최근 챗GPT가 월스트리트저널, CNN을 비롯한 유수 언론사들의 데이터를 학습한다는 사실이 드러났다. 허락받지 않고 뉴스데이터를 기계학습에 활용하는 것은 공정한 것일까. 저작권을 사이에 둔 언론사와 생성 AI 간 논란의 쟁점을 짚어본다. 편집자 주 

챗GPT의 개발사 오픈AI를 향한 언론사들의 소송 움직임이 본격화하고 있다. 블룸버그는 월스트리트저널을 비롯, CNN 등이 내부적으로 소송을 검토 중이라고 보도했다.²⁾ 뉴스미디어얼라이언스(News Media Alliance)를 통해 대응하겠다는 의지도 밝힌 상황이다.³⁾ 미국 미디어 그룹 IAC의 배리 딜러(Barry Diller) 회장도 “언론사들이 힘을 합쳐 챗GPT와 같은 대형 언어모델에 대항하고 법정에서 저작권을 주장해야 한다”고 거들고 있다.⁴⁾ 이 움직임이 전 세계 언론계로 확산될지는 아직 확신하기 어렵지만 두 사업자 간의 새로운 관계를 구성할 모멘텀이 될 가능성은 커 보인다.

먼저 이 사태가 촉발된 시발점부터 살펴볼 필요가 있다. 전 월스트리트저널 기자이자 어플라이드XL(AppliedXL)의 CEO인 프란체스코 마르코니(Francesco Marconi)는 챗GPT에 다음과 같은 프롬프트를 입력한 바 있다.⁵⁾

“Which specific news sources was chatGPT trained on? Provide a list of the top news sources in your database.”

실제로 학습한 뉴스 데이터가 어떤 것인지에 대한 질문이었다. 챗GPT가 내놓은 응답은 [그림]과 같다.

이 답변을 통해 챗GPT가 학습한 뉴스 데이터에 월스트리트저널과 CNN이 포함된 사실이 확인됐다. 챗GPT가 잘못된 정보를 내놨을 가능성도 배제할 수 없다. 이를 확인하기 위해 그는 소스코드 공유 플랫폼 깃허브(GitHub)를 뒤졌고 실제로 결과값이 거의 일치한다는 근거를 발견했다.⁶⁾ 이 트윗을 확인한 영미권 언론사들은 불만과 염려를 함께 피력했다. 허락받지 않은 이용이라는 이유에서다.

소송을 검토하겠다는 두 언론사의 태도는 현시점에 몇 가지 중요한 질문을 던지고 있다. 뉴스 데이터를 허락을 받지 않은 채 기계학습(machine learning)에 활용하는 것이 ‘공정이용(fair use)’에 해당하는가, 특히 유료 장벽 뒤에 감춰진 뉴스 데이터도 공정이용의 범위에 포함될 수 있는가 등이다. 특히 두 언론사의 태도와 입장은 이후 국내 언론 산업에 미칠 파장도 만만치 않다. 미국 언론들과는 사정과 유형이 다르긴 하지만 네이버의 하이퍼클로바(HyperCLOVA)와 언론사 간의 관계 변화에 의미 있는 시사점을 제공할 수도 있어서다. 이미 국내 네 개 언론 단체들은 하이퍼클로바 등 학습데이터 사용 범위를 포괄적으로 규정하고 있는 네이버 뉴스 콘텐츠 약관을 개정해야 한다며 목소리를 높이고 있다.⁷⁾ 생성 AI와 저작권을 둘러싼 갈등의 서막이 올랐다는 방증이다.

공정이용과 공정학습

현재 미국 언론사들이 챗GPT의 개발사 오픈AI를 대상으로 소송을 검토하는 근거는 저작권 위반인 것처럼 보일 수 있다. 하지만 자세히 들여다보면 자체 이용 약관 위배에 가까이 있다. 뉴스의 학습데이터 활용이 공정이용의 범위에 포함될 확률이 높아서다. 현행 미국 저작권법 107조⁸⁾는 공정이용의 범위로 비판·논평·뉴스 보도·교육·학문·연구(criticism, comment, news reporting, teaching-including multiple copies for classroom use, scholarship, or research)를 규정하고 있다. 그리고 다음 네 가지 요소를 고려해 공정이용 여부를 판단한다(송재섭, 2012).

