Executive Summary

2026년 8월 27일 오후 2시, 정부서울청사에서 제2차 데이터관계장관회의가 열렸다. 한성숙 국무총리가 주재했고, 과학기술정보통신부와 행정안전부, 문화체육관광부를 비롯한 관계 부처 장·차관과 국가AI전략위원회 데이터분과장이 참석했다. 2026년 5월 범정부 데이터 총괄기구로 신설된 회의체의 두 번째 회의였다.

언론은 이날 회의를 고가치 공공데이터 100종의 개방이 1년 빨라졌다는 한 문장으로 정리했다. 맞는 요약이지만 그날 테이블에는 안건이 둘 올라와 있었고, 둘은 주무 부처도 대상도 달랐다. 같은 날 같은 자리에서 발표됐다는 이유로 두 안건은 하나로 읽히기 쉬운데, 데이터를 실제로 내려받아 쓰려는 쪽에서는 둘을 갈라 놓아야 판단이 선다.

1.1안건 1이 바꾼 것은 달력이다

100종의 개방 일정은 원래 네 해에 걸쳐 있었다. 2025년 10개를 열었고 2026년 25개를 진행 중이며, 남은 65개를 2027년에 30개, 2028년에 35개로 나눠 열 계획이었다. 이번 결정은 2028년분 35개를 2027년으로 끌어와 65개를 한 해에 묶은 것이다. 산술적으로는 두 해 분량을 한 해로 합친 조정이고, 목록의 구성이나 각 항목의 이용 조건은 이 결정으로 달라지지 않는다.

보도자료는 일정을 당긴 이유로 지난해 개방한 10종이 구체적인 성과를 냈다는 점을 들었다. 근거로 든 사례는 둘이다. 하나는 한국교통안전공단이 개방한 교통카드 이용내역 합성데이터를 대중교통 체계 개선과 수요응답형 교통 운영 효과 분석에 쓴 수요응답형 대중교통 서비스(셔클)이고, 다른 하나는 법제처가 개방한 중앙행정기관 법령해석 사례와 특별행정심판 재결례를 법률 AI 학습 및 답변 근거로 활용한 리걸테크 기업(LBOX)이다.

뒤쪽 사례는 이 글의 주제와 그대로 겹친다. 공공데이터를 AI 학습에 쓴 일이 이미 개방의 성과로 인용되고 있다. 그런데 보도자료는 그 자료에 어떤 이용 조건이 붙어 있었는지는 적지 않는다. 성과는 개방 건수와 거기서 나온 서비스 수로 기록되고, 학습에 쓸 수 있게 만든 조건 쪽은 기록에 남지 않는다.

정부가 개방 성과로 함께 제시한 숫자도 이 축에 있다. 2015년부터 2026년까지 고품질 공공데이터 267개를 열었고, 여기서 민간 서비스 3,625개가 나왔다는 집계다. 267개 안에는 올해 Top 100 추진분 25개가 들어 있다. 직방과 굿닥, 케이웨더가 대표 사례로 인용됐다. 모두 얼마나 많이, 얼마나 빨리 여느냐를 세는 지표다.

1.2안건 2가 바꾼 것은 이용 조건이다

두 번째 안건은 출발점이 다르다. 정부는 2025년 8월부터 독자 AI 파운데이션 모델 사업을 진행하면서 정예팀에 33개 부처·기관이 관리하는 공공데이터·저작물 50종, 약 2,393만건을 제공해 왔다. 국사편찬위원회 역사자료, 국방부와 경찰청의 보고서 및 간행물, 조세심판원 결정서 같은 것들이다. 이번 회의는 그 위에 추가로 102종을 점검한 결과를 올렸다. 점검 항목은 두 가지였다. 정예팀에 제공할 수 있는가, 그리고 AI기업 전반에 제공할 수 있는가.

두 번째 질문이 곧 라이선스 질문이다. 보도자료는 이를 "공공누리 AI유형 전환 가능 여부"로 적었다. 여기서 37이라는 숫자가 나온다. 이 37종에 대해 정부는 모든 AI기업이 활용할 수 있도록 공공누리 AI유형 등으로 전환하겠다고 밝혔다.

