한 업체, 세 피고석
effort.news의 심층 취재가 한 데이터 공급업체를 지목했다. 이 업체는 OpenAI, Anthropic, Meta 세 회사에 저작권과 컴플라이언스 문제가 있는 학습 데이터를 납품했다는指控을 동시에 받고 있다. 이 기사는 Hacker News 메인에서 146 포인트, 44개 댓글을 기록했고, 반응은 대부분 "출처 불분명한 소문"이 아니라 "실체 있는 폭로"라는 쪽이었다.
출처: effort.news /irregular 및 HN 토론(item id 49704132).
왜 하필 이 업체인가
지난 2년간 대중과媒体的 시선은 모델 자체에 고정돼 있었다. GPT-4o의 멀티모달, Claude 3.5의 코딩 능력, Sora의 1분짜리 영상, LLaMA 3의 오픈소스 전략. Scaling law, test-time compute, MoE 아키텍처… 이런 키워드만 반복적으로 오갔다.
아무도 묻지 않은 질문: 이 모델들이 먹어 삼킨 데이터는 대체 어디서 왔는가?
이 지점이 바로 데이터 라벨링·조달·클리닝 회사가 산업사슬에서 차지하는 자리다. 가장 불투명한 구간이다.
취재 방향으로 미뤄보건대, 이 업체는 아마 다음 세 가지를 동시에 해왔을 것이다:
- 주요 연구소들을 위한 대규모 SFT / RLHF 데이터 라벨링
- 언어 코퍼스 사이트, 출판사, UGC 플랫폼에서 원시 데이터를 중간 도매로 조달
- 비식별화, 저작권 흔적 제거 등 "세탁" 작업 수행
이건 이 업체만의 잘못이 아니다. 업계 전체의 잘못이다. 데이터 레이어를 아무도 감사하고 싶어 하지 않는다. 한 번 감사하면 사슬 전체를 다시 만들어야 하기 때문이다.
AI 회사의 "공급사 실사"는 어디까지였나
외부에서 보기에는 "책임감 있는 AI"를 강조하고, 각종 저작권 약속에 서명하고, Anthropic은 학습 데이터 저작권 컴플라이언스 심사 절차에 관한 블로그 글까지 별도로 게시했다. 듣기에는 근사하다.
그런데 조달 체인을 펼쳐 보면 이런 약속은 사실상 빈 수표다.
전형적인 구조:
- AI 회사가 Tier-1 데이터 공급업체와 계약 (NDA 체결, 서약서 작성)
- Tier-1이 다시 Tier-2에 하청 (주로 인건비가 더 싼 지역)
- Tier-2가 다시 개인 / 소규모 작업장(Upwork, 5인 집단)에 분산
- 최종 데이터는 어떤 해적질 포럼, 무허가 크롤러, OCR로 추출한 위서에서 유래
AI 회사 법무팀의 검토는 1계층까지만이다. 2계층 이하에서 원본 데이터가 어디서 왔는지, 라이선스가 있는지, 세탁 과정에서 저작권 워터마크가 깨졌는지는 아무도 모르고, 또 알고 싶어 하지도 않는다.
이것이 이번 사건의 감사 공백이다.
진짜 피해자는 빅테크가 아니다
OpenAI, Anthropic, Meta는 각자 수십억 달러 현금성 자산과 수백 명 규모 법무팀을 보유하고 있다. 소송几张을 턱없이 삼키는 비용이中型 AI 스타트업 한 해 R&D 예산과 맞먹는다.
실제 연좌 피해를 보는 쪽은 중소 AI 스타트업들이다:
- 서드파티 비공개 모델 API(Claude / GPT)에 의존하는데, 모델 학습 데이터가 컴플라이언스를 충족해도 본인이 그 내역을 설명할 수 없다
- Scale AI 급의 데이터 조달 비용을 감당하지 못해 기성 dataset을 그대로 쓴다
- 업계 신뢰 붕괴, 규제 강화, 사용자 이탈이 동시에 올 때 컴플라이언스 예산도, 자체 데이터팀도 없다
결과: 빅테크는 벌금 내고 계속 달리지만, 중소 회사는 그대로 폐업한다.
엔지니어가 가져갈 교훈
서드파티 데이터나 모델에 의존하는 AI 제품을 만들고 있다면, 아래 세 가지가 한 줄기 살길이다.
