Executive Summary

2026년에 AI허브를 두고 벌어진 일은 성격이 서로 다른 넷이다. 가진 데이터를 세는 일(전수조사), 창고 자체를 다시 짓는 일(시스템 구축), 바깥에서 데이터를 받아들이는 일(제공 수요조사), 그리고 이미 받아들여 내보낸 데이터를 다시 열어 보는 일(재검증 용역)이다. 넷은 각각 다른 공고와 다른 예산으로 돌아갔고 보도도 따로 났다. 한자리에 놓아야 이 창고가 올해 무엇을 했는지가 한 줄로 보인다.

AI허브는 2017년부터 정부가 돈을 대어 만든 AI 학습용데이터를 모아 공개해 온 창고다. 운영은 한국지능정보사회진흥원(NIA)이 하고, 주무 부처는 과학기술정보통신부다. 2026년 1월 22일 시행된 인공지능 기본법 제15조가 이 창고에 새 법적 지위를 주면서 이름도 바뀌는 중이다. 정식 명칭은 AI 학습용데이터 통합제공시스템이고, 이 글에서는 통합제공시스템이라 줄여 쓴다. 4월 보도와 용역 이름에 나오는 통합제공체계도 같은 것을 가리킨다. 인용할 때만 원문 표기를 지킨다.

표 1. 2026년 AI허브를 둘러싼 일지. 주황색 줄이 이 글이 따라가는 셋이다. 2026년 11월 8일 기준이다.

이 일지를 읽을 때 한 가지가 걸린다. 「100종」이라는 말이 2026년에 적어도 네 군데에서 서로 다른 것을 가리킨다. 두 기사를 나란히 읽으면 같은 사업으로 보이지만 돈도 주체도 다르다. 그래서 먼저 가른다.

표 2. 2026년에 「100종」이 가리킨 넷. 넷째 줄은 고가치 공공데이터 100종의 이용 조건을 다룬 글에서 따로 다뤘다.

4월의 60억원과 8월 공고의 1종당 0.6억원은 곱이 맞아떨어진다. 그래서 같은 돈으로 읽기 쉽다. 그런데 어느 자료도 그렇다고 적지 않았다. 8월 공고 본문에는 총예산이 없고, 4월 발표의 60억원은 공공부문에서 고를 100종에 붙은 돈이다. 합계는 말하지 않고 여기까지만 적는다. 같은 「1종당 0.6억원」이라는 조건이 공공·민간·대학 세 창구에 붙어 있다.

네 가지 일의 앞에 무엇이 있었는지도 한 줄로 적어 둔다. 2026년 8월 감사원은 공공 AI 학습데이터의 중복 구축과 검증 공백을 지적했고, 그 지적이 이 개편의 배경에 있다. 그 감사 자체는 따로 쓴 글에 있다. 여기서는 그다음에 벌어진 일을 본다.

8월 3일 공고에서 국가가 내놓는 것은 데이터값이 아니다. 공고가 적은 것은 품질지원(컨설팅 등)과 비식별화를 비롯한 기술적·재정적 지원이고, 그 한도가 1종당 0.6억원, 최대 100종이다. 보도자료 배포와 언론 홍보도 지원 항목에 들어 있다. 기업이 받는 것은 현금이 아니라 자기 데이터를 다듬어 주는 일손이다. 그리고 그 일손의 대가로 국가가 받는 것은 소유권이 아니라 개방이다.

대학 부문 공지가 그 조건을 더 또렷하게 적는다.

한 문장에 거래가 다 들어 있다. 데이터를 열겠다고 하면 다듬는 값을 국가가 대고, 열지 않겠다면 그 지원도 없다. 2017년부터 2024년까지 정부가 한 일은 주로 데이터를 새로 만드는 것이었다. 감사원이 집계한 그 기간의 공공 신규 구축분은 908종, 1조 6,328억원이다. 2026년에 열린 창구는 성격이 다르다. 이미 누군가가 가진 데이터를 고쳐서 공개 상태로 옮기는 쪽에 돈이 붙었다. 만드는 값과 다듬는 값이 각각 얼마인지는 5절에 네 줄짜리 표로 모았다.

