하룻밤 사이 먹통이 된 스마트 미터 73,000개, 인프라 AI 구축 방식의 총체적 결함을 드러내다

중견 상수도 유틸리티의 운영을 총괄하는 친구가 토요일 아침에 제게 전화를 걸었습니다. 안부를 물으려는 게 아니라, 하소연을 하려고요. 그의 팀은 전주에 자사 스마트 미터 전체에 배포한 펌웨어 업데이트가 수천 개 계정의 청구 데이터를 조용히 손상시켰다는 사실을 막 발견한 참이었습니다. 대시보드상으로 미터기들은 멀쩡해 보였습니다. 사방이 온통 초록불이었죠. 하지만 청구 시스템으로 흘러들어가는 수치는 잘못돼 있었고, 고객 불만이 밀려들 때까지 아무도 눈치채지 못했습니다.

"공급업체는 이게 알려진 문제라고 하더군요." 그가 말했습니다. "패치를 작업 중이라고요."

저는 미터기들이 얼마나 오랫동안 잘못된 데이터를 보내고 있었는지 물었습니다. 그는 잠시 말을 멈췄습니다. "아마 아흐레쯤 된 것 같아요."

그 대화는 오래도록 제 마음에 남았습니다 — 기술이 실패했기 때문이 아니라, 그것이 얼마나 눈에 보이지 않는 실패였는지 때문이었습니다. 이 미터기들은 오프라인이 된 것이 아니었습니다. 계속 정상적으로 돌아가면서, 그럴듯해 보이지만 은밀하게 잘못된 데이터를 전송하고 있던 미터기들이었죠. 그리고 제가 북미와 영국 전역의 스마트 미터 장애라는 실타래를 풀기 시작했을 때, 저는 친구의 토요일 아침 위기가 훨씬 더 큰 이야기의 각주에 불과하다는 것을 깨달았습니다.

73,000개의 미터기가 침묵한 밤

텍사스주 플레이노(Plano)에서는 시가 Aclara Technologies의 스마트 수도 미터 87,000개에 1,020만 달러를 투입하며 20년은 쓸 것으로 기대했습니다. 그런데 2023년이 되자 배터리가 일찍 방전되기 시작했습니다. 공급업체의 해법은? 전력 소비를 최적화하기 위해 2024년 11월에 배포한 원격 펌웨어 업데이트였습니다.

그 업데이트는 미터기 73,000개를 먹통으로 만들었습니다.

"성능 저하"가 아닙니다. "간헐적 문제"도 아닙니다. 전자식 전송 시스템이 그냥 작동을 멈춰 버린 것입니다. 댈러스-포트워스 대도시권에 위치한 인구 약 30만 명의 도시 플레이노는 임시 검침원 20명을 고용해 집집마다 걸어서 검침하는 방식으로 되돌아가야 했습니다. 비용은 2년에 걸쳐 순전히 인력에만 76만 5,000달러였습니다.

저는 이 일의 씁쓸한 아이러니를 자꾸만 곱씹게 됩니다. 펌웨어가 고쳐야 할 것은 배터리 문제였습니다. 그런데 오히려 국지적인 하드웨어 문제를 네트워크 전체의 붕괴로 바꿔 놓았습니다. 저는 이것을 '펌웨어-배터리 역설'이라고 부르기 시작했습니다 — 하드웨어 수명을 연장하기 위해 설계된 소프트웨어가 오히려 그 하드웨어를 고장 내는 주된 메커니즘이 되는 것이죠.

하드웨어 수명을 연장하기 위해 설계된 소프트웨어가 흔히 그 하드웨어를 고장 내는 주된 메커니즘이 됩니다.

그리고 플레이노만의 일이 아닙니다. 토론토는 조기 열화로 송신기 470,000개를 잃었고, 초기 복구 비용만 560만 달러가 들었습니다. Memphis Light, Gas and Water는 스마트 미터 전체에서 8%의 구조적 고장률에 직면해 수리 비용으로 900만 달러를 따로 책정했습니다. 영국에서는 규제 당국이 관심을 기울이기 시작한 이후 90만 개가 넘는 스마트 미터가 수리되거나 교체되었습니다.

