헤드캠을 쓴 건 집주인이 아니었어요
뉴욕의 공짜 청소, 값은 누가 냈을까요
들어가며
구독자님, 어제 트위치에 설정 하나가 새로 생겼어요. 이름은 ‘생성형 AI 학습’, 위치는 보안·개인정보 탭 맨 아래, 상태는 켜짐이에요. 아마존이 트위치 방송으로 생성형 AI를 학습시킨다는 뜻이고, 싫으면 직접 찾아 들어가 꺼야 해요.
최고제품책임자 마이크 민턴은 왜 옵트인1이 아니냐는 질문에 이렇게 답했어요. 옵트인이면 아무도 안 할 거라고요.
그런데 비슷한 시기 뉴욕에서는, 카메라를 쓴 낯선 사람을 집에 들이겠다는 사람들이 줄을 섰어요. 조건은 무료 청소 한 번이었고요.
결론부터 말씀드릴게요. 이 사건의 핵심은 스위치가 아니에요. 동의 버튼을 누르는 사람과 그 값을 치르는 사람이 갈라져 있다는 구조예요.
트위치가 켜둔 스위치
먼저 사실관계를 정리해 볼게요.
8월 12일 트위치가 공지한 내용은 “이제부터 학습을 시작한다”가 아니었어요. “학습을 거부할 수 있는 설정을 추가했다”였어요. 문장 하나 차이 같지만 순서가 뒤집혀 있어요. 학습은 이미 전제고, 새로 생긴 건 거부권이거든요.
실제로 민턴은 2024년 한 미디어 행사에서 아마존이 트위치로 AI를 학습시키느냐는 질문에 그렇다고 답한 적이 있어요. 토글은 관행보다 2년 가까이 늦게 도착한 셈이에요.
끄더라도 전부 꺼지지는 않아요. 자동 자막이나 오토모드 같은 기능은 계속 돌아가요. 트위치 설명은 이 기능들이 데이터를 보관해 새 콘텐츠를 만들지는 않는다는 쪽이에요. 즉 이번 토글이 차단하는 건 생성형 모델 학습이지, AI 이용 전반이 아니에요.
범위는 넓어요. 실시간 방송과 그 방송의 채팅, 지난 방송 다시보기, 클립과 하이라이트, 채널에 올린 텍스트와 이미지까지 들어가요. 스트리머가 몇 년에 걸쳐 쌓아온 기록 전체가 한 칸의 설정값에 묶여 있는 셈이에요.
반응은 빨랐어요. 공지 몇 시간 만에 옵트인으로 바꿔달라는 포럼 글에 1만 4,000표 가까이 몰렸어요. 라이브로 해명에 나선 자리에는 3,000명 가까이 들어와 채팅창을 반대 의견으로 채웠고요.
여기까지는 익숙한 그림이에요. 그런데 저는 다른 두 줄에 눈이 갔어요.
첫째, 내 채팅의 운명은 내가 정하지 않아요. 남의 방송에 쓴 채팅은 그 방송인의 설정을 따라요. 내가 내 계정에서 토글을 꺼도, 내가 응원하러 간 방송의 주인이 켜두었다면 거기 남긴 문장은 학습 대상이에요.
둘째, 스트리머 혼자 결정하지 않아요. 화면에는 게임사의 저작물이 떠 있어요. 한 게임업계 애널리스트는 창작자가 켜둔 상태로 남의 게임을 방송하면 어떻게 되느냐는 질문을 던졌어요. 스위치는 개인 계정에 달려 있는데, 그 스위치가 여는 문 뒤에는 다른 사람의 자산이 함께 놓여 있어요.
그리고 민턴은 이미 학습에 쓰였느냐는 질문에는 모른다고 답했어요. 아마존이 무엇을 썼고 안 썼는지 자기도 모른다는 거예요. 동의를 관리하는 회사가 동의의 결과를 추적하지 못한다는 뜻이기도 해요.
뉴욕의 공짜 청소
같은 문제를 정반대 방식으로 푸는 회사가 있어요.
Shift는 뉴욕에서 집 청소를 무료로 해줘요. 대신 청소하러 온 사람이 헤드셋 카메라를 쓰고 작업 장면을 1인칭으로 찍어요. 손과 동작에 초점을 맞춘 이 영상은 가정용 로봇을 학습시키는 조작 데이터2가 되고, 회사는 이걸 익명 처리해 AI·로보틱스 업체에 라이선스로 팔아요. 운영사는 독일의 MicroAGI고, 뉴욕은 시작점이에요. 샌프란시스코와 런던, 취리히, 뮌헨으로 넓히고 배관과 요리까지 확장하겠다고 밝혔어요.