이 갈라짐은 지난 8월 17일에 다룬 문제와 이어져 있다. 감사원 감사에서 드러난 것은 정부가 만든 AI 학습데이터 위에 지자체가 비슷한 데이터를 다시 쌓고 있었다는 사실이었고, 그 원인은 이미 있는 데이터를 확인할 카탈로그가 없었다는 데 있었다(정부가 만든 AI 학습데이터를 지자체가 다시 만들었다). 그때가 구축 단계의 계측 문제였다면 이번은 개방과 이용 단계의 계측 문제다.

보도자료 5쪽부터 6쪽까지가 「주요 공개 예정 데이터 목록」이다. 46행이 실려 있고 번호는 1번부터 46번까지 결번 없이 이어진다. 표의 마지막 칸은 비고다. 대부분 비어 있지만 12행에는 무언가 적혀 있다. 넷에 하나가 조금 넘는 비율이다.

이 12행이 이 글의 출발점이다. 8월 27일 회의를 보도한 기사 네 건을 본문까지 확인했지만, 비고 칸을 인용한 곳은 없었다. 기사들이 옮긴 것은 100종과 2027년이라는 두 숫자였다. 그런데 데이터를 받아 쓰려는 쪽에서 실제로 읽어야 하는 것은 이 칸이다. 개방한다는 결정과 무엇을 개방한다는 결정은 다른 문장이고, 뒤쪽은 비고에 적혀 있다.

2.1단서는 세 종류로 갈린다

12행에 적힌 문구는 13회 등장한다. 42번 도시 침수 데이터가 두 유형을 겹쳐 갖기 때문이다. 문구를 성격별로 묶으면 세 갈래가 나온다.

저작권 제약형 세 건은 전부 문화체육관광부 소관이다. 국립중앙도서관 도서 정보, 한국 공연예술 종합 데이터, 한국 영화 멀티모달 데이터. 문체부는 이 표에 6건을 올렸는데 그중 절반에 비고가 붙었다. 단서가 세 건이나 몰린 부처는 문체부뿐이다. 비율만 따지면 산업통상부가 2건 모두에, 관세청과 법무부와 행정안전부가 각각 1건뿐인 자기 행에 단서를 달아 더 높지만, 이 부처들은 애초에 올린 행이 한둘이다. 문화 자산은 저작물이라서 개방 결정과 이용 허락 결정이 한 번에 끝나지 않는다는 사정이 여기 드러난다.

이용 주체 제약형은 15번 한 건뿐인데 성격이 특이하다. 한국인 인체 치수 형상 데이터에는 외국의 무단 사용 예방 방안을 검토하겠다는 문구가 붙었다. 열되 누가 쓰는지를 따지겠다는 뜻으로 읽힌다. 공공데이터포털은 국적을 묻지 않고 내려받게 하는 창구이므로, 이 검토가 어떤 형태로 구현될지는 아직 문서에 없다.

범위 치환·연기형이 여덟 건으로 가장 많다. 표준화한 뒤에 넓히겠다, 유사한 데이터를 대신 열겠다, 보유기관을 바꿀지 검토하겠다, 먼저 시범으로 열고 확대하겠다는 문장들이다. 이 문구들이 공통으로 말하는 것은 목록의 그 행에서 나올 결과물이 지금 이름표가 가리키는 것과 다를 수 있다는 사실이다. 유사 데이터 개방이라는 다섯 글자는 특히 그렇다. 관세 데이터를 기대하고 내려받은 쪽에서 그 유사가 어디까지인지는 표에 적혀 있지 않다.

공공누리는 공공저작물에 붙이는 이용 허락 표시다. 2026년 1월 여기에 두 유형이 한꺼번에 추가됐다. 제0유형과 AI유형이다. 제4차 과학기술관계장관회의에서 과학기술정보통신부와 문화체육관광부가 「공공저작물 인공지능(AI) 학습 활용 확대 방안」을 합동으로 발표했고, 표시 기준 개정과 공고는 문체부가 맡았다. 공고의 효력이 발생한 정확한 날짜는 공개된 자료에서 확인되지 않아 이 글은 2026년 1월로만 적는다.

AI유형의 표시 내용은 짧다. 출처표시 조건 없음, 상업적·비상업적 이용 가능, 변형 등 2차적 저작물 작성 가능. 여기까지만 보면 제약이 거의 없어 보인다. 조건은 그다음 문단에 있다. 공공누리 원문은 인공지능 학습용 데이터로 이용할 경우에 한하여 자유롭게 이용할 수 있다고 적은 뒤 세 가지를 붙였다.

