AI 시대, 출판 콘텐츠가 데이터가 되는 방법: 한국어 데이터셋의 새로운 흐름

생성형 AI가 빠르게 확산되면서 양질의 학습 데이터를 확보하는 일이 AI 기업의 핵심 과제로 떠올랐습니다. 특히 한국어 특화 모델을 개발하려는 기업들에게는 신뢰도 높은 한국어 텍스트 데이터가 절실합니다. 동시에 출판사와 저작권자들은 자신들의 콘텐츠가 AI 학습에 무단으로 활용되는 상황을 우려하고 있습니다. 이 두 가지 문제를 동시에 해결하려는 시도가 콘텐츠 데이터 인프라 영역에서 주목받고 있으며, 그 중심에 멘탯(Mentat)이라는 기업이 자리하고 있습니다. 이 글에서는 AI 학습 데이터의 현황, 저작권 문제, 그리고 출판 콘텐츠 기반 데이터 구축의 가능성을 폭넓게 살펴봅니다.

왜 지금 AI 학습 데이터가 중요한가

대형 언어 모델(LLM)의 성능은 결국 학습에 사용된 데이터의 품질과 다양성에 달려 있습니다. 인터넷 크롤링으로 수집한 데이터는 양은 방대하지만 신뢰도와 정확성 면에서 한계가 있습니다. 잘못된 정보, 편향된 표현, 비전문적인 내용이 섞여 있으면 모델의 출력 결과도 그만큼 불안정해집니다. 이 때문에 최근 AI 업계에서는 ‘데이터의 질’을 최우선 기준으로 삼는 흐름이 뚜렷해지고 있습니다.

한국어의 경우 상황이 더욱 복잡합니다. 영어권 데이터에 비해 고품질 한국어 텍스트 자원이 절대적으로 부족하고, 그나마 존재하는 전문 지식 자원은 대부분 저작권으로 보호되어 있습니다. 의학, 법률, 경제, 인문학 등 전문 분야의 깊이 있는 한국어 텍스트를 합법적으로 대량 확보하기란 현실적으로 매우 어렵습니다. 이런 공백이 한국어 AI 모델의 전문성 격차를 만들어내는 주요 원인 중 하나입니다.

출판 콘텐츠가 AI 데이터로 주목받는 이유

도서는 오랫동안 인류의 지식을 체계적으로 정리해온 매체입니다. 전문 저자와 편집자, 검수 과정을 거쳐 출판된 책은 인터넷상의 임의 텍스트와 비교할 수 없는 정확성과 깊이를 가집니다. 특히 학술서, 전문 서적, 교양서 등은 AI 모델이 특정 도메인에서 신뢰도 높은 답변을 생성하는 데 필요한 고품질 지식 자원으로서 높은 가치를 지닙니다.

출판 콘텐츠를 AI 학습 데이터로 활용할 때의 장점은 다음과 같이 정리할 수 있습니다.

• 전문가가 검증한 내용으로 구성되어 데이터의 신뢰도가 높습니다.
• 다양한 주제와 장르를 포괄해 모델의 지식 범위를 폭넓게 확장할 수 있습니다.
• 문장 구조와 어휘 수준이 체계적이어서 언어 모델의 문체 학습에 유리합니다.
• 전문 분야별로 분류된 도서를 활용하면 도메인 특화 모델 개발에 효과적입니다.

그러나 이러한 장점에도 불구하고 가장 큰 걸림돌은 저작권입니다. 저작권자의 동의 없이 도서 내용을 AI 학습에 활용하는 것은 법적으로 문제가 될 수 있으며, 이 문제를 해결하지 않고서는 출판 콘텐츠 기반의 데이터 구축이 지속 가능하지 않습니다.

저작권과 AI: 충돌에서 협력으로

전 세계적으로 AI와 저작권의 충돌은 뜨거운 논쟁거리입니다. 여러 나라에서 AI 기업을 상대로 한 저작권 소송이 이어지고 있으며, 출판사와 저작권자들은 자신들의 콘텐츠가 동의 없이 AI 학습에 사용되는 것에 강하게 반발하고 있습니다. 이 갈등이 해소되지 않으면 AI 기업은 데이터 확보에 법적 리스크를 안고 가야 하고, 출판사는 콘텐츠 활용 기회를 잃게 됩니다.

해결책은 양측이 공정한 조건 아래 협력하는 구조를 만드는 것입니다. 저작권자가 자신의 콘텐츠 활용 범위를 명확히 설정하고, AI 기업은 라이선스를 통해 합법적으로 데이터를 사용하며, 그에 따른 정당한 보상이 저작권자에게 돌아가는 체계가 갖춰져야 합니다. 이런 구조가 정착되면 출판사는 새로운 수익 경로를 확보하고, AI 기업은 법적 부담 없이 고품질 데이터를 활용할 수 있습니다.

