[태그:] OpenAI

1조 1000억 달러. 하이퍼스케일러들이 2027년까지 AI 데이터센터에 넣겠다고 예고한 금액입니다. 펜실베이니아대 금융학 교수 제시카 와처는 AI가 경제에 미칠 영향을 따지면서 예측치를 쌓아 올리는 대신 이 숫자 하나를 출발점으로 삼았습니다. 이유는 단순합니다. AI를 둘러싼 논의에서 다툼의 여지가 거의 없는 항목이 지출 규모뿐이기 때문입니다. 나머지는 대부분 가정입니다.

확정된 지출과 아직 가정에 머문 수익

하이퍼스케일러는 자체 데이터센터를 대규모로 짓고 운영하는 소수의 초대형 클라우드·플랫폼 사업자를 부르는 말입니다. 이들의 설비투자가 AI 논쟁의 좌표 역할을 맡게 된 사정은 이렇습니다.

• 지출은 확정된 숫자입니다. 이사회 승인, 장비 계약, 공사 일정이라는 형태로 남습니다.
• 수익은 아직 가정입니다. 모델이 얼마나 쓰일지, 요금이 어느 선에서 유지될지는 전부 예측 영역입니다.
• 둘 사이의 시차가 큽니다. 건물과 전력 설비는 돈이 먼저 나가고, 매출은 한참 뒤에 붙습니다.

여기서 두 질문을 갈라놓아야 합니다. “AI가 쓸모 있는가”와 “AI 투자가 회수되는가”는 다른 질문입니다. 기술이 아무리 유용해도 지출이 그 효용보다 크면 재무적으로는 실패입니다. 거꾸로 기술 진보가 기대에 못 미쳐도 지출이 작으면 버팁니다. 기술 평가와 투자 평가를 한 덩어리로 읽는 순간, 논쟁은 숫자 싸움이 아니라 진영 싸움으로 바뀝니다.

수요를 맞히는 대신 필요한 이익을 거꾸로 계산했다

와처가 택한 방법은 질문을 뒤집는 것이었습니다. AI 모델이 얼마나 널리 쓰일지 맞히려 들지 않았습니다. 대신 이 정도 지출을 정당화하려면 하이퍼스케일러의 이익이 얼마나 빨리 늘어야 하는지를 역산했습니다. 답은 인색했습니다. 2030년에 겨우 손익분기에 닿는 데에도 비범한 수준의 생산성 향상이 필요하다는 것.

역산이라는 접근이 가지는 장점은 세 가지로 추려집니다.

• 가정이 적습니다. 채택률·요금·경쟁 구도 같은 변수를 하나하나 찍어둘 필요가 없습니다.
• 문턱값이 나옵니다. “얼마나 잘돼야 본전인가”라는 기준선이 생깁니다.
• 낙관이냐 비관이냐의 이분법에서 빠져나옵니다. 논점이 믿음에서 숫자 비교로 옮겨갑니다.

독자 입장에서 이 계산을 쓰는 방식도 다르지 않습니다. 어떤 기업의 AI 투자가 과한지 보려면 “필요한 성장률”과 “실제 관측되는 성장률”을 나란히 놓으면 됩니다. 필요 성장률이 과거 어떤 기술 사이클에서도 나온 적 없는 수준이라면, 그 격차 자체가 경고등입니다. 반대로 실제 성장률이 문턱값을 따라붙는다면 지출 규모는 정당화됩니다. 판단이 갈리는 지점은 늘 그 사이 어디쯤입니다.

다음 병목은 자본도 연산도 아닌 데이터라는 진단

병목이 자본과 연산에만 걸려 있는 것은 아닙니다. 질병 치료처럼 의미 있는 돌파가 필요한 영역에서는 AI에 훨씬 많은 정보를 먹여야 한다는 인식이 이미 자금 흐름에 반영되고 있습니다.