세 조건 가운데 앞의 둘은 데이터를 받는 쪽이 아니라 모델을 서비스하는 쪽에 걸리는 의무다. 학습 단계에서 원본을 어떻게 다뤘는지가 아니라 출력이 무엇을 닮았는지를 본다. 유사 산출물이 나오지 않도록 조치하라는 요구는 실무적으로 출력 필터링이나 암기 억제 쪽 작업이고, 직접 인용 시 출처를 명시하라는 요구는 생성 결과에 인용 표기를 붙이는 기능을 뜻한다. 어느 쪽도 데이터셋을 내려받는 시점에 끝나지 않는다. 세 번째 조건만이 데이터 유통에 관한 것으로, 학습용 데이터로 가공해 되파는 것을 막는다.

조건 목록에 들어가지 않은 규칙이 하나 더 있다. 공공누리 안내문은 이용자가 AI유형이 표시된 공공저작물을 인공지능 학습용 데이터로 이용할 목적이 아닌 경우 함께 표시된 기존 유형의 이용조건을 준수해야 한다고 적는다. 표시 하나가 용도에 따라 두 규칙으로 갈리는 것이다. 같은 파일을 학습에 넣으면 위 세 조건이 적용되고, 보고서에 인용하거나 서비스 화면에 그대로 띄우면 병행 표시된 제1유형부터 제4유형까지의 조건이 적용된다. 받는 쪽에서는 한 항목에 붙은 표시를 둘 다 읽어야 한다는 뜻이다.

여기서 인공지능 학습용 데이터라는 말의 범위는 「인공지능 발전과 신뢰 기반 조성 등에 관한 기본법」 제2조제12호가 정한 정의를 따른다. 인공지능의 개발·활용 등에 사용되는 데이터라는 규정이다. 표시 하나가 법률 정의를 참조하고, 그 정의가 다시 이용 조건의 적용 범위를 정하는 구조다.

3.1AI유형은 가장 열린 표시가 아니다

AI유형이 붙었다는 소식은 AI용으로 최대한 열었다는 인상을 준다. 그런데 공공누리 안내문을 규정 그대로 겹쳐 읽으면 다른 그림이 나온다. 안내문은 AI유형이 기존 제1유형부터 제4유형까지와 병행하여 선택할 수 있는 유형이고, 공공기관은 AI유형을 고를 때 기존 유형과 함께 표시한다고 적는다. 그리고 한 문장을 덧붙인다. 공공누리 제0유형과 AI유형은 병행 부착할 수 없다.

이 한 문장이 위계를 확정한다. 제0유형은 자유이용 표시이고 출처표시 조건조차 없다. AI 학습에 쓸 때 이용자가 지켜야 할 것이 아무것도 없다는 뜻이다. AI유형에는 세 조건이 따라붙는다. 둘을 함께 붙일 수 없다는 규정은 두 표시가 같은 층에 놓인 선택지가 아니라 서로 다른 상태를 가리킨다는 것을 말해 준다. AI 학습이라는 용도만 놓고 보면 의무가 없는 쪽은 제0유형이다.

이 그림은 보도자료가 직접 말한 내용이 아니라 안내문 조항들을 맞춰 이 글이 도출한 해석이다. 그래도 실무적 함의는 분명하다. AI유형은 개방의 최상단이 아니라, 제약이 남아 있는 저작물에 AI 학습이라는 통로를 하나 뚫어 주는 장치다. 어떤 항목에 AI유형이 붙었다는 사실은 그 항목이 제0유형이 아니라는 사실과 함께 온다.

보도자료 7쪽의 두 번째 별첨이 「공공누리 신유형(AI유형 등) 전환 대상 데이터(37종)」이다. 37행이고 네 개 범주로 묶여 있다. 간행물·정책자료가 19건으로 절반을 넘고, 이미지·영상 등이 8건, 각종 시험문제·질답이 6건, 심의·의결서 등이 4건이다. 공정거래위원회 의결서, 국민권익위원회 심의자료, 한국방송통신전파진흥원 시험문제, 국립국악원 음원과 아카이브 자료 같은 것들이 들어 있다.

4.1문제없음이 지금 그대로 써도 된다는 뜻은 아니다

본문 3쪽은 이 37종을 저작권·개인정보 등의 문제가 없는 것으로 서술한다. 그런데 별첨 표의 머리에는 다른 문장이 붙어 있다.