숫자로 옮겨볼게요. 뉴욕에서 아파트 표준 청소는 회당 대략 150~250달러예요. 우리 돈으로 20만~35만 원쯤이고요. 회사가 청소 한 번을 대신 결제한다는 건, 두세 시간짜리 가정 영상의 값을 그 정도로 잡았다는 뜻이에요. 텍스트는 이미 긁을 만큼 긁혔고, 어질러진 진짜 집의 영상은 시뮬레이터로 못 만드니까요.
프라이버시 설명도 꼼꼼한 편이에요. 얼굴과 이름은 자동으로 가리고, 화면이나 신분증, 종이, 휴대폰에 뜬 개인정보는 블러 처리한다고 밝혀요. 카메라는 청소하는 사람의 손과 작업에 초점을 맞추도록 설계됐고요. 다만 FAQ에는 처리 과정에서 영상을 어노테이션3 작업자와 공유한다는 문장도 함께 있어요. 자동화된 익명 처리 뒤에도 누군가는 그 집 안을 본다는 뜻이에요.
반응이 중요해요. 론칭 직후 예약이 몇 시간 만에 수천 건 들어왔다고 알려졌어요. 다만 이 수치는 회사와 업계 매체가 전한 것이고 독립적으로 검증된 자료는 아니에요. 그래도 방향은 분명해요. 카메라를 든 사람을 침실 앞까지 들이는 조건인데도 사람들이 왔어요.
민턴의 명제를 여기 대보면 어떨까요. 옵트인이면 아무도 안 한다고 했는데, 뉴욕 사람들은 했어요. 값이 붙었으니까요. 문제는 동의할 의사가 아니라 가격표가 없었다는 것이에요.
서명한 사람과 값을 치르는 사람
이제 두 사례를 겹쳐볼게요. 겹치는 지점에서 같은 모양이 나와요.
트위치에서 토글을 누르는 사람은 방송인이에요. 그런데 그 방송에 쌓인 데이터는 방송인 혼자 만든 게 아니에요. 채팅을 친 시청자가 있고, 화면을 채운 게임사가 있어요. 동의는 한 사람이 하고, 제공되는 자산은 여러 사람의 것이에요.
Shift에서 동의서에 해당하는 절차를 밟는 사람은 집주인이에요. 무료 청소를 받는 사람도 집주인이고요. 그런데 카메라를 머리에 쓰는 사람은 집주인이 아니에요. 청소하러 온 사람이에요. 그리고 그 영상이 겨냥하는 목적지는 가정용 로봇, 즉 지금 그 일을 하는 직업이에요.
여기서 오해는 피하고 싶어요. 이 구조가 곧 착취라는 말은 아니에요. 청소하는 분들은 보수를 받고 일해요. 회사는 별도로 촬영 기여자에게 건당 대가를 지급하는 프로그램도 운영하고, 2026년 1분기에 참여자들이 500만 달러 넘게 받아 갔다고 밝혔어요. 회사 발표라 그대로 받기는 조심스럽지만, 대가가 존재한다는 사실 자체는 트위치와 다른 지점이에요.
제가 짚고 싶은 건 다른 거예요. 동의의 단위는 개인인데, 데이터의 단위는 현장이에요.
집이라는 현장에는 최소 세 주체가 있어요. 동의한 사람, 촬영된 사람, 나중에 영향을 받을 사람. 방송이라는 현장에도 세 주체가 있고요. 켠 사람, 채팅 친 사람, 저작물을 제공한 회사. 그런데 우리가 가진 도구는 개인 계정에 달린 토글 하나예요. 세 주체를 하나의 스위치로 표현하려니, 눌러도 절반만 반영돼요.
그러면 왜 개인 토글이라는 형태가 계속 나올까요. 만들기 쉽고, 책임을 옮기기 좋기 때문이에요. 설정을 제공한 순간 회사는 선택권을 줬다고 말할 수 있고, 끄지 않은 사람은 동의한 것으로 처리돼요. 실제로 바뀌는 건 데이터 흐름이 아니라 설명 책임의 위치예요. 이용자에게 남는 건 통제권이 아니라 통제감이고요.
계약 구조가 이 어긋남을 한 번 더 벌려놔요. Shift는 자기가 청소 회사도 고용주도 아니고 기술 플랫폼이라고 명시해요. 청소하는 분들은 파트너사가 검증한 독립 사업자고요. 촬영 대상이 되는 노동은 있는데, 그 노동을 고용한 주체는 서류상 없는 셈이에요. 트위치도 비슷해요. 동의는 받았는데 아마존이 무엇을 썼는지는 모른다고 해요. 양쪽 다 동의는 수집되고, 책임은 흩어져요.