1. 데이터 출처 기록을 남겨라
학습 데이터 / SFT 데이터 / RAG 코퍼스 배치마다 출처 목록을 갖춰야 한다. 엑셀 표만으로는 부족하다. 버전 번호, 수집 일자, 라이선스 종류, 세탁 단계가 들어가야 한다. 사고가 터졌을 때 30분 안에 evidence chain을 꺼낼 수 있어야 한다.
import json
from datetime import datetime
def log_dataset(dataset_id, source, license, steps):
record = {
"dataset_id": dataset_id,
"source": source,
"license": license,
"collected_at": datetime.utcnow().isoformat(),
"processing_steps": steps,
}
with open(f"lineage/{dataset_id}.json", "w") as f:
json.dump(record, f, indent=2)
log_dataset(
"rag-corpus-2025-q1",
source="internal-crawl + licensed-feed-A",
license="CC-BY-SA-4.0 + commercial-license-2024-11",
steps=["dedup", "pii-redaction", "quality-filter-v3"],
)
2. 공급사 계약에 audit 조항을 박아라
"공급사가 데이터 컴플라이언스를 준수한다"는 한 줄로는 부족하다. 다음 내용이 들어가야 한다:
- 공급사는 24개월간 원본 데이터 출처 기록을 보관할 의무
- 구매사는 30일 내 2계층 하청사에 대한 감사 권한을 가짐
- 컴플라이언스 위반이认定되는 즉시 구매사는 잔금 지급 없이 계약을 해지할 수 있음
얼마나 관철되는지는 조달 규모에 달렸지만, 시도 자체는 해야 한다.
3. 핵심 시나리오는 자체 fallback을 갖춰라
핵심 제품을 서드파티에 완전히 맡기면 안 된다. 제품이 특정 비공개 모델의 특정 기능에 심하게 의존한다면, 최소한 하나의 오픈소스 대안(Qwen, Llama, DeepSeek)으로 백업 라인을 둬야 한다. 데이터 영역도 마찬가지다. 핵심 시나리오의 라벨링 데이터는 자체 구축할 수 있으면 하는 쪽이 낫다. 트래픽의 20%만 커버해도 된다.
편집자 소견
이 사건이 과거 저작권 소송(NYT vs OpenAI, Getty vs Stability)과 다른 지점은, 여기서 뚫린 게 데이터 공급망 전체의 "외주 면책" 환각이라는 점이다. 그때는 빅테크를 상대로 "내 콘텐츠를 썼다"고 했고, 이번에는 한 층 더 깊이 찔렀다. AI 회사가原告 자리에 서 있다고 생각하지만, 실제로는 이 더러운 체인의 하류 피해자이기도 하다. 더 정확히 말하면, 자장가처럼 잠자코 있던 쪽이다.
나의 판단(반론이 가능한 시각): 이 사건은 단기적으로 조달 구조를 바꾸지 않을 가능성이 높다. 오히려 빅테크 법무팀이 "역방향 세탁"을 가속화할 것이다. 모든 책임을 하청사에 떠넘기고, 자신은 "나도 피해자" 역할을 연기하는 식이다. effort.news의 기사가监管에 무기를 쥐여준 게 아니라, PR팀에 대본을 쥐여준 것에 가깝다.
다만 과거와 분명히 다른 점이 하나 있다. EU AI Act가 이미 집행 단계에 들어섰고, 감사 요건은 이제公关 선택이 아니라 강제 요구사항이 됐다. 이것이 공급망 투명화의 첫 번째 실제 추진력이다. 여론이 아니라 법이다.
불확실한 지점: 지목된 이 데이터 공급업체가 계약상의 비밀유지 / 중재 조항에 휘말려 법적 안개 속으로 사라질까? 취재 보도가 입을 열었지만, 실제 공개까지 끌어낼 수 있을지는 6개월 안에 가려질 것이다.
엔지니어 관점에서 하나만 확실한 것은, 내 손 안의 data lineage를 지금부터 정리해야 한다는 점이다. 1년을 더 미루면, 결국 남에게 칼자루를 쥐어주는 셈이다.
참고 출처:
- effort.news /irregular
- Hacker News 토론 (item id 49704132)