전기차 값 낮추는 배터리 전략의 전환

소형 전기 픽업 Slate가 배터리 전략을 바꾼 이유와 의미

Slate가 공개한 출고가 24,950달러와 함께 배터리 구성이 바뀐 결정은 단순한 스펙 조정이 아니다. 선택사양으로 제공하던 240마일 패키지를 없애고 표준 배터리의 주행가능 거리를 150마일에서 205마일로 끌어올린 조치는 비용 구조와 공급망, 기술 트렌드가 함께 맞물린 결과다. 핵심은 비용이 낮고 내구성 측면에서 실용성이 개선된 리튬인산철 배터리를 채택한 데 있다.

리튬인산철 배터리는 같은 부피에서 제공하는 에너지량은 니켈망간코발트 배터리보다 적다. 그러나 생산 원가가 대체로 약 40퍼센트 낮다는 점이 중요한 차별점이다. Slate는 초기에는 니켈망간코발트 배터리를 계획했으나 원재료인 니켈과 코발트의 가격 부담과 공급망 이슈 때문에 전략을 전환했다. 또 한 가지 변화를 부추긴 요소는 정책 환경이다. 특정 배터리 소재의 원산지 조건이 세제 혜택 적용에 영향을 주던 구조가 바뀌면서 해외 제조업체가 다시 고려 대상이 됐다.

공급 측면에서는 중국계 제조사가 리튬인산철 분야에서 점유율을 넓혔다는 점이 배경으로 등장한다. Slate는 중국계 배터리 업체와 협력해 미국 내 공장에서 셀을 생산하는 방안을 추진한다고 밝혔다. 제조 설비를 국내에 두는 구조는 물류와 규제의 불확실성을 낮추는 효과가 있으며 지역 생산을 통한 조달 안정성을 높이는 장점이 있다. 다만 이 협력 방식이 장기적으로 어떤 리스크와 이점을 안겨줄지 판단하려면 공급계약의 조건과 생산 품질, 납기 준수 등 추가 정보가 필요하다.

기술적 변화도 한몫한다. 업계 전반이 셀을 모듈에 넣는 전통적 조립 방식에서 셀을 곧바로 팩에 배치하는 셀 투 팩 방식으로 이동하면서 공간 활용과 제조 공정이 간소화됐다. 이 방식은 상대적으로 에너지 밀도가 낮은 리튬인산철 셀이 소형 차량에 채용될 때 범위를 보완하는 효과를 낸다. 또한 리튬인산철은 완전 충전 상태로 사용해도 열화 우려가 적은 특성이 있어 일상 사용에서 배터리 용량을 더 적극적으로 활용할 수 있다.

결론적으로 Slate의 변화는 제품 단순화와 가격 경쟁력 확보를 향한 선택이다. 리튬인산철의 원가 우위와 셀 투 팩 기술의 결합은 저가 전기차 전략에 부합한다. 다만 이 전략이 장기적으로 의미를 가지려면 공급 안정성, 품질 관리, 충전 인프라 확충과 같은 주변 조건이 뒷받침돼야 한다.

AI 도구 확산 속에서도 엔지니어 수요가 유지되는 구조

AI가 일자리를 대체할 것이라는 주장이 광범위하게 제기되는 가운데, 고용 데이터는 그 단순한 결론을 지지하지 않는다. 기업들의 해고 사유로 AI가 자주 언급되지만 실제 고용에서 엔지니어 역할은 상대적으로 탄탄했다. 벤처기업 연구 그룹의 분석에 따르면 대형 기술기업 전반의 채용은 2019년과 비교해 둔화했지만 엔지니어 채용은 그보다 덜 감소했으며 일부 집단에서는 오히려 비중이 늘어났다.

데이터를 수집한 방식은 일시적인 해고 통보보다 개별 근로자의 경력 변화 추적에 초점을 맞추었다. 실직 통보가 외부에 공개되는 시점과 실제 프로필 갱신 시점 사이에는 시차가 생기기 쉬우므로, 실시간 채용 데이터를 활용하는 접근이 노동시장의 변화 양상을 보다 민감하게 포착하는 데 도움이 된다. 해당 분석에서 엔지니어는 주요 기술 기업들의 신규 채용 가운데 상당 비중을 차지했다는 사실이 드러났다.

