Executive Summary

기술이 노동을 흔들 때 정치가 무엇을 하는지에 대해서는 오래된 답이 있다. 자동화가 일자리를 없애고 임금을 누르고 직군을 비우면, 그 피해를 어떻게 갚을 것인가를 두고 정치가 시작된다는 답이다. 보상과 사회보험, 재분배와 재교육이 그 다툼의 목록이었다. 이 논문의 2절은 그 전통을 한 줄로 요약한다. 정치는 기술의 하류에서 이야기에 들어온다. 노출이 이미 일어나고 그 결과가 특정 노동자에게 보이기 시작한 다음에야 들어온다는 것이다.

논문 2절은 그 전통이 무엇을 놓치는지도 함께 적는다. 기술은 결과가 정해진 채로 노동시장에 들어오는 외부 충격이 아니라는 것이다. 같은 기술이 사람을 밀어낼 수도 있고 거들 수도 있으며, 감시를 강화할 수도 있고 집단적 역량을 받쳐 줄 수도 있고, 생산성 이득을 한쪽에 몰 수도 나눌 수도 있다. 무엇이 될지는 그 기술이 어떻게 도입되고 어떻게 다스려지는가에 달려 있다. 그렇다면 공적 권위 앞에 놓이는 질문은 피해를 어떻게 갚을지 하나가 아니다. 이 변화를 앞당길지 붙잡을지가 함께 놓인다.

논문이 두 번째로 짚는 대목은 이 글의 관심과 곧장 맞닿는다. AI가 노동에 하는 일은 사람을 밀어내는 데서 끝나지 않고 감독과 감시, 평가, 전문성, 권한의 배치를 바꾼다. 논문의 문장을 옮기면 이렇다. 자기 일이 알고리즘에 감시되는 노동자, 자기 판단이 모형에 밀려나는 노동자, 자기 산출물이 자동화된 대안과 견주어 값 매겨지는 노동자는 실업 상태나 급여 청구가 기록에 남기 훨씬 전에 이미 경제적 힘의 이동을 겪는다. 보상을 중심에 놓은 설명틀은 그 이동을 잡아내지 못한다. 이 글이 뒤에서 다룰 데이터 노동의 몫도 정확히 그런 자리에 있다.

그 전통이 예상한 정치가 실제 의회에 나타났는지를 센 논문이 2026년 9월 2일 arXiv에 올라왔다. 「Meeting the Coming Wave: The Emerging Politics of AI and Work across 33 Parliaments」, 저자는 암스테르담 자유대학교 정치학·행정학과의 Juliana Chueri와 암스테르담대학교 논리·언어·계산 연구소의 Petter Törnberg 두 사람이다. 아직 프리프린트 1판이고, 동료심사 정보는 확인되지 않는다.

두 사람이 모은 것은 33개 나라 의회가 2023년 1월부터 2026년 4월까지 남긴 실질 발언 151만 4,950건이다. 그 안에서 AI를 언급한 후보 발언을 다국어 사전으로 걸러 내고, 다시 AI와 노동을 함께 다룬 발언 5,317건을 골라냈다. 이 5,317건 하나하나에 두 가지 코딩이 붙었다. AI가 노동에 무엇이라고 진단하는가, 그래서 무엇을 하자고 말하는가. 뒤엣것이 응답 프레임이고 네 칸으로 나뉜다. 규제·제한, 촉진·투자, 훈련, 보상이다.

네 칸은 데이터에서 발견한 것이 아니라 이론에서 먼저 세운 것이고, 각각 서로 다른 정치적 질문에 답한다. 논문 표 1이 그 대응을 적어 둔다.

이 표를 세워 둔 자리에서 저자들은 한 가지를 미리 적어 둔다. 어떤 칸은 커지고 어떤 칸은 거의 빈 채로 남을 수 있으며, 그 모양 자체가 새로운 기술 갈등이 어떻게 만들어지고 있는지를 알려 주는 증거라는 것이다. 이 글이 비어 있는 칸을 오래 들여다보는 이유가 여기에 있다. 맨 아랫줄에 적힌 규제 칸의 예시 목록은 4절에서 한 번 더 필요해진다.

1.1네 칸의 크기를 재 보면

한 발언은 응답 프레임을 주 태그와 부 태그로 하나씩 받을 수 있다. 그래서 이 분포의 단위는 발언이 아니라 언급이다. 아래 네 값은 AI·노동 발언 5,317건에서 나온 응답 프레임 언급 전체를 분모로 삼고, 주 태그와 부 태그를 함께 세어 합이 100%가 된다. 이 자리에 논문의 중심 결과가 있다.

의회는 피해를 갚는 이야기를 거의 하지 않았다. 대신 기술이 굴러가는 동안 무엇을 할지를 말했다. 도입을 앞당길지, 사람과 제도를 준비시킬지, 배치를 다스릴지. 저자들이 결론에서 쓴 표현으로 옮기면, 지금까지 나타난 것은 보상의 정치가 아니다.

1.2놀라움은 저자 쪽이 아니라 문헌 쪽에 있다

이 결과는 저자들이 예상하지 못하고 있다가 데이터에서 튀어나온 값이 아니다. 논문 2절은 검증할 기대를 미리 적어 두었고, 그중 두 번째 항목이 정확히 이 방향을 가리킨다.

그러므로 이 논문을 두고 학자들도 놀랐다고 쓰면 사실이 아니다. 벌어진 거리는 저자들의 기대와 데이터 사이가 아니라, 자동화 정치를 오래 설명해 온 문헌의 기본 가정과 데이터 사이에 있다. 그 문헌은 정치가 기술의 결과를 정리하는 일부터 한다고 보았고, 의회는 결과가 정해지기 전에 방향을 두고 다투고 있었다. 저자들은 앞엣것을 보상의 정치, 뒤엣것을 도입의 정치라 부르며 둘을 갈라 놓는다.

1.3이 논쟁은 아직 작다

분포의 모양과 별개로, 논쟁의 크기 자체는 아직 작다. AI를 언급한 후보 발언은 실질 발언의 1.06%에서 1.70%로 늘었고, AI 논의 가운데 노동과 이어진 몫은 18.0%에서 33.8%로 늘었다. 두 값 모두 2023년과 2026년의 대비이며, 2026년 값은 1월부터 4월까지 넉 달치만 담고 있다. 그렇게 늘고도 AI와 노동을 함께 다룬 발언은 2026년에도 실질 발언의 1%에 한참 못 미친다.