한국은 어느 쪽에 서 있을까요
한국 창작자에게는 이번 토글이 남 일처럼 보일 수 있어요. 트위치는 2024년 2월 27일 한국 사업을 접었으니까요. 끌 스위치도, 켜둘 스위치도 없어요.
그런데 그 자리를 채운 플랫폼들은 이미 다른 방식으로 같은 문제를 만나고 있어요.
치지직의 ‘매직 보이스’는 후원 메시지를 인기 스트리머 목소리로 읽어줘요. 여기서 발생하는 추가 금액은 목소리를 제공한 스트리머에게 지급돼요. 기능 하나에 개별 동의와 정산이 붙어 있는 구조예요. SOOP의 AI 매니저 ‘쌀사’는 스트리머의 방송 흐름과 말투를 학습해서, 자리를 비운 사이 채팅을 이어가요. 학습 대상이 콘텐츠가 아니라 사람의 화법이라는 점에서 더 앞서 나간 사례고요.
제도도 방향이 달라요. 한국은 개인정보 처리에 사전 동의를 원칙으로 두고, 개인정보보호위원회는 2024년에 공개된 개인정보를 AI 학습에 쓸 때의 기준을 따로 내놨어요. 미국식 기본값 켜짐이 그대로 이식되기는 쉽지 않은 환경이에요.
다만 앞서 본 어긋남은 제도가 자동으로 풀어주지 않아요. 스트리머가 동의한 학습 데이터 안에는 시청자가 친 채팅이 섞여 있어요. AI 매니저가 배우는 말투에는 그 방송에서 오간 대화가 함께 들어 있고요. 동의를 한 사람과 데이터를 만든 사람이 다르다는 조건은 서울이든 뉴욕이든 똑같아요.
오스왈드의 시선
GTM 전략을 짜면서 데이터 조달 계획을 여러 번 봤어요. 거기서 반복해서 마주친 장면이 있어요. 서버비, 어노테이션 비용, 인건비까지 다 적혀 있는데 원천 데이터 확보 비용만 0으로 놓여 있는 계획서예요. 이유는 단순해요. 이용자가 이미 우리 서비스 안에 있고, 약관에 문구를 넣으면 되니까요.
조달 단가를 0으로 잡는 순간 그다음은 정해져 있어요. 동의율이 곧 확보량이 되니까, UI는 동의율을 최대화하는 방향으로 설계돼요. 민턴의 발언이 실언으로 안 들리는 이유가 여기 있어요. 그건 실수가 아니라 조달 목표에서 역산된 결론이에요.
제가 이번 두 사례를 붙여 본 이유는 여기예요. Shift는 같은 데이터를 사면서 획득 비용을 손익계산서에 올려놨어요. 청소 한 번의 원가가 데이터 한 시간의 값보다 싸다는 판단이 서 있는 거예요. 반대로 트위치는 세계 최대 규모의 창작자 영상을 쥐고도 아직 자기 콘텐츠에 가격표를 만들지 못했어요. 그래서 기본값을 켜는 쪽을 골랐고요.
앞으로 이 차이가 회사를 갈라놓을 거라고 봐요. 데이터를 약관으로 가져가는 회사는 신뢰를 원가로 지불해요. 청구서가 늦게 오고, 한꺼번에 와요. 가격으로 사는 회사는 비용이 먼저 나가지만 다음 협상에서 쓸 근거가 남아요.
그래서 실무에서 던질 질문도 바뀌어야 해요. “동의를 받았는가”가 아니라 “우리가 받은 동의의 단위가 데이터의 단위와 맞는가”예요. 우리 서비스가 모으는 데이터에 동의하지 않은 제3자의 기여분이 섞여 있다면, 그건 법무 리스크이기 전에 설계 결함이에요.
마치며
오늘 이야기를 세 줄로 줄이면 이래요.
첫째, 트위치의 기본값 켜짐은 윤리 실패이기 전에 가격 책정 실패예요. 값을 못 매긴 쪽이 기본값을 켜요. 둘째, 뉴욕의 사례는 사람들이 옵트인을 한다는 걸 보여줘요. 대가가 명시되면요. 셋째, 두 사례 모두 동의한 사람과 값을 치르는 사람이 어긋나 있어요. 개인 토글은 이 어긋남을 해결하지 못하고, 통제감만 돌려줘요.