그러면 민감해서 열 수 없는 데이터는 어떻게 되나. 공고는 두 개의 통제된 공간을 가리킨다. 하나는 AI허브가 운영하는 안심존으로, 데이터를 바깥으로 내보내지 않고 지정된 클라우드 환경 안에서만 쓰게 하는 방식이다. 이용하려면 심의를 거치는데 공지상 심의에 최대 2주, 환경 구성에 최대 5일이 걸린다. 다른 하나는 데이터산업법에 근거를 둔 데이터안심구역이다. 둘은 근거 법과 운영 주체가 다른 별개 체계이고, 이름이 비슷해 자주 섞인다. 안심구역은 2025년 5월에 네 곳이 새로 지정되면서 11개 기관 14개 구역이 됐고, 그 뒤의 증감은 이 글에서 확인하지 못했다. 안심구역 쪽은 2026년 10월 1일 'K-ICT 빅데이터센터'가 'AI데이터안심활용센터'로 개편 개소하면서 중앙 허브 역할을 맡았다.

민간 공고에서 참여 기업이 내야 할 것으로 적힌 목록을 그대로 옮기면 이렇다. 목록만 보면 국가가 AI-Ready 상태의 정의를 서식으로 고정해 둔 것처럼 읽힌다. 그런데 목록 아래에 한 줄이 더 붙어 있다.

줄을 세어 보면 반드시 내는 것은 둘이다. 데이터 명세서와 샘플데이터. 나머지 다섯은 "관련 산출물"이라는 한 묶음 안에 "등"을 달고 들어가 있고, 그 묶음 전체에 "제출가능한 자료에 한해 제출"이라는 단서가 붙는다. 즉 품질관리 결과서는 의무가 아니라 선택이다. 데이터를 어떻게 만들었는지 적은 구축 결과서도, 라벨링 지침도, 메타데이터 정의서도 같은 칸에 있다.

대학 부문은 더 간단하다. 공지가 적은 제출 방법은 데이터명세서 서식(붙임3)을 작성해 이메일로 보내는 것이고, 지원 금액은 공지 본문에 적혀 있지 않다. 금액이 없다는 뜻이 아니라, 공지 본문에서 확인되지 않는다는 뜻이다. 민간 쪽이 반드시 받는 서류는 둘이고, 대학 쪽은 서식 하나다.

여기서 흔한 오해 하나를 미리 끊어 둔다. 이 그림은 표준이 없다는 그림이 아니다. 표준 문서는 오히려 두껍다. NIA는 2026년 2월 27일 「AI 데이터 품질관리 가이드라인」을 v4.0으로 공개했다. 제1권 AI 데이터 품질관리 가이드 v4.0, 제2권 AI 데이터 구축 가이드 v4.0, 제3권 생성형AI 데이터 품질관리 가이드 v2.5, 그리고 추론형 AI 데이터를 다루는 제4권 신기술 AI 데이터 품질관리 가이드 v1.0이다. 대학 부문 공지는 그중 제1권을 붙임4로 직접 첨부한다. 문서는 네 권에 와 있는데, 창구에서 그 문서가 시키는 산출물을 받는 일은 "있으면 내라"다. 표준의 부재를 다룬 앞선 글과 이 글이 갈라지는 자리가 여기다.

학계에는 데이터셋에 무엇을 붙여 내보낼지 적은 규격이 이미 있다. 2021년 Datasheets for Datasets가 제안한 항목표가 가장 널리 쓰인다. 그 항목표에는 「Maintenance」라는 절이 따로 있는데, 데이터를 만든 뒤의 일만 묻는 절이다. 그 절의 질문을 2026년 한국 창구의 제출 서류와 항목 단위로 맞대면 두 묶음으로 갈린다.

표 3. Gebru 외, Datasheets for Datasets(CACM, 2021)의 Maintenance 절 질문을 2026년 두 공고의 제출 서류와 맞댄 것. "확인되지 않는다"는 "없다"와 다르다. 공고 본문과 공지 본문에서 찾지 못했다는 뜻이고, 첨부 서식 파일 내부는 이 글에서 열지 못했다.

작은 각주 하나. 그 가이드라인 공지는 본문에 "총 3권"이라 적는데 첨부는 네 권이다. 2026년 4월 15일에 파일이 다시 올라갔다.

2026년 8월 27일, 과기정통부와 NIA가 독자 AI 파운데이션 모델(이하 독파모) 프로젝트에서 만든 학습데이터를 AI허브에 올렸다. 그날 보도자료는 공개 전에 무엇을 했는지를 적었다. NIA와 한국정보통신기술협회(TTA)가 품질검증을 했고, 개인정보와 유해성 검증도 거쳤으며, 라이선스 제약이 걸린 데이터는 빼고 올렸다는 내용이다. 공개된 데이터셋은 22건이었다. 이 개방분의 종수를 보도자료와 AI허브 화면이 다르게 세는 문제는 그 개방을 다룬 앞선 글에서 따로 다뤘다. 이 절은 그 수를 다시 세지 않는다.

