Executive Summary

이야기는 하나의 죽음에서 시작한다. 마이크로소프트는 2016년부터 학술 지식그래프 마이크로소프트 아카데믹 그래프(MAG)를 무료로 제공하며 서지계량 연구의 공용 인프라 역할을 했다. 그런데 2021년, 마이크로소프트는 이 서비스를 예고 없이 종료했다. 수많은 연구·도구가 딛고 서 있던 바닥이 사라진 것이다.

그 공백을 상업 데이터베이스가 아니라 비영리 단체가 메웠다. Unpaywall을 만든 OurResearch가 MAG의 오픈 후속판을 표방하며 OpenAlex를 2022년에 공개한 것이다. 이름은 고대 알렉산드리아 도서관에서 따왔다. 논문·저자·저널·기관·주제를 하나의 그래프로 엮고, 전체를 CC0(퍼블릭 도메인)로 풀었으며, API는 키 없이 무료였다. 이 글의 출발점이 된 "약 2억 5천만 건, 키 불필요"라는 소개가 바로 그 시절의 OpenAlex다.

이 대체는 선언에 그치지 않았다. 소르본 대학은 2023년 클래리베이트 상용 도구 구독을 해지하고 OpenAlex를 포함한 오픈 대안으로 갈아탔고, 로렌·위트레흐트·취리히 등 유럽 대학들은 THE 세계대학랭킹 참여를 접으며 개방 데이터로의 전환을 명시했다. 프랑스 고등교육연구부는 2024년 OpenAlex와 다년 파트너십을 맺었다. 상업 데이터베이스가 도서관에 지우던 연 10억 달러 규모의 구독 비용, 그리고 특정 지역과 분야를 구조적으로 배제해 온 관행이 이 전환의 배경이었다. 무료·오픈이라는 명분은 그렇게 실제 기관들의 선택으로 이어졌다.

OpenAlex의 데이터 모델은 다섯 종류의 엔티티가 서로를 가리키는 그래프다. 저작물(Works)이 중심에 있고, 그 논문을 누가 썼는지(Authors), 어디에 실렸는지(Sources), 저자가 어디 소속인지(Institutions), 무엇에 관한 글인지(Topics)가 링크로 붙는다. 2026년 7월 23일 API 실측 기준 규모는 아래와 같다.

주목할 것은 성장 속도다. 사용자가 알고 있던 2억 5천만 편은 2022~2023년 무렵의 수치이고, 실측 시점에는 이미 3억 2,097만 편을 넘어섰다. 학술 그래프의 통계는 이렇게 빠르게 변한다. 그래서 이 리포트의 모든 OpenAlex 자체 수치에는 "확인일 2026-07-23"이 따라붙는다. 그런데 빠르게 변하는 건 규모만이 아니다. "무료·키 불필요"라는 정체성 자체가 흔들리기 시작했다.

OpenAlex는 월 15억 건에 이르는 API 호출량(Crossref를 초과하는 규모)을 감당하기 위해, 2026년 2월 13일부로 API 키 의무화와 사용량 기반 과금을 공지했다. 키 없이 호출하면 100 크레딧을 소진한 뒤 오류를 반환하고, 오래 쓰이던 mailto 파라미터 방식은 단계적으로 폐지한다는 내용이었다. 다만 본 리포트가 실제로 호출해 본 2026년 7월 23일까지도 mailto 파라미터만으로 여러 건의 호출이 정상 응답했다. 발표와 실제 적용 사이에 다섯 달의 시차가 있었던 셈이다. 무료 오픈 인프라라도 정책은 빠르게 바뀐다는 것, 그 자체가 이 글이 던지는 첫 번째 경고다. 아래 타임라인은 그 계보를 한눈에 정리한 것이다.

OpenAlex를 처음 만난 사람이 가장 먼저 놀라는 것은 규모다. 3억 편이 넘는 저작물은 Scopus나 Web of Science 같은 상업 데이터베이스의 서너 배로 보인다. 하지만 이 숫자를 액면 그대로 비교하면 반드시 오도된다. 데이터베이스마다 "무엇을 한 편의 저작물로 셀 것인가"의 정의가 다르기 때문이다.

