AI 기업, 2022년 이전 종이책 학습데이터 확보전

인공지능 기업들이 중고 서적 시장으로 눈을 돌리고 있다. 대량으로 매입한 책을 디지털 형태로 스캔한 뒤 실물은 폐기하는 방식으로 학습용 텍스트를 확보하는 작업이 확대되고 있다는 것이다. 주목할 점은 매입 대상이 무차별적이지 않다는 사실이다. 업계가 특별히 겨냥하는 것은 2022년 이전에 출간된 도서다. 생성형 AI가 대중화된 시점을 기준으로 그 이전과 이후의 텍스트 성격이 근본적으로 달라졌다는 판단이 배경에 깔려 있다. 생성형 모델이 확산된 이후 인터넷에 새로 축적되는 문서 가운데 사람이 직접 쓴 비중은 계속 낮아지고 있다. 문제는 이렇게 기계가 만들어낸 문장이 다시 다음 세대 모델의 학습 자료로 되돌아갈 때 발생한다. 데이터가 늘어나는데도 모델 성능이 개선되지 않고 오히려 퇴화할 수 있다는 우려가 제기되는 지점이다. 반대로 2022년 이전에 인쇄된 종이책은 AI가 만든 문장에 오염되지 않은 인간 저작 지식의 저장고로 평가받는다. 그 결과 물리적 서적이 차세대 모델 훈련을 위한 자산으로 재조명되고 있다는 것이 이번 관측의 핵심이다. 시장 관점에서 이 흐름은 AI 경쟁의 축이 연산 능력에서 데이터 품질로 이동하고 있음을 시사한다. 그동안 투자 논의는 GPU 확보와 데이터센터 증설에 집중돼 왔지만, 실제 모델 성능을 가르는 변수로 '깨끗한 원천 데이터'의 확보 여부가 부상하는 셈이다. 이는 두 가지 방향의 파급을 낳는다. 하나는 검증된 텍스트 아카이브와 출판 저작권을 보유한 콘텐츠 사업자의 협상력 강화이며, 다른 하나는 데이터 확보 비용이 모델 개발 원가에 추가 부담으로 반영될 가능성이다. 대규모 자본을 동원할 수 있는 상위 사업자와 그렇지 못한 후발 주자 간 격차가 데이터 단계에서부터 벌어질 수 있다는 점도 함께 살펴야 할 대목이다.