톰슨 로이터 대 로스: AI 학습과 공정이용에 관한 첫 항소심 판결

3년 동안, AI 모델이 저작권이 있는 자료로 학습될 수 있는지를 둘러싼 법적 다툼은 대부분 지방법원 단계에서 합의되거나 교착 상태에 머물렀다. 지난 9월, 미국 제3순회 항소법원이 그 흐름을 바꿨다. 톰슨 로이터 대 로스 인텔리전스 사건에서의 이 판결은 경쟁 상용 AI 도구를 학습시키기 위해 저작권이 있는 자료를 사용하는 것이 공정이용에 해당하지 않는다고 판시한 최초의 연방 항소심 판결이다.

타미카 몽고메리-리브스 판사는 로스 인텔리전스가 경쟁 법률 검색 제품을 학습시키면서 톰슨 로이터의 헤드노트 2,243개를 침해했다는 2025년 2월 하급심 판단을 확정했다. 헤드노트는 편집자가 작성한 법적 쟁점에 대한 짧은 요약이다. 항소심의 확인 도장이 중요한 이유는 그것이 한 판사의 의견에 머물던 논리를 연방 순회법원의 구속력 있는 선례로 끌어올리기 때문이며, 이는 이제 다른 법원들도 감안해야 하는 종류의 것이다.

이 사건이 실제로 판단한 것

좁은 범위의 판시는 특정한 종류의 시스템에 관한 것이다. 로스는 자신이 콘텐츠를 학습한 제품과 직접 경쟁하려는 법률 리서치 도구를 만들었다. 법원은 이 사용이 공정이용 테스트를 통과하지 못했다고 판단했는데, 주된 이유는 그 출력물이 원본과 같은 시장에서 경쟁했기 때문이다.

논리는 시장 대체에 기대고 있다. 학습의 목적이 원본을 대체하는 무언가를 생산하는 것이라면, 네 번째 공정이용 요소인 원본의 잠재적 시장에 미치는 영향은 사용자에게 크게 불리하게 작용한다. 법원은 학습 과정에 수반된 중간 복제가 그것을 뒤집을 만큼 충분히 변형적이라고 설득되지 않았다.

이 판결이 무엇을 포함하고 무엇을 포함하지 않는지 정확히 짚을 필요가 있다. 관련된 의미에서 로스는 독창적 표현을 생성하는 생성형 모델이 아니었다. 그것은 저작권이 있는 요약을 복제하고 재활용한 검색 및 검색 결과 제공 제품이었다. 법원은 이 구분을 명시적으로 그었고, 생성형 AI가 기존 콘텐츠를 복제하기보다 새로운 콘텐츠를 생성한다는 이유로 더 넓은 공정이용 보호를 주장할 여지를 남겼다.

그 예외는 표면상 관대해 보이지만 실제로는 그렇게 위안이 되지 않는다. 이는 항소심 판결이 이미지 및 비디오 업계가 가장 알고 싶어 하는 질문, 즉 수십억 개의 저작권이 있는 이미지와 비디오로 확산 모델을 학습시키는 것이 공정이용인지를 해결하지 않는다는 뜻이다. 그것은 그 질문을 향후 사건들로 남겨두며, 답이 모델 유형에 따라 달라질 수 있음을 의미한다.

생성형 AI 문제는 여전히 미해결이다

생성형 측면의 유사한 다툼은 여러 다른 법원을 거쳐 진행되어 왔고, 업계에 유리하게 해결되지 않았다. 가장 많이 논의된 데이터 포인트는 2025년 6월의 바르츠 대 앤스로픽 합의로, 학습 데이터에 관한 집단 소송 청구를 보도된 바에 따르면 15억 달러에 해결했다. 합의는 판결이 아니지만, 그 숫자의 크기는 피고 측 변호사들이 자신들의 승산을 어떻게 평가했는지를 알려준다.

항소심 판결과 함께, AI 이미지 학습에 관한 별개의 사건이 샌프란시스코에서 배심 재판에 회부되어 합의가 아닌 배심원단에 도달한 최초의 그러한 사안이 되었다. 그곳에서의 평결은 업계에 지금까지 어느 당사자도 가져본 적 없는 무언가를 줄 것이다. 즉 예술가들의 작업물로 이미지 모델을 학습시키는 것이 침해인지에 대한 사실적 판단을 판사가 아닌 사람들이 내리는 것이다.

함께 읽으면, 로스 판결과 진행 중인 사건들은 한 방향을 가리킨다. 법원들은 "우리가 그것으로 모델을 학습시켰다"는 말을 자동적 항변으로 취급하는 것을 점점 꺼리고 있으며, 결과물이 원본과 얼마나 직접적으로 경쟁하는지에 따라 분석을 구분하고 있다. 어떤 시스템이 자신이 학습한 콘텐츠를 더 직접적으로 대체할수록 공정이용 주장은 더 약해진다.