저는 이러한 장애의 배경에 있는 기술적 아키텍처를 우리 연구의 인터랙티브 버전에서 더 깊이 있게 다뤘지만, 제가 살펴보는 모든 곳에서 그 패턴은 일관됩니다. 유틸리티들은 전력망을 디지털화하는 데 수십억 달러를 썼지만, 그 '스마트' 인프라는 그것이 대체한 기계식 미터기보다 더 빠르게 고장 나고 있습니다.

스마트 미터는 왜 일찍 수명을 다할까?

저희 팀이 근본 원인을 분석하기 시작했을 때, 우리는 조잡한 제조나 값싼 부품을 발견할 것이라 예상했습니다. 하지만 현실은 더 불편했습니다.

스마트 미터는 단순한 계측 장치가 아닙니다. 통합 프로세서, 엣지 AI 칩, 보안 통신 프로토콜, 데이터 저장용 플래시 메모리를 갖춘 네트워크 컴퓨터입니다. 그리고 여느 컴퓨터와 마찬가지로, 기계식 미터기에는 결코 없었던 고장 유형에 노출되어 있습니다.

플래시 메모리 문제는 특히 교묘합니다. 스마트 미터는 펌웨어와 진단 로그를 저장하기 위해 NAND 플래시를 사용합니다. 모든 쓰기 작업은 더 이상 필요 없는 데이터를 만들어 내고, 이 데이터는 '가비지 컬렉션(garbage collection)'이라는 과정을 통해 정리되는데, 이 과정이 메모리 셀을 물리적으로 마모시킵니다. 임베디드 파일 시스템이 최적화되어 있지 않다면 — 그리고 실제로 배치된 상당수 미터기에서는 그렇지 않습니다 — 저장 장치는 기기의 예정된 수명이 다하기 몇 년 전부터 데이터를 손상시키기 시작합니다.

바로 여기서 제 친구의 토요일 아침 전화가 더 이해가 됩니다. 그 손상은 흔히 은밀합니다. 미터기는 오류를 내보내지 않습니다. 오프라인이 되지도 않습니다. 그저 조금씩 잘못된 수치를 전송하기 시작할 뿐입니다. 누군가 알아차릴 무렵이면, 아흐레 — 혹은 아홉 달 — 치의 잘못된 청구 데이터와, 어떤 펌웨어 패치로도 되돌릴 수 없는 고객 신뢰 문제를 떠안게 됩니다.

그다음은 엣지 케이스(edge case) 위기입니다. 스마트 미터의 소프트웨어 복잡도는 최근 몇 년 사이 대략 두 배로 늘었지만, 테스트 방법론은 그 속도를 따라가지 못했습니다. 펌웨어 업데이트는 실험실에서는 완벽하게 작동합니다. 하지만 신호가 약한 시골 지역에서 배터리가 약간 열화된 미터기에 그것을 배포하면, 플레이노 같은 사태가 벌어집니다.

연구에서 저를 진심으로 섬뜩하게 만든 세부 사항이 하나 있습니다. 현대의 스마트 미터에는 관리 편의를 위해 원격 "OFF" 스위치가 내장되어 있습니다. 펌웨어 로직 오류가 대규모로 그 스위치를 실수로 작동시킨다면, 문제는 청구 오류 수준이 아닙니다 — 수백만 가구가 동시에 전력을 잃는 상황을 마주하게 되는 것입니다.

규제 당국이 숫자를 세기 시작하면 어떤 일이 벌어질까?

