导语:공개된 소송장에 따르면 OpenAI 고위층은 Books3가 海적版이라는 사실을 알면서도 GPT-4 학습을 계속했다. HN에서 533개의 추천을 받은 토론에서 엔지니어들이 실은 '도둑질이 옳은가'가 아니라 '누가 배상금을 내는가'를 두고 싸우고 있다.
소송장에 적힌 내용: "웹 크롤링하고 끝"이 아니다
8월 말, Authors Guild v. OpenAI 건의 핵심 소송장이 공식적으로 공개됐다. Authors Guild 홈페이지에는当天 "AG v OpenAI: Top Execs Knew Mass Book Piracy Was Illegal"라는 제목의 글이 올라왔는데, 제목 자체가 결론을 말해준다.
소송장의 핵심은 "OpenAI가 海적版 도서를 사용했다"는 사실 자체가 아니다 — 이건 이미 업계의 공공연한 비밀이다. 핵심은 시간 순서의 문제다:
- OpenAI 내부(Sam Altman, Brad Lightcap 등 고위층 포함)에 "이 책들은 海적 출처에서 왔다"는 경고가 여러 차례 올라갔다
- 내부 이메일과 Slack 기록에서 누군가는 Books3의 데이터 계보가 Library Genesis, Anna's Archive 같은 그림자 도서관까지追溯된다는 점을 명확히 지적했다
- 그럼에도 OpenAI는 이 데이터를 GPT-4 학습 파이프라인에 그대로 투입했다
OpenAI의 변호 전략은 원래 "우리는 海적版인 줄 몰랐다" — 즉 innocent infringement (무과실 침해) — 일 수 있었다. 그런데 소송장은 willful infringement (고의적 침해)를 입증하려 한다. 즉, "알면서도 계속 했다"는 것.
이 둘의 배상 금액은 자릿수 차이 난다. 미국 저작권법 17 U.S.C. § 504(c)(2)에 따르면 고의 침해의 법정 손해배상 상한은 작품당 $150,000이다. Books3의 19.6만 권, 170 GB 분량을 기준으로 하면 이론적 배상 천장액은 천문학적이다. 실제 판례가 이 금액을 그대로 인정할 리는 없지만, "CEO가 알고 있었다"는 사실 하나만으로和解 금액은 8자리 달러대로 밀려올랐다.
OpenAI만의 문제가 아닌 이유
이 사건이 OpenAI의 벌금 문제에만 관한 거라면, HN에서 533개의 추천을 받지는 못했을 것이다.
엔지니어 커뮤니티가 진짜로 들끓은 이유는 Books3가 OpenAI만의 전유물이 아니기 때문이다:
- Meta의 LLaMA 시리즈 학습 데이터에는 Books3가 공개적으로 인정된 출처 중 하나다
- Mistral의 초기 모델 역시 이 데이터를 사용했다
- Anthropic는 Claude 학습 과정에서 "합법 구매" 라인을 걸었지만, 2023년 8월에 Books3의 파생 데이터셋을 사용한 사실이 폭로됐다
- Hugging Face에서는 지금도 다양한 "정제판" "중복 제거판"의 Books3 파생 데이터셋을 검색할 수 있다
소송장에는 특히 강력한 문구가 있다.大意는 이렇다: OpenAI의 행위는 단발 사건이 아니라 업계 표준 관행이다. fair use라는 방어선이 뚫린다면, 업계 전체의 데이터 구매 계약이 전부 다시 쓰여야 한다.
이 때문에 HN에서 Meta와 Microsoft 직원들도 구경하고 있다 — 자기 회사가 다음 피고가 될지 알고 싶어서다.
HN에서 엔지니어들이 싸우는 주제
HN 원帖 news.ycombinator.com/item?id=49863864는 533개 추천, 468개 댓글을 받아, 일반적인 저작권话题보다 훨씬 뜨거운 토론을 끌어냈다. 들어가 보면 의견이 갈리는 지점은 "도서를 훔쳐도 되느냐"가 아니다 — 이 부분에 대해서는 거의誰も OpenAI를 변호하지 않는다. 진짜 논점은 따로 있다:
배상금을 내야 한다면, 누가 내느냐?
추천을 많이 받은 코멘트들:
"만약 Microsoft가 공동 피고라면, Azure는 공범인가? 결국 컴퓨팅 자원은 Azure가 댄 거잖아." (+247)
"나 HF에 Books3 중복 제거 버전을 올린 적 있다. 지금 지워야 하나?" (+189)
"법정 배상 $150k/작은 상한이고 실제 판례는 보통 1/10에서 1/100 수준으로 결정된다. 그런데 OpenAI 규모에서는 변호사비만 해도正版 도서를 다시 사기에 충분하다." (+134)
"진짜 문제는 2026년 이후 학습되는 새 모델은 데이터 provenance를 기록으로 남겨야 한다는 거다. Anthropic은 이미 하고 있고, OpenAI는 아직 시치미 떼고 있다." (+98)
엔지니어들이关心的인 건 "AI 회사가罰금 맞아 죽느냐"가 아니라 "나 같은 개발자가 이 선을 넘었느냐" "지금 쓰는 모델의 데이터 출처는 깨끗하냐" "다음 계약은 어떻게 써야 하느냐"다.