멘탯이 구축하는 콘텐츠 데이터 인프라

멘탯은 출판사와 AI 기업 사이에서 이 협력 구조를 실현하는 콘텐츠 데이터 인프라 기업입니다. 핵심 역할은 크게 두 가지입니다. 첫째, 출판사를 대신해 AI 도서 라이선싱을 중개하고 도서 저작권 AI 보호를 지원합니다. 둘째, 권리가 확보된 도서 콘텐츠를 바탕으로 AI 학습용 데이터를 구축하고 AI 기업에 공급합니다.

멘탯이 공급하는 데이터의 특징을 구체적으로 살펴보면 다음과 같습니다.

• 저작권이 확보된 도서 콘텐츠만을 원천으로 사용해 법적 안전성을 보장합니다.
• 전문 분야별로 분류된 전문 지식 데이터셋을 제공해 도메인 특화 AI 개발을 지원합니다.
• 출판 콘텐츠 기반의 한국어 데이터셋을 구축해 한국어 AI 모델의 성능 향상에 기여합니다.

이 과정에서 출판사와 저작권자는 자신의 콘텐츠가 어떤 범위에서 어떻게 활용되는지 파악하고 관리할 수 있으며, 활용에 따른 정당한 보상도 받게 됩니다. 단순히 데이터를 판매하는 것이 아니라, 콘텐츠 생태계 전체가 지속 가능하게 운영될 수 있는 구조를 만드는 것이 멘탯의 지향점입니다.

AI 기업과 출판사가 각각 얻는 것

멘탯의 플랫폼을 통해 양측이 얻는 가치를 비교하면 아래 표와 같습니다.

구분	AI 기업	출판사 및 저작권자
데이터 품질	전문가 검증을 거친 고품질 텍스트 확보	콘텐츠의 가치를 데이터 시장에서 인정받음
법적 안전성	라이선스 기반으로 저작권 리스크 해소	무단 활용 방지 및 권리 보호 체계 마련
수익 구조	효율적인 데이터 조달로 개발 비용 절감	콘텐츠 활용에 따른 정당한 보상 수령
전문성	도메인 특화 모델 개발 가능	전문 지식 콘텐츠의 새로운 활용 경로 확보

전문 지식 데이터셋의 중요성

일반적인 언어 능력을 갖춘 AI 모델은 이미 다수 존재합니다. 앞으로의 경쟁은 특정 분야에서 얼마나 깊이 있는 지식을 제공할 수 있느냐로 이동하고 있습니다. 의료 상담, 법률 검토, 금융 분석, 교육 콘텐츠 생성 등 전문 영역에서 신뢰할 수 있는 AI를 만들려면 해당 분야의 전문 지식 데이터셋이 반드시 필요합니다.

도서는 이 요구에 가장 잘 부합하는 자원입니다. 의학 전문서, 법학 교재, 경제학 서적, 역사 연구서 등은 해당 분야의 깊이 있는 지식을 체계적으로 담고 있습니다. 이런 도서들을 AI 학습 데이터로 전환할 수 있다면, 특정 도메인에서 훨씬 정교하고 신뢰도 높은 AI 서비스를 개발할 수 있습니다. 멘탯이 전문 지식 데이터셋 구축에 집중하는 이유가 바로 여기에 있습니다.

한국어 AI 생태계에서의 의미

글로벌 AI 경쟁에서 한국어 특화 모델의 수준은 국내 AI 산업 전체의 경쟁력과 직결됩니다. 영어 중심의 범용 모델이 한국어를 처리할 때 나타나는 한계는 이미 여러 사례에서 확인됩니다. 미묘한 뉘앙스, 관용 표현, 문화적 맥락을 정확히 이해하고 생성하려면 한국어로 쓰인 고품질 텍스트를 충분히 학습해야 합니다.

국내 출판 시장은 오랜 시간 동안 방대한 한국어 지식 자원을 축적해왔습니다. 이 자원이 적절한 라이선스 체계 아래 AI 학습에 활용된다면, 한국어 AI 모델의 수준을 한 단계 끌어올리는 데 실질적으로 기여할 수 있습니다. 출판 산업과 AI 산업의 협력이 단순한 비즈니스 거래를 넘어 한국어 디지털 생태계 전체를 풍요롭게 만드는 방향으로 이어질 수 있는 것입니다.

AI와 출판이 서로 경쟁하거나 갈등하는 관계가 아니라, 각자의 강점을 살려 협력하는 구조가 자리를 잡아가고 있습니다. 멘탯이 만들어가는 콘텐츠 데이터 인프라는 그 협력의 구체적인 모습을 보여주는 사례입니다. 출판사는 콘텐츠의 가치를 새로운 방식으로 실현하고, AI 기업은 신뢰도 높은 데이터를 합법적으로 확보하며, 최종적으로는 더 나은 AI 서비스를 사용하는 이용자들이 혜택을 누리게 됩니다. 이 선순환 구조가 지속 가능하게 운영되기 위한 기반을 닦는 것이 지금 이 시점에서 가장 중요한 과제일 것입니다.