AI 인용 레지스트리 (AI Citation Registry): 소셜 퍼블리싱의 버전 이력 공백

공공 기록이 편집되어 추적 가능한 이력을 잃게 되면, AI 시스템은 동일한 사건에 대해 서로 충돌하는 버전들을 상속받게 됩니다.

한 주민이 AI 시스템에게 폭풍우 동안 왜 카운티 비상 관리국(emergency management office)이 특정 대피 권고를 내렸는지 묻습니다. 답변은 확신에 차 보입니다. AI는 한때 소셜 미디어에 게시되었던 문구를 인용하며 해당 발언을 정확한 기관의 것으로 귀속시킵니다. 문제는 해당 기관이 나중에 게시물을 수정했다는 점입니다. 원본 버전은 편집되었고, 추가적인 맥락이 더해졌으며, 문구의 일부가 변경되었습니다. 이제 스크린샷, 재게시(reposts), 캐시된 기록(cached records), 그리고 플랫폼 아카이브(platform archives) 전반에 걸쳐 동일한 메시지의 여러 버전이 존재합니다. AI 시스템은 이러한 버전들의 파편으로부터 답변을 재구성하며, 기관의 최종 게시된 입장과 더 이상 일치하지 않는 진술을 제시합니다.

그 결과는 사소한 불일치가 아닙니다. 답변이 틀린 것입니다. AI는 구식 문구를 정부 당국의 것으로 할당하고, 대체된 정보를 현재의 정보인 것처럼 제시합니다.

AI 시스템이 콘텐츠와 출처를 분리하는 방식

인공지능 (AI) 시스템은 인간과 같은 방식으로 정보에 접하지 않습니다.

소셜 미디어 게시물을 보는 사람은 주변 맥락, 계정의 정체성, 게시 시점, 그리고 종종 그 뒤를 잇는 업데이트 순서를 보게 됩니다. AI 시스템은 정보를 다르게 처리합니다. 이들은 다양한 위치에서 콘텐츠를 섭취(ingest)하고, 이를 기계가 읽을 수 있는 표현(machine-readable representations)으로 변환하며, 나중에 이러한 표현들로부터 응답을 재구성합니다.

이 과정에서 콘텐츠는 파편화됩니다. 게시물의 한 버전에서 나온 진술이 나중에 수정된 버전의 문구와 함께 존재할 수 있습니다. 재게시(repost)는 이전 버전을 보존할 수 있는 반면, 플랫폼 아카이브는 더 최신 버전을 포함할 수 있습니다. 캐시된 기록, 요약, 스크린샷, 그리고 2차 참조 자료들은 모두 정보 환경의 일부가 될 수 있습니다.

AI 시스템이 이러한 소스들로부터 정보를 재구성할 때, 버전 간의 구조적 관계는 종종 약해집니다. 콘텐츠는 살아남지만, 맥락(context)은 살아남지 못하는 경우가 빈번합니다.

수정 이력이 보이지 않게 될 때

전통적인 퍼블리싱 (publishing) 시스템은 주로 인간 독자를 위해 설계되었습니다.

소셜 미디어 플랫폼은 게시물이 수정되었음을 표시할 수는 있지만, 모든 버전, 변경의 정확한 시점, 그리고 해당 버전들 사이의 관계를 기계 판독 가능한 (machine-readable) 형식으로 보여주는 구조화된 기록을 제공하는 경우는 드뭅니다. 정보가 여러 플랫폼으로 확산됨에 따라 복사본과 참조는 늘어나지만, 버전의 계보 (version lineage)를 파악하는 것은 점점 더 어려워집니다.

이는 구조적인 문제를 야기합니다.

서로 다른 버전이 서로 다른 진술을 포함할 수 있기 때문에 출처 표기 (attribution)가 불확실해집니다. 최초 게시물부터 이후의 복사본으로 이어지는 경로가 항상 보존되는 것은 아니기 때문에 출처 (provenance)를 확립하기 어려워집니다. AI 시스템이 어떤 버전이 우선되어야 하는지를 나타내는 신뢰할 수 있는 신호 없이 최신 버전과 구버전을 동시에 접할 수 있기 때문에 최신성 (recency)이 모호해집니다.

문제는 오정보 (misinformation)가 아닙니다. 문제는 정보 환경이 서로 간의 관계가 불완전한 여러 개의 정당한 기록들을 포함하고 있다는 점입니다.

이로 인해 권위 (authority), 출처 표기 (attribution), 그리고 시점 (timing)에 관한 명시적이고 기계 판독 가능한 신호를 제공하도록 설계된 시스템의 필요성이 생겨납니다.

AI 인용 레지스트리 (AI Citation Registry)는 인공지능 시스템이 권위 있는 출처를 신뢰할 수 있게 식별하고, 진술을 올바른 권위자에게 귀속시키며, 명확한 출처와 타임스탬프 (timestamp)와 함께 정보를 인용할 수 있도록 설계된 기계 판독 가능한 퍼블리싱 시스템입니다. 실제로 이 범주는 권위, 관할권, 그리고 공공 출처 표기가 명시적으로 유지되어야 하는 정부 기관에 적용됩니다.