영국의 에너지 규제 당국 Ofgem은 볼 만큼 봤다고 판단했습니다. 2026년 2월부터, Ofgem은 스마트 미터 서비스 기준이 충족되지 않을 경우 고객에게 자동으로 40파운드를 지급하도록 의무화하는 '성능 보장 기준(Guaranteed Standards of Performance)'을 시행합니다. 설치 예약을 6주 넘게 기다렸다? 자동 지급. 공급업체가 제대로 된 장비 없이 나타나 설치가 실패했다? 자동 지급. 미터기 고장을 신고했는데 영업일 기준 5일 이내에 해결 계획이 없다? 자동 지급.

이것은 가벼운 경고 수준이 아닙니다. 수백만 명의 고객과 노후한 스마트 미터를 보유한 유틸리티에게 이 계산은 순식간에 끔찍해집니다. 이 규정 준수 압박은 이미 영국에서 이전까지 작동하지 않던 미터기 90만 개 이상의 수리를 이끌어 냈습니다.

저는 Ofgem의 이번 조치가 한 규제 기관이 강경해지는 것보다 더 큰 무언가를 알리는 신호라고 봅니다. 그것은 처음부터 당연했어야 할 원칙을 공식화한 것입니다. 즉, "스마트" 인프라를 배치했다면, 그것을 계속 스마트하게 유지할 책임은 당신에게 있다는 것이죠. 하드웨어를 설치하고, 손을 떼고, 잘되기만을 바라던 시대는 끝났습니다.

"스마트" 인프라를 배치했다면, 그것을 계속 스마트하게 유지할 책임은 당신에게 있습니다. 설치하고 잊어버리는 시대는 끝났습니다.

이 글을 읽는 유틸리티 리더에게 그 함의는 냉엄합니다. 오작동하는 미터기를 유지하는 데 드는 비용 — 규제 벌금, 수작업 복구, 고객 이탈, 청구 분쟁 — 은 이제 실시간 AI 기반 진단을 구축하는 비용을 넘어섰습니다. 경제 논리가 뒤집힌 것입니다.

"그냥 GPT를 써" — 나를 밤잠 못 이루게 하는 조언

스마트 미터의 취약성에 관한 초기 연구 결과 일부를 발표한 뒤, 저는 지금도 곱씹게 되는 대화를 한 잠재 투자자와 나눴습니다. 그는 펌웨어 장애 데이터를 봤고, 문제가 실재한다는 데 동의했으며, 그러고는 이렇게 말했습니다. "그럼 미터 데이터를 분석하는 ChatGPT 래퍼를 만드세요. 3개월 안에 출시하고요."

저는 왜 그게 통하지 않을지 설명하려 했습니다. 그는 제 말을 잘랐습니다. "AI 스타트업은 죄다 커스텀 모델을 만들어야 한다고 하죠. 대부분은 그냥 지나치게 복잡하게 생각하는 겁니다."

그의 논리를 이해합니다. 시장에는 본질적으로 OpenAI나 Anthropic API 위에 얇은 인터페이스를 씌운 것에 불과한 기업들이 넘쳐납니다 — 업계에서 "LLM 래퍼"라고 부르는 것들이죠. 그중 일부는 위험 부담이 낮은 용도로는 정말 유용합니다. 하지만 핵심 인프라라면 어떨까요? 그 접근법은 근본적으로 결함이 있으며, 저는 그 이유를 설명해야겠습니다.

데이터는 어디로 가는가?

공개된 AI API를 사용하면, 데이터는 당신의 네트워크를 떠나 제3자의 서버로 들어갑니다. 유틸리티의 경우 그 데이터에는 전력망 아키텍처, 고객 소비 패턴, 독점 펌웨어 코드, 그리고 잠재적으로는 기밀로 분류된 인프라 취약점까지 포함됩니다. 이것은 가상의 위험이 아닙니다 — 미국 CLOUD Act, 그리고 API 제공업체가 이번 분기에 어떤 데이터 보존 정책을 갖고 있든 바로 그 정책에 그대로 노출되는 것입니다.

