글쓰기
EU AI법의 학습 데이터 요약이 밝히는 것과 밝히지 않는 것
EU AI법 제53조 1항 (d)는 모든 범용 AI 모델 제공자에게, AI사무국이 2025년 7월에 공개한 템플릿에 따라 학습에 사용한 콘텐츠에 관한 "충분히 상세한 요약"을 공개하도록 요구한다. 이 의무는 2025년 8월 2일에 발효되었다. 나는 실제로 제출된 요약들을 비교 가능한 소규모 데이터셋으로 모아 왔다——transparency.kieranmaynard.com/ai-training에서 공개하고 있다——그런데 이 작업은 모델보다 오히려 이 규제의 현주소에 대해 더 많은 것을 말해주는 결과가 되었다.
템플릿이 실제로 요구하는 것
템플릿은 의도적으로 소박하다. 학습 데이터에 존재하는 각 양식(모달리티)——텍스트, 이미지, 오디오, 비디오, 기타——에 대해 제공자는 세 개의 규모 구간 중 하나에 체크하고(텍스트라면 10억 토큰 미만, 10억〜10조, 또는 10조 초과), 콘텐츠 유형을 서술한다. 이어서 데이터 출처에 관한 일련의 예/아니오 플래그——공개 데이터셋, 상업적 라이선스 데이터, 제3자로부터의 비공개 데이터, 제공자가 직접 크롤링한 데이터, 사용자 데이터, 합성 데이터. 여기에 데이터 취득 마감일이 더해진다.
그게 전부다. 토큰 수도, 데이터셋 이름도, 비율도 없다. 위원회는 저작권자와 대중에게 최소한의 기준선을 주되 제공자에게 영업비밀을 내놓도록 강요하지 않게끔 설계했다. 따라서 어떤 단일 요약이 말해줄 수 있는 것의 상한은 설계상 일부러 낮게 잡혀 있다. 가치가 있다면, 그것들을 나란히 놓고 비교하는 데서 나온다——그것은 아무도 하지 않던 일이었고, 내가 이 데이터셋을 만든 이유이기도 하다. 거친 규모라도 최소한 제공자 간에 정렬되도록, 각 규모 구간을 등급(1〜3, "해당 없음"은 0)으로 정규화한다.
가장 웅변적인 신호는 "누가 빠졌는가"다
내가 마지막으로 데이터를 갱신했을 때, 표준 템플릿을 제출한 곳은 7개 제공자의 11개 모델이었다: Google(Gemini 3 Pro), Meta(Muse Spark), Microsoft(Phi-4 계열), OpenAI(GPT-5.5), 스위스의 Swiss AI(Apertus), 폴란드의 SpeakLeash(Bielik), 그리고 Hugging Face(SmolLM3).
눈에 띄는 부재자는 당연히 있으리라 예상되는 프런티어 연구소들이다. Anthropic——현 주력 모델 Fable 5를 포함해——, Mistral, xAI는 템플릿을 제출하지 않았다. 이들은 학습 콘텐츠를 옛 방식대로, 즉 모델 카드의 한 단락짜리 산문으로 공개한다: "공개적으로 이용 가능한 정보, 라이선스 데이터, 그리고 우리 팀이 생성한 데이터의 독자적 조합"이라는 식으로. 그것은 실재하는 공개이긴 하나, 규제가 지금 요구하는 표준화된 산출물이 아니며, 그 무엇과도 비교할 수 없다.
