빠른 가치 실현을 위해 숙련된 기술 파트너와 함께 우선 순위가 낮은 위험, 높은 가치의 사용 사례를 식별하고 성공적인 파일럿을 조직 전체에 확장하기 위한 계획을 세워야 합니다.
유틸리티 산업이 수동 운영에서 자율 운영으로 전환하는 것은 전기 그리드 자체의 개발 이후 가장 중요한 기술 변화 중 하나입니다. 노후화된 인프라부터 극한의 기상 현상, 전례 없는 수요 증가에 이르기까지 상당한 과제가 있지만, 이를 해결할 수 있는 도구는 오늘날 이용 가능합니다.
AI 에이전트는 투명성을 통해 신뢰를 구축하고 조직이 지능형 자동화에 익숙해짐에 따라 점진적으로 기능을 확장하면서, 인간의 전문성을 대체하는 것이 아니라 증폭하는 길을 제공합니다. Hawaiian Electric이 단 2주 만에 규제 문서 쿼리 시간을 5분에서 5초로 단축한 성공 사례는 이 기술이 프로덕션 배포 준비가 되었음을 보여줍니다.
유틸리티 리더들이 직면한 질문은 AI 에이전트가 그리드 운영을 변화시킬 것인가 하는 것이 아니라, 그들의 조직이 이 변화를 주도할 것인가 아니면 따라잡기 위해 고군분투할 것인가 하는 것입니다. 향후 18~24개월은 어떤 유틸리티가 전기의 시대에 리더로 부상할지를 결정할 가능성이 높습니다.
지능형 그리드의 시대가 시작되었습니다. 오늘날 AI 에이전트를 수용하는 유틸리티는 내일의 커뮤니티에 전력을 공급할 것입니다.
자세히 알아보려면 에너지 분야 Databricks 솔루션 페이지를 방문하십시오.
(이 글은 AI의 도움을 받아 번역되었습니다. 원문이 궁금하시다면 여기를 클릭해 주세요)
블로그를 구독하고 최신 게시물을 이메일로 받아보세요.