자라는 속도만 고르지 않은 것이 아니라 자리도 고르지 않다. 발언의 색깔이 나라마다 다르다. 스페인과 칠레, 벨기에, 이탈리아가 위협 쪽으로 기운 편이고 미국과 캐나다, 대만, 독일은 기회 쪽으로 크게 기운다. 그러면서도 공통점이 하나 있다. 대부분의 나라에서 가장 큰 주 응답은 촉진·투자이고 보상은 거의 어디서나 미미하다. 다만 논문은 나라 순위를 곧이곧대로 읽지 말라고 적는다. 표본이 공식 기록을 발언 단위로 복원할 수 있는 나라들로 정해졌고 의회 제도와 속기 관행도 나라마다 달라서, 순위에 그 차이가 섞여 들어갈 수 있기 때문이다.

빠르게 자라면서도 여전히 작다는 것은, 정당들이 아직 자리를 잡는 중이라는 뜻이라고 논문은 읽는다. 이 글이 뒤에서 다룰 빈자리들도 그래서 영구적인 결론이 아니라 지금 시점의 사진에 가깝다. 사진이 어떻게 바뀔 수 있는지도 저자들이 결론에서 세 갈래로 적어 두었다. 대체가 눈에 보이기 시작하면 보상의 정치가 힘을 얻을 수도 있고, 좌파 쪽의 대립이 깊어질 수도 있으며, 급진우파에게 새로운 동원 기회가 열릴 수도 있다. 다만 데이터를 사고파는 계약은 그 사진이 바뀌기를 기다려 주지 않는다. 지금도 어딘가에서 조항이 쓰이고 있다.

이 글 뒤에 나오는 모든 비율은 151만 건에서 5,317건을 추려 내는 과정을 통과한 값이다. 그 과정이 무엇을 담고 무엇을 버렸는지가 곧 이 수치들의 사용 범위다. 데이터 노동이라는 좁은 관심으로 이 논문을 읽을 때 걸리는 것도 대부분 이 과정에서 갈리고, 5절의 결론이 그 위에 선다.

2.1표본은 두 단계를 거쳐 정해졌다

수집은 나라별 파서로 이뤄졌다. 공식 API, XML 피드, HTML 보고서, 의사록, PDF 간행물을 각각 긁어 하나의 공통 스키마로 정규화했고, 한 행이 한 건의 실질 발언에 해당한다. 절차 발언과 의장 발언은 여기서 이미 빠져 있다. 그렇게 모은 151만 4,950건이 이 연구의 모수다. 거기서 두 단계를 거쳐 분석 표본이 나온다.

두 표본을 어떻게 갈랐는지도 논문에 적혀 있다. AI나 자동화, 알고리즘 시스템이 고용과 업무, 임금, 숙련, 일자리의 질, 작업장 통제, 노동시장 제도, 노동자 보호에 명시적으로 이어질 때 직접 관련이다. 직업 전환이나 생산성, 공공부문 역량처럼 더 넓은 경로로 이어지면 간접 관련이고, 인접하거나 무관한 발언은 아예 뺐다. 임금과 노동자 보호가 직접 관련의 조건 안에 들어 있으므로, 어느 의원이 본회의에서 라벨링 노동자의 임금을 말했다면 그 발언은 이 그물에 걸렸을 것이다. 걸린 다음에 어느 칸으로 코딩됐을지는 5절에서 따로 본다.

33개국 명단에는 아르헨티나부터 미국까지 부유한 나라와 중소득 나라가 섞여 있고, 의원내각제와 대통령제가 함께 들어 있다. 데이터 라벨링 노동 분쟁의 진원지인 케냐가 이 명단에 있다. AI·노동 발언의 밀도가 가장 높은 두 곳으로 꼽힌 대만과 싱가포르도 있다. 그리고 한국은 이 명단에 없다. 표본이 확률 표본이 아니라 발언 단위 기록을 복원할 수 있는 나라들의 집합이라고 논문은 밝힌다.

2.2코딩은 언어모형이 했고, 사람이 두 번 겨뤘다

프레임 코딩은 zero-shot 방식으로 언어모형에 맡겼다. 2026년 7월 6일과 7일에 gemini-3.1-pro-preview를 온도 0으로 돌렸고, 주석자에게는 원어 발언문과 코딩 지침만 주었다. 화자의 정당군, 여당 여부, 그리고 논문이 검증하려는 가설은 알려 주지 않았다. 모든 분류는 발언 안의 명시적 주장에 근거하도록 했다.

검증은 사람이 코딩한 728건으로 두 벌을 만들어 했다. 이 대목에서 오독이 자주 난다. 카파 값이 두 번 나오는데, 좋은 쪽 하나만 옮기면 신뢰도가 실제보다 높아 보인다.

두 값은 서로 다른 난이도의 표본을 잰 다른 숫자다. 아래쪽 표본은 코드북에서 가장 잘 무너질 만한 자리를 일부러 골라 만든 것이고, 저자들도 이 표본이 코퍼스 전체의 정확도를 추정하기 위한 것이 아니라고 적는다. 프레임 코딩 자체의 성능은 사람과 모형이 모두 관련 있다고 본 발언들 안에서 쟀는데, 진단 쪽 micro-F1이 0.893, 응답 쪽이 0.878이다. 다중 라벨에서 부여된 프레임 집합 전체가 일치해야 하므로 이 기준은 까다로운 편이다.

사람과 모형이 모두 AI·노동 발언이라고 본 114건 안에서는 직접·간접 구분이 96.5% 일치했고 카파가 0.916이었으며, 진단 micro-F1은 0.891, 응답은 0.828이었다. 즉 프레임을 나누는 일 자체는 어려운 표본에서도 비교적 잘 버텼고, 카파를 0.679까지 끌어내린 것은 그 앞단의 판정, 이것이 AI·노동 발언인가 아닌가 쪽이다. 경계 사례를 일부러 모은 표본이니 그쪽이 흔들리는 것은 설계대로다.

2.32.3%에는 단서가 둘 붙는다

헤드라인 수치인 2.3%에는 본문에 반드시 따라붙어야 할 단서가 둘 있다. 첫째, 이 값은 넓은 표본 5,317건 기준이다. 논문 4.3절은 AI·노동 관련성을 좁게 정의해 직접 관련 발언만 남겼을 때도 순서가 유지된다고 적으면서, 그 표본에서는 보상 비중이 다소 오른다고 덧붙인다. 다만 그 값이 얼마인지는 본문에 나오지 않는다. 같은 자리에 강건성 검사가 하나 더 있다. 밀도가 가장 높은 두 나라인 싱가포르와 대만을 빼고 다시 계산해도 이 순서는 그대로였다.