△제1요소: 원저작물 이용의 목적과 성격(the purpose and character of the use)

△제2요소: 원저작물의 성격(the nature of the copyrighted work)

△제3요소: 이용된 부분의 양과 중요성(the amount and substantiality of the portion used)

△제4요소: 원저작물의 잠재적 시장 또는 가치에 미치는 영향(the effect of the use upon the potential market for or value of the copyrighted work)

현재 오픈AI 쪽은 내부 법률 검토를 거쳐 챗GPT가 저작권이 있는 언론사 뉴스를 학습하는 작업이 공정이용에 해당한다는 해석⁹⁾을 내놓고 있다. 네 가지 요소에 근거했을 때 뉴스의 학습데이터 활용이 공정이용 범주에 포함된다는 것이다. 무엇보다 비표현 매개적 복제(non-expressive intermediate copying)라는 명분으로 공정이용임을 주장하고 있다. 오픈AI 쪽의 해석에서 확인할 수 있듯, 미국 저작권법상 뉴스를 학습데이터로 활용하는 것이 저작권 위반에 해당한다고 보기엔 여러 논란의 여지가 존재한다. 위키피디아를 운영하는 위키미디어 쪽의 입장¹⁰⁾도 모호하긴 하나 이러한 큰 원칙에서 벗어나진 않는다. AI 학습의 특정 사례에 대해서는 사실관계에 대한 구체적인 조사가 필요하지만, 여러 저작물의 처리를 다루는 기존 법률이 이러한 문제에 직접 적용될 수 있다는 것이다.

이들의 근거를 뒷받침하는 또 다른 접근법도 힘을 얻고 있다. ‘공정학습(fair learning)’이라는 새로운 개념으로 학습데이터로서 뉴스의 이용을 공정이용의 범주로 보고 허용해야 한다는 의견이다(Lemley, M. A. & Casey, B., 2020). 공정학습은 머신러닝의 특성상 방대한 데이터를 기계가 학습했을 때 오히려 인간이 창의적으로 활용할 수 있다는 근거를 내세우고 있다.

“머신러닝을 위해서는 엄청난 양의 저작권이 있는 자료를 복사해야 한다. 이러한 복사는 일반적으로 허용돼야 한다. 대부분의 머신러닝 시스템은 저작권법이 보호하는 표현을 소비하기 위해 저작물을 복사하는 것이 아니라 대중에게 제공하는 사실이나 구조에 접근하기 위해 저작물을 복사한다. 이를 공정학습으로 이해하면 법의 간섭 없이 ML 시스템을 학습시킬 수 있다.”

공정학습은 공정이용이 기계에 의한 저작물 이용을 구체적으로 명시하지 않아 발생할 수 있는 문제를 해결하기 위해 고안된 개념이다. AI의 학습데이터가 저작물의 획득이 아니라 저작물에 대한 접근이므로 개별 저작물의 창작을 방해하지 않는 한 포괄적으로 허용될 필요가 있다고 강조한다. 이를 위해 인풋(학습을 위한 데이터)과 아웃풋(학습의 결과로 제시된 기계 창작물)을 명확히 구분하고 있다. 학습데이터는 인풋에 해당하고 그것이 팩트나 문장 구조의 접근을 위해 복사하는 것이기에 공정이용의 범위를 크게 벗어나지 않는다는 것이다.

전반적으로 공정이용의 개념이든 공정학습의 접근법이든 언어모델이 뉴스를 학습데이터로 사용하는 데 대한 저작권 위반의 가능성은 작게 보는 것이 현재까지의 해석이라 할 수 있다. 다만 아웃풋 즉, 생성될 결과물이 원저작물과 유사할 경우 저작권 위반 소지는 상당히 커진다. 실제로 그런 사례들이 확인되고 있다는 점도 주목할 필요가 있다(Henderson, P., Li, X., Jurafsky, D., Hashimoto, T., Lemley, M. A., & Liang, P., 2023).

공정이용과 페이월의 충돌

하지만 조금 다른 관점에서 이 사안을 바라볼 필요가 있다. 유료 장벽 즉, 페이월(paywall)에 뒤에 감춰진 뉴스 사업자의 시각이다. 이를 위해 유료 장벽을 쌓은 미국 월스트리트저널과 그렇지 않은 CNN의 사례는 분리해서 접근해야 한다. 월스트리트저널은 기사 대부분을 페이월 뒤에 감추고 있다. 유료 결제자에 한해 자유로운 접근을 허락한다. 현재 운영 중인 월스트리트저널의 페이월 방식은 엄밀하게 분류하면 다이내믹 페이월(dynamic paywall)¹¹⁾이다. 독자의 성향에 따라 일부 기사는 제한적으로 무료 이용을 허용한다. 그 여부를 판단하는 것은 머신러닝 알고리즘이다. 결제 성향(propensity to subscribe)이 높은 충성 독자일수록 결제 전 접근 가능한 기사 수는 적고, 결제 성향이 낮은 비충성 독자일수록 접근 가능한 기사 수는 많은 편이다. 따라서 유료 구독자가 아닌 경우 완벽하게 접근이 차단되는 하드페이월과는 다른 성격을 지닌 유료 장벽 방식이라고 할 수 있다.

