원문은 twarx.com에서 처음 게시되었습니다 - 전체 인터랙티브 버전은 그곳에서 읽을 수 있습니다.

최종 업데이트: 2026년 6월 21일

Meta 자체의 IP 주소들이 인간은 결코 만들 수 없는 흔적을 남겼으며, 연방 판사는 방금 그 흔적이 회사의 AI 기술 관행을 재판에 회부하기에 충분하다고 결정했습니다.

2026년 6월 11일, 미국 연방 지방법원 Eumi K. Lee 판사는 Meta가 AI 기술 학습 파이프라인(training pipelines)에 데이터를 공급하기 위해 BitTorrent를 통해 2,300편 이상의 성인 영화를 토렌트로 유포했다는 저작권 소송(사건 번호 3:25-cv-05669, N.D. Cal.)에 대한 Meta의 기각 신청을 거부했습니다. 이것이 지금 중요한 이유는 모델의 출력물(output)뿐만 아니라 '데이터 획득 행위(data acquisition behavior)' 자체를 법적 결과가 따르는 행위로 취급한 첫 번째 판결이기 때문입니다. 이 글을 끝까지 읽으시면 현대 AI 기술 데이터 파이프라인이 어떻게 스스로를 소싱(source), 조정(coordinate), 지문 인식(fingerprint)하는지, 그리고 왜 여기서의 진짜 실패가 법적인 것이 아니라 아키텍처(architectural)적인 것이었는지 정확히 이해하게 될 것입니다.

논지: 대부분의 AI 워크플로우는 완전히 잘못된 문제를 해결하고 있습니다. 그들은 데이터, 에이전트(agents), 그리고 책임 소재가 실제로 무너지는 조정 계층(coordination layer)은 무시한 채 모델 품질에만 집착합니다. 지출 패턴이 이를 증명합니다. a16z의 2024년 기업 설문조사에 따르면 조직들은 LLM 및 모델 예산을 전년 대비 세 배로 늘리고 있었지만, 데이터 거버넌스(data-governance) 및 출처(provenance) 도구는 항목으로 거의 기록되지 않았습니다. 즉, 팀들은 모델에는 자본을 쏟아붓지만, 실제로 소송을 당하게 만드는 계층에는 자원을 공급하지 않고 있습니다.

Strike 3 Holdings는 Meta가 AI 모델을 학습시키기 위해 2018년에서 2025년 사이에 2,300개 이상의 저작권이 있는 영화를 토렌트(torrent)로 다운로드했다고 주장합니다. 출처: Mashable / Marcin Golba/NurPhoto via Getty Images

개요: AI 기술 판결의 실제 내용

요약하자면: 404 Media에 따르면, Blacked와 같은 사이트를 소유한 성인 콘텐츠 지주 회사인 Strike 3 Holdings는 Strike 3가 과반수 지분을 보유한 Counterlife Media와 함께 Meta를 고소했습니다. 해당 사건(사건 번호 3:25-cv-05669, N.D. Cal., Eumi K. Lee 판사 담당)은 Meta가 AI 모델을 학습시키기 위해 BitTorrent 프로토콜을 통해 2,300개 이상의 저작권이 있는 포르노 영화를 다운로드함으로써 저작권을 침해했다고 주장하며, 해당 기업들은 최대 3억 5,900만 달러의 손해 배상을 청구하고 있습니다. 이 확인된 사실들은 Anna Iovine 부편집장이 작성한 Mashable의 2026년 6월 15일 보도에 근거합니다.

타임라인은 촉박하며 치명적입니다. 주장된 저작권 침해는 2018년부터 2025년까지 이어집니다. Strike 3는 2025년 7월에 소송을 제기했고, Meta는 2025년 10월에 기각 신청을 했으며, Lee 판사는 2026년 6월 11일에 해당 신청을 거부하는 명령을 내렸습니다. 일반적인 저작권 불만 사항을 선례가 될 만한 AI 기술 사건으로 바꾸는 것은 바로 증거입니다. 소송장에 따르면, Meta의 본사로 추적되는 IP 주소들이