닷새 뒤인 9월 1일, 그 22건 가운데 4건이 비공개로 바뀌었다. 사유로 적힌 것은 비식별화 미흡과 데이터 구조 미흡이다. 다시 보름쯤 지난 9월 17일, 뉴스포스트가 내려간 넷 중 하나를 내려받아 열어 본 결과를 단독으로 보도했다. NC AI가 만든 상담 대화 음성 데이터였고, 대화쌍 약 3,000건에 음성 500시간이 넘는 분량이었다. 기자가 그 안에서 확인한 것은 실존하는 사람의 이름과 전화번호와 주소였다.

이 사건에서 제일 흥미로운 대목은 두 기관이 같은 데이터를 서로 다른 이름으로 불렀다는 점이다. 보도에 실린 두 설명을 나란히 놓으면 이렇다.

표 4. 뉴스포스트 2026년 9월 17일 보도에 실린 두 쪽의 설명. 큰따옴표 안은 보도 원문 표기다.

두 설명은 서로 어긋나 보이지만 어긋나지 않는다. 같은 것을 두 이름으로 부른 것이다. 각본은 지어냈고, 그 각본을 읽어 녹음한 것은 고용된 사람이다. 한쪽은 녹음 공정에 이름을 붙여 "작업자가 직접 녹음"이라 했고, 다른 쪽은 원본 상담을 쓰지 않았다는 뜻으로 "합성데이터 방식"이라 했다. 둘 다 사실일 수 있다. 그런데도 결과물 안에는 실제 식별자가 들어갔다. 여기서 남는 교훈은 어느 기관이 잘못 말했는가가 아니라 이것이다. "합성"은 라벨이지 개인정보가 없다는 보증이 아니다.

이 명제는 한 사건의 교훈으로 그치지 않는다. 합성 데이터 생성기가 원본을 흘리는 경로를 학술 문헌이 두 갈래로 적어 두었다. 하나는 축자 기억화다. 대규모 언어모델로 표 데이터를 만들면 학습례의 숫자 문자열이 그대로 재현되는 일이 일어나고, 생성된 표만 보고도 원본에 그 행이 있었는지 역으로 알아내는 공격이 성립한다(PETS 2026). 다른 하나는 구조와 이웃의 중첩이다. 차분프라이버시 잡음을 넣어도 군집 중심과 이웃 관계가 원본의 고밀도 영역을 대신 가리켜 멤버십이 샌다. 생성기에 따라 그 정도가 크게 갈린다는 보고도 있다. 같은 조건에서 TabDDPM은 멤버십 추론 성공률을 13.5%p 올렸고 CTGAN은 0.5%p를 올렸다.

9월 29일 보도로 알려진 용역의 이름은 「통합제공체계·AI허브 기개방 데이터 개인정보 재검증 및 비식별 용역」이다. 예산은 3억원이고 계약 체결일부터 12월까지 약 두 달이 기간이다. 대상은 텍스트·이미지·영상이 섞인 AI허브 개방 데이터 150종이다. 공고가 적은 전제가 중요하다. 이 150종은 이미 1차 비식별화가 끝나 공개된 데이터다. 거기에 개인정보나 민감정보가 남아 있는지 다시 보겠다는 사업이다. 점검 대상에는 이름과 연락처 같은 글자 정보만이 아니라 이미지와 영상에 찍힌 얼굴, 차량번호판도 들어간다.

과업은 네 단계로 적혀 있다. 먼저 데이터셋별로 샘플을 뽑아 자동과 수동 방식으로 잔존 여부를 확인하고, 거기서 걸린 데이터셋은 전체를 정밀 검수하고, 유형별 특성에 맞춰 추가 비식별화를 하고, 마지막으로 그 조치가 적정했는지를 검증한다. 산출물로는 150개 데이터셋 각각에 대해 탐지 결과와 조치 전후 샘플과 적용 기법을 담은 개별 결과보고서를 남기게 했다. 일정은 11월에 탐지·비식별화와 정밀 검수를, 12월에 결과보고서 작성과 최종 데이터셋 업로드를 끝내는 것으로 잡혀 있다. 수행사에 GPU나 클라우드, 서버를 따로 주지 않는다는 조건도 붙어 있어, 검사 설비는 수행사가 스스로 마련해야 한다. 낙찰사와 낙찰가는 이 글에서 확인하지 못했다.