이 간극은 저항이냐 준수냐의 문제가 아니다. 법에 새겨진 "시점의 이음매"다. 2025년 8월 2일 이후 EU 시장에 출시된 모델은 지금 제출해야 하지만, 그 이전에 이미 시장에 있던 모델은 요약을 만들기까지 2027년 8월 2일까지 유예가 있다. 그러니 템플릿에 오른 모델은 거의 예외 없이, 마감일 이후 선을 넘은 신규 주력 모델이거나, 개방성 자체가 전부인 세일즈 포인트라 선제적으로 제출한 오픈소스·유럽 연구소 중 하나다. 제출하지 않은 쪽은 대부분 유예 기한 위에 걸터앉아 있다. "누가 제출했는가"는 현재로선 "누가 더 투명한가"보다 "누가 최근 신규 모델을 냈는가, 혹은 투명해 보이고 싶은가"의 대리 지표로 더 적합하다.
제출된 데이터가 보여주는 것
요약들을 가로질러 읽으면 몇 가지가 버텨낸다.
모두가 공개 데이터를 주장한다. 흥미로운 차이는 그 밖의 모든 곳에 있다.제출자들은 하나같이 "공개 데이터셋"에 체크한다. 이 플래그는 정보를 거의 담고 있지 않다——입장을 위한 최소 조건이다. 제공자들이 실제로 갈리는 곳은 다른 범주들이다: 직접 크롤러를 돌렸는가, 아니면 누군가가 만들어 둔 공개 데이터셋에 기댔는가; 데이터를 상업적으로 라이선스했는가; 합성 데이터를 썼는가; 그리고——진짜 공개로 읽히는 것——사용자 데이터로 학습했는가. OpenAI는 사용자 데이터에 "예"라 하고, 요약은 그것이 ChatGPT나 Codex 같은 제품의 데이터를 뜻하며 모델과의 대화 로그가 아님을 신중히 밝힌다; Meta도 "예"다. 개방적이고 유럽에 있는 연구소들——Apertus, Bielik, SmolLM3——은 "아니오"이며, 상업 라이선스 없음·자체 크롤링 없음과 나란히 선다. 템플릿의 예/아니오 플래그는 뭉툭하지만, 바로 그 열이야말로 요약이 마케팅 페이지라면 하지 않을 이야기를 들려주는 지점이다.
최상위 규모 구간은 이미 포화되었다."10조 토큰 초과"는 템플릿이 텍스트에 마련한 가장 큰 통이지만, 이제는 그저 표준이 되었다: Gemini 3 Pro, Muse Spark, GPT-5.5, SmolLM3 모두 그 안에 든다. 30억 파라미터의 오픈 모델과 프런티어 시스템이 같은 텍스트 규모 구간을 보고한다. 이는 오류가 아니라——3단계 척도가 분야가 최상위 통을 넘어선 뒤 정확히 보이는 거동이다: 변별력을 잃는 것이다. 규모 필드는 소형이거나 오래된 모델(Bielik은 중간 구간에 든다)을 현대의 대형 모델과 구분하는 데는 유용하지만, 그보다 세밀한 데는 쓸모가 없다.
모달리티 커버리지가 가장 깔끔한 단면이다.데이터가 선명하게 갈라주는 유일한 것은 멀티모달이냐 텍스트 전용이냐다. Google, Meta, OpenAI는 이미지·오디오·비디오 학습 데이터를 보고한다; 오픈 연구소 항목들은 텍스트 전용이다. 이는 실재하는, 검증 가능한 구분이며, 규모 구간과 달리 한눈에 보인다.
한계는 부수적이 아니라 구조적이다
이전에 쓴 DSA 투명성 보고서와 마찬가지로, 제약은 내용만큼이나 중요하며, 그중 몇 가지는 내 수집 방식이 아니라 제도 자체에 박혀 있다.
등록부(레지스트리)가 없다.제출된 요약의 정본 목록을 아무도 관리하지 않으므로 "누가 공개했는가" 자체가 하나의 연구 과제가 된다——이것들 중 여럿을 나는 한 학술 서베이와 Hugging Face 모델 카드에서 역으로 추적해 찾았다. 각 제공자는 원하는 곳에, 원하는 형식으로 자체 공개한다. 실제로 그것은 다음을 뜻했다: Google은 투명성 보고서 PDF, Meta와 OpenAI는 양식형 PDF, Microsoft는 마크다운 "데이터 요약 카드", Apertus는 Hugging Face 저장소의 PDF, 그리고 SmolLM3는 Gradio 앱으로 구동되는 대화형 위젯——채워진 템플릿을 앱 소스에서 뽑아내야 했다. 다섯 가지 방식으로 공개되는 표준 템플릿은 절반만 표준화된 셈이다.