판사는 원고들이 "[Meta]가 그들의 영화를 토렌트(torrenting)한 것에 근거하여 직접적, 대위적(vicarious), 그리고 기여적(contributory) 저작권 침해에 대한 책임이 있다고 그럴듯하게 주장했다"고 판결했습니다. 다운로드가 "개인적 용도"였으며 해당 주장이 "터무니없고 근거가 없다"는 Meta의 방어 논리는 데이터 앞에서 무너졌습니다. Lee가 작성했듯, "이러한 상관관계가 단순한 우연이거나 개별 인간의 선택에 의한 결과라고 주장하는 것은 신뢰하기 어렵습니다." Strike 3와 Counterlife는 Meta를 상대로 한 2025년 1월 도서 불법 복제 소송에 대한 언론 보도를 통해서야 Meta의 BitTorrent 활동을 인지하게 되었습니다. 해당 사건의 증거 개시(discovery) 과정에서 Meta가 AI 학습을 위해 도서를 불법 복제했다는 사실이 드러났습니다. Meta는 2025년 6월 해당 사건에서 승소했으나, 판사는 다른 법적 논거를 사용하는 소송에 대해서는 명시적으로 가능성을 열어두었습니다. 그리고 지금 그 소송이 그 문을 통해 들어오고 있습니다.

2,300+
AI 학습을 위해 토렌트된 것으로 의심되는 저작권 영화 수
[Mashable, 2026](https://mashable.com/tech/porn-company-can-sue-meta-torrenting-copyright)
...

개념 정의: AI 조정 격차 (The AI Coordination Gap)

AI 조정 격차 (The AI Coordination Gap)

AI 조정 격차(AI Coordination Gap)는 AI 시스템의 구성 요소인 데이터 획득(data acquisition), 에이전트(agents), 오케스트레이션(orchestration), 그리고 거버넌스(governance) 사이의 체계적인 사각지대를 의미하며, 이 과정에서 그 어떤 단일 계층도 엔드 투 엔드(end-to-end) 책임을 지지 않는 상태를 말합니다. 각 요소는 개별적으로는 올바르게 작동하지만, 어떤 계층도 "우리가 이 데이터를 보유해도 되는가?"라는 질문에 답하지 않습니다. Strike 3 대 Meta 소송(사건 번호 3:25-cv-05669, N.D. Cal.)은 이 격차가 가시화된 사례입니다. 즉, 데이터 획득 계층이 자율적으로 행동했고, 거버넌스 계층이 전혀 포착하지 못한 흔적을 남긴 것입니다.

여기서 발생하는 AI 기술적 실패란 무엇인가, 쉬운 언어로 설명하자면?

법률 용어를 걷어내고 설명하겠습니다. 한 기업이 방대한 양의 학습 데이터 (training data)가 필요했습니다. 그들의 파이프라인(pipeline) 어딘가에서, 자동화된 시스템들이 BitTorrent로부터 콘텐츠를 가져왔습니다. BitTorrent는 파일을 다운로드하는 동시에 다른 사람들에게 파일의 조각들을 _업로드(uploading)_하는 피어 투 피어 (P2P, peer-to-peer) 프로토콜입니다 (단순한 '다운로드'가 아니라 바로 이 '배포' 행위가 법적 책임을 발생시킵니다). 해당 시스템들은 Meta의 본사 주소로 연결되는 IP 주소들로부터 실행되었으며, 동일한 파일명, 동일한 날짜, 만화 옆에 포르노가 배치되는 등의 패턴으로 파일을 수집했습니다. 이는 어떤 개별 인간이 수작업으로 선택했다고 보기에는 불가능한 패턴입니다.

데이터 파이프라인 (data pipeline) 분야에서 일해본 적이 없는 분들을 위해 설명하자면: 회사의 보안 카메라에 누군가 매일 새벽 3시에, 사람이 시청할 수 있는 속도보다 훨씬 빠르게 수천 편의 저작권이 있는 영화를 다운로드하는 모습이 찍혔다고 상상해 보십시오. 질문을 받았을 때 회사는 "아, 그건 그냥 직원의 개인적인 취미였습니다"라고 답했습니다. 판사는 본질적으로 다음과 같이 말한 것입니다: 데이터를 보니 이것은 인간이 한 행동이 아니다.

모델이 Meta를 고소당하게 만든 것이 아닙니다. 파이프라인 (pipeline)이 그렇게 만든 것입니다. 모든 AI 리드 (AI lead)는 이 문장을 두 번 읽어야 합니다.

