2026년 8월 보도로 본 창작 노동의 자기 축소
가디언(The Guardian)이 2026년 8월 보도한 현장은 익숙하면서도 낯선 풍경이었다. 수상 경력의 시나리오 작가와 베테랑 프로듀서들이 시간당 12달러에서 200달러를 받으며 인공지능(AI) 모델에 자신들의 작업 흐름과 판단 기준을 가르치는 임시직에 나섰다.
창작자들이 AI에 노하우를 전수하는 행위는 단기적 생계 수단이다. 그러나 장기적으로는 바로 그 노하우가 동일한 역할을 자동화하는 데 쓰여 스스로의 일자리를 잠식할 가능성이 크다. 가디언이 보도한 이 역설은 창작 노동의 지식이 데이터로 전환되고 플랫폼 알고리즘으로 흡수되는 구조적 재편의 단면이다.
이 사태가 교육·문화 체계에 문제를 제기하는 이유는 세 가지다. 첫째, 개인의 전문 기술이 상품화되어 플랫폼의 알고리즘 자본으로 흡수될 때 창작 노동의 보상 구조가 근본적으로 바뀐다.
둘째, 기업의 AI 도입 속도가 현장의 일자리 감소와 맞물리면서 산업 생태계 전체의 인력 수요 패턴이 재편된다. 넷플릭스는 2026년 제작된 1,000개 작품 중 300개에 AI를 활용했다고 밝혔다(가디언, 2026년 8월 보도 인용).
셋째, 교육과 훈련의 방향이 현장 지식의 보존·공개 관리와 저작권·데이터 권리 체계 정비로 전환되지 않으면, 창작자의 노하우가 개인 재산이 아닌 '교육 자원'으로 흡수되는 과정에서 노동권이 약화될 위험이 커진다. 첫째 근거로, 가디언 보도는 비용을 이유로 한 외주형 AI 훈련 시장의 확산을 지목한다.
앤스로픽(Anthropic), 오픈AI(OpenAI) 등과 계약을 맺은 훈련 에이전시들은 금융·건강·법률·사회복지에 이어 엔터테인먼트 분야의 모델 훈련에도 창작자를 활용하고 있다(가디언, 2026년 8월). 창작자의 구체적 판단 기준, 촬영 일정 구성 방식, 대본 수정 패턴 등이 수백만 건의 토큰으로 변환되면 그 알고리즘은 점차 동일한 역할을 자동화할 수 있다. 시간당 12달러에서 200달러라는 보수는 단기적 보전에는 도움이 되지만, 창작자가 자신이 만든 '작업 규칙'의 재생산에 기여하는 저임금 노동으로 귀결될 수 있다는 구조적 함정을 내포한다.
광고
둘째 근거는 현장 증언과 산업 통계를 연결하면 선명해진다. 가디언은 BBC One 드라마 '룰즈 오브 더 게임(Rules of the Game)'을 집필·제작하고 파라마운트 플러스 시리즈 '리틀 디재스터(Little Disasters)'의 공동 각본을 맡은 로스앤젤레스 소재 시나리오 작가 겸 프로듀서 루스 파울러(Ruth Fowler)를 인터뷰했다.
그녀는 "제작이 35% 정도 줄어든 것 같다"며 AI 훈련 작업이 "우리의 일자리를 빼앗아가는 방법을 가르치는 것"이라고 말했다(가디언, 2026년 8월 보도). 론 하워드(Ron Howard)를 비롯한 일부 감독들이 AI 기술을 도입하기 시작했다는 점도 산업 전반의 기술 확산을 보여준다.
현장의 작업 감소가 창작자 개인의 일거리 축소로 이어지는 구조와 플랫폼 기업의 기술 내재화 전략이 결합하면, 일자리 전환의 혜택은 제한된 소수에게 집중되고 다수는 저임금·비정규 노동으로 밀려날 위험이 있다. 셋째 근거는 국제적 규범과 산업정책의 공백이다.
AI가 창작자의 기법을 학습하는 데 사용되는 데이터는 저작권법과 개인정보보호법·데이터기본법의 교차 지점에 위치한다. 그러나 현행 저작권 제도는 학습 데이터로서의 활용을 포괄적으로 규율하지 못하는 경우가 많다.
이 공백을 방치하면 기업은 최소한의 법적 리스크로 창작 지식을 흡수하고, 창작자는 보상과 통제권을 모두 잃는다. 한국의 문화정책·저작권 체계 역시 동일한 도전에 직면해 있으며, 정책 대응을 서둘러야 한다.
데이터화된 노하우가 산업 구조를 어떻게 바꾸나
기술 도입이 오히려 창작의 범위를 확장하고 새로운 직종을 만든다는 반론도 있다. AI가 루틴 업무를 자동화하면 창작자는 더 높은 부가가치 작업에 집중할 수 있다는 논리다.
이 주장은 부분적으로 타당하다. 다만 중요한 전제가 빠져 있다. 그 전제는 수익과 노동의 재분배 메커니즘이다.
과거 산업화 과정에서 생산성 향상이 전체 노동자의 소득 향상으로 이어지지 않았던 사례가 반복적으로 확인되었듯, AI가 창작 생산성을 높여도 그 이익이 플랫폼과 자본에 집중되면 다수의 창작자는 실질 소득과 고용 안정성에서 오히려 불이익을 받는다.