둘째, 그 값이 있어야 할 자리가 비어 있다. 논문은 부록을 다섯 번 인용한다. 코퍼스 구성 세부, 언어모형 프롬프트 구현, 인간 검증 세부, 클러스터링 전체 절차, 그리고 방금 말한 강건성 검사가 모두 부록 소관이다. 그런데 arXiv에 올라온 1판에는 부록이 실려 있지 않다. HTML 판본과 32쪽짜리 PDF 양쪽을 확인한 결과다. 숨겼다고 볼 일은 아니고 프리프린트 1판에 아직 붙지 않은 것이지만, 그 사이 우리가 쓸 수 있는 문장은 보상 비중이 다소 오른다까지다.

보상이 비어 있는 이유를 찾으려면 정당들이 어디서 갈리는지를 봐야 한다. 이 논문의 답은 처방이 아니라 진단이다. 정당들은 AI가 노동에 무엇을 하는지를 서로 다르게 말하고, 그 다름이 뒤따르는 처방을 거의 결정한다. 아래 값은 4.3절의 언급 분포와 다른 표에서 왔다. 정당군·연도 고정효과와 나라·정당 임의절편을 넣은 다층모형의 예측 비율이며, 진단도 다중 라벨이라 위협과 기회를 더해도 100%가 되지 않는다.

분모는 진단이 명확한 발언이다. 정당군별로 AI를 얼마나 자주 말하는가에서는 큰 차이가 없었다는 점이 이 표와 짝을 이룬다. 자유주의 정당의 예측 현저성이 가장 높고 녹색·급진좌파가 가장 낮았지만 불확실 구간이 크게 겹친다. 논쟁은 누가 이 주제를 자주 말하느냐가 아니라, 말할 때 무엇이라고 부르느냐에서 벌어지고 있다.

이 비교가 덮는 범위는 전체가 아니다. 발언자의 정당은 발언 시점을 기준으로 붙였고 그렇게 936개의 나라·정당 단위가 만들어졌다. 이것을 급진우파, 보수, 자유, 기독민주, 사회민주, 녹색, 급진좌파 일곱 가족으로 묶었는데, 확신을 갖고 묶을 수 없는 정당은 억지로 넣지 않고 뺐다고 논문은 밝힌다. 그 결과 AI·노동 발언의 94.7%는 정당군이 식별되고, 위 표의 일곱 가족 안에 들어오는 것은 85.5%다. 나머지 발언은 이 비교 밖에 있다.

3.1위협이라 부르면 규제로, 기회라 부르면 촉진으로 간다

진단과 처방을 이어 붙이면 경로가 거의 자동으로 보인다. 위협으로 진단한 발언은 규제·제한 쪽으로 강하게 기울고, 기회로 진단한 발언은 압도적으로 촉진·투자로 간다. 논문은 이 비교를 주 프레임끼리만 맞춘 서술적 대조라고 밝힌다. 여기서 저자들이 끌어내는 결론이 이 절의 제목이다. AI를 위협으로 부를지 기회로 부를지는 정치 갈등의 준비 단계가 아니라 갈등 자체의 상당 부분이다.

이 경로가 보상의 빈자리를 설명하는 데 결정적이다. 가장 대립적인 정당군인 급진좌파조차 위협 진단에 붙이는 응답이 보상이 아니라 규제·제한이다. 논문의 결론은 이 대목을 어느 정당군보다 뚜렷하게 위협 진단과 규제 응답을 짝지으며 보상만으로 만족하지 않는다고 적는다. 보상이 얇은 것은 밀어붙이는 쪽이 강해서만이 아니다. 붙잡으려는 쪽도 보상을 고르지 않기 때문이다. 녹색당은 진단에서 같은 방향으로 기울면서도 응답은 규제와 촉진으로 반반 나눠 급진좌파와 도입 지향 주류 사이에 놓인다.

3.2급진우파는 이 주제를 노동 위협으로 정치화하지 않았다

기존 연구는 자동화에 노출된 노동자가 급진우파를 지지하는 경향을 여러 차례 확인해 왔다. 그런데 정당 수준에서는 그 연결이 나타나지 않는다. 급진우파의 기회 프레이밍은 주류 우파와 거의 같고 위협은 조금 더 자주 나올 뿐이다. 논문은 이것을 레퍼토리의 문제로 읽는다. 국가 간 경쟁과 주권, 뒤처짐의 위험은 급진우파가 이미 능숙하게 쓰는 언어라 기술 도입과 잘 붙지만, 작업장 규제와 제도화된 노동 보호는 그 레퍼토리에 잘 얹히지 않는다는 것이다.

사회민주주의의 중간 위치도 같은 틀로 설명된다. 큰 전환은 받아들이고, 정치는 그 이행을 관리하고, 규제는 가장 해로운 결과에만 남겨 두는 익숙한 방식이다. 그 결과 의회에서 가장 강한 반론은 역사적으로 조직노동을 대표해 온 정당군이 아니라 급진좌파 쪽에 남는다. 노동을 대변해 온 쪽이 이 주제에서는 도입을 관리하는 자리에 서 있다는 뜻이다.

논문은 급진우파의 사례를 새 쟁점이 만들어지는 방식 일반으로 넓혀 읽는다. AI의 물질적 결과가 아직 굳지 않았기 때문에 정당들은 그것을 자기가 이미 가진 갈등과 평판 자원에 자유롭게 이어 붙일 수 있다. 주류 우파에게는 국가 근대화, 급진좌파에게는 노동자의 취약함, 사회민주주의에게는 관리된 이행이다. 같은 기술이 누가 설명하느냐에 따라 동시에 여러 개의 정치적 대상이 되고 있다는 것이 저자들의 정리다.

3.3여당이면 도입 쪽으로 기운다

정당군과 나라, 연도를 통제하고도 남는 경사가 하나 더 있다. 여당의 발언이 야당보다 AI를 기회로 부르고 촉진·투자를 강조하는 쪽으로 기운다. 야당은 위협과 규제 쪽에 더 가깝다. 훈련은 이 구분에 거의 반응하지 않는다. 논문은 이 비교가 연관일 뿐이며 집권이라는 사건의 인과 효과를 식별하지 않는다고 두 번 못박는다. 국가 전략과 경제 성과, 조달과 공공부문 현대화 같은 통치의 압력이 이런 방향과 어울린다는 해석까지가 저자들이 적은 범위다.

3.4발언 하나는 실제로 어떤 모양인가

지금까지 나온 수치는 전부 집계다. 그 집계를 이루는 발언 하나하나가 어떤 모양인지 논문이 다섯 건을 골라 표로 보여 준다. 다만 표에 실린 것은 발언의 축자 인용이 아니라 저자들이 내용을 간추려 옮긴 문장이다. 따옴표를 붙여 읽으면 안 된다.