본문과 별첨이 서로 다른 강도로 말하고 있다. 어느 쪽도 거짓이 아니다. 전환 대상으로 분류할 만큼 정리가 됐다는 것과, 내려받은 파일을 그대로 파이프라인에 넣어도 된다는 것은 다른 진술이다. 별첨은 목록이 부처 제출 기준이며 세부 협의 과정에서 바뀔 수 있다고도 적는다. 37이라는 숫자 자체가 아직 확정값이 아니라는 뜻이다.

4.2종은 데이터셋 단위가 아니다

37행을 기관별로 세어 보면 고유 기관은 31곳이다. 국립국악원이 세 행을 차지하고, 공정거래위원회와 국민권익위원회, 한국방송통신전파진흥원, 국립민속박물관이 각각 두 행이다. 이 가운데 국립민속박물관의 두 행은 성격이 다르다.

14번과 36번의 데이터명이 똑같이 한국민속대백과사전이고 보유기관도 둘 다 국립민속박물관이다. 다른 것은 구분 칸뿐이다. 14번은 간행물·정책자료로, 36번은 이미지·영상 등으로 분류돼 있다. 같은 자산이 자료 형식에 따라 두 칸에 나뉘어 들어간 것으로 읽힌다. 그러면 37이라는 수는 데이터셋의 개수가 아니라 부처가 제출한 항목의 개수다.

비슷해 보이지만 다른 경우도 있다. 국립중앙박물관은 Top 100 표 21행에 유물 데이터로, 37종 표 34행에 전국 박물관 유물정보로 등장한다. 데이터명이 다르고 애초에 두 표의 모집단이 다르므로 이것은 같은 자산을 두 번 센 사례가 아니다.

이런 쌍은 더 있다. 국가유산청은 개방 예정 목록 19행에 국가 유·무형 유산 디지털 아카이브 데이터로, 37종 표 31행에 무형유산 디지털 아카이브로 올라 있다. 인사혁신처는 46행에 국가고시 시험 문제·답안 데이터로, 37종 표 29행에 공무원 시험문제로 올라 있다. 이름이 겹칠 뿐 두 표의 모집단이 다르므로 역시 합산 대상은 아니다. 다만 같은 기관의 인접한 자산이 한쪽 표에서는 언제 열지로, 다른 쪽 표에서는 어떤 조건으로 쓸지로 따로 다뤄지고 있다. 그리고 두 표를 이어 주는 문장은 보도자료 안에 없다. 2027년에 열릴 항목에 어떤 이용 조건이 붙을지는 개방 목록 쪽만 봐서는 알 수 없다.

8월 17일 리포트가 다룬 것이 같은 데이터가 두 번 만들어진 문제였다면, 이번 표가 보여 주는 것은 같은 자산이 두 번 세어지는 문제다. 예산이 새는 쪽과 통계가 부푸는 쪽이라는 차이가 있지만, 원인은 같은 자리에 있다. 무엇을 하나로 볼지에 대한 합의된 단위가 없다.

4.327종은 열린 것도 닫힌 것도 아니다

37이라는 숫자가 어디서 나왔는지는 보도자료 3쪽 각주 한 줄에 적혀 있다. 정예팀 제공 가능 데이터는 64종이며, 이 중 37종은 공공누리 AI유형 전환 가능이라는 문장이다. 점검 대상 102종에서 두 번 걸러진 결과다. 첫 관문을 통과한 것이 64종이므로 나머지 38종은 정예팀에도 제공할 수 없다고 분류된 셈인데, 그것이 무엇이고 어디에 걸렸는지는 보도자료에 없다.

눈에 잘 띄지 않는 것은 오른쪽 아래 27종이다. 정예팀에는 갈 수 있는데 AI유형으로는 전환되지 않는 항목들이고, 열렸다고도 닫혔다고도 말하기 어렵다. 지정된 상대에게만 제공되는 상태다. 개방과 비개방이라는 두 칸으로만 세면 이 층은 어느 칸에도 잡히지 않는다. 누구에게 어떤 조건으로라는 축을 하나 더 세워야 보인다. 이 27종이 언제 일반에 열리는지는 보도자료에 적혀 있지 않다.

보도자료는 공공누리 AI유형 등으로 전환한다고 적었다. 등이라는 한 글자가 붙어 있으므로 37종 전부가 AI유형을 받는다고 단정할 수 없다. 제0유형으로 가는 항목이 섞여 있을 수도 있고, 그 배분은 지금 공개된 문서에 없다.

