맥락적 카피레프트: 오픈소스 학습 데이터와 생성 AI를 위한 새로운 라이선스

초록

본 논문은 오픈소스 코드가 AI 모델 학습에 사용될 때 적용할 수 있는 “Contextual Copyleft AI”(CCAI) 라이선스를 제안한다. CCAI는 전통적인 소프트웨어에 대한 카피레프트 원칙을 확장해, 해당 코드를 학습 데이터로 이용한 AI 모델 역시 동일 라이선스로 공개하도록 강제한다. 법적 타당성, 정책적 정당성, 그리고 위험·이익 분석을 3단계 프레임워크로 검토한 뒤, 규제와 병행할 경우 FOSS 원칙을 유지하면서 안전한 오픈소스 AI 생태계를 구축할 수 있음을 주장한다.

상세 분석

본 논문은 세 가지 핵심 축을 중심으로 CCAI 라이선스의 타당성을 심층 분석한다. 첫째, 미국 저작권법 하에서 학습 데이터 사용이 ‘공정 이용’에 해당하는지 여부를 검토한다. 저작권법 제106조가 보호하는 복제·2차적 저작물 작성 권리를 기반으로, 학습 과정이 파생작품으로 간주될 경우 카피레프트 조항을 적용할 법적 근거가 존재한다는 점을 강조한다. 다만 현재 판례가 부족해 학술적 불확실성이 남아 있기에, 라이선스 조항에 ‘공정 이용이 아닌 경우’라는 전제조건을 명시함으로써 위험을 최소화한다.

둘째, 전통 소프트웨어와 생성 AI라는 두 기술적·위험적 맥락을 별도로 평가한다. 전통 소프트웨어에서는 보안·의존성 관리 등 기존 위험이 존재하지만, 오픈소스 커뮤니티의 협업 메커니즘이 이를 완화한다. 반면 생성 AI는 모델 자체가 악용될 가능성이 크고, 오용에 따른 사회적 피해가 직접적이다. 따라서 카피레프트를 적용할 때는 ‘개발자 통제권 강화’와 ‘오픈워싱 방지’라는 정책적 이점을 부각시키면서, 동시에 규제와 윤리 가이드라인을 병행해야 한다는 결론에 도달한다.

셋째, 라이선스 전파 메커니즘의 총체적 효과를 종합한다. CCAI는 (1) 개발자가 자신의 코드를 AI 학습에 제한적으로 사용할 권리를 확보하고, (2) 오픈소스 AI 모델의 등장을 촉진해 투명성과 검증 가능성을 높이며, (3) 학습 데이터 출처와 파라미터 공개를 의무화해 ‘오픈워싱’—표면적으로는 오픈소스라 주장하지만 실제는 폐쇄된 모델—을 방지한다. 다만 실행 가능성 측면에서, 모델이 대규모 데이터셋에서 무작위로 학습된 경우 특정 코드 사용 여부를 추적하기 어려워 실효성에 한계가 있다. 논문은 이를 보완하기 위해 ‘라이선스 표시 의무’를 네트워크 배포 단계에 확대하고, 규제기관이 위반 사례를 조사·제재할 수 있는 법적 기반을 마련할 것을 제안한다.

결과적으로, CCAI는 법적·정책적 논증을 통해 기존 카피레프트의 ‘전염성’ 원리를 AI 학습 데이터까지 확장함으로써, 오픈소스 원칙을 유지하면서도 AI 시대의 새로운 위험을 관리할 수 있는 균형 잡힌 접근법으로 평가된다.