맨 아랫줄이 2.3%짜리 칸의 표정이다. 대체를 인정한 다음에 나오는 수단이 고용보험과 소득 지원, 곧 반세기 전부터 있던 복지국가의 도구다. 그리고 둘째 줄을 보면 창작 노동이 규제의 언어 쪽에 들어와 있다. 이 두 줄이 4절의 두 가지 발견을 미리 보여 준다. 보상 칸의 얇음과, 데이터를 만든 사람이 규제 칸을 통해서만 무대에 오른다는 사실이다.

네 칸 가운데 데이터를 만든 사람의 몫과 가장 가까워 보이는 것은 규제·제한이다. 21.8%짜리 그 칸 안에서 무엇이 가장 큰지는 논문이 보여 준다. 다만 이 절에 나오는 값들은 앞 절들과 지위가 다르다. 저자들은 주석 단계에서 남겨 둔 영어 요약문을 임베딩해 프레임별로 군집을 낸 뒤 사람이 이름을 붙였고, 이 군집은 해석을 돕는 보조 자료일 뿐 통계 모형이나 가설 검정에는 들어가지 않는다고 명시한다. 난수 시드를 바꿔 다시 돌린 군집의 조정 랜드 지수가 0.889에서 0.928 사이로 안정적이었다는 점까지가 저자들이 제시한 근거다. 그러니 아래 숫자는 방향을 읽는 데 쓰고 소수점을 근거로 삼지는 않는 편이 맞다.

4.1진단에서 2위인 걱정이 처방에서는 꼴찌다

위협 진단 안에서는 무엇이 가장 큰가. 일자리가 사라지고 소득이 흔들린다는 이야기가 위협 언급의 절반을 넘는다. 그다음이 작업장 통제, 곧 감시와 알고리즘이 일터에서 사람을 다루는 방식에 대한 걱정이다. 규제 응답 안에서는 순서가 다르다. 가장 큰 것이 저작권과 창작 산업, 미디어 보호이고, 작업장 통제에 대응하는 칸인 알고리즘 관리·플랫폼 노동·인간 감독이 넷 중 가장 작다.

이 대응 관계를 지목한 것은 저자들이다. 논문은 알고리즘 관리·플랫폼 노동 안전장치·인간 감독을 두고 위협 쪽에서 제기된 감시와 작업장 통제 우려에 가장 가까운 토픽이라고 적은 뒤, 그것이 규제 칸에서 가장 작다고 쓴다. 여기까지가 논문이다. 진단에서 두 번째로 큰 걱정이 처방에서는 넷 중 꼴찌라는 정리는 두 분포를 나란히 놓은 우리 쪽 문장이며, 논문이 이것을 진단과 처방의 불일치라고 이름 붙이지는 않았다.

기회 진단 쪽도 잠깐 열어 두는 편이 낫다. 위협이 하나의 이야기라면 기회는 두 개다. 경쟁력과 혁신이 기회 언급의 37.8%, 생산성과 일자리 창출, 인력 부족 완화가 34.9%로 거의 같은 크기이고, 인프라와 숙련 형성은 그 뒤로 한참 처진다. 위협은 소득과 생계가 흔들린다는 한 갈래로 몰려 있고 기회는 나라의 경쟁력과 기업의 생산성이라는 두 갈래로 갈라져 있다는 것이 저자들의 정리다. 이 값들도 같은 탐색적 분석에서 나왔다.

가장 작은 칸인 알고리즘 관리가 무엇을 담는지는 논문 서론이 든 사례가 잘 보여 준다. 유럽에서 녹색·좌파 의원들이 작업장의 알고리즘 관리에 맞서 더 강한 보호를 요구했고, 자동화된 작업장 결정에 대한 정보와 설명, 인간 감독의 권리가 그 요구에 들어 있었다. 서론은 아주 다른 어조의 사례도 나란히 든다. 싱가포르는 AI 도입을 경제·인력 전략의 한복판에 놓았고, 투자와 경쟁력, 현대화라는 그 언어를 세계 여러 정당이 따라 쓴다. 같은 기술을 앞에 두고 한쪽은 배치에 조건을 걸자고 하고 다른 쪽은 도입을 앞당기자고 한다. 1절에서 잰 55.2 대 21.8이 이 두 목소리의 크기다.

4.2저작권은 소유권의 언어이지 대가의 언어가 아니다

규제 칸의 1위가 저작권이라는 사실은 언뜻 반가운 소식처럼 읽힌다. 창작자와 데이터 제공자의 몫이 정치 무대에 있다는 뜻으로 보이기 때문이다. 논문은 이 토픽을 생성형 AI가 발명한 것이 아니라 되살린 오래된 관심사라고 적는다. 그리고 저작권이 답하는 질문은 누구의 것인가이지 얼마를 돌려줄까가 아니다. 두 질문의 거리를 가장 선명하게 보여 주는 것이 의회 밖에서 만들어진 가장 큰 저작권 돈이다.

2026년 7월 20일 미국 캘리포니아 북부지방법원이 Bartz 대 Anthropic 집단소송 합의를 최종 승인했다. 총액 15억 달러, 대상 저작물 48만 2,460건, 청구율 91.3%, 청구가 인정된 저작물 한 건당 총 배분액이 약 3,100달러 수준으로 추산된다. 저작권 집단소송 합의로는 미국 역사상 최대 규모다. 그런데 이 돈의 성격을 보면 방향이 달라진다. 2025년 6월의 1심 판단은 적법하게 구한 책을 학습에 쓴 것과 구매한 종이책을 디지털로 바꿔 쓴 것을 공정이용으로 인정했고, 해적 사이트에서 내려받아 중앙 서고에 보관한 경로만 공정이용으로 인정하지 않았다. 즉 이 15억 달러는 취득 경로의 불법성에 대한 배상이지, 글을 쓴 노동이나 데이터를 만든 노동 자체에 매겨진 값이 아니다.

저작권이라는 언어가 실제로 얼마를 옮기는지, 그리고 그 언어를 쥔 쪽이 누구인지는 페블러스 블로그가 학습 데이터 라이선싱의 협상력을 다룬 글에서 한 번 짚었다. 저작권을 강하게 쥐는 것이 늘 창작자에게 유리하지만은 않다는 반대 방향의 논의는 저작권 시장 설계와 독창성의 대가를 다룬 글에 있다.