150이라는 수는 분모를 붙여야 뜻이 선다. 2026년 11월 8일 기준으로 AI허브 데이터 목록 화면이 표시하는 전체 건수는 977건이다. 다시 열어 보는 것은 그만한 창고에서 150종이고, AI허브의 모든 데이터를 다시 검사하는 사업이 아니다. 다만 그 분모 자체가 한 수로 고정돼 있지 않다. 같은 플랫폼의 종수를 2025년 말 기준 945종으로 적은 자료가 있고, 2026년 4월 보도는 14대 분야 903종으로 적었다. 등록이 계속 늘어나는 창고라서 세는 날짜가 다르면 수가 달라진다. 그래서 150을 전체로 나눈 비율은 계산하지 않는다.

어떤 기준으로 그 150종을 골랐는지도 공개된 보도 범위에서 확인되지 않는다. 범위에 관해 하나가 더 걸린다. 용역 이름은 「기개방 데이터」라 적지만, 보도가 옮긴 대상 표기는 "통합제공체계 대상 및 후보 데이터"다. 150종이 전부 이미 공개된 것인지, 앞으로 올릴 후보가 섞여 있는지는 공고 원문을 열지 못해 가리지 못했다. 이 글은 용역 이름이 적은 대로 이미 내보낸 데이터 쪽을 읽되, 그 경계가 보도만으로는 떨어지지 않는다는 사실을 함께 적어 둔다.

이 사업의 1종당 예산은 3억원을 150으로 나눈 약 200만 원이다. 앞 절에서 본 민간 창구의 지원 한도는 1종당 최대 6,000만 원이었다. 두 수를 나란히 놓고 싶어지지만, 그 전에 성격을 적어야 한다. 하나는 전면적인 가공을 포함하는 상한이고 다른 하나는 샘플 기반 재검증의 예산 기준 평균이다. 쓰임도 다르고 작업량도 다르다. 표 5는 그 네 값에 성격과 분모를 하나씩 붙여 모은 것이다.

표의 둘째 줄은 분모를 한 번 짚고 읽어야 한다. 150억원을 29종으로 나눈 값인데, 29는 보도자료가 센 수이고 4절에서 적은 22건은 AI허브 화면이 센 수다. 같은 개방분을 두 곳이 다르게 세는 문제라 여기서 그 수를 다시 세지 않고, 보도자료 쪽 분모를 그대로 쓴다. 분모를 22로 바꾸면 1종당은 약 6.8억원이 된다. 어느 쪽을 쓰든 그 줄이 새로 만드는 값이라는 성격은 바뀌지 않는다.

표 5. 같은 해 한국에서 AI 학습용데이터 한 종에 붙은 네 가지 값. 네 줄은 회계연도도 세목도 사업 성격도 다르므로 더하지 않는다. 서로 나누지도 않는다. 위 두 줄과 아래 두 줄은 애초에 다른 일에 매긴 값이다.

같은 네 값을 그림으로도 둔다. 맨 위와 맨 아래가 세 자릿수 가까이 벌어져 있어 보통 눈금으로 그리면 아래 두 줄이 선 한 가닥으로 뭉개진다. 그래서 가로축을 로그 눈금으로 잡았고, 그 대가로 막대 길이는 서로 비교할 수 있는 양이 아니게 됐다. 길이 대신 적힌 수와 그 옆의 성격 라벨을 읽는 그림이다.

공개한 뒤에 개인정보가 발견되는 일은 한국에서만 벌어지지 않는다. 영어권 대규모 학습 코퍼스도 같은 일을 겪었다. 문서 3억 6,500만 건에 토큰 1,730억 개 규모인 C4와, 22개 데이터셋을 묶어 토큰 3,830억 개 규모인 The Pile을 배포 이후에 감사한 연구가 양쪽 모두에서 수백만 건 규모의 개인정보를 찾아냈다. C4에서 탐지된 개인정보 인스턴스 가운데 이름이 아닌 유형은 2.7%가 채 안 되는데, 그중 약 2.5%는 가까운 자리에 다른 유형의 개인정보가 함께 있었다. 두 비율 모두 탐지된 인스턴스를 분모로 한 값이지 문서를 분모로 한 값이 아니다. 2차 인용에서 자주 뒤섞이는 자리다. 이렇게 붙어 있는 정보는 연결에 의한 재식별 위험을 키우고, The Pile 쪽이 더 나빴다. 2025년에 나온 후속 연구는 한 문장으로 요약했다. 어떤 자동 정제도 모든 개인정보를 제거하지 못한다.

