미공개 원고를 외부 AI에 넣는 순간 생기는 실제 문제
연구자가 미공개 논문이나 실험데이터를 AI로 교정·요약·분석하려 할 때 먼저 따져야 할 것은 "기밀이 새느냐"가 아니다. 미공개 원고를 외부 AI에 넣는 순간 생기는 실제 문제는 무엇인가. 핵심 리스크는 세 가지로 나뉜다. 외부 LLM 서비스에 미공개 원고를 입력하면 그 데이터가 제3자 서버로 전송·보존되고, 이는 특허 신규성 판단에서 선행공개(prior art)로 해석될 여지를 만든다. 여기에 입력 데이터가 학습에 편입될 가능성, 그리고 그 결과가 중복게재·연구부정 의혹으로 번질 경로가 더해진다. 즉 연구자에게 외부 AI 입력은 단순한 보안 사고가 아니라 논문과 특허의 무결성 문제다. 연구자 AI 도구를 고를 때는 이 손실 구조를 먼저 이해해야 한다. 결론부터 말하면, 미공개 자료를 다루는 가장 단순하고 검증 가능한 방법은 문서 처리를 기기 밖으로 내보내지 않는 온디바이스 방식이다.
"유출"이 아니라 "공개로 간주"가 문제다
특허에서 신규성은 출원 시점에 해당 발명이 공중에 공개되지 않았음을 전제로 한다. 선행공개란 출원 전에 이미 공중이 접근 가능한 형태로 존재하던 기술 정보를 가리킨다. 문제는 미공개 자료를 통제 범위 밖의 외부 서버로 보내는 행위가 "공중 접근 가능성"이라는 회색지대를 건드린다는 점이다.
데이터가 실제로 새지 않았더라도, 입력한 자료가 어떤 형태로 보존·활용되는지를 연구자가 통제하거나 증명할 수 없다면 신규성을 주장할 때 불리한 정황이 된다. 특히 한국과 미국을 비롯한 다수 국가가 채택한 선출원주의 아래에서는 출원 시점 이전의 공개 정황 하나하나가 권리 확보에 영향을 준다. 논문에서도 사정은 같다. 학술 우선권은 "누가 먼저 공개했는가"로 다투는데, 원고 본문이 외부 시스템에 들어간 시점과 경로가 불투명하면 우선권 분쟁에서 방어 근거가 약해진다.
입력 데이터는 어디로 가는가: 약관의 회색지대와 검증 불가능성
다수 상용 LLM의 약관은 입력 데이터의 학습 활용 여부와 보존 기간을 플랜과 설정에 따라 다르게 규정한다. 무료 플랜은 입력이 학습에 쓰일 수 있고, 기업용 플랜이나 옵트아웃 설정에서는 학습 비활용을 명시하는 식이다.
그러나 연구 리스크 관점에서 핵심은 따로 있다. 약관이 "학습에 쓰지 않는다"고 명시하더라도, 사용자가 그 비활용을 외부에서 직접 검증할 방법은 사실상 없다는 점이다. 데이터가 서버에 도달한 뒤의 처리 과정은 제공자의 내부 영역에 속한다. 연구자는 약관 문구를 신뢰하는 것 외에 확인 수단이 없고, 이 검증 불가능성 자체가 연구 리스크다. 약관에 대한 신뢰가 아니라 검증 가능성에 기반해 판단해야 하는 이유가 여기에 있다.
학습데이터 편입과 중복게재 의혹으로 이어지는 경로
입력 데이터가 모델 학습에 편입되면, 같은 주제를 질의한 제3자의 응답에 원고의 표현이나 결과가 반영될 가능성을 배제하기 어렵다. 이 경우 연구자 본인의 미발표 결과가 출처 표기 없이 외부로 확산되는 셈이고, 이는 우선권 훼손으로 이어진다.
중복게재 의혹도 같은 경로에서 발생한다. 외부 시스템이 보존한 원고 단편이 다른 채널을 통해 노출되면, 정작 정식 게재 시점에 "이미 공개된 내용"이라는 지적을 받을 수 있다. 연구부정 심사에서 의혹의 입증 책임은 종종 연구자에게 돌아오는데, 외부 입력 경로가 불투명할수록 결백을 증명하기 어려워진다. 미공개 논문을 AI로 다룰 때 입력 경로의 추적 가능성이 중요한 이유다.
공동연구에서는 데이터 격리도 함께 봐야 한다
미공개 자료는 혼자만 다루지 않는다. 같은 실험데이터를 여러 연구자가 분석하고, 초안을 주고받으며 교정한다. 이 단계에서 누군가 한 명이라도 외부 LLM에 원고를 입력하면, 그룹 전체가 쌓아온 통제 노력이 그 지점에서 무너진다. IRB 승인 범위 안에서 다루기로 한 임상자료나 환자 데이터라면 외부 전송 한 번이 연구윤리 측면의 문제로 번질 수 있다.
따라서 미공개 자료를 다루는 기준은 개인의 습관이 아니라 연구 그룹의 공통 워크플로로 정해져야 한다. 구성원 전원이 같은 방식으로 자료를 처리하고, 그 방식이 외부로 데이터를 내보내지 않는다는 점을 서로 확인할 수 있을 때 비로소 데이터 격리가 성립한다.