4.3보상 칸은 작기만 한 것이 아니라 얇다

2.3%짜리 보상 칸을 열면 안에 두 갈래밖에 없다. 소득 지원과 안전망이 보상 언급의 64.0%, 노동시간 단축이 36.0%이고, 두 토픽을 합친 절대 건수가 125건이다. 33개 의회가 3년 4개월 동안 남긴 보상 언급 전체가 그만큼이라는 뜻이다. 논문의 평가는 담담하다. 남아 있는 얼마 안 되는 보상 정치도 내용이 얇으며, 로봇세나 생산성 배분 같은 AI 특화 수단을 만들기보다 기존 복지국가 수단을 다시 말하는 데 가깝다는 것이다.

왜 이렇게 작은지에 대해 논문이 내놓는 설명은 조심스럽다. AI 때문에 손해를 본 사람들의 안정된 집단이 아직 갈등을 조직할 만한 규모로 만들어지지 않았고, 그래서 정당 경쟁이 사후 복구보다 위쪽에서, 아직 정해지지 않은 변화를 어떻게 진행시킬지를 두고 먼저 벌어지고 있다는 것이다. 보상이 얇은 것은 정치가 그것을 물리쳐서가 아니라 아직 그 자리에 이르지 않았기 때문일 수 있다는 읽기다. 얼마 안 되는 보상 언급도 정당 사이에 골고루 흩어져 있지 않고 좌파 쪽에 몰려 있는데, 그 안에서조차 규제·제한에 분명히 밀린다.

그런데 논문은 그 아쉬움과 어긋나는 경계를 스스로 그어 두었다. 방금 그 문장이 없다고 아쉬워한 로봇세는, 같은 논문의 코딩 스킴에서는 규제·제한 프레임의 예시로 이미 분류돼 있다. 1절에 옮겨 둔 코딩 표를 다시 보면, 규제 칸 예시 목록의 마지막 항목이 로봇세다. 본문의 정의도 같은 방향이라, 노동 대체적 도입을 억제하려는 조세는 규제에 들어가고 보상은 소득 보호와 재분배, 노동시간 단축, 기본소득을 덮는다고 적는다.

어느 의원이 본회의에서 로봇세를 말했다면 그 발언은 보상이 아니라 규제로 코딩됐을 것이다. 이것은 저자들의 실수라기보다 새 수단이 옛 분류에 잘 안 들어맞을 때 생기는 일이고, 보상 칸이 얇아 보이는 정도에 이 경계가 얼마나 기여했는지는 부록 없이는 확인할 수 없다. 로봇세를 둘러싼 논의가 그동안 어떤 모양이었는지는 페블러스 블로그의 토큰세와 사람 몫을 다룬 글에 정리돼 있다.

의회 밖에서는 사정이 조금 다르다. 2026년 4월 6일 OpenAI가 낸 정책 문서는 급여세 중심의 세원을 자본소득과 법인세, 자동화된 노동에 대한 새 과세 쪽으로 옮기자고 제안했고, 임금을 깎지 않는 주 32시간 근무 실험과 국민 지분형 공공 기금도 함께 담았다. AI 특화 보상 수단을 가장 구체적으로 꺼낸 쪽이 어느 정당도 아니고 AI 회사였다는 사실은, 이 논문이 의회에서 세어 본 빈자리와 정확히 겹친다.

4.4촉진 55.2%는 기업 밀어주기가 아니다

이쯤 읽으면 촉진이 곧 우파의 언어이고 규제가 좌파의 언어라는 도식이 떠오르기 쉽다. 촉진 칸의 내부 구성이 그 도식을 깬다. 성장과 국가 투자가 촉진 언급의 39.1%, 도입 지원과 생산성, 공공부문 역량이 31.3%이며, 논문은 이 두 토픽이 촉진 언급의 열에 일곱을 차지한다고 적는다. 인프라와 산업 전략이 17.2%, 중소기업 도입 지원이 12.4%로 뒤를 잇는다.

저자들의 해석은 이렇다. 촉진은 민간 기업을 돕는 것 못지않게 국가와 공공부문의 역량을 키우는 쪽을 향한다. 공적 권위가 기업의 길을 터 주기 위해서만이 아니라 국가 자신의 기술적 도달 범위를 넓히기 위해 동원된다. 그래서 촉진에는 좌파도 쓸 수 있는 공공투자의 결이 있고, 이것이 위협 진단을 하는 사회민주주의와 녹색당이 응답에서는 상당한 촉진을 보이는 이유일 수 있다고 논문은 덧붙인다. 촉진이 크다는 사실만으로 의회가 산업계 편에 섰다고 읽으면 이 논문을 잘못 옮기는 것이다.

4.5훈련이 큰 것은 양쪽이 함께 쓰기 때문이다

네 칸 가운데 아직 열지 않은 것이 훈련이다. 20.6%로 규제·제한과 거의 같은 크기인데, 이 칸은 정당군을 가리지 않는다. 어느 가족에서나 비슷한 비율로 나온다. 논문은 그 이유를 이 수단이 여러 기획에 한꺼번에 봉사할 수 있다는 데서 찾는다. 도입에 필요한 역량을 키우는 일도 훈련이고, 흔들리는 노동자가 다음 자리로 옮기도록 돕는 일도 훈련이며, 나라의 숙련과 연구 역량을 기르는 일도 훈련이다. 밀어주려는 쪽과 붙잡으려는 쪽이 같은 낱말을 각자의 뜻으로 쓸 수 있으니 여기서는 다툼이 생기지 않는다.

칸 안에서 그 세 갈래가 실제로 보인다. 재직자 재교육이 훈련 언급의 45.6%, AI 인재와 연구 역량이 28.9%, 학교와 미래 숙련이 25.5%다. 이 값들도 탐색적 분석에서 왔다. 여기서 데이터 노동을 찾으면 다시 빈손이다. 훈련은 사람을 다음 일자리로 옮기는 이야기이지, 지금 데이터를 만들고 있는 사람의 값을 정하는 이야기가 아니다. 네 칸을 다 열어 본 결과가 이렇다. 대가를 다루는 언어가 가장 큰 칸에도, 두 번째 칸에도, 세 번째 칸에도 없고, 네 번째 칸은 2.3%다.

논문이 말한 범위는 여기서 끝난다. 이 글은 그 범위 밖으로 한 걸음 나간다. 논문이 조사한 것은 AI가 노동 일반에 미치는 영향을 의회가 어떤 언어로 다루는가이고, 이 글이 읽으려는 것은 라벨러와 창작자, 데이터 제공자의 몫이 그 언어 안에 있는가다. 두 질문은 겹치지만 같지 않다. 어디까지 겹치는지를 조사 대상과 무대의 경계, 그리고 두 나라의 사례로 나눠 본다.