이러한 다이내믹 페이월의 특성을 감안하더라도 원칙적으로 다수의 기사가 페이월 뒤에 감춰져 있다는 사실은 부인되지 않는다. 오픈AI가 뉴스 데이터를 수집하는 과정에서 페이월 뒤에 감춰진 기사 전수를 수집해 학습했다면 월스트리트저널로서는 우려를 표할 수밖에 없다. 페이월은 명확히 이용료와 접근권에 대한 교환관계를 기계적으로 구조화한 장치여서다. 미국 DMCA(Digital Millennium Copyright Act)도 저작물에 대한 접근을 제한하는 효과적인 기술적 제어 수단을 우회하는 것을 금지하고 있다.¹²⁾ 설사 오픈AI가 월스트리트저널의 유료 구독자였다고 하더라도 아래 월스트리트저널의 구독자 약관¹³⁾에 위배될 가능성이 존재한다.

8.3.2 귀하는 또한 서비스와 관련하여 사용될 수 있는 배타적 프로토콜(예: Robots.txt, 자동화된 콘텐츠 액세스 프로토콜(ACAP) 등)을 준수하는 데 동의합니다. 귀하는 권한이 부여되지 않은 서비스 일부에 액세스하거나 서비스 사용 또는 액세스에 부과된 제한을 우회하려고 시도할 수 없습니다.

여전히 불확실한 측면이 있긴 하지만, 월스트리트저널이 약관 위배로 소송을 검토하는 건 타당하다고 할 수 있다. 실제 월스트리트저널의 모회사 뉴스코퍼레이션 법률고문은 “뉴스 기업들의 작업물은 회사로부터 AI 학습용으로 허가를 받은 후에만 사용할 수 있어야 한다”라며 소송 가능성을 시사했다.¹⁴⁾ 요컨대, 저작권 위반보다는 약관 위배로 오픈AI 측에 소송을 제기할 가능성이 크다. 즉 robots.txt라는 배타적 프로토콜을 위배하고 뉴스 데이터를 임의로 수집했거나 혹은 우회 수집했다는 근거를 제시할 수도 있어서다.

더 나은 데이터의 희소가치 증가

일반적으로 정확하고 매끄러운 언어 혹은 텍스트 생성은 더 높은 품질의 데이터를 대량으로 학습할 때 가능해진다. 현재 제기되고 있는 챗GPT의 정확성과 신뢰도 논쟁도 이러한 관점에서 볼 필요가 있다. 편향(bias)으로 가득 찬 저품질 데이터(bad data set)를 배제한다고 하더라도 높은 품질의 데이터를 확보하지 못하면 결과물은 어색하거나 부정확할 수 있다. 물론 오픈AI는 GPT-4 모델에선 이 문제를 상당 부분 해결했다고 강조한다. 그럼에도 무결한 상황까진 이르지 못했다.

이 지점에서 생성 AI와 저널리즘이 연결된다. 앞으로 신뢰할 수 있는 품질 높은 콘텐츠는 희소가치를 지닐 수밖에 없다. ‘정보 풍요의 역설’인 셈이다. 인터넷이라는 공간에 널리 축적되고 있는 것이 정보이자 데이터지만, 정확하고 신뢰할 수 있으며 품질이 높은 언어 데이터는 갈수록 희소해지고 있다. ‘생성 AI 혁명’이 아이폰의 등장에 비교될 정도로 확산 속도가 빨라지는 지금, 이러한 고품질 데이터는 더더욱 가치가 높아질 수밖에 없다.