OpenAlex는 Crossref를 1차 공급원으로 삼아 프리프린트·학위논문·회색문헌·데이터셋까지 넓게 담는다. 반면 Scopus·WoS는 편집 심사를 거친 저널을 선별해 담는 "큐레이션형"이다. 그래서 아래 막대는 규모의 우열이 아니라 정의의 차이를 보여주는 그림으로 읽어야 한다.

2.1넓힘의 대가 — 완비도의 희석

넓게 담으면 총량은 커지지만, 각 필드가 얼마나 채워졌는지(완비도)는 낮아진다. 회색문헌·소논문은 DOI도, 초록도, 참고문헌 목록도 없는 경우가 많기 때문이다. 2026년 7월 23일 실측한 Works 필드별 채움 비율은 다음과 같다.

여기서 오독하기 쉬운 함정이 있다. 완비도가 낮다는 것이 곧 품질이 나쁘다는 뜻은 아니다. Crossref처럼 좁게 담는 데이터베이스와 비교하면 OpenAlex의 완비도 %는 구조적으로 낮게 나올 수밖에 없다. 넓게 세는 분모에 회색문헌이 잔뜩 들어 있기 때문이다. 실제로 Culbert 연구팀이 세 데이터베이스가 공유하는 1,680만 건으로 표본을 통제해 비교하자, OpenAlex의 참고문헌 커버리지는 Scopus·WoS와 대등했다(Culbert et al., Scientometrics 2025). 인문사회(SSH) 분야에서는 오히려 저널의 66.9%를 색인해 Scopus(48.2%)를 앞섰고, 프랑스어·스페인어·독일어 등 다국어 포괄성에서 우위를 보였다.

그러니 "크다"와 "부정확하다"는 별개의 이야기다. OpenAlex는 크면서도 통제 표본에서는 상업 DB와 대등하다. 문제는 넓게 세는 그 정의가 다른 곳에서 대가를 치른다는 데 있다. 아래 개념도는 두 방식의 관계를 근사적으로 보여준다.

"김민수가 쓴 논문"을 정확히 모으는 일은 생각보다 어렵다. 동명이인이 수백 명이고, 한 사람이 여러 표기(한글·영문·이니셜)로 흩어지기 때문이다. 이 문제를 저자 식별(disambiguation)이라 부른다. OpenAlex는 이 알고리즘을 대대적으로 개편해 실제로 큰 성과를 냈다. 교신저자를 정답 데이터와 대조한 정밀도가 0.60에서 0.92로 뛰었고, 이 개편으로 약 700만 편의 저작물에 올바른 교신저자가 새로 부여됐다. 개편의 규모 자체가 문제의 난도를 말해 준다. 저자 임베딩 1억여 건과 저작물 쌍별 유사도 7억여 건을 새로 계산했고, 그 과정에서 과잉병합됐던 저자 프로필 약 320만 건을 ORCID 원자료와 대조해 다시 쪼갰다.

그런데 정밀도 92%를 뒤집어 읽으면 이렇게 된다. 여덟 건 중 하나는 여전히 틀린다. 게다가 이 정확도는 고르지 않다. 전자정보공학처럼 데이터가 풍부한 분야는 재현율이 90%를 넘지만, 일부 지역·분야에서는 눈에 띄게 낮다. 노벨 경제학상 수상자 클로디아 골딘의 논문이 최소 세 개의 별도 저자 프로필로 흩어져 있는 사례가 보고됐고, 정정 요청 폼은 있지만 수개월간 처리되지 않고 방치된 경우도 있다. AI 에이전트가 "이 저자의 논문 목록"을 그대로 신뢰해 인용하면, 그 8분의 1의 오류가 그대로 결과에 실린다.

3.1ORCID의 두 얼굴 — 7.5%와 90%

저자 신원의 국제 표준 식별자 ORCID가 얼마나 붙어 있는지도 겉보기와 속내가 다르다. 저자 프로필 기준으로는 전체의 7.5%(약 907만 명)만 ORCID를 갖는다. 낮아 보인다. 하지만 논문 단위로 보면 다른 그림이다. Culbert 연구팀은 OpenAlex 논문의 90% 이상이 최소 하나의 ORCID를 포함한다고 보고한다. 다작 저자와 주저자에게 ORCID가 몰려 있기 때문이다. 다만 같은 연구는 이 90%대가 일부 잘못 배정된 ORCID 때문에 다소 과다해 보인다는 단서를 붙인다. 두 숫자 모두 참이며, 어느 단위로 보느냐에 따라 신뢰도가 갈린다.