5.1이 논문은 데이터 노동을 세지 않았다

이 논문의 분석 단위는 발언이고, 코딩된 것은 그 발언이 AI와 노동을 어떻게 다루는가다. 라벨러나 콘텐츠 검수자, 강화학습 피드백 작업자를 세거나 그들의 임금을 다룬 대목은 논문 어디에도 없다. 마이크로워크와 데이터 노동을 정면으로 다룬 저작인 Antonio Casilli의 Waiting for Robots: The Hired Hands of Automation은 서론의 참고문헌 나열 안에서 한 번 스쳐 지나간다. 이 논문이 그 노동을 조사 대상으로 삼지 않았다는 사실을 보여 주는 흔적이기도 하다.

그래서 알고리즘 관리 칸이 규제 안에서 13.0%로 가장 작다는 사실은 라벨러를 직접 센 수치가 아니다. 그 칸에 담긴 것은 작업장에서 알고리즘이 사람을 관리하는 문제와 플랫폼 노동 안전장치, 인간 감독이며, 데이터를 만드는 노동은 이 분류 어디에도 자기 칸을 갖고 있지 않다. 없다는 것을 세려면 그것을 셀 칸이 먼저 있어야 하는데, 이 잣대에는 그 칸이 없다.

그물과 칸은 서로 다른 이야기다. 2절에서 본 관련성 정의에는 임금과 노동자 보호가 들어 있으니, 어느 의원이 라벨링 노동자의 임금을 말했다면 그 발언은 그물에는 걸렸을 것이다. 문제는 걸린 다음이다. 그 발언이 놓일 자리는 알고리즘 관리이거나 보상이거나 저작권이고, 데이터를 만드는 노동 자체를 가리키는 이름은 이 분류 어디에도 없다. 그물이 성기어서 못 세는 것이 아니라 셀 이름이 없어서 못 세는 것이다.

저자들 자신도 이 데이터로 무엇을 말할 수 없는지를 결론에서 못박는다.

이 문장은 이 글에도 그대로 적용된다. 의회에 보상의 언어가 얇다는 사실에서 사람들이 보상을 원하지 않는다는 결론은 나오지 않는다. 나오는 것은 지금 공급 쪽 무대에 그 언어가 얇게 놓여 있다는 사실뿐이다.

5.2잣대는 하원 본회의만 잰다

무대의 경계도 좁게 그어져 있다. 비교 가능성을 높이려고 저자들은 하원 본회의, 또는 단원제인 경우 그 본회의로 대상을 좁혔다고 3절에 적는다. 그리고 결론의 한계 문단에서 이 선택이 무엇을 놓치는지를 스스로 나열한다.

법원, 노조, 사용자. 데이터의 대가 규칙이 지금 실제로 쓰이고 있는 자리가 거의 전부 이 목록 안에 있다. 그래서 반례처럼 보이는 사례들을 하나씩 이 경계에 대 보면 대부분 잣대 밖으로 나간다.

경계가 얼마나 좁은지는 논문 자신의 첫 문단이 보여 준다. 서론이 이 정치의 등장을 알리며 처음 드는 사례가 버니 샌더스 상원의원의 보고서와 샌더스·오카시오코르테스가 낸 AI 데이터센터 모라토리엄 법안이다. 미국 상원은 이 논문의 코퍼스에 들어가지 않는다. 서론의 첫 주인공이 본문의 잣대에는 잡히지 않는 셈인데, 이것은 논문의 흠이 아니라 33개 나라를 같은 잣대로 재기 위해 저자들이 명시적으로 고른 설계다. 다만 이 잣대로 잰 결과를 옮길 때 우리가 무엇을 함께 옮기고 있는지는 알고 있어야 한다.

표에 적은 사례들은 페블러스 블로그가 각각 따로 다룬 적이 있다. 주의회가 쓴 이익 공유 설계는 캘리포니아 법안을 다룬 글에, 단체교섭이 쓴 동의와 대가 규칙은 SAG-AFTRA 협약을 다룬 글에, EU가 만든 학습 데이터 공시 의무의 빈틈은 학습 데이터 요약 공시의 공백을 다룬 글에 있다.

5.3케냐는 표본 안에 있고, 케냐의 시도는 표본 밖에 있다

이 경계의 뜻이 가장 또렷하게 드러나는 나라가 케냐다. 케냐는 33개국 명단에 들어 있다. 동시에 데이터 주석과 콘텐츠 검수 노동이 가장 크게 논쟁이 된 나라이기도 하다. 그런데 그 논쟁에 대한 응답으로 지금 쓰이고 있는 문서는 의회가 아니라 부처에서 나왔다.

정보통신디지털경제부 산하 ICT·디지털경제국이 2026년 7월에 낸 「케냐 인공지능 및 기타 신흥기술 정책」은 데이터 주석과 콘텐츠 검수 노동자가 유해 콘텐츠 노출과 불안정한 노동 조건, 제한된 노동 보호라는 고유한 직업적 위험에 놓여 있고 기존 제도의 안전장치가 불충분하다고 진단한다. 그리고 처방으로 공정임금 기준틀을 제안한다. 주석과 검수, AI 품질평가 업무의 임금을 같은 일의 국제 수준에 견주어 기준을 세우고, 사업자가 자기 임금 구조를 그 기준에 맞춰 공시하게 하는 구조다. 서면 계약과 정신건강 지원, 고충처리 절차, 그리고 데이터 주석·검수 노동자에 대한 법정 주의의무 기준도 함께 담겼다. 적용 범위에는 케냐에서 시스템이 조달되거나 사용되는 외국 사업자와 데이터 주석 제공자가 명시돼 있다.

이 문서는 법률이 아니라 정책 방향이고, 실제 의무는 뒤따를 입법과 하위 규정이 만든다. 그리고 이 논문의 잣대에는 잡히지 않는다. 부처 문서이기 때문이다. 한편 케냐의 의회 트랙에는 인공지능 법안 2026이 있는데, 이 법안은 상원 법안 4호로 2026년 2월 19일 공표되고 4월 2일 1독회를 거쳤다. 케냐 의회가 낸 법안 요지서는 학문·창작물의 독창성과 고용 기회의 교란을 배경으로 적지만, 노동자나 노동 조건, 데이터 주석이라는 낱말은 그 요지서에 나오지 않는다. AI 커미셔너를 두는 위험 기반 규제가 이 법안의 뼈대다.