고품질 언어 데이터를 생산하는 역할은 당분간 양질의 저널리즘을 자랑하는 언론사가 담당하게 될 가능성이 크다. 보도자료 수준의 기사나 유튜브를 보고 쓰는 기사, 페이스북에 올린 글을 긁어와 재가공하는 기사는 더는 희소가치를 지니기 어렵다. 결과적으로 고품질 저널리즘을 지속적으로 꾸준하게 양산해온 언론사는 이들 생성 AI 개발 기업과 유리한 입장에서 협상을 진행할 수 있다. 특히 이 고품질 저널리즘 콘텐츠를 페이월 뒤에 감춰두고 있는 언론사라면 법리적 위험을 제거하기 위해서라도 오픈AI 같은 기업들과 별도의 보상 협약을 체결할 수도 있게 된다. 그간 구글이나 페이스북이 항상 고품질 저널리즘을 지향하는 언론사들과 우선적으로 협상하고 지원금을 지불한 사례가 있다. 그들이 고품질 저널리즘을 지속적으로 유지할 수 있도록 하기 위해서라도, 그래서 고품질 데이터를 공급받기 위해서라도 그들은 그만큼의 대가를 지불하게 될 것이다.

이는 고품질 저널리즘을 생산해온 소수의 언론사들에게 고품질 뉴스 데이터가 새로운 수익원으로 부상할 가능성을 보여준다. 아직은 그 규모를 가늠하기 어렵지만, 학습 데이터에 이용한 대가 혹은 다른 명분으로 이들에게 고품질 저널리즘 지원금을 내놓게 될 경우 그 규모는 작지 않을 것으로 예상된다. 생성 AI 혁명은 고품질 저널리즘에 대한 목마름을 강화할 수 있고, 고품질 저널리즘을 유인하는 새로운 요소로 작동하게 될 수도 있다.

고품질 저널리즘과 공정이용을 위한 논의 계속돼야

국내에도 GPT와 같은 종류의 초대형 언어모델(LLM)이 존재한다. 네이버 하이퍼클로바처럼 국내 언론사 뉴스를 학습한 모델도 있다. 하이퍼클로바는 사전 학습한 데이터 5,618억 개의 토큰 가운데 뉴스에서만 738억 개 토큰을 이용했다. 비율로는 약 13% 정도다. 하이퍼클로바 개발자들은 당시 발표한 논문에서 “법률적 이슈를 위반하지 않고 수집했다”라고 밝혔다(Kim, B., Kim, H., Lee, S. W., Lee, G., Kwak, D., Jeon, D. H., ... & Sung, N., 2021). 현재 국내 언론사들은 네이버와 뉴스 관련 계약을 체결할 때 네이버 서비스 내의 포괄적인 뉴스 이용을 일정 수준 허락하고 있다.

네이버가 하이퍼클로바의 지리적, 언어적 강점을 유지하려면 고품질 한국어 뉴스 데이터를 꾸준히 학습할 수 있어야 한다. 그 수요는 초대형 언어모델의 경쟁 구도가 격화할수록, 해외 빅테크의 초대형 언어모델이 지원하는 언어권 제공 범위가 넓어질수록, 사전-학습된(Pre-Trained) 모델의 미세조정(Fine-Tuning) 수요가 커질수록 늘어날 수 있다. 언론사 입장에선 페이월 뒤에 가둬둔 고품질 뉴스 데이터가 더 늘어날수록 수익의 창출 가능성이 커진다. 다만, 저작권과 약관에 기반한 새로운 수익원으로 활용하기 위해선 훨씬 정교하고 전략적인 접근이 필요할 수도 있다.

이를 위한 첫 번째 조치는 네이버 등과의 뉴스 계약 협상에서 대규모 언어모델 학습데이터 이용은 별도 계약으로 체결할 것을 제안하는 것이다. 물론 이 제안이 설득력을 얻으려면 언론사 스스로 자사 저널리즘 품질이 탁월하다는 평가를 받아야 한다. 두 번째로는, 인공지능 연구개발에 대한 뉴스의 활용 범위를 인정하되, 고품질 저널리즘을 위한 목적성 지원금을 요청하는 방안도 고려할 만하다. 네이버 입장에서도 고품질의 뉴스 콘텐츠를 대량으로 공급받고 싶어하는 수요는 높을 수밖에 없다. 네이버의 차세대 수익원이 될 수 있는 하이퍼클로바의 경쟁력을 현저히 향상시키기 위해서라도 양질의 뉴스 콘텐츠 확보는 반드시 필요하다. 이미 뉴스 분야에 상당한 비용을 지불하고 있긴 하나 재정적 여력이 있다면 언론사들과의 상호 협약을 통해 저널리즘 이니셔티브를 구성해 볼 것을 제안해 볼 수도 있을 것이다.