정책 분석가 룩산드라 테슬로가 내놓은 구상이 그 사례입니다. 실패한 바이오텍 기업의 데이터를 의료 AI 학습에 쓰자는 것. 파산 절차에서 입찰해 상세한 규제 제출 서류와 제조 전략, 안전성 데이터를 확보하자는 제안입니다. 그는 이 자료 더미를 “바이오텍의 잃어버린 기록보관소”라고 불렀습니다. OpenAI의 비영리 모회사인 OpenAI 재단이 여기에 자금을 대기로 하고, “고품질 과학 데이터셋”을 만들겠다고 발표했습니다.

눈여겨볼 대목은 실패한 기업의 기록에 값을 매긴다는 점입니다. 성공한 신약의 논문과 승인 자료는 이미 공개돼 있습니다. 반면 중단된 프로그램의 제조 공정과 안전성 데이터는 회사가 문을 닫을 때 함께 사라지는 경우가 많습니다. 모델 성능이 데이터 다양성에 좌우된다는 점을 감안하면, 실패 사례가 통째로 빠진 데이터셋은 한쪽으로 기운 학습 재료가 되기 쉬워 보입니다. 웹 크롤링으로는 메울 수 없는 종류의 공백을 돈을 들여 메우려는 시도로 읽힙니다. 다만 파산 절차에서의 입찰이 실제로 어디까지 성사될지는 원문에도 설명이 없습니다.

속도 조절을 두고 갈라진 업계와 규제당국

투자 규모가 커질수록 규제 논쟁의 온도도 함께 올라갑니다. 주요 인사들의 입장은 한 방향으로 모이지 않습니다.

주체	입장	제시한 논리
젠슨 황 (엔비디아 CEO)	AI 개발 속도 조절 요구 거부	새로운 AI 안전법은 불필요하다는 입장, 새 반독점법 요구도 비판
마크 저커버그 (메타 CEO)	AI 개발 속도 조절 요구 거부	경쟁이 AI 연구소들을 안전한 방향으로 밀어붙인다
앤스로픽	안전을 위한 예외 인정 요구	원문에는 요구의 구체적 근거가 명시돼 있지 않음
미국 FTC 의장	AI 기업에 반독점 면제를 주는 데 경고	앤스로픽의 안전 예외 요구에 뒤이어 나온 발언

이 구도에서 자주 빠지는 변수가 여론입니다. 얀 르쿤이 의장을 맡은 샌프란시스코 스타트업 로지컬 인텔리전스의 최고운영책임자 패트릭 힐먼은 “요즘 미국인이 워싱턴보다 덜 믿는 유일한 기관이 실리콘밸리일지 모른다”고 말했습니다. 업계가 자율 규제를 앞세울 때 밑천이 되는 신뢰 자체가 그만큼 얇다는 지적입니다. 표의 네 줄 가운데 앤스로픽 칸이 유독 비어 보이는 점도 짚어둘 만합니다. 안전을 위한 예외를 요구했다는 사실은 나오지만, 그 요구를 뒷받침하는 근거는 원문에 설명돼 있지 않습니다. 여기에 멸종 위험 같은 장기 리스크 논쟁까지 규제 논의에 섞여 들어오면서, 무엇을 지금 입법할 사안으로 볼지 판단하기가 한층 까다로워졌습니다.

국내 독자가 챙길 접점, 그리고 추측의 경계

원문에는 한국 시장이나 국내 기업에 대한 언급이 없습니다. 확인 가능한 접점만 추리면 아래 정도이고, 나머지에는 추측이라는 표시를 붙여둡니다.

• 클라우드 요금 구조: 글로벌 하이퍼스케일러의 설비투자 부담이 서비스 가격과 무료 한도 정책에 반영되는 흐름은 일반적입니다. 다만 국내 요금 인상 여부나 시점은 발표된 바가 없으며, 이 연결은 추측입니다.
• 전력과 입지: 데이터센터 투자 규모가 커질수록 전력 확보와 부지 문제가 뒤따릅니다. 국내 데이터센터 정책에 미칠 구체적 영향은 원문에 근거가 없는 추측 영역입니다.
• 규제 참조점: 미국 안에서도 AI 규제 방향이 갈려 있습니다. 해외 사례를 근거로 국내 논의를 펼 때는 어느 쪽 목소리를 인용하고 있는지부터 확인하는 편이 낫습니다.
• 과학 데이터셋: OpenAI 재단이 만들겠다는 데이터셋의 공개 범위와 접근 조건은 공개되지 않았습니다. 국내 연구자가 활용할 여지가 있는지도 현재로선 알 수 없습니다.