그러니 이번 재검증 용역은 사고 수습이라기보다 공개 데이터를 운영하는 쪽이라면 누구나 하게 되는 일에 가깝다. 다른 점은 한국 쪽이 그것을 공고로 적어 발주했다는 것이다.

2027년 4월 21일에 전제가 바뀐다. 그날 개정 인공지능 기본법이 시행되고, 정부 사업으로 만든 AI 학습용데이터를 통합제공시스템에 연계·제공하는 것이 의무가 된다. 지금까지 본 창구는 전부 자발적인 것이었다. 내고 싶은 쪽이 내고, 열겠다고 하면 다듬는 값을 받는 구조였다. 날짜 셋이 가까이 붙어 있어 기사마다 다르게 적히므로 각각 무엇의 날짜인지 붙여 둔다. 10월 13일은 국무회의 의결, 10월 20일은 공포, 2027년 4월 21일은 시행이다. 이 글을 쓰는 2026년 11월 8일에서 시행일까지는 164일, 다섯 달 남짓 남았다.

독자 입장에서 중요한 것은 날짜보다 누가 의무를 지는가다. 신설된 제15조의2 제2항은 의무 주체를 각 호로 나눠 적는데, 국가기관의 장만 있는 것이 아니다. 출연금을 받아 사업을 수행하는 자, 보조사업자와 간접보조사업자, 지방보조사업자, 그리고 이에 준하는 자가 각각 대통령령이 정하는 범위에서 들어간다. 국고를 받아 만든 데이터라면 민간 기업도 대학 연구실도 그 범위에 들어올 수 있다는 뜻이다. 다만 어디까지가 "대통령령이 정하는 범위"인지는 아직 정해지지 않았다. 시행령 개정안을 기다려야 한다.

같은 개정이 반대쪽 문도 넓혔다. 창고에 넣는 쪽에 의무를 새로 지우면서, 창고에서 꺼내 쓰는 쪽은 기존 제15조의 "민간"을 "누구든지"로 고쳐 열었다. 국가기관도 이 창고에서 데이터를 받아 쓰는 이용자가 된다는 뜻이다. 들어오는 양이 늘고 받아 가는 쪽도 넓어지면, 뒤에서 볼 질문의 무게가 같이 커진다. 한 번 올라간 데이터를 누가 언제 다시 보는가 하는 질문이다.

의무에는 예외가 딸려 있고, 예외를 주장하려면 협의 절차를 거친다. 그 예외가 어떤 것들이고 왜 느슨한지는 예외 조항을 다룬 앞선 글에서 따졌다. 이 절은 예외가 아니라 범위만 본다.

조문에 관해 이 글이 어디까지 확인했는지도 적어 둔다. 시행령 제13조는 국가법령정보센터에서 직접 읽었다. 반면 개정법 제15조의2의 각 호 법문은 공포문 원문을 열지 못해 법무법인 해설을 경유했다. 조문 번호 자체도 2026년 중 다른 개정에서 쓰인 기록이 보여, 인용할 일이 있으면 공포문으로 한 번 더 확인하는 편이 안전하다.

그래서 지금 열려 있는 창구는 의무가 되기 전의 마지막 자발 창구다. 그리고 그 창구는 8월에 닫히지 않았다. 민간 공고의 접수 기간 표기를 그대로 옮기면 이렇다.

괄호 안의 단서가 시제를 바꾼다. 8월 공고는 지난 소식이 아니라 지금도 받는 창구다. 데이터를 낼지 말지 재고 있는 쪽이라면 이 글은 회고가 아니라 지금 쓸 수 있는 정보다. 다만 선정 결과 발표는 2026년 11월 8일까지 공지에서 확인되지 않는다.

품질을 다루는 근거가 비어 있다는 말부터 하면 틀린다. 인공지능 기본법 시행령 제13조 제1항은 통합제공시스템이 할 일을 여섯 가지로 적는데, 그 다섯째가 "학습용데이터의 가치평가 및 품질관리 관련 정보의 제공"이다. 개정법 제15조의2는 여기에 더해 연계·제공된 데이터의 안정적 품질관리를 위한 조치를 규정한다. 근거 조항은 있다.

조항에 적히지 않은 것은 셋이다. 얼마 만에 다시 보는가(주기), 그 보증을 누가 지는가(주체), 이미 받아 간 사람에게 어떻게 알리는가(통지). 셋 가운데 통지가 가장 날카롭다. AI허브 데이터 이용정책에는 이용자 쪽 의무가 분명하게 적혀 있다.