이것이 시니어 엔지니어 (senior engineer)들을 위한 핵심 교훈입니다: 2026년 현재, AI 기술 시스템에서 법적·운영적으로 위험한 부분은 모델 가중치 (model weights)가 아닙니다. 통합된 책임 소재 없이 데이터 수집 (data ingestion)과 에이전트 (agent)의 행동을 조율하는 **조정 계층 (coordination layer)**입니다. 이것이 바로 실제 사례에서 나타난 'AI 조정 격차 (AI Coordination Gap)'입니다.

현대의 AI 데이터 파이프라인 (data pipelines)은 수십 개의 자동화된 소스로부터 데이터를 수집합니다. Strike 3 대 Meta 사건에서 주장된 바와 같이, 이들 사이의 조정 계층 (coordination layer)이야말로 책임 소재가 사라지는 지점입니다.

AI 기술 데이터 파이프라인은 실제로 어떻게 콘텐츠를 소싱(source)하는가?

AI 기술 학습 데이터 파이프라인이 실제로 콘텐츠를 소싱(source)하는 방식은 다음과 같습니다. 그 메커니즘을 이해하는 것이야말로 여러분이 다음 피고인이 되는 것을 방지하는 방법이기 때문입니다. LangChain과 같은 도구, 커스텀 크롤러(custom crawlers), 그리고 오케스트레이션 레이어(orchestration layers)로 구축된 현대적인 파이프라인은 여러 뚜렷한 단계를 거치며, 각 단계마다 조정 실패(coordination failures)가 발생할 수 있습니다. 저는 많은 팀이 이 지도를 가지고 있지 않아 잘못된 단계를 디버깅하며 몇 주를 허비하는 것을 보아왔습니다.

AI 학습 데이터가 소스에서 모델로 흐르는 방식 (그리고 조정 격차(Coordination Gap)가 발생하는 지점)

  1

    **수집 에이전트 (Acquisition Agents)**

자동화된 크롤러와 다운로드 에이전트가 웹, API, 그리고 — 이번 소송에서 주장된 바와 같이 — 토렌트 스웜(torrent swarms)으로부터 콘텐츠를 가져옵니다. 입력(Inputs): 소스 URL/마그넷 링크(magnet links). 출력(Outputs): 원시 파일(raw files). 지연 시간(Latency): 대량, 종종 야간 배치(overnight batches) 방식. 이곳이 Meta의 IP 지문(IP fingerprint)이 생성된 지점입니다.

↓

  2
...

각 파일에 소스, 라이선스, 저작권 상태를 태깅(tag)해야 하는 레이어입니다. 건강한 시스템에서는 이 단계에서 라이선스가 없는 콘텐츠를 차단합니다. Meta의 주장된 파이프라인에서는 이 레이어가 없었거나 무시되었으며, 이것이 바로 조정 격차(Coordination Gap)입니다.

↓

  3
...

해싱(Hashing, MinHash, SimHash)을 통해 중복을 제거하고, 필터(filters)로 불필요한 데이터를 제거합니다. 출력(Outputs): 정제된 코퍼스(corpus). 참고: 이 단계는 나중에 판사가 비인간적 행동의 증거로 삼게 된 '동일 파일명 클러스터(identical-filename clusters)'를 그대로 보존합니다.

↓

  4
...

콘텐츠가 토큰(tokens) 또는 벡터(vectors)가 되어 Pinecone과 같은 벡터 데이터베이스(vector databases)에 저장됩니다. 이 과정에서 출처 메타데이터(Provenance metadata)가 빈번하게 누락되며, 이것이 의도치 않게 데이터 세탁(data laundering)이 일어나는 방식입니다.

↓

  5
...

코퍼스가 모델을 학습시킵니다. 이 시점에 이르면, 법적 책임은 이미 몇 달 전인 1단계에서 발생한 상태입니다. 모델은 문제를 찾기에 너무 늦은 마지막 단계입니다.

↓

  6
...

수집된 내용과 라이선스가 허용된 내용을 대조(reconcile)해야 하는 레이어입니다. 이 단계가 1단계를 통제하는 대신 학습이 끝난 '후'에 실행될 때, Strike 3가 그랬던 것처럼 언론을 통해 소송 소식을 접하게 됩니다.