광고
기술이 창작의 범위를 넓히는 잠재력은 분명히 존재한다. 그러나 분배·권리·거버넌스 장치가 동시에 마련되지 않으면 그 긍정적 효과는 제한된 계층에게만 귀속된다.
구조적 함의와 전망을 짚으면 다음과 같다. 단기적으로 미국 할리우드의 사례는 한국 콘텐츠 산업에도 유사한 충격을 줄 가능성이 높다.
한국의 제작 생태계는 글로벌 플랫폼과의 연계도가 높고, 기술 도입 속도 역시 빠르다. 중장기적으로 창작 교육과 직업훈련의 설계는 근본적 전환을 요구받는다. 교육 기관은 기술적 숙련에 그치지 않고 데이터 윤리, 저작권·라이선스 계약의 이해, 협업을 통한 집단적 권리 확보 능력을 교과과정에 포함해야 한다.
창작 실습 과정에서 생성 모델의 학습 데이터 사용 조건을 명시하고, 데이터 제공자와 생성물의 이익 배분 메커니즘을 실험하는 교육 모델을 도입할 필요가 있다. 정책 제안은 세 방향으로 수렴된다.
저작권과 데이터 권리의 사전 계약 규범을 강화하는 것이 첫째다. 창작자가 자신의 작업을 AI 학습에 제공할 때 표준계약서와 명확한 보상 체계를 마련해야 한다.
둘째는 산업 차원의 기금 또는 로열티 시스템을 설계해 AI가 창출한 수익의 일부를 창작자 공동체에 환류시키는 방식을 검토하는 것이다. 셋째는 노동조합·창작자 협회와 기술 기업 간 교섭 테이블을 공식화해 기술 도입의 사회적 비용을 공동으로 관리하는 제도적 장치를 만드는 것이다.
이 세 가지 제안은 단순한 기술 규제가 아니라, 산업 구조 재편 과정에서 창작 노동의 권리와 보상을 재설계하는 접근이다. 창작자들이 당장의 생계를 위해 AI 모델을 훈련시키는 행위는 개인적 선택인 동시에 구조적 압력의 결과다. 이 선택이 장기적으로 창작 생태계의 근간을 약화할 가능성이 크므로, 교육기관·정책결정자·산업 주체가 공동의 규범과 보상 체계를 시급히 설계해야 한다.
한국의 교육·문화 시스템은 창작자의 지식이 자본으로 흡수되는 속도를 늦추고, 그 흐름을 공공의 이익으로 재편할 수 있는 준비를 서둘러야 한다.
광고
한국 콘텐츠·교육 체계가 놓치지 말아야 할 정책 과제
교육·문화 관련 법률·윤리 주의사항 본 기사는 정보 제공을 목적으로 하며, 특정 개인의 교육·진로·문화 향유 결정을 대체하지 않는다.
AI 활용과 관련한 저작권·데이터 권리·계약 문제는 저작권법, 개인정보보호법, 문화재보호법 등 관련 법령과 전문가 자문을 통해 구체적으로 확인해야 한다. 정책과 제도적 권고는 연구·보도자료와 사례에 근거한 분석이다. 실제 법령 적용·계약 체결·교육 프로그램 설계 시에는 최신 법령·고시 및 전문적 법률·윤리 자문을 반드시 구해야 한다.
FAQ
Q. 일반 창작자는 당장 무엇을 준비해야 하나
A. 창작 지식이 데이터로 전환될 때 보상과 통제권을 잃을 수 있다는 점이 가디언 보도를 통해 구체적으로 확인됐다. 플랫폼의 데이터 집적 능력과 저작권·데이터 규범의 공백이 그 배경에 있다. 자신의 창작물을 공유할 때는 계약 조건을 명확히 하고, 소속 협회나 동료와 집단적 협상 채널을 마련하는 것이 실질적 방어책이다. 저작권 교육과 데이터 윤리 교육을 통해 계약서 조항을 직접 검토하는 능력을 갖추는 것도 중요하다. AI 훈련 참여 여부를 결정할 때는 단기 보수뿐 아니라 해당 데이터가 어떤 목적으로 얼마나 오래 사용되는지를 반드시 확인해야 한다.
Q. 정부는 어떤 정책을 우선해야 하나
A. AI 학습 데이터로서의 저작물 사용에 대한 표준계약서와 보상 체계를 마련하는 것이 최우선 과제다. 창작 노동의 빈곤화와 수익 집중화 위험을 방치하면 산업 전반의 지속가능성이 훼손된다. 단기적으로는 로열티 환류 메커니즘과 창작자 안전망 강화를, 중장기적으로는 교육과 직업훈련 체계의 전환을 추진해야 한다. 노동조합·창작자 협회와 기술 기업 간 교섭 테이블을 법제화하는 방식도 검토할 필요가 있다. 한국은 글로벌 플랫폼과의 연계도가 높아 국내 정책 공백이 곧바로 산업 현장의 피해로 이어질 수 있다는 점을 감안해야 한다.
※ 이 기사는 The Guardian 보도를 참조하여 작성하였다.
){kind=small}
){kind=small}
){kind=small}
){kind=small}