저는 이것을 '보안 연극(Security Theater)'이라고 부릅니다. 그 도구는 겉보기에도, 느낌으로도 프라이빗 엔터프라이즈 애플리케이션처럼 보입니다. 대시보드에는 당신 회사 로고가 박혀 있습니다. 하지만 백엔드는 공용 서비스이고, 당신의 가장 민감한 운영 데이터가 다른 누군가의 인프라를 통해 흘러가고 있습니다.

범용 모델이 당신의 전력망을 이해할 수 있을까?

공개 LLM은 인터넷을 다 읽었습니다. 스마트 미터가 추상적으로 무엇인지는 압니다. 하지만 알지 못하는 것은, 북동쪽 구역에 있는 당신의 Aclara 미터기에서 돌아가는 특정 펌웨어 버전, 그 동네에 전력을 공급하는 변압기의 유지보수 이력, 혹은 당신의 레거시 청구 시스템이 소수점 자리를 잘라 내면서 작은 계측 오차를 가려 버린다는 사실입니다.

공개 API의 컨텍스트 윈도우는 당신의 특정 인프라가 지닌 미묘한 맥락을 잊어버립니다. 특정 기후대에 배치된 특정 하드웨어 리비전에 대해 펌웨어 업데이트가 안전한지 검증하는 데 필요한 바이너리 분석을 수행하지 못합니다. 그것에게 그런 일을 시키는 것은 관광객에게 길을 묻는 것과 같습니다 — 자신 있게 말하는 것처럼 들릴지 몰라도, 사실은 자기가 어디로 가는지도 모르니까요.

API가 바뀌면 어떻게 되는가?

이 부분은 유틸리티 리더들이 너무 늦어질 때까지 좀처럼 생각하지 않는 지점입니다. 당신의 "AI 솔루션"이 다른 누군가의 모델 위에 얹은 프롬프트 계층에 불과하다면, 당신은 그들의 가격 정책, 그들의 모델 업데이트, 그들의 가동 시간, 그리고 그들의 사업적 결정에 종속됩니다. OpenAI가 API 구조를 바꾸거나 특정 모델 버전을 폐기하면, 누군가 프롬프트를 다시 작성하기 전까지 당신의 핵심 인프라 도구는 먹통이 됩니다.

핵심 인프라는 실리콘밸리 스타트업의 API 요금 페이지가 지속되느냐에 기대어서는 안 됩니다.

진짜 딥(Deep) AI는 어떤 모습인가

그 투자자와의 대화가 끝난 뒤, 저는 일주일을 답답한 마음으로 보냈습니다. 그러고는 석 달에 걸쳐 제가 생각하는 진짜 해답을 만들었습니다.

Veriprajna에서 우리는 API 키를 되팔지 않습니다. 래퍼를 만들지도 않습니다. 우리는 전체 AI 추론 스택 — vLLM, Text Generation Inference, BentoML 같은 엔진 — 을 고객 자신의 인프라에 직접 배치합니다. 그들의 Kubernetes 클러스터. 그들의 베어메탈 GPU. 그들의 가상 사설 클라우드(Virtual Private Cloud)에 말입니다.

우리가 어느 유틸리티 고객을 위해 제로-이그레스(zero-egress) VPC를 처음 구성했을 때 — 즉 네트워크를 물리적으로 구성해, 데이터가 절대 그들의 환경을 벗어날 수 없도록 — 누군가 무언가를 잘못 설정하더라도 말입니다 — 만들었을 때, 그들의 보안 엔지니어 중 한 명이 아키텍처 다이어그램을 들여다보더니 이렇게 말했습니다. "AI 공급업체가 우리 데이터 정책에 예외를 두어 달라고 요청하지 않은 건 이번이 처음입니다." 바로 그 순간, 저는 우리가 올바른 길을 가고 있다는 걸 알았습니다.