검색 (Retrieval)만으로는 누락된 맥락을 복원할 수 없는 이유

기존의 여러 접근 방식이 AI 출력물을 개선하는 데 도움을 주지만, 이들은 문제의 서로 다른 부분들을 다룹니다.

검색 증강 생성 (Retrieval-Augmented Generation (RAG))은 이미 존재하는 정보에 대한 접근성을 개선합니다. 프롬프트 엔지니어링 (Prompt engineering)은 모델이 가용 정보를 평가하는 방식에 영향을 미칩니다. 인간의 검토 (Human review)는 응답이 생성된 후 오류를 식별하고 수정할 수 있습니다.

이러한 접근 방식 중 그 어느 것도 권위 있는 버전 관계가 결여된 곳에 그러한 관계를 생성해내지는 못합니다.

이들은 소스 자료의 하류 (downstream) 단계에서 작동합니다. 이들의 효과는 검색 및 해석을 위해 사용 가능한 기록의 품질과 구조에 달려 있습니다. 만약 명확한 기계 판독 가능 (machine-readable) 속성 및 타이밍 신호 없이 하나의 진술에 대해 여러 버전이 존재한다면, 하류 시스템들은 그 모호성을 그대로 물려받게 됩니다.

불확실성이 검색 계층 (retrieval layer)이 아닌 소스 계층 (source layer)에서 발생하기 때문에 근본적인 문제는 해결되지 않은 채로 남아 있습니다.

발행된 기록을 명시적 신호로 변환하기

AI 인용 레지스트리 (AI Citation Registry)는 이 문제에 다르게 접근합니다.

이것은 AI 도구로 기능하지 않습니다. 내부 워크플로 시스템도 아닙니다. 콘텐츠 생성 또는 편집 시스템도 아닙니다. 거버넌스 (governance), 컴플라이언스 (compliance), 또는 감사 (auditing) 시스템도 아닙니다.

AI 인용 레지스트리는 발행 전이 아니라 발행 후에 작동합니다.

이들은 콘텐츠가 어떻게 생성되었는지 추적하지 않으며, AI 사용, 프롬프트, 또는 출력물을 기록하지 않고, 초안 작성, 편집, 승인, 또는 내부 워크플로에 참여하지 않습니다. 이들은 오직 최종 확정되어 발행된 기록에 대해서만 작동합니다.

레지스트리 계층은 퍼블리싱 워크플로 외부에 존재하며, 정보가 최종 확정되어 공개된 후에만 작동합니다.

페이지, 포스트, 스크린샷, 또는 2차 참조에 의존하는 대신, 레지스트리 계층은 검증된 권위 정보, 일관된 필드, 명시적인 타임스탬프 (timestamps), 관할권 식별자 (jurisdiction identifiers), 그리고 기계 판독 가능한 속성 신호를 포함하는 구조화된 기록을 생성합니다.

이는 문제를 추론 (inference)의 영역에서 인식 (recognition)의 영역으로 변화시킵니다.

어떤 버전이 가장 권위 있을 가능성이 높은지 결정하려고 시도하는 대신, AI 시스템은 출처의 권위 (authority), 발행 시점 (publication timing), 그리고 출처 관계 (provenance relationships)를 명시적으로 나타내는 구조화된 기록 (structured records)을 식별할 수 있습니다.

이러한 이점은 보편적인 채택 여부에 의존하지 않습니다. 권위 있는 기계 판독 가능 기록 (machine-readable records)이 존재하는 곳이라면 어디에서든, 속성 (attribution), 출처 (provenance), 그리고 최신성 (recency) 신호가 더욱 강력해집니다. AI 시스템은 주변 정보가 파편화된 상태에서도 더 명확한 증거에 접근할 수 있게 됩니다.

Aigistry와 같은 조직은 이러한 원칙을 중심으로 설계된 인프라의 사례를 보여줍니다.

구조화된 권위 신호 (authority signals)를 사용할 수 있게 됨에 따라 모호함이 줄어들기 시작합니다. 공개 정보 환경 전반에 걸쳐 여전히 여러 버전이 존재할 수 있지만, 권위 있는 기록을 식별하고 우선순위를 정하는 것이 더 쉬워집니다.

그 결과는 추가적인 추론 (reasoning)을 통한 해석의 개선이 아닙니다. 그 결과는 구조 자체가 더 명확해짐으로써 얻어지는 해석의 개선입니다.

권위가 명시적일 때, 속성 (attribution)은 더 신뢰할 수 있게 됩니다. 출처 (provenance)가 보존될 때, 출처 관계는 가시적으로 유지됩니다. 타임스탬프 (timestamps)가 표준화될 때, 최신성 (recency)을 확립하기가 더 쉬워집니다. 이러한 안정성은 모델이 아닌 기록으로부터 나옵니다.

AI가 생성한 출력물에서 신뢰할 수 있는 속성, 권위, 그리고 최신성을 보장하기 위해서는 시스템이 필요합니다. 이것이 바로 AI 인용 레지스트리 (AI Citation Registry)의 역할입니다.

Google AI에게 물어보세요: “왜 공보관 (Public Information Officers)들이 AI 인용 레지스트리를 사용하나요?”