3.2기관은 "배정된 뒤"만 정확하다

기관 정보는 더 미묘하다. OpenAlex의 기관 엔티티는 사실상 전량이 ROR(Research Organization Registry) ID를 갖는다. 그리고 아프리카 연구 커버리지를 검증한 논문은 "OpenAlex가 부여한 ROR ID를 레지스트리와 대조했을 때 모두 정확했다"고 보고한다. 즉 ROR이 일단 배정되면 정확하다. 문제는 배정 과정과 시점 반영에서 터진다.

이 비대칭은 기관 단위 독립 검증에서도 드러난다. 프랑스 에콜 데 퐁의 출판물을 대조한 연구에서 재현율은 93%로 높아 실제 논문 대부분을 찾아냈지만, 검색된 결과의 약 4분의 1은 사실 다른 기관 소속이었다. 일단 배정된 ROR은 믿을 만해도, 무엇을 그 기관에 붙일지의 단계에서 오차가 쌓인다는 뜻이다. 그 오차는 크게 세 갈래로 나타난다.

• ·소속 문자열 파싱 오류: 중국 AI 기업 SenseTime이 포함된 논문의 약 98%가 "Group Sense"로 오분류되고, 50종 이상의 소속 문자열 패턴이 국가를 잘못 매칭한다는 보고가 있다.
• ·경력 전체의 소급 반영: 저자 프로필이 쌓아 온 소속 이력 전체가 특정 논문 레코드에 소급 반영되는 구조적 특징이 있다. "발표 당시 소속"과 "저자의 전체 경력 기관"을 구분하지 않으면 대학 순위 같은 기관 단위 통계가 오귀인된다.
• ·절반 이상은 아예 없다: 전체 저작물의 57.6%는 authorship에 기관 ID가 하나도 연결돼 있지 않다.

경력 소급 반영은 본 리포트가 "Deep Learning"(Nature, 2015) 논문의 authorship 레코드를 직접 조회해 관찰한 사례로, 저자 한 명에게 Meta·NYU 등 복수 기관이 동시에 표시됐다. 이는 일반화된 오류율이 아니라 1건의 실측 관찰이며, 정량 오류율은 위 학술 연구 수치를 기준으로 삼는다.

논문이 무엇에 관한 글인지 분류하는 일도 2024년 크게 바뀌었다. OpenAlex는 위키데이터 기반의 구 분류 체계 Concepts(6만 5,026개)를 사실상 유지보수 중단하고, 도메인→필드→서브필드→토픽의 4단 계층을 가진 Topics(4,516개)로 전환했다. 더 정돈된 체계지만, 넓은 정의와 만나면 미분류·드리프트가 남는다. 실측 기준 전체의 12.1%는 아직 주제가 분류되지 않은 상태다.

분류보다 더 예민한 것이 무결성 신호, 그중에서도 철회(retraction) 반영이다. 철회된 논문을 걸러내지 못하면 잘못된 결론이 계속 인용된다. 아래는 이 장에서 다루는 다섯 가지 품질 이슈를 심각도로 정리한 스코어카드다.

4.1"철회됐다고 믿었는데, 그 DB만 그렇다"

철회 반영은 데이터베이스마다 딴판이다. 한 교차비교 연구는 Crossref·Retraction Watch·Scopus·WoS 네 곳이 모두 일치하게 철회로 표시한 논문이 전체의 3%뿐이라고 보고한다. 같은 논문을 두고도 데이터베이스별로 철회 건수가 크게 갈린다.

OpenAlex는 2023년 Crossref가 인수·공개한 Retraction Watch 데이터를 직접 흡수해 철회 필드를 보강했다. 그 덕에 withdrawal까지 넓게 색인한다. 다만 2023년 12월 22일부터 2024년 3월 19일 사이에는 is_retracted 불리언 필드가 일부 논문을 잘못 표시한 데이터 오류 구간이 있었고, 해당 기간 데이터를 쓴 이용자에게는 재확인이 권고됐다. 철회 여부를 단 하나의 불리언으로 단순화하면서 정보가 손실된 것이다. 결론은 하나다. 철회 여부는 어느 한 소스만 믿지 말고 여러 소스를 교차 확인해야 한다.