의미론적 두뇌 만들기

범용 LLM을 실제 인프라 작업에 쓸모없게 만드는 그 맥락 문제 — 우리는 이것을 제가 "의미론적 두뇌"라고 부르는 것으로 해결합니다. 우리는 유틸리티의 독점 문서를 수집합니다. 기술 매뉴얼, 과거 유지보수 보고서, 펌웨어 소스 코드, 사고 기록 같은 것들이죠. 이 모든 것은 Milvus나 Qdrant 같은 로컬 벡터 데이터베이스에 인덱싱되며, 결코 고객의 환경을 벗어나지 않습니다.

하지만 제가 가장 자랑스럽게 여기는 부분은 이것입니다. 이 시스템은 기존의 접근 권한 통제를 존중합니다. 어떤 직원이 SharePoint에서 특정 문서를 볼 권한이 없다면, AI는 그 직원의 질의에 답하기 위해 그 정보를 검색해 오지 않습니다. 우리는 보안을 뒤늦게 덧붙인 것이 아닙니다 — 지능 계층이 조직의 기존 보안 태세를 그대로 물려받도록 설계했습니다.

정확도의 마지막 1마일

우리는 Llama 3 같은 오픈 파운데이션 모델을 가져와, LoRA(Low-Rank Adaptation) 같은 기법을 사용해 유틸리티의 특정 코퍼스로 파인튜닝합니다. 그 결과는 고객의 용어 체계, 그들의 레거시 시스템, 그들의 운영상 특이점까지 이해하는 맞춤형 모델입니다. 우리 테스트에서 이러한 도메인 특화 파인튜닝은 전문화된 작업의 정확도를 기본 모델 대비 최대 15%까지 높였습니다.

그 15%가 사소하게 들릴지도 모릅니다. 그렇지 않습니다. 펌웨어 검증에서 85%와 100% 정확도의 차이는, 위험한 업데이트를 잡아내느냐 아니면 그것이 미터기 73,000개를 먹통으로 만들도록 내버려 두느냐의 차이입니다.

현장에 배포되기 전에 펌웨어 버그를 어떻게 잡아낼까?

이것은 플레이노 참사를 연구한 뒤 저를 움직인 질문입니다. 그 미터기들을 죽인 펌웨어 업데이트는 악의적인 것이 아니었습니다. 무능한 엔지니어가 작성한 것도 아니었습니다. 그저 그것이 마주하게 될 실제 세계의 조건 전 범위에 대해 테스트되지 않았을 뿐입니다.

우리는 이를 위한 파이프라인을 구축했습니다. 그것은 바이너리 식별에서 시작합니다 — EMBA와 Firmwalker 같은 도구를 사용해, 소스 코드를 구할 수 없을 때조차 펌웨어 파일 시스템을 추출하고 분석하는 것이죠. 그런 다음 Ghidra로 바이너리를 디컴파일하고, 우리의 프라이빗 LLM이 디컴파일된 코드에서 로직 결함, 안전하지 않은 관행, 잠재적 취약점을 분석합니다.

하지만 펌웨어 안전에 대한 제 생각을 바꿔 놓은 부분은 디지털 트윈(digital twin) 접근법입니다. 현장의 실제 기기에서 펌웨어를 테스트하는 것은 느리고, 비용이 많이 들며, 위험합니다. 대신 우리는 스마트 홈과 전력망 구간의 상세한 가상 복제본을 만든 다음, 강화학습을 사용해 이 디지털 트윈들과 상호작용하는 AI 에이전트를 배치합니다 — 인간 테스터가 놓치는 엣지 케이스를 체계적으로 탐색하면서 말이죠.

우리 연구에서 이 방법은 무작위 테스트 방식보다 38% 더 빠르게 취약점을 찾아냈습니다. 펌웨어 검증 파이프라인과 디지털 트윈 방법론에 대한 전체 기술적 설명은 논문에서 확인하시길 권합니다 — 하지만 핵심 통찰은 이것입니다. 우리는 이제 플레이노 장애를 일으킨 바로 그 조건들을 미리 시뮬레이션할 수 있다는 것입니다 — 업데이트가 배포되기도 전에 말입니다.

