지속가능성 팀은 한계에 직면해 있습니다. 이들은 보고서 작성과 규정 준수부터 책임 있는 조달 전략 개발, 수많은 출처에서 데이터 수집에 이르기까지 모든 업무를 처리합니다. 대형 브랜드에서조차 이 팀들은 보통 소규모로 구성되어, 본래 구현하려던 의미 있는 지속가능성 전략을 추진하기보다는 스프레드시트에 파묻혀 시간을 보내는 경우가 많습니다. 고효율 AI의 약속이 그토록 매력적으로 느껴지는 것도 당연합니다.

업계 전문가들은 AI가 환경 보고 자동화, 데이터 품질 향상, 다양한 필요에 따른 정보 재구성, 추적 가능성 검증 등을 통해 지속가능성 팀과 공급망 파트너 양측의 부담을 덜어줄 수 있다고 제안합니다. AI는 또한 더 스마트한 원자재 사용과 더 정확한 수요 예측을 통해 공급망 자체 내에서 잠재적인 효율성 향상을 제공합니다. 아웃도어 브랜드 코토팍시(Cotopaxi)의 임팩트 및 지속가능성 부사장 애니 아글(Annie Agle)은 "AI는 확실히 지속가능성 팀의 보고 업무를 도와주어 규정 준수보다 전략적 프로그램에 더 집중할 수 있게 해준다"고 말합니다.

그러나 주의사항이 있습니다. 조직 수준에서 AI를 사용할 때의 진정한 환경적 영향은 대부분 불분명합니다. 신중한 모니터링 없이는, 브랜드들이 환경 영향을 줄이기 위해 도입한 바로 그 기술을 통해 의도치 않게 탄소 발자국을 증가시킬 수 있습니다.

아글은 "장점은 분명하지만, 아직 완전히 이해되지 않은 부정적 영향도 존재한다는 것을 우리는 알고 있다"고 지적하며, "그 디지털 발자국이 우리의 온실가스 측정에 어떻게 영향을 미치는지 아직 모른다"고 덧붙였습니다.

지속가능성 팀이 AI를 어떻게 통합하고 이러한 불확실성에 대처하고 있는지 알아보기 위해, 보그 비즈니스(Vogue Business)는 다양한 규모와 시장 부문의 브랜드들을 선별하여 인터뷰했습니다. 일부는 수년간 AI를 사용해 온 반면, 다른 브랜드들은 아직 실험 단계에 있지만, 모두 AI가 미래 운영에 역할을 할 것이라는 데 동의했습니다.

지속가능성 팀의 AI 활용 방식

H&M은 공급망, 물류, 마케팅, 판매, 고객 경험 전반에 걸쳐 AI를 사용하고 있다고 보고합니다. 이 브랜드는 AI가 생산 수량, 판매 지역, 시기를 최적화하여 판매하는 제품만 생산하겠다는 목표를 지원한다고 설명합니다. H&M은 "이는 자원 사용, 재고, 원자재, 배출량에 긍정적인 영향을 미친다"고 설명했습니다.

구찌(Gucci), 발렌시아가(Balenciaga) 등의 브랜드를 보유한 럭셔리 그룹 케링(Kering)은 2026년 3월 피에르 울레(Pierre Houlès)를 최고 디지털·AI·IT 책임자로 임명했습니다. 이 회사는 수년간 선별된 브랜드들에 걸쳐 AI를 구현해 왔습니다. H&M과 마찬가지로 케링도 분석 AI를 사용하여 각 제품의 수요를 예측하고 재고 수준을 최적화한다고 최고 지속가능성·기관 관계 책임자 마리클레어 다브(Marie-Claire Daveu)는 전했습니다. 코토팍시와 유사하게, 보고 신뢰성 자동화 및 향상을 위해 AI를 활용하며, 케링 현장에서 데이터를 자동으로 수집하고 지능적으로 수정하는 도구를 사용합니다. 제품 개발 단계에서는 보다 지속가능한 소재를 연구하는 이탈리아 기반 소재 혁신 연구소(Material Innovation Lab)가 디자인 팀에 기술적 지침을 제공하는 에코디자인 AI 에이전트를 만들었습니다. 이는 종종 분리되어 있는 디자인 팀과 지속가능성 팀 간의 간극을 메우고, 한 그룹의 성과가 다른 그룹의 목표를 훼손하지 않도록 보장합니다.