확인된 것과 아직 불확실한 것

확인된 사실

• 하이퍼스케일러의 AI 데이터센터 지출이 2027년까지 1조 1000억 달러에 육박할 것으로 예상된다는 전제로 분석이 이뤄졌습니다.
• 와처의 분석은 2030년 손익분기를 위해 비범한 생산성 향상이 필요하다는 결론을 냈습니다.
• OpenAI 재단이 테슬로의 구상에 자금을 대기로 발표했습니다.
• 엔비디아와 메타 CEO가 조율된 AI 속도 조절 요구를 거부했고, FTC 의장은 반독점 면제에 경고를 보냈습니다.

아직 불확실한 사항

• 지출 규모가 예상대로 집행될지, 중간에 조정될지 여부
• 필요한 생산성 향상이 실제로 어느 산업에서 얼마나 나타날지
• 파산 절차에서 확보할 데이터의 양과 질, 법적 제약
• 반독점 면제나 새 안전 규제의 입법 여부
• 국내 요금·정책에 미치는 영향의 크기와 시점

거품 논쟁을 숫자로 따라가는 체크리스트

아래 항목은 전망 기사가 아니라 공시와 공개 발표로 확인되는 것들입니다. 거품이냐 아니냐를 논평으로 좇기보다, 이 숫자들이 분기마다 어느 방향으로 움직이는지 직접 보는 쪽이 빠릅니다.

• 분기별 설비투자 가이던스: 상향인지 하향인지, 상향이라면 근거가 실제 수요인지 공급 선점인지
• 감가상각 내용연수: 서버 수명 가정을 늘리면 회계상 이익은 늘지만 현금 흐름은 그대로입니다
• AI 관련 매출 공시 방식: 별도 항목으로 쪼개 밝히는지, 기존 클라우드 매출에 뭉뚱그려 두는지
• 전력 계약과 착공 일정: 발표된 데이터센터 가운데 실제로 착공·가동에 들어간 비율
• 데이터셋 공개 여부: 과학 데이터셋 구축 프로젝트가 실제 산출물을 내놓는지

와처의 계산이 말하는 바는 “AI는 거품이다”가 아닙니다. 본전을 맞추는 문턱이 역사적으로 드문 높이에 서 있다는 것, 그리고 그 문턱에 다가가고 있는지는 2030년을 기다리지 않아도 분기 숫자로 일부 확인된다는 것. 지금 시점에 확정된 건 거기까지입니다.

출처: MIT Tech Review AI

뉴욕타임스, 시카고트리뷴, 시애틀타임스, 뉴스데이. OpenAI를 저작권 침해로 고소한 언론사 명단이 최근 몇 년 새 꾸준히 늘고 있다. 소송 사유는 거의 판박이다. 기사를 허락 없이 학습 데이터로 가져다 썼고, 챗봇이 답변할 때 원문 문장을 거의 그대로 뱉어낸다는 것. 왜 이 소송이 반복되는지, 법적으로 뭐가 쟁점인지, 콘텐츠를 만드는 쪽에서는 어떻게 대응해야 하는지 정리해봤다.

쟁점은 딱 두 갈래로 갈린다

생성형 AI 저작권 분쟁, 나누면 두 단계다.

• 학습 단계 침해: 저작권자 동의 없이 기사, 소설, 이미지를 긁어다 모델 학습에 썼는지
• 출력 단계 침해: 사용자 질문에 답할 때 원문을 거의 그대로 보여주는지

언론사들이 물고 늘어지는 지점은 후자 쪽이다. 유료 구독 기사를 챗봇에게 물어봤더니 페이월 뒤에 숨어 있어야 할 문단이 그대로 튀어나왔다는 게 소장의 핵심 내용. 구독 매출을 직접 갉아먹는 피해라는 논리다.