순서가 중요합니다. 책임은 데이터 획득 시점에 발생하지만, 대부분의 팀은 마지막 단계에서만 감사를 수행합니다. 이것이 바로 AI 조정 격차 (AI Coordination Gap)의 구조적 정의입니다.

AI 파이프라인에서의 책임은 추론 (Inference) 시점이 아니라, _첫 번째 바이트가 다운로드되는 시점_에 발생합니다. 만약 거버넌스 레이어 (Governance layer)가 데이터 수집 (Ingestion)을 차단하는 대신 학습이 끝난 후에 실행된다면, 당신은 범죄를 예방하는 것이 아니라 범죄 현장을 감사하고 있는 것입니다.

AI 조정 격차의 5가지 레이어는 무엇인가?

Strike 3 대 Meta 사건은 조정이 깨지는 모든 레이어를 드러내기 때문에 완벽한 교육적 사례가 됩니다. 다음은 5가지 구성 요소로 나눈 프레임워크입니다.

레이어 1 — 획득 레이어 (The Acquisition Layer)

이곳은 에이전트가 데이터를 가져오는 단계입니다. CrewAI 또는 AutoGen을 기반으로 구축된 멀티 에이전트 (Multi-agent) 설정에서, 획득 에이전트들은 대규모로 자율적으로 작동합니다. Meta에 대한 혐의는 그 위험성을 명확히 보여줍니다. 즉, 에이전트들이 "인간이 소비할 수 있는 수준을 넘어선 대규모 침해"를 실행했다는 것입니다. 지문(Fingerprint) — 동일한 파일 이름, 같은 날의 대량 추출, 포르노 옆에 나란히 있는 만화 등 — 은 획득 레이어가 완전히 감독 없이 실행되었음을 보여주었습니다. 프로덕션 환경에 적합한 수집 (Ingestion)을 위해서는 모든 단일 요청에 대해 출처 (Provenance)를 기록하는, 속도 인지형(Rate-aware) 및 출처 인지형(Source-aware) 에이전트가 필요합니다. 대부분의 요청이 아니라, 모든 요청에 대해 말입니다.

레이어 2 — 출처 레이어 (The Provenance Layer)

출처 (Provenance)란 "이 파일은 이 라이선스 하에 여기서 왔다"라고 말해주는 메타데이터 (Metadata)입니다. 출처는 보통 선택 사항으로 취급되기 때문에, 여기서 AI 조정 격차가 가장 크게 벌어집니다. 콘텐츠 핑거프린팅 (Content fingerprinting)과 C2PA 콘텐츠 자격 증명 (C2PA content credentials)은 바로 이 격차를 메우기 위해 존재합니다. 하지만 이는 사후에 덧붙이는 것이 아니라, 수집 단계에 직접 연결했을 때만 유효합니다.

개념 정의: AI 조정 격차 (재정의)

AI 조정 격차 (The AI Coordination Gap)

이는 AI 시스템의 각 구성 요소는 개별적으로는 올바르게 작동하지만, 집합적으로는 책임을 질 수 없는 실패 모드 (Failure mode)를 의미합니다. Meta의 획득 레이어는 "작동"했고, 학습도 "작동"했습니다. 하지만 그 어떤 레이어도 "우리가 이 데이터를 가져도 되는가?"라는 질문에 대한 책임을 지지 않았습니다.

레이어 3 — 오케스트레이션 레이어 (The Orchestration Layer)

오케스트레이션 (Orchestration)은 지휘자입니다. 즉, 에이전트(agent)들의 순서를 정하고 단계 사이의 질서를 강제하는 시스템입니다. LangGraph와 같은 프레임워크가 가치를 증명하는 지점이 바로 여기인데, 이들은 자율적인 단계 사이에 결정론적 게이트 (deterministic gates)를 추가할 수 있게 해주기 때문입니다. 오케스트레이션 수준의 정책 집행 (policy enforcement)이 없다면, 수집 에이전트 (acquisition agent)가 2,300편의 영화를 토렌트로 내려받아도 이를 막을 수 있는 것이 아무것도 없습니다. 심지어 아무도 알아차리지 못합니다. 멀티 에이전트 오케스트레이션 (multi-agent orchestration)에 대한 상세 분석에서 더 자세히 알아보세요.

레이어 4 — 메모리/스토리지 레이어 (The Memory/Storage Layer)