다만 지금 알 수 없다는 것이 앞으로도 알 수 없다는 뜻은 아니다. 논문은 데이터 가용성 항목에서 분석을 재현하는 데 필요한 데이터와 코드를 정식 게재 시점에 공개 저장소로 올리겠다고 적어 두었다. 그때가 되면 케냐 의원들의 AI·노동 발언이 어느 칸으로 코딩됐는지를 직접 세어 볼 수 있다. 이 글이 여기서 멈추는 것은 자료의 성격 때문이 아니라 프리프린트 1판이라는 시점 때문이다.

5.4한국은 이 표본에 없다

마지막으로 한국이다. 33개국 명단에 한국은 없다. 그러니 이 논문의 결론을 국회에 그대로 적용할 수 없고, 한국이 다른 방향으로 가고 있다는 증거도 이 데이터에는 없다. 잰 적이 없을 뿐이다. 국내에서 고영향 AI를 어떤 언어로 다루기 시작했는지는 페블러스가 AI기본법의 고영향 거버넌스를 다룬 리포트에서 따로 정리했다. 이 논문과 나란히 읽을 만한 인접 자료로는 AI 노출도와 노조 보호의 어긋남을 다룬 리포트와, 전문가 데이터 노동시장의 값 매김을 다룬 리포트가 있다.

페블러스는 데이터를 진단하고 품질 성적서를 발급하는 일을 한다. 33개 의회가 무엇을 말했는지가 그 일과 닿는 지점은 규제 전망이 아니라 일정이다. 데이터를 사고 만드는 조직이 이 논문에서 얻을 수 있는 것은 대가 규칙이 언제 어떤 모양으로 올지가 아니라, 그 규칙을 전제한 일정을 세울 근거가 지금은 없다는 사실이다.

6.1값이 매겨지지 않은 것은 기록되지도 않는다

대가 규칙의 부재는 결국 품질 문제로 돌아온다. 기여자에게 값이 매겨지지 않는 데이터는 누가 무엇을 얼마나 넣었는지 기록될 이유가 없고, 그렇게 기록이 없는 데이터는 나중에 특정 기여분만 지우거나 다시 값을 매길 수 없다. 규제 칸의 1위가 저작권이라는 사실이 이 자리에서 다시 읽힌다. 정치가 대가를 다룰 때 쓰는 언어가 소유권뿐이라면, 소유권으로 환원되지 않는 라벨링과 검수와 피드백은 기록의 대상조차 되지 못한다. 데이터 계보에 뚫린 구멍은 대개 이 자리에 있다.

Bartz 대 Anthropic 합의가 이 논지의 가장 구체적인 근거다. 그 소송에서 갈린 것은 어떤 책을 썼느냐가 아니라 그 책이 어떤 경로로 학습 자료가 됐느냐였다. 취득 경로의 기록이 곧 배상 여부를 갈랐다는 뜻이고, 이것은 대가 이전에 기록이 온다는 순서를 보여 준다. 학습 단계의 공정이용 판단과 취득 단계의 공백이 어떻게 갈라지는지는 페블러스가 학습 공정이용과 출처 기록을 다룬 리포트에서 따로 다뤘다.

6.2제도가 오더라도 먼저 요구하는 것은 기록이다

기다리지 말자는 말이 규칙을 무시하자는 말은 아니다. 오히려 규칙이 왔을 때 무엇을 요구하는지 보면 지금 할 일이 분명해진다. 앞 절에서 본 케냐의 정책 문서가 좋은 예다. 그 문서는 임금 기준틀만 담고 있지 않다. 데이터셋 문서화와 출처, 품질 보증, 대표성, 관리 주체, 갱신 주기에 대한 국가 최소 기준을 만들겠다고 함께 적는다. 임금 공시를 요구하는 조항과 데이터셋 출처 기준을 만드는 조항이 같은 문서 안에 있다는 것은 우연이 아니다. 누구에게 얼마를 줄지 정하려면 누가 무엇을 넣었는지부터 적혀 있어야 하기 때문이다.

그러므로 데이터 공급망을 설계하는 쪽이 지금 손댈 수 있는 항목은 대체로 정해져 있다. 계약서의 사용 범위 조항이 학습과 재학습, 파생 모델까지 어디를 덮는지, 기여자를 어떤 식별자로 남길지, 출처 기록을 얼마나 오래 보관할지, 모델을 다시 학습할 때 동의를 다시 받는 절차가 있는지. 넷 다 새 제도를 기다릴 필요 없이 다음 계약서부터 쓸 수 있는 것들이고, 규칙이 늦게 올수록 이것을 써 둔 조직과 그렇지 않은 조직의 거리가 벌어진다.

6.3정치가 비운 자리에서 계약이 일한다

이 글이 센 것을 한 문장으로 줄이면 이렇다. 노동의 몫을 갚는 언어가 33개 의회의 응답 프레임 언급 가운데 2.3%였고, 그 안에 든 것은 소득 지원과 노동시간 단축뿐이었다. 데이터를 만드는 노동은 이 분류 어디에도 자기 칸을 갖고 있지 않다. 그 빈자리를 지금 메우고 있는 것은 법원의 합의와 노사의 협약, 그리고 사적 계약이다. 어느 쪽도 대가 규칙을 공평하게 쓰라고 설계된 무대는 아니지만, 실제로 값이 정해지는 곳은 거기다.

그렇다면 데이터를 다루는 조직이 지금 만들 수 있는 것은 그 계약을 지탱할 기록이다. 어떤 데이터가 어디서 어떻게 들어왔는지, 누가 손을 댔는지, 어떤 조건으로 쓸 수 있는지를 답할 수 있는 상태. 이것은 제도가 정해 주기를 기다릴 성질의 일이 아니고, 제도가 왔을 때 가장 먼저 요구받을 항목이기도 하다. 규칙이 없는 동안 기록을 만든 쪽이, 규칙이 생긴 다음에도 그 규칙을 감당한다.

본문의 수치는 세 갈래에서 왔다. 논문 내부 수치는 1번 프리프린트의 HTML 1판과 32쪽 PDF를 직접 열어 절·표·그림 번호까지 대조해 옮겼다. 케냐의 정책 문서와 법안 요지서는 정부와 의회가 올린 원문 PDF를 내려받아 확인했으며 조회일은 2026년 9월 6일이다. 나머지 외부 사실은 복수의 매체 보도로 교차 확인했고, 그 성격을 각 항목에 적어 두었다.