언론사들이 너도나도 소송을 거는 이유

이유는 사실 단순하다. 뉴스는 매일 갱신되고 사실관계도 명확해서 AI 학습 재료로는 값어치가 높다. 반대로 언론사 입장에서는 트래픽과 광고 수익이 검색과 구독에 기대고 있는데, 챗봇이 요약해서 답을 던져주면 원문 클릭이 줄어든다. 광고 수익이 구조적으로 쪼그라드는 와중에 AI가 마지막 남은 돈줄까지 흔든다는 위기감이 크다. 그게 그대로 소송으로 튀어나온 셈이다.

공정 이용(Fair Use), 법원은 어느 손을 들어줄까

OpenAI 쪽 방어 논리는 대체로 ‘공정 이용’이다. 미국 저작권법에서 공정 이용 여부는 네 가지를 따진다.

• 이용 목적과 성격(상업적인지, 변형적인지)
• 원저작물의 성격
• 이용된 분량과 비중
• 원저작물 시장 가치에 미치는 영향

학습 데이터로 쓰는 것 자체는 변형적 이용으로 볼 여지가 있다는 판례도 있었다. 서적 저자들과의 소송 일부에서 그런 판단이 나왔다. 다만 출력물이 원문을 그대로 재현하면 얘기가 달라진다. 시장 가치를 대체해버리는 결과라서다. 법원마다 판단이 갈리는 지점이고, 아직 확정된 기준은 없다. 솔직히 여기서 결론이 어느 쪽으로 나느냐에 따라 판이 완전히 달라질 거다.

지금까지 나온 소송, 누가 걸었나

• 뉴욕타임스 vs OpenAI·마이크로소프트 (2023년 12월 제소): 가장 먼저 시작된 대표 소송. 챗GPT가 원문을 그대로 재현한 사례를 캡처해서 증거로 제시했다
• 작가 길드(Authors Guild) vs OpenAI: 소설가들이 자기 책이 무단 학습됐다며 집단 소송을 걸었다
• 게티이미지 vs 스태빌리티AI: 이미지 학습 데이터 침해를 다투는 대표 사례. 워터마크가 생성 이미지에 그대로 남아 있던 게 결정적 증거였다
• 시카고트리뷴, 덴버포스트 등 미디어뉴스그룹 계열사: 지역지들도 줄줄이 합류했다
• 시애틀타임스, 뉴스데이: 가장 최근 원고 명단에 이름을 올렸다. 소장 내용은 기존 언론사 소송과 구조가 거의 똑같다

싸우는 대신 계약 맺은 곳들도 있다

모두가 소송으로 가는 건 아니다. 일부 매체는 계약을 택했다. AP통신, 악셀 스프링거(Politico·Business Insider 모회사), 뉴스코퍼레이션(월스트리트저널·뉴욕포스트)은 OpenAI와 콘텐츠 라이선스 계약을 맺고 학습 데이터 사용료를 받는 쪽으로 정리했다. 소송과 계약, 두 갈래가 동시에 굴러가는 셈인데 매체마다 협상력과 소송 비용을 감당할 체력이 다르기 때문으로 보인다.

개인이나 소규모 매체는 뭘 할 수 있나

개인 블로거나 작은 매체 운영자가 대형 언론사처럼 소송을 걸기는 현실적으로 힘들다. 대신 아래 방법으로 최소한의 방어선 정도는 만들 수 있다.

• robots.txt에 AI 크롤러 차단 규칙 추가: GPTBot, CCBot, Google-Extended 같은 주요 AI 크롤러를 명시적으로 막는다
• Cloudflare AI 크롤러 차단 기능 활용: 도메인 단위로 AI 봇 접근을 자동 필터링한다
• 콘텐츠 출처 표기와 저작권 고지 명확화: 분쟁이 터졌을 때 소유권 입증 자료로 쓸 수 있다
• 라이선스 계약 문의: 규모가 어느 정도 있는 매체라면 AI 기업에 직접 콘텐츠 사용료 협상을 시도해볼 만하다

결국 승부는 여기서 갈린다

학습 데이터 사용 자체를 막기는 사실상 불가능에 가깝다. 이미 공개된 인터넷 텍스트 대부분이 크롤링 대상이 됐고, 이 흐름을 되돌리기는 어렵다. 진짜 관건은 ‘출력물이 원문을 얼마나 그대로 재현하느냐’다. 이 부분에서 법원이 명확한 기준을 세우면 이후 소송들의 승패도 그 기준 하나로 갈릴 가능성이 크다. 당분간은 소송과 라이선스 계약이 나란히 늘어나는 흐름, 계속될 것 같다.