4.2넓은 정의가 필터를 느슨하게 한다

마지막 위험은 오염이다. 공개 데이터셋(FDA 부작용 보고, UK Biobank 등)을 악용해 대량 생산되는 paper-mill 논문이, OpenAlex 색인 기준으로 2025년에만 2만 3,005건 관측됐다. 추세 예측을 1만 1,577건 초과하는 규모로, 2022년 대비 3.0배(중국발은 4.2배) 늘었다. OpenAlex가 Crossref 기반이라 "연구논문"의 정의가 넓어 전문·후문·회색문헌까지 통과시키는 구조적 소지가 있기 때문이다. 다만 같은 넓음이 비영어권 커버리지 격차를 메워, paper-mill 탐지 연구의 대조군으로도 쓰인다는 점은 역설적 장점이다. 이 오염 문제는 우리가 앞서 다룬 AI가 바꾸는 과학의 새 시대에서 짚은 흐름의 데이터 인프라 버전이기도 하다.

지금까지의 이야기는 하나의 경로로 모인다. 오염되거나 잘못 귀속된 서지 데이터가 RAG 검색을 거쳐 에이전트에게 전달되면, 그 오류는 가짜 인용·오귀인·환각으로 증폭돼 사용자에게 도달한다. 문제는 이 경로에 아무 검증 게이트가 없을 때다.

이 게이트를 실무에서 구성하는 다섯 가지 원칙은 다음과 같다. 각 항목은 앞선 장에서 진단한 결함에 하나씩 대응한다.

• 1ORCID를 논문 단위 기준점으로. 저자 프로필(정밀도 92%)을 그대로 신뢰하지 말고, 논문 단위 ORCID로 저자 신원을 자체 대조한다. (3장 대응)
• 2철회는 다중 소스로 교차 확인. OpenAlex의 철회 플래그 하나에 의존하지 말고 Retraction Watch 등과 교차한다. 4-DB 일치가 3%뿐이라는 사실을 전제로 설계한다. (4장 대응)
• 3주제(Topic) 신뢰도는 하향 조정. 미분류 12.1%와 분류 드리프트를 감안해, 자동 분류를 절대 기준으로 쓰지 않고 보조 신호로만 취급한다. (4장 대응)
• 4발표 시점 소속과 경력 기관을 분리. 기관 단위 집계를 낼 때는 소급 반영된 이력 전체가 아니라 발표 당시 소속을 기준으로 필터링한다. (3장 대응)
• 5목적에 맞게 스코프를 좁힌다. 3억 건 전체를 삼키지 말고, 쓰려는 목적에 맞는 부분집합으로 재현 가능하게 좁힌다. (2·4장 대응)

다섯 번째 원칙에는 이미 검증된 모델이 있다. CWTS 라이덴 랭킹 오픈 에디션은 3억 건 전체가 아니라, 재현성을 확보할 수 있는 "핵심 국제 저널의 영어 논문·리뷰" 약 930만 건으로 스코프를 의도적으로 좁혀 오픈 랭킹을 만들었다. 넓은 소스를 그대로 삼키는 대신, 목적에 맞게 감사하고 좁혔을 때 비로소 신뢰할 만한 결과가 나온다는 것을 보여주는 사례다.

페블러스가 OpenAlex를 눈여겨보는 이유는 학술 그래프 그 자체가 아니다. 이 초대형 오픈 데이터셋이 마주친 문제가, 페블러스 DataClinic이 산업 데이터에서 매일 진단하는 문제와 정확히 같은 구조이기 때문이다.

품질 결함은 1:1로 대응한다

저자 식별 오류, 기관 매핑 부정확, 주제 분류 드리프트, 철회 반영 지연은 각각 라벨 오류·중복·분포 드리프트·결측이라는 전형적 데이터 품질 결함에 그대로 대응한다. OpenAlex는 "AI-Ready Data, 넣기 전에 감사하라"를 학술 지식그래프라는 구체적 소재로 실증하는 사례다.

품질은 모델 출력으로 이어진다

학습·검색 데이터의 품질이 모델의 출력으로 이어진다는 명제를, 이 리포트는 "AI 리서치 에이전트가 오염된 서지를 검색하면 가짜 인용이 생긴다"는 구체적 인과로 보여준다. 완비도 희석, 정밀도 92%의 8분의 1 오류, 철회 3% 교차일치는 모두 "품질 신호가 소스마다 다르니 단일 소스를 맹신하지 말라"는 다중 소스 검증 원칙으로 수렴한다.