왜 이것이 법률 기술을 넘어서는가

로스를 법률 리서치라는 좁은 범주에 넣고 넘어가고 싶은 유혹이 든다. AI를 사용해 상업적 콘텐츠를 생산하는 사람이라면 그것은 실수일 것이다. 그 이유는 시장 대체 논리다.

제품 설명을 작성하는 AI 도구의 평범한 경우를 생각해 보자. 그것이 소매업체의 카탈로그 문구로 학습된 뒤 경쟁 카탈로그 문구를 생성하는 데 사용되었다면, 로스의 논리가 불편할 정도로 직접적으로 적용된다. 같은 것은 경쟁사가 가격을 깎아 공략하도록 돕는 브랜드의 제품 사진으로 학습된 이미지 모델이나, 출판물의 기사로 학습되어 같은 독자를 끌어들이는 콘텐츠를 생성하는 데 사용되는 카피라이팅 도구에도 해당한다.

실질적인 노출은 모델 개발자에게만 국한되지 않는다. AI 도구를 배포하는 기업은 그 도구가 어떻게 구축되었는지에서 위험을 물려받으며, 감사 추적은 흔히 빠져 있다. 무허가 데이터로 학습된 무료 모델을 사용하는 판매자는 가장 위험에 노출되는데, 원하더라도 출처를 입증할 수 없기 때문이다. 허가되거나 자체 소유한 데이터로 학습된 모델을 조달하는 팀은 그 선택을 문서화할 수 있으며, 이는 분쟁에서 방어 가능한 입장이고 파트너와 플랫폼이 점점 요구하는 사항이기도 하다.

이 변화의 준법 비용은 실재하며 균등하지 않다. 더 큰 사업자들은 라이선스를 협상하고 라이선스된 데이터셋을 구축할 수 있지만, 작은 사업자들은 그럴 수 없고, 라이선스 도구에 비용을 지불하거나, 원본 콘텐츠를 직접 생산하거나, 정량화할 수 없을지도 모르는 위험을 감수하는 선택에 직면한다. 플랫폼들은 이미 위조품을 스캔하듯 업로드된 콘텐츠에서 무허가 AI 생성물의 신호를 스캔함으로써 그 격차의 일부를 스스로 메울 가능성이 크다.

실질적인 모호함은 분명히 말할 가치가 있다. 로스 판결은 검색 제품을 다루며 확산 모델을 다루지 않으므로, 누구도 이를 이미지나 비디오 학습에 대한 평결로 읽어서는 안 된다. 그것이 확립하는 것은 더 널리 적용될 분석 방법이다. 법원이 학습된 시스템의 출력이 그것이 학습한 자료와 얼마나 직접적으로 경쟁하는지 묻는 방식이다. 그 질문은 많은 상용 AI 제품에 불편한 답을 갖고 있으며, 모델이 생성형인지 여부에 달려 있지 않다.

단기적 결과는 출처가 제품 기능이 되어가고 있다는 점이다. 학습 데이터가 어디서 왔는지 보여줄 수 있는 도구, 또는 고객이 이미 소유한 콘텐츠에만 기반해 구축된 도구는 더 적은 위험을 지니며 그에 대한 비용을 청구할 수 있다. 그럴 수 없는 도구는 물어볼 줄 모르거나 신경 쓸 여유가 없는 고객 쪽으로 밀려날 것이다.

현재 상황

지금 존재하는 것은 확정된 규칙이라기보다 일련의 표지들이다. 직접 경쟁하는 상용 제품을 만들기 위해 저작권이 있는 자료로 학습하는 것은 최소한 제3순회법원에서는 공정이용이 아니다. 생성형 모델은 더 많은 주장의 여지가 있고, 그 여지는 배심 평결로 검증되지 않았다. 합의들은 이사회 회의실에서 주목받는 수치로 위험의 가격을 매겼다.

AI 위에 제품을 구축하는 사람이라면 현명한 대응은 법이 구체화되기를 기다리는 것을 멈추는 것이다. 학습 데이터가 어디서 왔는지 파악하고, 그 기록을 보관하고, 출처를 문서화할 수 있는 모델을 선호하고, 모델 가중치의 출처를 법적 각주가 아니라 공급망 질문으로 취급하라. 목적지가 명확하지 않더라도 진행 방향은 분명하며, 오늘 출처 질문에 답할 수 있는 조직은 나중에 마감 속에서 그 답을 하는 데 훨씬 적은 에너지를 쓰게 될 것이다.