우리는 이제 파국적인 펌웨어 장애를 일으킨 조건들을, 업데이트가 현장에 배포되기도 전에 시뮬레이션할 수 있습니다.

사후 대응에서 예측으로: AI가 전력망을 지켜볼 때 무엇이 달라지는가

유틸리티 유지보수에 대한 전통적 접근법은 사후 대응(고장 나면 고친다)이거나 정기 점검(필요하든 아니든 X개월마다 점검한다) 둘 중 하나입니다. 둘 다 비용이 많이 들고, 둘 다 가장 중요한 장애를 놓칩니다 — 이미 피해를 일으킨 뒤에야 모습을 드러내는, 느리고 은밀한 열화 말입니다.

고빈도 센서 데이터로 학습된 딥 AI 모델은 각 기기, 각 변압기, 각 전력망 구간에서 "정상"이 어떤 모습인지를 배웁니다. 무언가가 벗어날 때 — 이상한 진동 패턴, 날씨와 맞지 않는 온도 변동, 다수의 미터기가 동시에 통신 지연이 늘어나는 현상 — 시스템은 그것이 위기가 되기 전에 표시해 냅니다.

초기 테스트 도중, 이상 탐지 시스템이 응답 지연이 미묘하게 증가한 한 무리의 미터기를 표시한 순간이 있었습니다. 극적인 것은 없었습니다 — 기준선보다 15밀리초 정도 느린 수준이었죠. 저희 팀은 이것이 잡음인지 신호인지를 놓고 논쟁했습니다. 우리 엔지니어는 이것이 환경적인 것 — 온도와 관련된 것 — 이라고 주장했습니다. 저는 더 깊이 조사하자고 밀어붙였습니다. 알고 보니 그것은 특정 배치(batch)의 기기들에서 나타난 플래시 메모리 열화의 초기 징후였습니다. 그대로 방치했다면, 그 미터기들은 몇 달 안에 데이터를 손상시키기 시작했을 것입니다.

바로 그런 종류의 포착이 투자 전체를 정당화합니다. 그리고 숫자가 이를 뒷받침합니다. AI 기반 예측 유지보수는 인프라 장애를 73% 줄이고, 유지보수 비용을 18~25% 절감하며, 자산 수명을 최대 40%까지 연장하는 것으로 나타났습니다.

이 시스템은 설명 가능한(explainable) AI도 사용합니다 — 이상을 표시할 때, 인간 운영자에게 그 이유를 GradCAM 같은 시각화 도구를 사용해 보여줍니다. 운영자는 AI의 판단을 검증하거나, 바로잡거나, 무시할 수 있습니다. 그 피드백 루프는 시스템이 시간이 지날수록 더 똑똑해진다는 것을 뜻하며, 오탐을 줄이고, 대개 은퇴를 5년 앞둔 선임 엔지니어의 머릿속에만 존재하는 종류의 조직적 지식을 쌓아 갑니다.

그럼 ROI는 어떨까?

사람들은 그냥 API를 쓰는 것 대비 프라이빗 AI 인프라를 구축하는 비용에 대해 늘 반발합니다. 타당한 질문입니다. 자체 GPU 클러스터를 운영하고 자체 모델을 유지하는 일은 저렴하지 않습니다.

하지만 그 대안이 무엇을 치르는지 생각해 보십시오. 플레이노는 임시 검침원에 76만 5,000달러, 여기에 이제 상당 부분 가치가 훼손된 1,020만 달러의 최초 투자까지 더해집니다. 멤피스는 900만 달러의 수리 기금. 토론토는 560만 달러이고 여전히 늘어나는 중입니다. 영국 유틸리티들은 90만 개 미터기 교체의 누적 비용에, 이제 막 부과되기 시작할 규제 벌금까지 얹힙니다.