H&M과 케링이 수년간 핵심 운영에 AI를 통합해 온 반면, 다른 브랜드들은 주로 업무 부담을 덜기 위해 AI를 사용하고 있습니다. 에버레인(Everlane)의 CEO 앨프레드 창(Alfred Chang)은 보그 비즈니스에 보낸 성명에서 "AI에 관해서는 우리는 아직 탐색의 초기 단계에 있다"며 "일상적인 내부 프로세스를 지원하고 시간을 절약할 수 있는 방법에 집중하고 있다"고 말했습니다.

아글은 자신의 소규모 팀이 AI를 사용하여 원시 공급업체 데이터를 온실가스(GHG) 측정값으로 변환하고, 다양한 보고서를 위해 데이터를 재구성하며, 더 넓은 팀이 회사의 영향력을 이해할 수 있도록 시각화 자료를 만든다고 지적합니다. 그는 "정말 생산성에 도움이 된다. AI를 도입하지 않는 기업들은 상업적으로 경쟁하기 어려워질 것이라고 확신한다"고 말합니다.

프랑스 기술 기업 렉트라(Lectra)의 부대표이사 막시밀리앙 아바디(Maximilien Abadie)도 동의합니다. 렉트라는 패션 브랜드가 지속가능성 목표를 달성하도록 돕는 AI 솔루션을 제공합니다. 예를 들어 추적 가능성 데이터 검증 및 원단 절단 최적화를 통해 과잉 주문을 줄이는 것 등이 있습니다. 그러나 아바디는 가장 큰 기회는 시장 출시 시간 단축에 있다고 믿습니다. "어떤 패션 기업에게나 도전 과제는 매일 발생하는 혼란과 불확실성이 가득한 세계에서, 3개월 또는 6개월 후에 무슨 일이 일어날지 예측할 수 없는 상황에서 어떻게 경쟁력을 유지하느냐는 것이다. 적절한 시기에, 적절한 제품을, 적절한 가격으로, 적절한 수량으로, 적절한 소비자에게 제공해야 한다."

폐기물을 줄이고 공급망을 최적화하기 위해 AI가 사용되는 동시에, 상업적 및 창의적 목적으로도 널리 배포되고 있습니다. 스페인 리테일러 망고(Mango)의 최고 정보기술책임자(CIO) 조르디 알렉스(Jordi Alex)는 "2018년 이후 우리는 창의성, 효율성, 고객 서비스를 향상시키기 위해 구축된 15개 이상의 내부 머신러닝 플랫폼을 개발했다"고 말합니다.

알렉스에 따르면, 망고는 이러한 플랫폼 대부분을 자체 개발했습니다. 여기에는 연간 750만 건 이상의 고객 문의를 처리하는 AI 어시스턴트 아이리스(Iris)가 포함됩니다. 또 다른 도구인 가우디(Gaudi)는 고객의 브라우징 및 구매 데이터를 사용하여 맞춤형 제품 추천을 생성합니다. 망고는 또한 캠페인 및 컬렉션 이미지를 생성하기 위해 생성형 AI를 사용합니다. 지속가능성 이상의 이러한 광범위한 응용 프로그램은 브랜드들이 AI의 근본적인 환경적 영향을 검토해야 할 필요성을 더욱 절실하게 만듭니다.

알려지지 않은 영향

AI 성장이 에너지와 물 수요를 증가시켰다는 것은 널리 인정되고 있습니다. 물은 데이터 센터 냉각에 사용됩니다. 2025년 네이처(Nature)지에 실린 논문에 따르면, 현재 성장률로는 미국 내 AI 서버만으로도 2,400만~4,400만 톤의 이산화탄소(CO₂)를 발생시킬 것이라고 합니다. 이는 미국 도로에 500만~1,000만 대의 자동차를 추가하는 것과 맞먹는 양입니다. 연간 물 발자국은 7억 3,100만~11억 2,500만 입방미터에 달하며, 많은 데이터 센터가 세계에서 가장 건조한 지역 중 일부에 위치해 있어 이 문제는 더욱 심각합니다. 2025년 4월, 국제에너지기구(IEA)는 데이터 센터가 2024년 전 세계 에너지 소비의 1.5%를 차지했으며, 이 수치는 2030년까지 3%로 증가할 것으로 예상된다고 보고했습니다.

