AI 학습 데이터 때문에 희귀본까지 잘려 나간다는 얘기

AI 기업들이 희귀본과 절판본을 대량으로 사들여 학습 데이터로 만들고 있다는 주장임

• 고속 스캐너에 넣기 위해 책등을 잘라내고, 스캔이 끝난 원본은 파쇄된다고 함
• 문제는 이게 그냥 흔한 중고책 이야기가 아니라, 남아 있는 사본이 거의 없는 희귀본까지 포함된다는 점임

2022년 이전 책이 특히 비싸게 취급되는 이유가 좀 씁쓸함

• 2022년 이후 텍스트에는 AI 생성물이 섞였을 가능성이 커졌고, 모델 학습 입장에서는 그게 데이터 오염이 될 수 있음
• 그래서 AI가 만든 글을 피하려고, AI 이전 시대의 책을 더 적극적으로 긁어모으는 구조가 생긴 셈임

ISBNdb라는 서비스가 이 흐름을 중개한다는 대목도 꽤 세다

• 최대 100만 권 단위 주문을 지원하고, 구매자를 익명으로 유지해준다는 식으로 소개됨
• 글에 따르면 비밀유지계약까지 기능처럼 제공하고, 고객에게 이 작업을 “디지털 보존”이라고 부르도록 코칭한다고 함

법적 판단도 AI 기업 쪽에 힘을 실어주는 분위기임

• 한 미국 연방법원 판사는 원본을 제거하면 동시에 존재하는 사본이 하나뿐이라는 이유로 공정 이용을 인정했다는 내용이 나옴
• 즉 “책을 스캔했지만 원본을 없앴으니 복제본이 늘어난 건 아니다”에 가까운 논리임

글쓴이가 특히 분노하는 지점은 되돌릴 수 없다는 점임

• 인터넷 스크래핑은 원본이 온라인에 남아 있을 수 있고, 음원이나 베스트셀러도 다시 유통될 수 있음
• 하지만 18세기 식물학 서적처럼 남은 사본이 몇 권 안 되는 자료는 학습 데이터 한 번 만들겠다고 갈아버리면 복구가 안 됨

개발자 입장에서도 이건 남의 업계 윤리 얘기로만 보기 어렵다

• 모델 성능을 위해 “깨끗한 데이터”를 찾는 기술적 압력이 실제 세계의 물리적 자료 손실로 이어질 수 있다는 사례임
• 데이터 수집 파이프라인이 합법 판정과 익명 구매 서비스까지 만나면, 꽤 빠르게 산업화될 수 있다는 게 더 무서운 포인트임