회의는 후속 과제도 정했는데, 이것도 안건별로 갈라져 있다. 두 번째 안건 쪽에서는 각 부처가 이번 37종 이외에도 소관 공공저작물의 공공누리 부착 현황을 자체 점검하고 가능한 경우 AI유형 부착을 우선 검토하기로 했고, 문화체육관광부가 공공저작물 개방 확대를 위한 저작권법 개정을 추진하기로 했다. 첫 번째 안건 쪽의 이행 관리는 따로다. 데이터 보유기관이 전문가 자문회의와 세부이행계획으로 일정을 챙기고, 국무조정실이 이행점검회의를 연다. 두 목록은 후속 절차까지 나뉘어 있다. 이 가운데 저작권법 개정은 추진한다는 문장 한 줄이 전부이고 개정안의 구체적 내용은 아직 공개되지 않았다. AI 학습 전반을 두고 따로 진행 중인 저작권법 논의와는 별개의 트랙이므로 둘을 붙여 읽지 않는 편이 안전하다.

2절에서 본 문체부 세 건, 국립중앙도서관 도서 정보와 한국 공연예술과 한국 영화 멀티모달 데이터에 붙은 단서는 저작권 만료된 데이터 우선 개방이었다. 이 문구를 공공누리 제도와 겹쳐 읽으면 두 얼굴이 보인다.

첫 번째 얼굴은 합리적이다. 공공누리 안내문은 제0유형 신설에 따라 기존의 만료 공공저작물 표시가 폐지되며, 공공기관은 그 표시가 붙어 있던 저작물을 제0유형으로 전환해야 한다고 적는다. 저작권이 만료된 자료는 제도상 의무가 하나도 없는 자리로 간다. 만료분부터 연다는 것은 라이선스가 가장 깨끗한 것부터 연다는 뜻이고, 개방 순서로는 무리가 없다.

두 번째 얼굴은 표본 쪽에 있다. 저작권이 만료됐다는 것은 대체로 오래됐다는 뜻이다. 영화와 공연예술과 도서에서 만료분만 남기면 남는 자료의 시대 분포가 과거로 기운다. 한국 영화 멀티모달 데이터에서 저작권이 만료된 부분이 무엇을 가리킬지 생각해 보면 짐작이 간다. 라이선스는 품질 지표가 아닌데도, 라이선스로 거른 부분집합은 원본과 분포가 다르다. 걸러 낸 쪽에서는 아무것도 손대지 않았지만 코퍼스에 들어가는 것은 이미 다른 표본이다.

5.1표시가 틀리는 방향에는 규칙이 있다

항목마다 표시를 붙여 관리하는 방식은 표시가 정확하다는 전제 위에 선다. 그 전제를 실제로 측정한 연구가 있다. Longpre 등이 2023년에 내놓은 Data Provenance Initiative는 텍스트 데이터셋 1,858개의 라이선스와 출처를 법률 전문가와 함께 재주석했다. 대상은 주로 공개된 파인튜닝 컬렉션이고 웹 크롤 기반 사전학습 코퍼스가 아니므로, 아래 수치를 웹 전체로 옮기면 안 된다.

여기서 72%는 저자들이 감사해 얻은 결론이 아니라 호스팅 사이트에 그렇게 보인다는 뜻이다. 저자들이 직접 재주석하고 나면 미지정 비율은 30%까지 내려간다. 데이터셋의 72%에 라이선스가 없다는 서술은 원문과 다르다.

중요한 것은 마지막 줄이다. 표시가 틀릴 때 어느 쪽으로 틀리는지에 편향이 있다. Hugging Face에서 재주석된 라이선스의 66%가 저자가 의도한 것과 다른 이용 범주에 들어 있었고, 저자들의 표현으로는 흔히 원래 의도보다 더 관대하게 표기돼 있었다. 조달하는 쪽에는 이 방향이 가장 위험하다. 더 닫힌 쪽으로 잘못 표시된 데이터는 쓰지 못하고 지나갈 뿐이지만, 더 열린 쪽으로 잘못 표시된 데이터는 파이프라인 안으로 들어온 다음에 문제가 된다.