감사 절차 자체가 수요다

RAG·에이전트·연구정보 시스템을 만드는 실무자에게 "무료 오픈 소스를 신뢰하기 전에 무엇을, 어떻게 감사할 것인가"의 실행 가능한 체크리스트(5장)를 제공하는 것. 이 감사 절차 자체가 페블러스가 언어화하고 자동화할 수 있는 데이터 품질 감사 수요다. 오픈 데이터 시대에 "데이터 품질 감사자"라는 관점을 선점하는 일이기도 하다.

표준 없이는 비교가 없고, 감사 없이는 신뢰가 없다. OpenAlex는 오픈 데이터 시대에 데이터 품질이 소스가 아니라 사용처에서 결정된다는 것을 보여주는 가장 생생한 실사례다.

학술 논문·프리프린트

• 1.Priem, J., Piwowar, H., & Orr, R. (2022). OpenAlex: A fully-open index of scholarly works, authors, venues, institutions, and concepts. arXiv:2205.01833. (OpenAlex 소개 원 논문)
• 2.Culbert, J. et al. (2025). Reference Coverage Analysis of OpenAlex compared to Web of Science and Scopus. Scientometrics, 10.1007/s11192-025-05293-3. (1,680만 건 통제 표본 — 참고문헌 커버리지 대등)
• 3.Analysis of the Publication and Document Types in OpenAlex, WoS, Scopus, PubMed and Semantic Scholar. Quantitative Science Studies (MIT Press), 10.1162/QSS.a.406 / arXiv:2406.15154. (문서 유형 분류 비교 — Semantic Scholar 완비도 37%)
• 4.Beyond traditional metrics: Assessing OpenAlex and Scopus for SSH research evaluation. SAGE, 10.1177/01655515251411204 (2026). (SSH 저널 66.9% vs 48.2%)
• 5.Accuracy Assessment of OpenAlex and Clarivate Scholar ID with an LLM-Assisted Benchmark. arXiv:2502.11610 (2025). (저자 식별 정확도 벤치마크 방법론)
• 6.Hauschke, C., & Nazarovets, S. (2025). (Non-)retracted academic papers in OpenAlex. SAGE, 10.1177/01655515251322478. (is_retracted 필드 오류 구간)
• 7.Ortega, J. L., & Delgado-Quirós, L. (2024). The indexation of retracted literature in seven principal scholarly databases. Scientometrics, 10.1007/s11192-024-05034-y. (비선별형 DB의 철회 색인 우위)
• 8.Visser, M., van Eck, N. J., & Waltman, L. (2021). Large-scale comparison of bibliographic data sources (Scopus, WoS, Dimensions, Crossref, MAG). Quantitative Science Studies. (통제 표본 규모 비교)
• 9.van Eck, N. J., & Waltman, L. (2025). Crossref 초록 배포 감사 — abstract 커버리지 급락 분석. (출판사발 초록 배포 중단)
• 10.독일 기관 OpenAlex–Scopus 소속 정확도 비교. arXiv:2605.01337 (2026); 아프리카 연구 커버리지·ROR 검증. arXiv:2409.01120 (2024).

정책·공식 문서·통계

• 11.OpenAlex 공식 블로그 — "A big improvement to our corresponding-author data" (교신저자 정밀도 0.60→0.92) 및 "OpenAlex: 2024 in Review" (소르본 전환, Arcadia $7.5M 그랜트).
• 12.OurResearch — openalex-help/pricing.md (GitHub) 및 2026-02 API 키·사용량 기반 과금 공지.
• 13.CWTS Leiden Ranking Open Edition — open.leidenranking.com. (930만 건으로 스코프를 좁힌 재현 가능 오픈 랭킹)
• 14.dataesr/openalex-affiliations (GitHub 공개 이슈 트래커) — 국가·소속 오매칭.
• 15.paper-mill·공개 데이터셋 악용 규모(2025년 23,005건, 2022 대비 3.0배). ScienceDirect 리뷰(2026); bioRxiv paper-mill 탐지 연구(2025).
• 16.직접 API 실측 — api.openalex.org, 확인일 2026-07-23 (엔티티 규모·완비도·기관·정책 실사).

페블러스 인접

• 17.페블러스 블로그 — AI가 바꾸는 과학의 새 시대 (AI 생성 논문 오염 — 본 리포트의 선행·심화 연결).