여러 산업은 평균 정전 비용이 시간당 125,000달러에 달한다고 보고합니다. 다운타임을 30~50% 줄이면 AI 비용을 회수하는 데 그치지 않고 — 유틸리티의 재무 구조 자체를 바꿔 놓습니다. 여기에 자산 수명을 40% 연장해 얻는 자본 지출 이연, 부품 공급망 지연의 28% 감소, 안전 사고의 40% 감소까지 더하면, ROI 계산은 비교조차 되지 않습니다.

문제는 유틸리티가 주권형 AI 인프라를 감당할 수 있느냐가 아닙니다. 또 한 번의 플레이노를 감당할 수 있느냐입니다.

유틸리티에게 진짜 해자(moat)는 AI 모델 자체가 아닙니다 — Llama 3는 무료로 내려받을 수 있으니까요. 해자는 독점 데이터와의 깊은 통합, 도메인 특화 파인튜닝, 그리고 당신이 통제하는 인프라 위에서 돌아가는 시스템에 새겨진 조직적 지식입니다. 그것은 시간이 지날수록 가치가 오르는 자산입니다. API 구독은 언제든 빼앗길 수 있는 비용입니다.

우리가 지향하며 만들어 가는 전력망

IoT 기기가 2026년까지 300억 개를 넘어설 것으로 전망되는 가운데, 복잡성 문제는 사라지지 않습니다. 오히려 가속하고 있습니다. 다음 개척지 — 그리고 저희 팀이 지금 적극적으로 만들어 가고 있는 것 — 는 에이전틱 AI(agentic AI) 워크플로입니다. 즉, 이상을 표시하는 데 그치지 않고 조치를 취하는 시스템이죠. 침해된 IoT 기기를 자동으로 격리하고. 예측된 부하 패턴에 기반해 변압기 파라미터를 실시간으로 조정하고. 업데이트가 문제를 일으킬 조짐을 보이는 순간 펌웨어 롤백을 실행합니다.

엣지 AI는 지능을 더 바깥으로 밀어낼 것입니다 — 스마트 미터가 마이크로 의사결정 엔진으로 기능하며, 10밀리초 미만의 지연으로 로컬 이상 탐지를 수행하고, 클라우드까지 왕복하기를 기다리지 않고 결정을 내리는 것이죠.

하지만 토대가 잘못되어 있다면 이 중 어느 것도 작동하지 않습니다. 그리고 지금 이 순간, 대다수 유틸리티에게 그 토대는 잘못되어 있습니다. 그들은 21세기 인프라를 20세기 유지보수 패러다임 위에서 운영하고 있으며, AI에 손을 뻗을 때도 주권형 역량을 구축하는 대신 가장 값싸고 가장 편리한 선택지 — 다른 누군가의 지능을 감싼 래퍼 — 를 붙잡습니다.

플레이노, 토론토, 멤피스, 그리고 영국 전역의 장애는 기술적 결함(glitch)이 아닙니다. 그것들은 현대 인프라의 복잡성과 그것을 관리하기 위해 우리가 사용하는 도구 사이의 구조적 불일치가 낳은 예견된 결과입니다. 스마트 미터를 실제로 통제할 지능에 투자하지 않은 채 배치하는 모든 유틸리티는, 스스로 감지할 수 없는 방식으로 실패하도록 설계된 시스템을 짓고 있는 것입니다.

유틸리티 리더 앞에 놓인 선택은 AI냐 AI가 없느냐가 아닙니다. 그 논쟁은 끝났습니다. 선택은, 당신의 전력망 신뢰성에 아무런 이해관계가 없는 제공업체로부터 지능을 임대하느냐, 아니면 당신의 운영 데이터를 가장 가치 있는 자산으로 바꿔 주는 주권형 역량을 구축하느냐 사이에 있습니다. 그 길 중 하나는 다음번 플레이노로 이어집니다. 다른 하나는, 우리가 늘 약속해 온 그대로 진정으로 스마트한 전력망으로 이어집니다.