같은 연구진의 2024년 후속 연구는 시간 축을 봤다. 웹 도메인 14,000개의 robots.txt와 이용약관을 2023년과 2024년 두 시점에 걸쳐 감사한 결과, 한 해 사이에 C4 전체 토큰의 5% 이상, 그리고 가장 활발히 관리되는 핵심 출처 가운데 28% 이상이 완전 이용 제한 상태로 바뀌었다. 이용약관을 기준으로 하면 C4의 45%가 크롤링 제한에 걸린다. 저자들이 진단으로 내놓은 것은 두 문서의 불일치였다. 기계가 읽는 robots.txt와 사람이 읽는 이용약관이 서로 다른 말을 하는 경우가 흔하고, 이것을 웹 프로토콜이 제 역할을 못 하는 증상으로 봤다.

허용된 데이터만으로 학습하면 성능이 떨어지느냐는 질문은 이 글의 범위 밖이지만 이미 다룬 적이 있다(깨끗한 데이터는 성능세를 물지 않았다).

5.2다른 나라는 라이선스를 어디에 적어 두었나

한국의 방식이 국제적으로 어디쯤인지는 몇 종을 여느냐로는 비교되지 않는다. 갈리는 지점은 라이선스를 어디에 규정해 두었는가다.

대비는 분명하다. EU는 무엇을 열지와 어떤 라이선스로 열지를 하나의 규정에 묶었다. 한국은 그 둘을 서로 다른 부처의 서로 다른 안건으로 나눴고, 8월 27일은 그 두 안건이 같은 테이블에 올라온 날이었다. 일본과 미국은 아예 항목별 표시를 요구하지 않는 쪽으로 갔다. 일반 예외를 두거나 기본값을 퍼블릭도메인으로 놓으면 개별 항목의 표시가 맞는지 확인할 필요 자체가 줄어든다.

EU 규정에는 한 조항이 더 있다. 제3조 2항은 고가치 데이터셋을 API로 제공하는 공공기관이 그 API의 이용조건과 서비스 품질 기준을 공표해야 하고, 이용조건은 사람이 읽는 형식과 기계가 읽는 형식 양쪽으로 제공되어야 하며, 그 이용조건이 제4조의 재이용 조건과 어긋나서는 안 된다고 적는다. 이용 조건을 문서 어딘가에 적어 두는 일과 기계가 읽을 수 있게 붙여 두는 일을 나눠서 규정한 것이다. 8월 27일 문서에서 이용 조건에 해당하는 정보는 PDF 별첨 표의 비고 칸에 한국어 문장으로 적힌 열두 줄이었다.

참고로 미국 data.gov에 등록된 데이터셋은 554,493건이다(2026년 8월 28일 확인). 매일 바뀌는 수치이므로 개수 자체보다는, 이 규모에서 항목마다 라이선스 표시의 정확성을 사람이 확인하는 방식이 성립하기 어렵다는 점을 보는 편이 낫다.

이 비대칭은 8월 27일 보도자료 안에도 그대로 있다. 개방 쪽에는 267개와 3,625개라는 누적 수치가 붙어 있다. 이용 조건 쪽에 적힌 것은 각 부처가 소관 공공저작물의 공공누리 부착 현황을 이제부터 자체 점검한다는 문장이다. 지금 어떤 저작물에 어떤 표시가 몇 건이나 붙어 있는지를 적은 숫자는 문서 어디에도 없다. 점검하겠다는 계획이 먼저 있고 현황 수치는 아직 없는 상태다.

항목별 표시 부착은 세밀하게 조정할 수 있다는 장점이 있는 대신, 표시의 정확성에 결과가 걸린다. 5.1절의 측정이 보여 준 것이 바로 그 방식의 구조적 취약점이다. 개방한 건수를 세는 지표는 잘 발달해 있다. 이용 조건이 얼마나 정확히 붙어 있는지를 세는 지표는 아직 없다.

페블러스가 여러 글에서 되풀이해 온 구분이 이번 정부 문서에 그대로 나타난다. 데이터가 있다는 것과 데이터를 학습에 쓸 수 있다는 것은 같은 말이 아니다. 100종 목록은 가용성을 관리하고 37종 목록은 이용 허락을 관리한다. 두 목록은 부처가 다르고 서로를 참조하지도 않는다. AI-Ready라는 말이 데이터가 준비됐는가만 뜻하지 않고 이 데이터를 이 용도로 쓸 근거가 문서로 붙어 있는가까지 포함한다는 것을, 이번 사례가 정부 문서 수준에서 보여 준다.