이번 주에 한 가지만 해보시길 권해요. 지금 다니는 회사나 쓰는 서비스에서 데이터가 수집되는 지점을 하나 골라, 거기 관련된 사람을 전부 적어보는 거예요. 동의한 사람, 데이터를 만든 사람, 나중에 영향을 받을 사람. 세 칸이 같은 이름으로 채워지지 않는다면, 그 서비스는 이미 오늘 이야기 안에 들어와 있어요.
무료로 쓰고 계신 서비스 중에 “내가 동의하긴 했는데 정작 데이터를 만든 건 내가 아니었네” 싶은 게 있으신가요? 어떤 서비스의 어떤 지점이었는지 댓글로 알려주세요. 사례가 모이면 다음 호에서 유형별로 정리해볼게요.
💬 위 질문에 대한 사례를 댓글로 남겨주세요 · 📨 이 구조가 남 일이 아닌 분께 공유해 주세요
참고자료 & 더 읽기
핵심 출처
- Amanda Silberling, “Amazon will train on Twitch streamers’ content by default, unless they opt out”, TechCrunch, 2026. 링크 ··· 민턴 발언의 전후 맥락과 공지 프레이밍을 가장 상세히 정리한 기사예요.
- “Twitch under fire for new gen AI training system that harvests streamer data for Amazon”, PC Gamer, 2026. 링크 ··· 게임사 저작물이 함께 흘러가는 문제를 지적한 부분이 이 글 3장의 출발점이에요.
- “How to stop Twitch from training AI on your streams”, Engadget, 2026. 링크 ··· 옵트아웃으로 무엇이 꺼지고 무엇이 안 꺼지는지 구분해 놓았어요.
- shift, “Free Home Cleaning in NYC” 공식 사이트 및 FAQ, 2026. 링크 ··· 촬영 방식과 익명화 절차, 계약 관계가 FAQ에 그대로 적혀 있어요. 3장을 읽기 전에 먼저 보시길 권해요.
- John Koetsier, “Physical AI Data Is So Valuable This Startup Cleans Your Home For Free”, Forbes, 2026. 링크 ··· 청소 노동과 로봇 학습의 관계를 짚은 대목이 오늘 교차점과 맞닿아 있어요.
배경 지식
- 개인정보보호위원회, 「인공지능 개발·서비스를 위한 공개된 개인정보 처리 안내서」, 2024. 링크 ··· 한국이 어떤 기준으로 AI 학습 데이터를 다루는지 확인할 수 있어요.
- 「한국 떠난 트위치, 한국에서의 향후 스트리밍은 어떻게 변화할 것인가?」, KISO저널, 2024. 링크 ··· 트위치 철수 이후 국내 스트리밍 지형이 어떻게 재편됐는지 정리돼 있어요.
함께 읽으면 좋은 지난 호
- 제 책은 656달러에 팔렸어요 ··· 오늘 글이 동의의 구조를 다뤘다면, 그 호는 동의 이후의 가격을 다뤄요. 이어서 읽으시길 권해요.
- 봇에게 이름과 지갑을 준 클라우드플레어 ··· 데이터를 가져가는 쪽에 값을 물리려는 반대편 시도예요.
📝 용어 설명
각주
-
옵트인 / 옵트아웃: 옵트인은 이용자가 직접 동의해야 데이터가 쓰이는 방식이고, 옵트아웃은 기본적으로 쓰이되 원하면 끄는 방식이에요. 같은 기능이라도 어느 쪽을 기본값으로 두느냐에 따라 참여율이 크게 달라져요. ↩
-
조작 데이터 (manipulation data): 로봇이 물건을 집고 닦고 옮기는 동작을 배우기 위한 학습 데이터예요. 사람의 손과 시선을 1인칭으로 기록한 영상이 대표적이고, 실제 집처럼 어질러진 환경일수록 값이 올라가요. ↩
-
어노테이션 (annotation): 원본 데이터에 “이건 컵, 이건 닦는 동작” 같은 설명을 붙여 학습 가능한 형태로 만드는 작업이에요. 사람이 직접 보면서 작업하는 경우가 많아서, 익명 처리 이후에도 누군가는 영상을 본다는 뜻이기도 해요. ↩
SEND A COFFEE
이 관점이 좋았다면, 다음 글에 커피 한 잔
오스왈드에게 커피와 함께 짧은 쪽지를 보내주세요. 응원은 다음 취재와 집필에 보탭니다.
여러분의 생각이 다음 호를 만듭니다
이번 호에서 가장 공감했거나, 다른 경험을 한 지점은 무엇인가요?