출처: The Verge AI

코드를 공개하느냐, 잠그느냐. 딱 이 선택 하나가 AI 생태계 전체를 갈라놓는다. 오픈소스 대 클로즈드의 문제는 기술적 취향 차이가 아니라, 누가 AI를 만들고 감시하고 책임지느냐를 결정하는 구조적 선택이다. MIT Tech Review가 이 주제를 계속 다루는 이유도 그래서다 — 기술 문제가 아니라 권력 구조의 문제니까.

기본 개념: 코드 공개냐 독점이냐

AI 개발에서 공개 범위와 통제 주체는 두 모델을 가르는 핵심이다. 오픈소스 AI는 소스 코드를 누구에게나 공개한다. 사용, 수정, 재배포가 자유롭다. Meta의 LLaMA가 대표적 사례다. 반면 클로즈드 AI는 코드를 외부에 공개하지 않는다. 특정 기업이 독점적으로 개발하고 운영하며 상업적 라이선스로 수익을 만든다. OpenAI의 GPT-4, Anthropic의 Claude가 이 방식이다.

• 오픈소스 AI: 소스 코드 공개, 커뮤니티 기반 개발, 자유로운 활용 및 수정 가능.
• 클로즈드 AI: 소스 코드 비공개, 기업 주도 개발, 독점적 소유 및 상업적 라이선스.

오픈소스 AI의 강점 — 그리고 솔직히 과장된 부분도 있다

오픈소스의 핵심 가치는 집단 지성과 기술 민주화다. 전 세계 개발자가 코드를 뜯어보고 버그를 잡고 기능을 붙인다. 혼자서는 불가능한 속도가 나온다.

• 투명성: 코드가 열려 있으니 AI 모델이 어떻게 작동하는지, 어디서 편향이 생기는지 직접 들여다볼 수 있다. Meta의 LLaMA 공개 이후 연구자들이 편향 패턴을 발견하고 수정 패치를 올린 사례가 실제로 있었다. 이게 오픈소스의 진짜 힘이다.
• 빠른 혁신: Hugging Face 생태계를 보면 체감이 된다. 수천 개의 파인튜닝 모델이 몇 주 만에 쏟아진다. 단일 기업의 로드맵보다 커뮤니티 속도가 빠른 영역이 분명히 있다.
• 비용 효율성: GPT-4 API를 쓰면 토큰당 비용이 쌓인다. 스타트업이나 개인 개발자 입장에서 LLaMA 같은 모델을 자체 서버에 올리는 건 현실적인 대안이다. 초기 대규모 투자 없이 고성능 모델을 쓴다는 건 진짜 장점이다.
• 표준화 및 상호운용성: Hugging Face Transformers 라이브러리처럼, 오픈소스 도구가 사실상 업계 표준이 되면 시스템 간 호환성이 자연스럽게 높아진다.

클로즈드 AI의 강점 — 돈과 통제의 논리

클로즈드 모델은 집중된 자원과 통제된 환경에서 나온다. OpenAI, Google, Anthropic 같은 곳은 수천억 원의 연산 자원을 특정 목표에 쏟아붓는다. 그 결과물이 현재 상업적으로 가장 강력한 모델들이다.

• 고성능과 최적화: 집중 투자가 가능하다. 벤치마크 상위권은 여전히 클로즈드 모델이 장악하고 있다. 이건 현실이다.
• 안정성과 보안: 내부에서 코드를 통제하니까 보안 취약점 관리가 체계적이다. 상업 서비스를 안정적으로 운영하려면 이 부분이 결정적이다.
• 명확한 책임 소재: 모델이 잘못된 출력을 내거나 사고가 터지면 법적·윤리적 책임을 질 주체가 명확하다. 분산된 커뮤니티에서는 이게 불분명하다.
• 일관된 사용자 경험: 개발부터 서비스까지 전 과정이 한 조직 안에서 돌아가니까 사용자 입장에서 일관성이 있다.

