지속 가능한 AI 경제를 위해서는 데이터 제공자에게 유리한 데이터 거래 모델이 필요하다

A Sustainable AI Economy Needs Data Deals That Work for Generators

본 연구는 머신러닝 가치 사슬이 데이터 처리의 경제적 불평등으로 인해 구조적으로 지속 가능하지 않다고 주장합니다. 데이터 수집 단계부터 모델 가중치, 합성 결과물에 이르기까지 각 단계에서 기술적 신호는 정교해지지만, 데이터 생성자로부터의 경제적 이익은 감소합니다. 73건의 공개 데이터 거래 사례를 분석한 결과, 대부분의 이익이 데이터 통합 업체에게 집중되고 있으며, 데이터 생성자의 저작권료는 거의 0에 가까운 수준이며, 거래 조건의 투명성이 현저히 부족한 것으로 나타났습니다. 이는 단순한 경제적 복지 문제뿐만 아니라, 데이터와 그 파생물이 경제적 자산이 됨에 따라 현재 학습 알고리즘을 유지하는 피드백 루프가 위험에 처할 수 있습니다. 본 연구는 데이터 출처의 누락, 비대칭적인 협상력, 그리고 비동적적인 가격 책정이라는 세 가지 구조적 결함이 이러한 불평등을 야기하는 핵심 요인이라고 지적합니다. 분석을 통해 이러한 문제점들이 머신러닝 가치 사슬 전반에 걸쳐 어떻게 나타나는지 파악하고, 모든 참여자에게 이익을 제공하는 최소한의 시장을 가능하게 하는 공정한 데이터-가치 교환(EDVEX) 프레임워크를 제안합니다. 마지막으로, 본 연구는 데이터 거래와 관련된 다양한 관점을 제시하고, 우리 연구 커뮤니티가 실질적인 기여를 할 수 있는 연구 방향을 제시합니다.

We argue that the machine learning value chain is structurally unsustainable due to an economic data processing inequality: each state in the data cycle from inputs to model weights to synthetic outputs refines technical signal but strips economic equity from data generators. We show, by analyzing seventy-three public data deals, that the majority of value accrues to aggregators, with documented creator royalties rounding to zero and widespread opacity of deal terms. This is not just an economic welfare concern: as data and its derivatives become economic assets, the feedback loop that sustains current learning algorithms is at risk. We identify three structural faults - missing provenance, asymmetric bargaining power, and non-dynamic pricing - as the operational machinery of this inequality. In our analysis, we trace these problems along the machine learning value chain and propose an Equitable Data-Value Exchange (EDVEX) Framework to enable a minimal market that benefits all participants. Finally, we outline research directions where our community can make concrete contributions to data deals and contextualize our position with related and orthogonal viewpoints.