인공지능 모델 훈련에 사용될 인간 생성 콘텐츠의 시장을 어떻게 설계하여 기술 발전을 가능하게 하고 동시에 고품질 콘텐츠 제작에 대한 개인적 인센티브를 보존할 수 있을까요? 기존 접근 방식들은 양극단의 입장을 취합니다: 공정 이용(fair use)에 기반한 '자유방임(free-for-all)' 모델과 '강력한 지식재산권(strong intellectual property rights)' 모델입니다. 우리는 이 두 가지 모두 실패한다는 것을 보여줍니다: 자유방임은 창작자에게 보상하지 못하며, -- 이를 정적 스택켈버그 게임(static Stackelberg game)으로 모델링했을 때 -- 강력한 지식재산권 역시 창의적 인센티브를 약화시킵니다. 우리는 이 현상이 특히 더 혁신적인 창작자들에게서 나타난다는 것을 발견하고, 이를 '독창성 페널티(originality penalty)'라고 명명합니다. 이 통찰을 동적 모델로 확장하여, 우리는 초기에는 좋은 성능의 AI 모델조차도 저해하는 또 다른 시장 실패를 발견합니다: 그러한 모델은 인간이 AI 지원 창작에 더 의존하게 만들고, 그 결과 균질화된 콘텐츠가 훈련 데이터로 피드백되어 모델 성능을 저하시킵니다 -- 이를 '정밀도의 저주(curse of precision)'라고 합니다. 나아가 우리는 교차 창작자 외부성(cross-creator externalities)을 내재화하고 혁신적인 기여에 보조금을 지급하는 데이터 중개자를 통한 시장 설계를 제안함으로써 효율성을 회복시킵니다.