데이터 센터가 AI 외에도 더 많은 것을 지원하지만, AI 작업 부하는 2030년까지 모든 데이터 센터 용량의 절반을 차지할 것으로 예상되어, 그 상당하고 증가하는 에너지 수요를 강조합니다. 미국 AI 기업 앤트로픽(Anthropic)은 자사 기술에 필요한 전력망 용량과 데이터 센터 성장이 소비자들의 전기 요금을 인상할 것이며, 관련 인프라 비용을 부담하겠다고 밝혔습니다. 해당 회사는 논평 요청에 응답하지 않았습니다.

더 광범위한 예측은 가능하지만, 조직 수준에서 AI의 영향을 계산하는 것은 훨씬 더 까다롭습니다. 코토팍시의 아글은 "비AI 기업이 AI의 영향을 이해하는 것은 매우 복잡할 것이다. 당신의 서비스이고 데이터 센터를 소유하고 있다면, 냉각에 필요한 전기와 물 사용량을 셀 수 있다"고 말합니다. 그러나 모든 기반 인프라를 통제하지 않는 패션 브랜드의 경우, 전체 발자국을 평가하는 것은 여전히 도전 과제입니다. 모든 직원이 ChatGPT로 이메일을 작성하든 내부 도구로 데이터를 수집하든, AI를 어떻게 사용하는지 정확한 수치를 도출하는 것은 극히 어렵습니다. 이 계산은 또한 제3자가 데이터를 사용할 수 있도록 AI 기업들이 자체 영향을 측정하고 검증하는 데 달려 있습니다. 그러나 오픈AI(OpenAI), 퍼플렉시티(Perplexity), 앤트로픽과 같은 주요 업체들은 어떠한 배출 데이터도 공개하지 않았으며, 논평 요청에 응답한 곳도 없습니다.

케링은 데이터 센터와 클라우드 사용을 포함한 IT 활동 전반에 걸친 AI의 환경적 영향을 면밀히 모니터링하며, IT가 총 탄소 발자국의 2% 미만을 차지한다고 밝혔습니다. 연락된 기업들 중 케링은 완화 전략의 개요를 공유한 유일한 기업이었습니다: 단순하고 자원 효율적인 모델을 우선시하고, 탈탄소화를 지원하고 탄소 보고 투명성을 개선하기 위해 기술 파트너들과 협력하는 것입니다.

케링은 데이터 출처를 명시하지 않았으며, 현재 표준화된 지표는 없습니다. 미래에 비교 가능한 평가를 가능하게 하기 위해, 프랑스 정부, 유엔 환경계획(UNEP), 국제전기통신연합(ITU)이 주도한 지속가능한 AI 연합(Coalition for Sustainable AI)은 글로벌 표준화를 요구하고 있습니다. 이를 위한 한 걸음으로, ITU는 2026년 2월 AI 시스템의 환경적 영향을 평가하고 최소화하기 위한 지침을 발표했습니다. 또한 2026년 1월, 자연 관련 재무 공개 태스크포스(TNFD)는 조직이 자연 관련 의존성, 영향, 위험, 기회를 평가할 수 있도록 기술 및 통신 부문을 위한 부문별 지침 초안을 발표했습니다. 이는 생산 또는 운송 영향 보고에 사용되는 것과 유사한 표준화된 시스템을 향한 초기 단계입니다.

견고한 프레임워크가 수립되고 널리 채택될 때까지, 브랜드들은 나아갈 길을 스스로 찾아야 합니다. AI 발자국 계산을 위한 글로벌 표준이 없는 상황에서, 코토팍시는 대략적인 추정치를 사용하여 그 영향을 이해할 계획입니다. 아글은 "첫 번째 단계는 우리의 사용량을 이해하는 것이다. AI 제공업체와 어떤 계약을 맺고 있는가? 직원들로부터 어떤 종류의 사용이 관찰되는가? 클로드(Claude)와 같은 도구를 사용하는 특정 수의 직원이 있고, 클로드가 일련의 배출량을 보고한다면, 그중 우리가 소유하는 비율은 얼마인가? 측정하기는 어려울 것이지만, 우리는 시도해야 한다"고 말합니다.

