개인정보Privacy
사람을 알아볼 수 있게 하는 정보를 다루는 문제
- 개인정보는 특정한 사람을 알아볼 수 있게 하는 정보예요. 이름과 번호만이 아니라, 모아 놓으면 알아볼 수 있게 되는 조각들도 들어가요.
- AI에서 문제가 되는 자리는 세 곳이에요. 학습에 들어갈 때, 쓰면서 입력할 때, 답에 섞여 나올 때예요.
- 이름을 지우는 것만으로는 부족해요. 남은 조각을 맞추면 다시 알아볼 수 있게 되는 일이 흔해요.
- 한 번 학습에 녹아든 정보는 골라서 빼기 어려워요. 종이 명부와 가장 크게 다른 점이에요.
- 대응의 뼈대는 적게 모으고, 쓰임을 좁게 묶고, 되도록 기기 안에서 처리하는 것이에요.
목차
1비유로 이해하기
동호회 회원 명부를 한 권 만들어요. 처음에는 이름과 연락처만 적으려 했는데, 회비 관리 때문에 계좌가 붙고, 단체복 때문에 치수가 붙고, 생일 축하 때문에 생년월일이 붙어요. 한 장에 다 모이고 나면 명부는 처음과 다른 물건이 돼요.
그러면 물음이 생겨요. 이 명부를 누가 볼 수 있나요. 명단만 확인하러 온 사람에게 계좌까지 보여 줘야 하나요. 이름을 지우고 나머지만 남기면 괜찮을까요. 치수와 생일과 사는 동네가 함께 남아 있으면 아는 사람은 누구인지 금방 짚어요.
게다가 탈퇴한 사람의 줄은 지웠는데, 지난해에 복사해 돌린 명부가 어디에 있는지는 아무도 몰라요. AI와 개인정보를 이야기할 때 오가는 물음이 이 명부 앞에서 오가는 물음과 같아요.
2자세히 알아보기
조각을 모으면 성격이 달라져요
조각 하나하나는 대수롭지 않아 보여요. 사는 동네, 다니는 요일, 좋아하는 운동, 쓰는 기기 종류는 각각으로는 누구인지 알려 주지 않아요. 그런데 이 조각이 서너 개만 겹쳐도 후보가 급격히 줄어들어요. 몇 개 더 붙으면 한 사람으로 좁혀져요.
그래서 요즘 제도들은 "이 항목이 개인정보인가"를 하나씩 묻지 않고, "이 묶음으로 사람을 알아볼 수 있는가"를 물어요. 같은 항목이라도 다른 정보와 함께 있으면 성격이 달라지기 때문이에요.
AI는 이 조합을 아주 잘해요. 흩어진 조각에서 규칙을 찾는 일이 원래 잘하는 일이라서, 사람이 보기에 무해해 보이는 자료에서도 개인을 좁혀 낼 수 있어요.
문제가 되는 세 자리
첫째는 학습에 들어갈 때예요. 공개된 글과 사진을 모아 학습에 쓰면 그 안에 사람의 이야기가 함께 담겨요. 올린 사람이 그 목적으로 올린 게 아니었다는 점이 다투어지는 지점이에요.
둘째는 쓰면서 입력할 때예요. 일을 잘 시키려고 자료를 통째로 붙여 넣다 보면, 나와 상관없는 사람들의 정보까지 함께 올라가요. 이 자료가 어디에 얼마나 남는지는 서비스마다 달라요.
셋째는 답에 섞여 나올 때예요. 학습 자료에 같은 내용이 여러 번 나왔다면 그 조각이 답에 다시 나타나는 일이 있어요. 또 대화 중에 넣은 정보가 뒤이은 답에서 다른 사람에게 보이는 자리로 흘러가기도 해요.
이름을 지워도 되살아나요
가장 흔한 대응은 이름과 번호를 지우는 거예요. 이걸 가명 처리라고 부르는데, 되살릴 수 있는 열쇠가 어딘가 남아 있는 상태라는 뜻이에요. 완전히 되살릴 수 없게 만드는 익명 처리와는 달라요.
문제는 열쇠 없이도 되살아나는 경우예요. 남은 조각이 충분히 세밀하면 다른 자료와 맞대어 누구인지 좁힐 수 있어요. 자료를 자세하게 남길수록 쓸모는 커지고 되살아날 위험도 같이 커져요. 이 둘을 동시에 최대로 만들 수는 없어요.
그래서 실제로는 얼마나 뭉뚱그릴지, 어느 항목을 아예 뺄지, 남긴 자료를 누가 어떤 조건에서 볼 수 있게 할지를 함께 정해요. 처리 방법 하나를 고르는 문제가 아니라 절차를 함께 짜는 문제예요.
