마이크로소프트 임원이 AI 학습을 위한 콘텐츠 스크래핑을 ‘인류 역사상 최대 노동의 절도’라고 표현한 정황이 저작권 소송 관련 자료에서 드러났다고 테크크런치가 보도했다. 뉴욕타임스가 오픈AI와 마이크로소프트를 상대로 제기한 소송에서 새로 공개된 서류에 담긴 내용이다.
공개된 소송 자료와 대규모 콘텐츠 복제
테크크런치는 9월 18일 보도에서 마이크로소프트와 오픈AI가 유료장벽을 우회해 콘텐츠를 수집하고, 대량 스크래핑으로 학습 데이터를 구축했으며, 저작권 표시를 제거했다는 뉴욕타임스 측 주장을 전했다. 다만 새 정보 상당수는 실제 증거 원문이 아니라 뉴욕타임스의 소송 서면에서 나온 것으로, 관련 증거는 아직 봉인돼 있고 인용문도 원래 맥락 없이 제시됐다고 설명했다.
공개된 자료에 따르면 오픈AI의 중간 학습 데이터셋에는 뉴욕타임스와 데일리뉴스, 탐사보도센터가 발행한 저작물 사본이 91692개 이상 포함됐다. 커먼 크롤(Common Crawl)에서 파생된 데이터셋에는 nytimes.com 문서만 200만건 이상 들어간 것으로 나타났다. 오픈AI와 마이크로소프트가 프로젝트 망고(Project Mango)라는 উদ্যোগ을 통해 구성한 데이터셋에는 뉴스 발행사들의 고유 저작물 사본이 최소 160903개 포함됐다는 주장도 서류에 담겼다.
마이크로소프트의 브렌트 헤크(Brent Hecht) 응용과학 담당 이사가 2024년 1월 작성한 내부 발표 자료는 코파일럿(Copilot)의 답변형 검색 기능이 뉴욕타임스 도메인으로 연결되는 클릭률을 기존 빙 검색보다 최대 93% 낮췄다고 적었다. 자료는 이 현상을 모델 성능과 웹 생태계 전체를 동시에 해칠 수 있는 ‘악순환’으로 표현했다. 오픈AI가 GPT-3 학습 데이터 전체를 마이크로소프트에 전달했고, 마이크로소프트가 프로젝트 택시(Project Taxi)와 프로젝트 망고라는 계획을 통해 오픈AI에 학습 데이터를 제공했다는 내용도 포함됐다.
공정 이용 주장과 콘텐츠 시장 충돌
이번 자료는 생성형 AI 학습에 저작권물을 허가 없이 사용할 수 있는지를 둘러싼 공정 이용 논쟁과 맞물린다. 법원은 그동안 AI 기업의 학습 행위가 공정 이용에 해당할 수 있다는 주장에 비교적 우호적인 판단을 내렸지만, 원저작물의 시장을 대체하거나 해치지 않아야 한다는 요건은 쟁점으로 남아 있다. 마이크로소프트 최고경영자 사티아 나델라(Satya Nadella)는 증언에서 유료 콘텐츠는 학습이나 검색 근거로 쓰려면 이용 허락을 받아야 한다고 말했고, 오픈AI가 유료장벽 뒤 정보를 학습했다는 사실을 알았다면 재학습을 요구했을 것이라고 진술했다.
오픈AI의 챗GPT 책임자인 닉 터리(Nick Turley)는 내부 소통에서 챗봇 제품이 출판사에 ‘존립을 위협하는 존재’가 될 수 있고 성능이 좋아질수록 원자료를 더 대체할 것이라고 썼다. 오픈AI 사장 그레그 브록먼(Greg Brockman)은 모델이 뉴스를 잘 다룬다고 평가했으며, 나델라는 이용자가 원래 웹사이트에 들어가는 대신 AI 플랫폼에서 정보를 얻는 현상이 발생한다고 인정했다. 마이크로소프트 문서에는 생성형 AI가 학습 데이터 생산자의 고용을 크게 흔들 수 있다는 위험도 적혔다.
자료에는 오픈AI 연구원 닉 라이더가 브록먼에게 뉴욕타임스 유료장벽을 우회하는 해킹 방법을 알리자 브록먼이 긍정적으로 반응했다는 내용과, 웹텍스트(WebText)·웹텍스트2(WebText2) 같은 데이터셋이 뉴스 콘텐츠에 크게 의존했다는 주장도 포함됐다. 연구자들이 모델 출력에 저작권 표시가 나타나는 것을 원하지 않아 학습 데이터에서 관련 표기를 제거하려 했다는 대목도 제시됐다. 소송은 3년째 이어지고 있으며, 이번 공개 자료는 AI 학습과 저작권의 경계를 둘러싼 법적 공방을 확대하는 새로운 쟁점으로 남을 전망이다. 원문에는 별도의 제품 출시 일정이나 가격 계획은 제시되지 않았다.