측정에서 완화로

코토팍시에게는 영향 측정이 책임 있는 AI 정책을 수립하는 첫 번째 단계입니다. 일부 브랜드는 이미 그러한 정책을 시행하고 있습니다. H&M은 2018년 책임 있는 AI 프레임워크를 개발했으며, 망고에서의 AI 도입은 스티어링 위원회가 주도합니다. 망고 대표는 "중앙 집중식 거버넌스, 교육, 그리고 AI 채택을 지원하고 모범 사례를 공유하는 내부 대사인 'AI 챔피언'과 같은 프로그램을 통해, 우리는 AI가 올바르게 채택되고 우리 직원들이 그들의 잠재력을 실현하도록 돕는다"고 말합니다. 그러나 많은 기존 정책들은 환경적 요인보다는 안전성, 편향 방지, 투명성과 같은 AI의 윤리에 초점을 맞추고 있습니다.

프랑스 생태 전환부의 검소한 AI 사용을 위한 일반 프레임워크는 모범 사례와 측정에서 완화로 나아가는 방법에 대한 지침을 제공하여 그 격차를 메우고자 합니다. 이 부처는 브랜드들이 몇 가지 단계를 고려할 것을 제안합니다. 특정 작업에 AI가 정말 필요한지 질문하고, 데이터 센터가 재생 에너지에 의존하는 시간에 AI 교육을 예약하며, 컴퓨팅 수요를 줄이기 위해 정확하고 고품질의 훈련 데이터를 사용하고, 덜 에너지 집약적인 AI 모델이 효과적일지 탐색하는 것입니다.

데이터 센터로 구동되는 대형 다목적 AI 플랫폼이 일반적이지만, 대안도 존재합니다. 영국 기반 리터럴 랩스(Literal Labs)는 뉴캐슬 대학의 스핀아웃 기업으로, 값비싼 전문 그래픽 처리 장치(GPU)가 필요 없는 효율적인 AI 모델을 만드는 데 집중합니다. 대신, 그들의 모델은 TV 리모컨이나 전자레인지와 같은 일상 기기에 있는 더 작고 저렴하며 효율적인 칩에서 실행됩니다. 그들은 ChatGPT와 같은 시스템 뒤에 있는 복잡한 신경망을 훨씬 적은 컴퓨팅 성능을 요구하는 더 단순한 "만약/그러면" 논리 기반 네트워크로 대체하여 이를 달성합니다.

이 회사의 최고 제품 책임자(CPO) 다니엘 다이크스(Daniel Dykes)에 따르면, 이 접근 방식은 기능 면에서 어떠한 타협도 보이지 않습니다. 신경망과 논리 기반 네트워크 모두 복잡한 데이터를 처리하기 위해 딥러닝을 수행할 수 있습니다. 한 식품 회사의 수요 예측 테스트에서, 그들의 논리 기반 네트워크는 주요 신경망 경쟁사보다 7% 더 정확했습니다.

다이크스는 "알고리즘이 전문 하드웨어, 데이터 센터, 또는 새로운 발전소를 필요로 하지 않는다면, 현재 AI가 제기하는 많은 문제들을 해결한 것이다"라고 지적합니다. EMEA 지역 및 수도 사업과 같은 부문에서 운영되는 이 회사는 자사의 훈련 과정이 동등한 신경망보다 50배 이상 에너지 효율적이고 54배 빠르다고 주장합니다.

또 다른 영국의 혁신 기업 딥게이트(DeepGate)는 더 작은 칩에서 실행되는 AI를 개발 중이며, "웨이크 워드"(예: "Hey Siri")를 효율적으로 감지하고 이미지를 분류합니다. 더 까다로운 시스템을 완전히 대체하지는 않지만, 많은 특수 작업이 GPU 대신 더 저렴하고 에너지 효