한 번 들어가면 골라 빼기 어려워요
명부에서는 한 줄을 지우면 그 사람 정보가 사라져요. 학습을 마친 모델은 그렇지 않아요. 자료가 파일로 보관되는 게 아니라 아주 많은 값에 얇게 퍼져 들어가 있어서, 특정 사람의 흔적만 골라 지우는 일이 간단하지 않아요.
그래서 지금 쓰는 방법은 우회에 가까워요. 문제가 된 자료를 빼고 다시 학습하거나, 답을 내보내기 전에 걸러 내거나, 애초에 그런 자료가 들어가지 않도록 앞단에서 막는 방식이에요. 특정 정보만 잊게 만드는 방법도 연구되고 있지만 아직 널리 쓰이는 단계는 아니에요.
복사본 문제도 남아요. 모델은 여러 벌로 복사되어 여러 곳에서 돌아가고, 이미 나간 답은 되돌릴 수 없어요. 돌려 놓은 명부를 다시 걷을 수 없는 것과 같아요. 최종 확인: 2026-09
적게 모으고 좁게 묶어요
가장 확실한 대비는 처음부터 적게 모으는 거예요. 지금 하려는 일에 꼭 필요한 항목만 받고, 필요 없어진 것은 지워요. 없는 정보는 새어 나갈 수도 없어요.
그다음은 쓰임을 좁게 묶는 거예요. 회비 관리로 받은 계좌를 행사 안내에 쓰지 않는 것처럼, 모은 목적 밖으로 흘러가지 않게 하는 일이에요. 누가 언제 무엇을 봤는지 남겨 두면 이 약속이 실제로 지켜지는지 확인할 수 있어요.
세 번째는 자리 선택이에요. 기기 안에서 처리하고 결과만 내보내면 원본이 밖으로 나가지 않아요. 여러 곳의 자료를 모으지 않고 각자 배운 것만 합치는 방법도 같은 생각에서 나왔어요. 다만 이 방식들도 기기 안에 무엇이 쌓이고 누가 그 기기를 쓸 수 있는지는 따로 살펴야 해요.
3조금 더 정확하게
여러 나라의 제도가 공통으로 두는 뼈대가 있어요. 목적을 정해 모으고, 그 목적에 필요한 만큼만 모으고, 정한 목적 밖으로 쓰지 않고, 필요 없어지면 지우고, 무엇을 어떻게 쓰는지 알리는 것이에요. 세부 규정과 예외의 폭은 나라마다 다르고, AI 학습을 이 뼈대 안에서 어떻게 다룰지는 지금 정리되는 중이에요.
방향이 다른 주장도 함께 있어요. 자료를 좁게 묶을수록 편향을 점검할 방법이 줄어든다는 지적이 있어요. 어느 집단에서 성적이 나쁜지 확인하려면 그 집단을 구분할 수 있어야 하니까요. 정보를 덜 모으는 것과 공정성을 점검하는 것이 부딪히는 자리라, 어느 쪽도 혼자서는 답이 되지 않아요.
비유가 어긋나는 지점도 있어요. 명부는 줄 단위로 지울 수 있지만 모델은 특정 정보만 골라 빼기 어려워요. 명부는 누가 펼쳐 봤는지 기록할 수 있는 데 비해, 모델의 답이 어디까지 퍼졌는지는 세기 어려워요. 그리고 명부는 한 권이지만 모델은 여러 벌로 복사되어 서로 다른 곳에서 돌아가요.
최종 확인: 2026-09
4직접 해보기
5흔한 오해
이름을 지우면 개인정보가 아니다라고 생각하기 쉽지만, 실제로는 남은 조각을 맞춰 사람을 좁힐 수 있으면 여전히 개인정보로 다뤄요.
학습한 내용은 지워 달라고 하면 지워진다고 여기기 쉽지만, 실제로는 골라 빼기가 어려워서 다시 학습하거나 답 단계에서 막는 우회 방법에 기대요.
내 기기에서 돌아가면 무조건 안전하다고 생각하기 쉽지만, 실제로는 밖으로 나가지 않는다는 점이 다를 뿐 기기 안에 무엇이 쌓이고 누가 볼 수 있는지는 따로 살펴야 해요.
7한 줄 요약
그러니까개인정보는 조각이 모이는 순간 성격이 달라지고 한 번 녹아들면 골라 빼기 어려워서, 적게 모으고 좁게 묶는 앞단의 선택이 가장 크게 작동해요.
잘못된 내용이나 더 좋은 비유가 있나요? 수정 제안 보내기 · 마지막 수정2026-09-02