한국/중화권 AI从业자에게 미치는 실질적 영향
이 사건이 한국·중국 본토·홍콩·대만 개발자에게 미치는 영향은 세 층위로 나뉜다.
첫 번째 층: 모델 선택
지금 Qwen, DeepSeek, Yi 같은国产 모델을 사용 중이라면, 각사 모델 카드에는 "학습 데이터 합법·규격 준수"라고 적혀 있다. 하지만 구체적으로 어떤 방식으로 합법을 지켰는지, 중국어 海적版 사이트(예전 z-library 중국어 구역, 각종 클라우드 도서관 등)를 정제했는지 등은 공개되지 않았다.
이번 판례가 "provenance 기록 필수"라는 업계 표준을確立한다면, 国产 모델 카드의 '합격 선언' 한 줄로는 부족하다 — 감사 가능한 데이터 출처 목록을 제시해야 한다.
두 번째 층: API 비용
소송장에서 언급된 법정 배상 상한은 작품당 $150,000이다. 만약 합의금이 $1B–$5B 구간에落到한다면(Anthropic의 이전 몇 건의 저작권 합의를 추정한 범위 참고), 이 비용은 결국 API 호출 가격에 전가된다.
OpenAI의 o1 API는 이미 한 차례 가격이 올랐다. 합의금을 추가로背負게 된다면 2026년 GPT-5 / Claude 5의 API 가격은 다시 20–30% 오를 수 있다.
세 번째 층:国内 데이터 구매 모델
국내(중국) 주류의 "数据堂"식 구매 방식 — 세팅된 데이터셋을 한꺼번에 사들이고 라이선스 범위를宽泛하게 적어두는 방식 — 이번 판례가 참고 기준이 된다. 미국 법원이 "알면서도 사용"을 고의 침해로認定한다면, 이런 국내 데이터 공급업체의 책임 제한 조항은 성립하지 않을 가능성이 크다.
이미 RAG이나 파인튜닝을 하고 있는 중국어 팀이라면, 현재 사용하는 사전 학습 데이터에 "추적 사슬"이 있는지 미리 점검하는 게 좋다 — 예전에는 아무도 확인하지 않았지만, 이제는 확인받게 된다.
편집자 소견
이 사건에서 진짜注目할 가치가 있는 건 저작권 자체가 아니라, 이것이 AI 업계의 "Enron moment"가 될 가능성이다 — 내부 이메일이 공개되면서 willful infringement 입증이 "우리는 海적版인 줄 몰랐다"는 변호보다 훨씬 어려운 싸움이 됐다.
내 판단은 두 가지다. 첫째, 사건은 배상금 합의로 마무리될 가능성이 높고, 생성형 AI의 학습 패러다임을 뒤집진 않겠지만, 2026년 이후 신모델 사전 학습 데이터는 반드시 완성된 provenance 사슬을 남겨야 하게 된다 — Anthropic은 이미 이를 실천 중이다.
둘째, 중화권 업체들이 "합격 선언만 하고 디테일은 비공개"라는 기존의 방식을 계속 따른다면, 이번 판례는 계속 인용되는 반례가 될 것이다.
과거와 다른 지점은 이렇다: 이전의 저작권 소송(NYT v. OpenAI, Getty v. Stability)은 "출력 유사성"을 다뤘고, 이번에는 "입력 고지"를 다룬다. 전자는 기술적 필터링(memorization mitigation)으로 해결할 수 있지만, 후자는 구매 프로세스 개편으로만 해결할 수 있다. 법원이 일단 willful infringement를認定하면, 데이터 구매 단계는 영구히 合格 체크리스트에 기록된다 — 업계가 한 번도 겪어본 적 없는 제약이다.
확실하지 않은 부분은 이거다: 미국 법원이 "업계 관행"을 non-US 업체에게까지 확장 인정할지. 확장하지 않는다면, 중화권의 "数据堂" 모델은 단기적으로 압박받지 않는다. 확장한다면, Qwen/DeepSeek의 해외 배포가 즉시 영향을 받는다 — 판결 진행 상황을 계속 팔로업할 가치가 있다.
출처
https://authorsguild.org/news/ag-v-openai-top-execs-knew-mass-book-piracy-was-illegal/