감사가 없다.모든 플래그는 자기 주장이며, 크롤링 데이터나 사용자 데이터의 "아니오"가 정확한지 외부에서 확인해 주는 것은 없다. 게다가 템플릿은 어떤 출처가 사용되었는지는 묻지만 얼마나 사용되었는지는 결코 묻지 않는다. 그래서 압도적으로 라이선스 데이터로 학습한 제공자와 라이선스 세트 하나만 건드린 제공자가 같은 칸에 체크한다. "공개적으로 이용 가능"은 한 번도 정의되지 않아, 큐레이션된 연구 코퍼스부터 열린 웹까지 무엇이든 빨아들인다.
이 어느 것도 데이터를 쓸모없게 만들지는 않는다. 그저 데이터를 있는 그대로의 것으로 만든다: 구조화되고, 자기 보고되며, 제공자를 가로지르는 스냅샷으로서, 분야의 윤곽을 짚는 데는 정말 유용하지만(누가 어떤 종류의 출처로, 대략 어느 규모로, 어떤 모달리티에서 학습하는지), 체크된 칸을 측정된 양으로 취급하면 오도한다.
앞으로 예상되는 것
집행 권한은 2026년 8월 2일에 부여된다——그날부터 AI사무국은 누락되었거나 부실한 요약에 대해 조치할 수 있으며, 제재는 전 세계 매출의 3% 또는 1,500만 유로까지 이른다. 더 큰 전환은 2027년 8월 2일의 유예 기한과 함께 온다. 기존 모델도 제출해야 하는 때다. 데이터가 흥미로워지는 것은 그때부터다——지금 산문으로 공개하는 주력 모델들, 즉 내가 오늘은 뺄 수밖에 없는 그 모델들이, 표준화된 산출물을 내놓거나 집행 위험을 감수하도록 내몰리고, "누가 빠졌는가"라는 신호가 마침내 "시점"보다 "위반"에 더 가까운 무언가를 뜻하게 된다.
그에 따라 두 가지가 드러나리라 예상한다. 첫째, 거친 최상위 구간은 나아지기는커녕 더 민망해진다: 더 많은 프런티어 시스템이 "10조 토큰 초과"로 몰려들수록, 더 세밀한 통을 추가하거나——아예 실제 숫자를 보고하라는——압력이 커질 것이다. 12조 토큰 모델과 50조 토큰 모델조차 구별하지 못하는 투명성 도구는 규제 당국에 별로 알려주는 게 없기 때문이다. 둘째, AI사무국이 실제 등록부를 세우지 않는 한 형식의 파편화는 좋아지기 전에 나빠진다; 100개의 기업 CDN과 모델 저장소에 흩어진 또 다른 100개의 요약은 투명성 제도가 아니라 보물찾기다.
템플릿은 "아무것도 없음"이라는 이전 현상 유지에 비하면 진짜 개선이다. 그러나 지금 데이터 속의 흥미로운 이야기는 어떤 모델이 무엇을 공개하는가가 아니라——제출해야 했던 연구소와 아직 제출하지 않은 연구소 사이의 이음매이며, 그 하나의 시점상 우연이 현재 얼마나 많은 것을 설명해 버리는가다. 2027년 기한이 분야의 나머지를 템플릿으로 끌어당기는 동안 나는 이 데이터셋을 계속 갱신할 것이다. 그리고 비교 가능성이 100건의 추가 제출과의 충돌을 견뎌내는지 지켜보자.