발견한 쪽이 신고하고 지워야 한다는 의무는 이렇게 축자로 있다. 반대 방향, 즉 재검증 결과를 이미 내려받은 사람에게 알린다는 조항은 이용정책에서 확인되지 않는다. 그런데 AI허브는 그 일을 할 조건을 이미 갖추고 있다. 데이터를 받으려면 휴대폰 본인인증을 하고, 데이터셋별로 이용을 신청하고, 승인을 받아야 한다. 누가 무엇을 받아 갔는지 아는 플랫폼이라는 뜻이다.

주기는 어떤가. 한국 조문에는 없지만, 같은 일을 하는 다른 문서에는 숫자까지 적혀 있다. 캐나다 온타리오주 정보·프라이버시 커미셔너가 2025년 10월 15일에 낸 「De-Identification Guidelines for Structured Data」는 2016년판을 전면 개정한 96쪽짜리 지침인데, 위험 환경이 변하므로 재식별 위험 평가를 주기적으로 다시 하라고 적으면서 통상 간격을 2년 또는 3년으로 명시한다. 같은 지침은 ISO/IEC 27559에 맞춘 재식별 확률 임계를 5~9%로 든다. 임상시험 자료를 다루는 실무에도 18~24개월 뒤 재평가라는 관행이 있다. 숫자가 꼭 2년이어야 한다는 말이 아니다. 주기를 숫자로 적어 둔 문서가 이미 있다는 말이다.

그러면 다른 나라의 국가 데이터 플랫폼은 공개한 데이터를 어떻게 거둬들이나. 찾아보면 한국이 뒤처진 쪽이 아니다. 오히려 거의 유일하게 할 수 있는 쪽이다.

표 6. 공개한 데이터를 거둬들이는 길이 문서로 있는가. 2026년 11월 8일 기준 공개 문서에서 확인한 범위다.

이 글의 사실관계는 2026년 11월 8일 기준이고, 개인정보 재검증 용역은 12월에 끝난다. 그때 150개 결과보고서가 어떤 형태로 남는지, 그리고 내려갔던 넷이 어떤 상태로 다시 올라오는지가 이어서 볼 자리다.

이 사업이 1종당 6,000만 원으로 사려는 것이 데이터클리닉이 하는 일과 거의 같다. 품질을 진단하고, 비식별화를 하고, 데이터 명세서와 메타데이터 정의서와 라벨링 지침 같은 산출물을 쓰는 일이다. 그래서 이 글은 남의 사업 구경이 아니다. 우리 일의 단가와 과업 범위가 공문서로 적혀 나온 드문 자료다. 특히 재검증 용역의 네 단계, 그러니까 샘플 탐지에서 시작해 걸린 데이터셋만 전수 정밀검수하고 유형별로 추가 비식별화한 뒤 적정성을 검증하는 설계는 품질 진단 파이프라인의 공개된 레퍼런스에 가깝다. 데이터셋 하나하나에 보고서를 따로 남기게 한 대목은 진단 산출물의 형태까지 보여 준다.

8.1보증의 수명에 관한 교훈 셋

첫째, 비식별은 시점의 판정이다. "비식별 완료"는 그때 구할 수 있던 보조 정보와 그때의 탐지 기술을 두고 내린 결론이고, 둘 다 시간이 지나면 변한다. 온타리오 지침이 재평가 간격을 2~3년으로 적은 이유가 그것이다.

둘째, 보증은 데이터가 아니라 문서에 붙는다. 품질관리 결과서가 있다는 것과 지금 그 데이터가 깨끗하다는 것은 서로 다른 명제다. 더구나 이번 창구에서 그 결과서는 "제출가능한 자료에 한해" 받는 서류다. 그래서 결과서만 남고, 그 결과서가 적은 상태가 지금도 참인지는 아무도 모른다.

셋째, "합성"은 라벨이지 보증이 아니다. 각본을 지어내도 그 각본을 읽는 것은 사람일 수 있고, 생성 모델 자체가 학습한 원본을 기억해 되뱉기도 한다. 세 가지 모두 고객 데이터 리뷰에서 매번 나온다. 국가 플랫폼에서만 나오는 일이 아니라는 뜻이다.

8.2데이터를 내보내기 전에 물을 다섯 가지

앞에서 본 사고의 모양을 질문으로 바꾸면 다섯이 된다. 회사가 데이터셋을 외부에 넘기기 전에, 또는 받아 쓰기 전에 확인할 것들이다.