이 보고서의 뼈대

• 1.Juliana Chueri (Vrije Universiteit Amsterdam), Petter Törnberg (University of Amsterdam). "Meeting the Coming Wave: The Emerging Politics of AI and Work across 33 Parliaments." arXiv: 2609.02296, v1 2026년 9월 2일 제출, cs.CY. 본문의 코퍼스 규모, 4.3절 응답 프레임 분포, 4.5절 탐색적 토픽 비율, 표 1의 코딩 스킴과 각 프레임이 답하는 정치적 질문, 표 2의 표본 단계, 표 3의 발언 예시 다섯 건, 2절의 사전 기대와 이론 서술, 3절의 관련성 정의와 정당군 식별률, 4.1절 나라별 프로필, 인간 검증 수치, 5절 한계와 결론 인용, 데이터 가용성 항목을 이 판본에서 확인했다. 부록은 본문에서 다섯 번 인용되지만 HTML 판본과 PDF 32쪽 어디에도 실려 있지 않다. 동료심사 정보는 확인되지 않는다.

논문이 대화하는 학술 문헌 (논문 참고문헌에서 확인)

• 2.Stefan Thewissen, David Rueda. "Automation and the Welfare State: Technological Change as a Determinant of Redistribution Preferences." Comparative Political Studies 52(2), 1670–1706, 2019. 보상 중심 정치경제학의 출발점으로, 이 논문이 대립각을 세우는 상대다.
• 3.Thomas Kurer, Silja Häusermann. "Automation Risk, Social Policy Preferences, and Political Participation." In M. R. Busemeyer (ed.), Digitalization and the Welfare State, Oxford University Press, 139–156, 2022.
• 4.Marius R. Busemeyer, Mia Gandenberger, Carlo Knotz, Tobias Tober. "Preferred Policy Responses to Technological Change: Survey Evidence from OECD Countries." Socio-Economic Review 21(1), 593–615, 2023.
• 5.Marius R. Busemeyer, Tobias Tober. "Dealing with Technological Change: Social Policy Preferences and Institutional Context." Comparative Political Studies 56(7), 968–999, 2023.
• 6.Zhen Jie Im, Nonna Mayer, Bruno Palier, Jan Rovny. "The 'Losers of Automation': A Reservoir of Votes for the Radical Right?" Research & Politics 6(1), 2019. 급진우파가 AI를 노동 위협으로 정치화하지 않았다는 3.2절의 반전을 읽는 데 필요한 배경이다.
• 7.Massimo Anelli, Italo Colantone, Piero Stanig. "Individual Vulnerability to Industrial Robot Adoption Increases Support for the Radical Right." PNAS 118(47), e2111611118, 2021.
• 8.Aina Gallego, Thomas Kurer. "Automation, Digitalization, and Artificial Intelligence in the Workplace: Implications for Political Behavior." Annual Review of Political Science 25, 463–484, 2022.
• 9.Lance Y. Hunter. "Political Ideology, Artificial Intelligence (AI), and Labor Markets: How Political Party Members Perceive AI's Effects in OECD Countries." Political Research Quarterly, 2026. 진단·응답 프레임 분류의 이론적 출처다.
• 10.Fabrizio Gilardi, Meysam Alizadeh, Maël Kubli. "ChatGPT Outperforms Crowd Workers for Text-Annotation Tasks." PNAS 120(30), e2305016120, 2023. 그리고 Petter Törnberg, "Best Practices for Text Annotation with Large Language Models," Sociologica 18(2), 67–85, 2024. 언어모형 주석의 방법론 근거로 논문이 드는 문헌이다.
• 11.Antonio A. Casilli. Waiting for Robots: The Hired Hands of Automation. University of Chicago Press, 2025. 마이크로워크와 데이터 노동을 정면으로 다룬 저작이며, 이 논문 안에서는 서론의 참고문헌 나열에 한 번 등장한다.

정책·소송 1차 문서 (2026년 9월 6일 조회)

• 12.State Department for ICT and the Digital Economy, Republic of Kenya. "Kenya Artificial Intelligence and Other Emerging Technologies Policy," 2026년 7월. ict.go.ke 게시 PDF. 데이터 주석·콘텐츠 검수 노동자의 직업적 위험 진단, 공정임금 기준틀과 임금 공시, 법정 주의의무 기준, 데이터셋 문서화·출처·품질보증 표준을 이 원문에서 확인했다. 파일명이 draft로 시작하는 의견 수렴용 판본이다. 여러 매체가 전한 케냐와 미국의 시급 격차 수치는 이 원문에서 확인되지 않아 본문에 쓰지 않았다.
• 13.Parliament of Kenya, The Senate. "Bill Digest: The Artificial Intelligence Bill, Senate Bills No. 4 of 2026." parliament.go.ke 게시 PDF. 발의자 Sen. Karen Nyamu, 공표 2026년 2월 19일, 1독회 2026년 4월 2일. 노동자·노동 조건·데이터 주석이라는 낱말이 이 요지서에 나오지 않는다는 사실도 원문에서 확인했다.
• 14.Bartz v. Anthropic 집단소송 합의 최종 승인. 미국 캘리포니아 북부지방법원, 2026년 7월 20일. 총액 15억 달러, 대상 저작물 48만 2,460건, 청구율 91.3%, 저작물 1건당 총 배분액 약 3,100달러 추산. Authors Guild, Authors Alliance, JURIST 보도로 교차 확인했다. 2025년 6월 1심의 공정이용 판단 범위도 같은 자료에서 확인했다.
• 15.OpenAI. "Industrial Policy for the Intelligence Age," 2026년 4월 6일. 급여세에서 자본소득·법인세·자동화 노동 과세로 세원을 옮기자는 제안, 주 32시간 근무 실험, 국민 지분형 공공 기금이 담겨 있다. 공식 페이지가 자동 조회를 거부해 원문 대조는 하지 못했고, 복수 매체의 정리 기사로 확인했다.
• 16.U.S. Senate Health, Education, Labor and Pensions Committee Minority Staff. "The Big Tech Oligarchs' War Against Workers," 2025년 10월. 1번 논문 서론이 첫 사례로 드는 보고서다.

페블러스 인접 글

• 17.페블러스 블로그. 학습 데이터 라이선싱의 협상력 · 저작권 시장 설계와 독창성의 대가 · 토큰세와 사람의 몫.
• 18.페블러스 블로그. 캘리포니아 AI 이익 공유 법안 · SAG-AFTRA의 동의와 단체교섭 · EU 학습 데이터 요약 공시의 공백.
• 19.페블러스 리포트. AI 노출도와 노조 보호의 어긋남 · 전문가 데이터 노동시장 · 학습 공정이용과 출처 기록 · AI기본법의 고영향 거버넌스.