이런 현상은 기술 생산성 향상이 반드시 인력 수요 감소로 이어지지 않는 전형적 사례를 보여준다. AI 기반 도구가 코드 작성과 반복 작업을 빠르게 처리하면서 엔지니어들이 더 많은 기획과 고난도 과제, 새로운 제품 개발에 투입되는 경향이 강화됐다. 업계 리더들의 발언도 유사한 관점을 뒷받침한다. 일부 경영진은 AI가 엔지니어의 업무량을 줄였다는 주장에 반대하며 오히려 새로운 아이디어와 추가 작업이 생겨나고 있다고 설명했다.

한편 분석 결과를 해석할 때는 표본과 범위의 한계를 고려해야 한다. 데이터는 특정 대형 기술기업과 초기 단계 스타트업을 중심으로 수집됐다. 업계 전반의 모든 고용 변화를 동일선상에서 일반화하기는 어렵다. 기업별 전략, 사업 구조, 자동화 도입 속도에 따라 영향을 받는 직군과 시기는 달라진다. 결국 AI 도구는 업무의 성격을 바꾸고 인력의 역할을 재편하지만 이 과정에서 엔지니어 수요가 즉각적으로 줄어들지 않는다는 점이 확인된다.

OpenAI의 추론용 칩 ‘Jalapeño’가 의미하는 것

OpenAI가 Broadcom과 협력해 개발한 추론 전용 칩인 Jalapeño는 인프라를 자체적으로 최적화하려는 전략의 다음 단계다. 칩 설계 단계에서 OpenAI의 모델이 개발에 참여했다는 점은 소프트웨어와 하드웨어의 연동을 깊게 고려한 접근을 보여준다. 초기 시험 결과는 기존 대안 대비 전력 효율 면에서 유의미한 개선을 보인다고 보고했다.

추론 작업은 이미 학습된 모델을 사용자 요청에 응답시키는 과정이다. 대량의 추론이 필요한 실시간 서비스에서는 전력과 운영비용이 전체 비용구조에서 큰 비중을 차지한다. 따라서 추론 효율을 조금만 개선해도 비용절감 효과가 누적되면서 수익성에 직접적인 영향을 준다. OpenAI는 추론을 많이 요구하는 실시간 코딩 모델 같은 제품에서 운영비용 절감 효과가 특히 클 것으로 전망했다.

다만 칩이 아직 테스트 단계라는 사실은 주목해야 한다. 실험실이나 제한된 환경에서 나타난 전력 효율 개선이 실제 대규모 데이터센터 운영 환경에서도 동일하게 재현될지 여부는 추가 검증이 필요하다. 또한 사전 학습처럼 막대한 병렬 연산과 메모리 대역폭을 요구하는 작업은 여전히 기존 GPU 기반 인프라가 더 적합할 가능성이 있다. OpenAI 측도 현재로서는 일부 워크로드에서는 기존 하드웨어에 의존할 수밖에 없음을 시사했다.

이번 행보가 기술 생태계에 주는 시사점은 복합적이다. 칩 설계에서 소프트웨어와 하드웨어, 운영체제 수준의 최적화까지 통합하면 전체 비용구조와 성능을 동시에 개선할 수 있다. 여러 기업들이 유사한 목적의 전용 실리콘을 개발하는 추세는 AI 서비스 제공 방식이 점점 수직 통합적이 되고 있음을 보여준다. 실제 성과는 확장성, 생산능력 확보, 생태계 지원 도구의 완성도에 좌우된다.

결국 Jalapeño의 중요성은 장기적 비용 구조와 운영 모델을 바꿀 잠재력에 있다. 초기 성과가 검증되고 확장이 매끄럽게 이뤄진다면 추론 비용이 낮아져 실시간 AI 서비스의 보급과 경제성이 개선될 수 있다. 반대로 검증 과정에서 나타나는 한계들은 이 같은 전략이 어느 조건에서 유효한지 다시 평가하게 만들 것이다.