• 이 보증은 언제 찍혔나. 판정한 날짜와 그때 쓴 탐지 규칙이 데이터와 함께 나가는가.
• 다음 검증은 언제인가. 주기가 정해져 있는가, 아니면 사고가 나야 열어 보는가.
• 이미 내보낸 사본에 어떻게 닿는가. 받아 간 쪽의 명단이 있는가, 닿을 경로가 있는가.
• 보증의 주체가 누구인가. 만든 쪽과 검증한 쪽과 올린 쪽이 다르면 누가 책임지는가.
• 합성이나 가명이라는 라벨을 무엇으로 입증하는가. 생성 방식의 기록이 남아 있는가.

다섯 중 셋째가 가장 자주 비어 있다. 명단이 없으면 잘못을 찾아도 되돌릴 길이 없기 때문에, 실무에서는 이것이 가장 비싼 공백이 된다.

8.3페블러스가 서 있는 자리

이 블로그의 앞선 글들은 대체로 들여올 때를 따졌다. 중복인가, 몇 종인가, 써도 되는가, 내야 하는가, 표준이 있는가를 물었다. 이 글이 본 것은 이미 들어온 것이다. 창고에 올라가 공개까지 된 데이터가 시간이 지나 어떤 상태가 되는지, 그 상태를 누가 다시 확인하는지가 질문이었다.

출처를 성격별로 나눠 적는다. 1번부터 8번까지가 이 글이 직접 열어 본 공고·조문·이용정책이고, 9번부터 17번까지가 사실관계의 날짜와 금액이 나온 보도다. 18번부터 28번까지는 보증의 수명을 다룬 학술 문헌과 해외 규범이다. 마지막 묶음은 같은 창고를 다른 각도에서 본 페블러스 블로그의 앞선 글들이다.

공고·조문·이용정책

• 1.AI허브 공지, 「민간부문 AI 학습용데이터 제공 수요조사 참여 안내」, 2026년 8월 3일. aihub.or.kr 3절의 제출 서류 축자와 6절의 접수 기간 표기가 이 공고 본문에서 나왔다.
• 2.서울대학교 공과대학 공지, 「대학 부문 AI학습용데이터 제공·등록 및 품질지원 등 수요조사 안내」, 2026년 9월 1일 게시. me.snu.ac.kr 2절의 "개방을 조건으로" 축자와 3절의 제출 방법이 여기 있다.
• 3.AI허브, 「데이터 이용정책」. aihub.or.kr 7절의 이용자 의무 축자 두 문장이 이 문서에서 나왔다. 2026년 11월 8일 확인.
• 4.AI허브, 「AI 데이터 품질관리 가이드라인」 전 4권, 2026년 2월 27일 공개, 2026년 4월 15일 파일 재배포. aihub.or.kr 3절의 권별 판 번호와 "총 3권" 표기 각주가 여기서 나왔다.
• 5.AI허브 데이터 목록. aihub.or.kr 5절의 분모 977건은 2026년 11월 8일 조회 기준이다.
• 6.「인공지능 발전과 신뢰 기반 조성 등에 관한 기본법」 제15조, 국가법령정보센터. 1절의 통합제공시스템 근거 조항이다.
• 7.같은 법 시행령 제13조(학습용데이터 통합제공시스템의 구축 및 관리). 7절의 제1항 제5호 축자가 여기 있다.
• 8.같은 법 개정, 공포 2026년 10월 20일, 시행 2027년 4월 21일, 제15조의2 신설. ⚠️ 공포문 원문을 열지 못해 15번 해설을 경유했다. 6절에 그 한계를 적었다.