앞서 확인했다시피 고품질 저널리즘에 대한 수요는 점차 증가하고 있다. 가치도 높아지고 있다. 하지만 고품질 저널리즘은 높은 비용을 수반한다. 이를 위한 재원이 지속적으로 공급될 수 있을 때 저널리즘 생태계는 건강해진다. 이견이 존재하긴 하지만 AI를 위한 학습데이터는 인풋의 측면에서 보면, 저작권의 보호 대상으로 바라보기엔 한계가 존재한다. 이는 인간의 학습 행위 자체에 저작권을 엄격하게 적용할 경우 인간의 학습 의지를 꺾을 수도 있는 이치와 다르지 않다. 다만 접근권을 제한하는 유료 구독 사이트의 경우 공정이용이나 공정학습에 해당하는가는 조금 더 깊이 검토할 필요가 있다. 만약 이 또한 허용 범주에 포함된다 하더라도 고품질 저널리즘의 선순환 생태계를 지속하기 위해서는 그에 걸맞은 빅테크 기업들의 사회적 기여가 요구된다. 전략적인 계약의 형태든 혹은 사회적 기여의 명분이든 학습 데이터로서 고품질 저널리즘을 활용하게 될 경우 이를 사회적으로 보상하기 위한 다양한 아이디어는 제안되고 토론될 필요가 있다. 고품질 저널리즘 가치가 높아지는 지금의 국면에서 빅테크와 저널리즘 행위자 즉 언론사 간의 미래지향적 타협과 협의가 필요한 시점이다. 그것이 두 행위자 모두에게 유익이 되기 때문이다.

1) 이 글은 한국언론진흥재단이 지난 3월 27일 주최한 세미나 '챗GPT와 미디어 생태계의 미래'에서 발표한 발제문을 요약한 것입니다. 당일 발표문에 포함되지 않았던 몇 가지 추가 정보가 반영되었다는 점도 참고해 주시기 바랍니다. 필자 주

2) Smith, G., <OpenAI Is Faulted by Media for Using Articles to Train ChatGPT>, Bloomberg, 2023.2.17, https://www.bloomberg.com/news/articles/2023-02-17/openai-is-faulted-by-media-for-using-articles-to-train-chatgpt#xj4y7vzkg

3) Hagey, K., Bruell, A., Dotan, T., & Kruppa M., <Publishers Prepare for Showdown With Microsoft, Google Over AI Tools>, The Wall Street Journal, 2023.3.27, https://www.wsj.com/articles/publishers-prepare-for-showdown-with-microsoft-google-over-ai-tools-6514a49e

4) <Barry Diller on why he wants to sue AI companies, Fox News, and more | Semafor Media Summit>, Semafor, Youtube, https://www.youtube.com/watch?v=vSayroeQRqE&list=PL4YS1HSj41bHow7y90NVo8CkrkZSgm5KR&index=4&t=394s

5) Marconi, F., twiiter, https://twitter.com/fpmarconi/status/1625867414410825728

6) https://github.com/openai/gpt-2/blob/master/domains.tx

7) 김성후, <4개 언론단체, 네이버 뉴스 콘텐츠 약관 변경 중단 촉구>, 기자협회보, 2023.4.12, http://journalist.or.kr/news/article.html?no=53455

8) https://www.copyright.gov/title17/92chap1.html

9) https://www.uspto.gov/sites/default/files/documents/OpenAI_RFC-84-FR-58141.pdf

10) https://www.uspto.gov/sites/default/files/documents/Wikimedia-Foundation_RFC-84-FR-58141.pdf

11) <WSJ creates AI paywall that decides when readers are ready to subscribe>, WNIP, https://whatsnewinpublishing.com/wsj-creates-ai-paywall-decides-readers-ready-subscribe/

12) TROUPSON, T., M., <Yes, It’s Illegal to Cheat a Paywall>. New York University Law Review, 2015.4, https://www.nyulawreview.org/issues/volume-90-number-1/yes-its-illegal-to-cheat-a-paywall/

13) <SUBSCRIBER AGREEMENT AND TERMS OF USE>, Wall Street Journal, 2018.6.27, https://www.wsj.com/policy/subscriber-agreement

14) Smith, G., <OpenAI Is Faulted by Media for Using Articles to Train ChatGPT>, Bloomberg, 2023.2.17, https://www.bloomberg.com/news/articles/2023-02-17/openai-is-faulted-by-media-for-using-articles-to-train-chatgpt