품질 진단의 관점에서 보면 이용 조건은 성가신 위치에 있다. 보통 품질은 결측과 이상치, 분포, 라벨 정합성을 본다. 이용 조건은 그런 축이 아니라 통과와 불통과를 가르는 문이다. 그런데 이 문은 코퍼스의 분포를 조용히 바꾼다. 저작권 만료분만 통과시키면 통과한 자료는 원본이 아니라 시대가 한쪽으로 기운 부분집합이다. 5절에서 본 것이 그것이고, 학습 데이터의 분포가 기울면 모델 내부 표현도 함께 기운다. 라이선스 필터가 표본 편향을 만든다는 이 문장은 품질 파이프라인에 이용 조건을 계측 항목으로 넣어야 하는 이유가 된다.

공공데이터를 학습에 쓰는 조직이 조달 시점에 확인할 것은 세 가지로 정리된다.

개방률을 세는 지표는 성숙해 있다. 267개를 열어 3,625개 서비스가 나왔다는 집계처럼, 얼마나 많이 얼마나 빨리 열었는지는 여러 방식으로 측정된다. 아직 이름이 없는 것은 그 위에 얹히는 층이다. 열린 데이터 가운데 실제로 학습에 쓸 근거가 문서로 붙어 있는 비율을 무엇이라 부를지, 그것을 어떻게 셀지는 정해져 있지 않다. 페블러스가 서 있는 자리는 데이터를 여는 쪽이 아니라 열린 데이터가 쓸 수 있는 상태인지 판정하는 쪽이다. 그 판정의 기준을 세우는 일은 개방 지표가 성숙할수록 더 필요해진다.

정책·1차 문서

• 1.국무조정실 (2026). [보도자료] 한성숙 국무총리 주재 데이터관계장관회의. 2026-08-27, 7쪽, 별첨 2표. (이 글의 1차 출처. 개방 일정, 102→64→37 각주, 별첨 두 표 전부)
• 2.한국저작권위원회·공공누리. 공공누리 유형 안내. (제0유형·AI유형 표시 내용, AI유형 개별조건 3개, 병행 부착 규정, 만료 공공저작물 전환 안내)
• 3.과학기술정보통신부·문화체육관광부 (2026). [보도참고] 인공지능 학습에 자유롭게 활용 가능한 공공누리 유형 신설. 2026-01-28 석간, 제4차 과학기술관계장관회의.
• 4.「인공지능 발전과 신뢰 기반 조성 등에 관한 기본법」 제2조제12호. (인공지능 학습용 데이터의 정의 근거)
• 5.Commission Implementing Regulation (EU) 2023/138, Article 4(3). CELEX:32023R0138. (고가치 데이터셋의 라이선스 상한을 CC0 또는 CC BY 4.0으로 규정)
• 6.OPEN Government Data Act (Title II, Foundations for Evidence-Based Policymaking Act, 2018) / 17 U.S.C. §105. (연방 저작물의 퍼블릭도메인 기본값)
• 7.일본 저작권법 제30조의4 (2018년 개정, 2019-01-01 시행). (향유를 목적으로 하지 않는 이용의 일반 예외, 데이터 분석 명문 열거)
• 8.data.gov. Dataset catalog. 등록 데이터셋 554,493건 (2026-08-28 확인, 매일 변동).

학술

• 9.Longpre, S., Mahari, R., Chen, A., Obeng-Marnu, N., Sileo, D., Brannon, W., Muennighoff, N., et al. (2023). The Data Provenance Initiative: A Large Scale Audit of Dataset Licensing & Attribution in AI. arXiv:2310.16787. (텍스트 데이터셋 1,858개 감사. 호스팅 사이트 라이선스 미지정 72% 이상, 실제보다 관대한 표시 GitHub 29%·Hugging Face 27%)
• 10.Longpre, S., Mahari, R., Lee, A., Lund, C., et al. (2024). Consent in Crisis: The Rapid Decline of the AI Data Commons. arXiv:2407.14933. (웹 도메인 14,000개 종단 감사. 1년 사이 C4 토큰 5% 이상·핵심 출처 28% 이상이 완전 제한, 이용약관 기준 C4의 45% 제한)

페블러스 선행 리포트

• 11.페블러스 (2026). 정부가 만든 AI 학습데이터를 지자체가 다시 만들었다. 2026-08-17.
• 12.페블러스 (2026). 깨끗한 데이터는 성능세를 물지 않았다. 2026-08-07.
• 13.페블러스 (2026). 저장된 연구데이터가 AI 학습 데이터가 되기까지. 2026-07-23.