보도

• 9.전자신문, 박종진, 공공부문 AI 학습용데이터 첫 전수조사 착수, 2026년 4월 10일. etnews.com 1절 일지의 100종·60억원이 여기서 나왔다.
• 10.이뉴스투데이, 백연식, AI 허브 개편과 통합제공시스템 구축, 2026년 2월 10일. 1절 일지의 "연내 100종 등록·연계" 표기가 이 기사다.
• 11.아이티데일리, 양승갑, 통합제공시스템 구축 사업 공고, 2026년 7월 2일. 1절의 28억 7,918만원과 120일이 여기 있다.
• 12.과학기술정보통신부 보도자료, 「독자 AI 파운데이션 모델」 프로젝트 학습데이터 개방, 2026년 8월 27일. korea.kr 4절의 품질검증·개인정보 검증 서술이 이 자료의 문장이다.
• 13.뉴스포스트, 김윤진, 「[단독] NC AI 독파모 데이터에 국민 이름·전화번호 노출…AI허브 개방 중단」, 2026년 9월 17일. newspost.kr 4절 표 4의 두 쪽 설명 축자가 여기서 나왔다.
• 14.ZDNet Korea, 이나연, 「AI허브 공개 데이터 150종, 개인정보 다시 들여다본다」, 2026년 9월 29일. zdnet.co.kr 5절의 용역명·예산·과업 네 단계·일정이 이 기사에서 나왔다.
• 15.법률신문, 법무법인 대륙아주 정호정·이건희, 개정 인공지능 기본법 해설, 2026년 11월 5일. lawtimes.co.kr 6절의 의무 주체 유형이 이 해설을 경유했다.
• 16.경향신문 외, 감사원 공공 AI 학습데이터 감사 결과, 2026년 8월 12일. khan.co.kr 2절과 5절의 908종·1조 6,328억원이 이 감사 집계다.
• 17.전자신문, 데이터안심구역 신규 지정, 2025년 5월 8일. etnews.com 2절의 안심구역 배경이다.

학술 문헌과 해외 규범

• 18.Gebru, T. 외, "Datasheets for Datasets", Communications of the ACM 64(12), 2021(arXiv:1803.09010). 3절 표 3의 Maintenance 절 질문이 이 논문에서 나왔다.
• 19.Subramani, N. 외, "Detecting Personal Information in Training Corpora: an Analysis". 5절의 C4·The Pile 사후 감사와 2.7%·2.5%가 여기 있다. 두 비율의 분모는 탐지된 인스턴스다.
• 20.Dodge, J. 외, "Documenting Large Webtext Corpora: A Case Study on the Colossal Clean Crawled Corpus", EMNLP 2021. aclanthology.org 5절의 C4 규모가 이 논문 기준이다.
• 21."A Common Pool of Privacy Problems"(arXiv:2506.17185), 2025년. 5절 마지막 문장의 요약이 이 논문의 결론이다.
• 22."When Privacy Isn't Synthetic: Hidden Data Leakage in Generative AI Models"(arXiv:2512.06062). 4절의 합성 생성기 누출 두 경로 중 구조·이웃 쪽 근거다.
• 23."When Tables Leak: Attacking String Memorization in LLM-Based Tabular Data Generation", PoPETs 2026. petsymposium.org 4절의 축자 기억화 공격이 이 논문이다.
• 24."SoK: Reconstruction Attacks on Synthetic Tabular Data"(arXiv:2606.08372). 4절의 TabDDPM 13.5%p와 CTGAN 0.5%p가 이 정리 논문의 수치다.
• 25.Information and Privacy Commissioner of Ontario, De-Identification Guidelines for Structured Data: Updated and Expanded, 2025년 10월 15일, 96쪽. 7절의 재평가 통상 간격 2~3년과 ISO/IEC 27559 정렬 임계 5~9%가 여기 있다.
• 26."The risk of re-identification remains high even in country-scale location datasets", Patterns, 2021년. 7절의 재식별 위험이 시간과 보조 정보에 따라 변한다는 서술의 배경이다.
• 27.Congressional Research Service, Availability of Federal Data: Policy Considerations for Disclosure, Preservation, and Governance, R48889. 7절 표 6의 data.gov 줄이 이 보고서의 지적이다.
• 28.Connecticut Open Data Retirement Guidelines 및 NYC Open Data Dataset Removals. 7절 표 6의 철회 등록부 사례다.

같은 창고를 다른 각도에서 본 글

• 29.정부가 만든 AI 학습데이터를 지자체가 다시 만들었다 — 이 개편의 배경이 된 감사원 감사를 다룬 글이다.
• 30.정부 보도자료와 AI허브가 같은 학습데이터를 다르게 센다 — 4절에서 넘긴 종수 논쟁이 여기 있다.
• 31.정부가 만든 AI 데이터, AI허브에 다 올라오지는 않는다 — 6절에서 넘긴 예외 조항을 다룬 글이다.
• 32.한국의 AI 레디 데이터 표준은 카탈로그와 데이터옵스로 흩어져 있다 — 3절에서 갈라진 글이다. 그쪽은 표준의 부재를 그렸고, 이 글은 문서가 있는데 제출이 선택인 자리를 본다.
• 33.개방 일정을 1년 당긴 공공데이터 100종의 이용 조건 — 1절 표 2의 넷째 줄이 다룬 별개 사업이다.