각 접근법이 가진 한계 — 솔직하게 짚으면

두 방식 모두 문제가 있다. 장점만 보면 선택이 쉬울 것 같지만, 현실은 그렇지 않다.

오픈소스 AI의 과제:

• 악용 가능성: 코드가 공개되면 나쁜 의도를 가진 사람도 쓴다. 딥페이크 생성, 자동화 피싱, 맞춤형 사기 스크립트 — 오픈소스 모델이 이런 곳에 쓰인다는 걸 부정하기 어렵다.
• 책임 소재 불분명: 수천 명이 기여한 모델에서 오류가 나면 누구한테 책임을 물어야 할까. 법적으로도 기술적으로도 아직 답이 없다.
• 수익 모델과 지속 가능성: 오픈소스 프로젝트가 장기적으로 자금을 어디서 조달하느냐는 실제로 어려운 문제다. 기부나 스폰서십만으로는 한계가 있다.

클로즈드 AI의 과제:

• 독점적 지배력: 소수 빅테크가 AI 기술을 장악하면 시장 경쟁이 줄어들고 혁신도 둔해진다. 이미 이 조짐이 보인다는 비판이 나온다.
• 가치 편향과 투명성 부족: 기업의 이윤 논리나 특정 가치관이 모델 안에 녹아들 수 있는데, 코드가 닫혀 있으니 외부에서 검증이 안 된다. 이건 좀 심각한 문제다.
• 높은 비용과 접근 장벽: API 사용료가 비싸면 중소기업이나 개인 연구자는 그냥 못 쓴다. 기술 격차가 경제적 격차로 이어지는 구조다.

안전과 윤리: 어느 쪽이 더 믿을 만한가

AI 안전성과 윤리적 고려는 지금 이 시점에서 가장 뜨거운 쟁점 중 하나다. 두 방식은 이 문제에 완전히 다른 방식으로 접근한다.

오픈소스는 커뮤니티의 눈이 많으니까 잠재적 위험을 일찍 발견할 가능성이 있다. 실제로 코드 공개 후 연구자들이 악의적 활용 가능성을 먼저 경고한 사례가 있었다. 하지만 통제 주체가 분산돼 있으니 특정 안전 지침을 강제하기 어렵다. 누군가 위험한 방향으로 포크를 뜨면 막을 방법이 없다.

클로즈드 모델은 내부에서 엄격한 안전 프로토콜을 적용한다. Anthropic의 Constitutional AI, OpenAI의 RLHF 같은 방식들이 그 예다. 통제력이 강하다는 건 분명하다. 다만 그 결정이 외부 감시 없이 이루어질 때, 기업 이익이 안전보다 앞서는 상황이 생길 수도 있다는 우려가 늘 따라다닌다.

결국 어디로 가나 — 하이브리드의 현실

AI 기술의 방향은 어느 한쪽이 완전히 이기는 구도가 아닐 가능성이 높다. 실제 흐름을 보면 이미 혼합이 진행 중이다. Google은 오픈소스인 TensorFlow를 만들면서도 Gemini는 클로즈드로 운영한다. Meta는 LLaMA를 공개하면서도 내부적으로 훨씬 강력한 비공개 모델을 쌓고 있다. 이 이중 전략이 현재 빅테크의 표준이다.

결국 핵심은 기술 자체보다 그 기술을 둘러싼 책임 구조와 가치 판단이다. 코드를 공개하면 혁신이 빨라지지만 통제가 어렵다. 잠그면 성능과 안정성은 확보되지만 독점과 불투명성 문제가 따른다. 어느 쪽도 완벽한 답이 아니다. 오픈소스와 클로즈드, 이 두 방식이 서로를 견제하고 보완하면서 발전하는 것이 지금으로서는 가장 현실적인 그림이다. AI가 실제로 인류에게 도움이 되려면 기술 선택 이전에 그 기술을 어떻게 감시하고 책임질 것인지에 대한 논의가 먼저 자리 잡아야 한다.

출처: MIT Tech Review AI