회피책: 문서 처리를 기기 밖으로 내보내지 않는다
앞서 본 위험은 공통적으로 "문서 내용이 기기 밖으로 나가는 것"에서 출발한다. 따라서 회피책의 원리는 단순하다. 문서 처리를 외부 서버가 아닌 기기 내부 엔진에서만 수행하면 된다.
온디바이스(로컬) 문서 AI는 문서 처리를 기기 내부 엔진(localhost)에서만 실행해 문서 내용을 외부 서버로 전송하지 않는 방식이다. 입력 데이터가 제3자 서버에 도달하지 않으므로, 선행공개 해석 여지와 약관 의존이라는 두 축이 동시에 줄어든다. 연구 워크플로의 대부분이 여기에 해당한다. 원고 교정, 실험 노트 요약, 데이터에 대한 자연어 질의, 초안 작성 같은 작업을 기기 안에서 처리할 수 있다. 출처(근거)를 함께 제시하는 방식이라면 미공개 데이터를 다룰 때도 답변의 근거를 추적할 수 있어, 출처 기반 답변이 연구 무결성에 기여한다.
다만 한계도 분명하다. 온디바이스 처리는 기기 사양에 묶인다. RAM 8GB 환경에서는 4B급 모델(qwen3:4b-instruct 기준)까지가 현실적이며, 클라우드의 초대형 모델보다 작고 응답도 느릴 수 있다. 실시간 최신 정보 검색은 클라우드 쪽이 유리하다. 미공개 자료를 통제 가능한 영역에서 다루는 대신 감수하는 트레이드오프다. Apioni는 한국어 게이트(ko-v2)로 같은 4B급에서 naive 설정 대비 정답률을 자체 실측 기준 약 14~18%p 끌어올렸고(표본·조건 한정), 수치충실 게이트로 양자화(q4_K_M) 과정의 수치 손상을 차단한다.
클라우드 AI와 온디바이스의 차이: 연구 리스크 관점 비교
| 구분 | 온디바이스(Apioni) | 클라우드 AI |
|---|---|---|
| 데이터 위치 | 내 기기(localhost) | 외부 제3자 서버 |
| 약관 의존 | 문서 처리에 외부 약관 무관 | 학습·보존 정책에 의존 |
| 검증 가능성 | lsof·자가검증으로 직접 확인 | 외부 검증 사실상 불가 |
| 선행공개 리스크 | 문서 미전송으로 여지 축소 | 외부 전송·보존으로 여지 발생 |
| 비용 | ₩39,000 일회성 | 월 구독 |
Apioni를 쓸 때 실제로 무엇이 기기 밖으로 나가는가
Apioni는 온디바이스 문서 AI 데스크톱 앱이다. 폴더를 연결해 인덱싱하면 키워드(BM25)와 의미검색을 결합한 하이브리드 방식으로 검색하고, 출처를 함께 제시하며 질문답변·요약·작성을 수행한다. 이 과정은 전부 로컬 엔진에서 돌아간다.
네트워크 동작을 사실대로 적으면 이렇다. Apioni가 인터넷으로 여는 연결은 두 가지뿐이다. 첫 실행 시 엔진과 모델을 한 번 내려받는 다운로드, 그리고 실행할 때마다 apioni.com에서 버전을 확인하는 연결이다. 둘 다 문서 내용은 담기지 않으며, 별도의 텔레메트리도 없다. 그리고 이를 사용자가 신뢰하는 데서 그치지 않도록, 앱 안의 네트워크 자가검증 기능과 lsof, 패킷 캡처 같은 도구로 어떤 연결이 열리는지 직접 확인할 수 있다. 약관을 믿는 대신 직접 검증하는 접근이며, 검증하는 방법을 별도로 정리해 두었다. 모델의 최초 다운로드는 Ollama가 수행하는 별개 과정으로, 문서를 받은 뒤의 처리 영역과는 구분된다.
임상자료나 환자 데이터를 다루는 의료·연구 직군이라면 진료 단계와 연구 단계를 구분한 의료·임상자료 로컬 AI 맥락도 함께 참고할 수 있다. Apioni는 회사 단위 라이선스로 기기 수 제한이 없어, 같은 연구실이나 공동연구 그룹이 동일한 처리 기준을 함께 맞추기에도 적합하다.
자주 묻는 질문
로컬 AI로 처리하면 선행공개 우려가 사라지나요
온디바이스 처리는 문서 내용을 외부 서버로 전송하지 않으므로, 외부 전송·보존에서 비롯되는 선행공개 해석 여지를 크게 줄인다. 다만 특허 신규성 판단은 입력 경로 외에도 발표·시연·공동연구자 공유 등 여러 요소를 함께 보기 때문에, 로컬 처리가 모든 공개 위험을 자동으로 없애는 것은 아니다. 외부 입력 경로 하나를 통제 가능한 영역으로 되돌린다고 이해하는 편이 정확하다.
무료 ChatGPT와 유료 플랜은 입력 데이터 처리가 다른가요
플랜과 설정에 따라 학습 활용과 보존 정책이 다르게 규정되는 것이 일반적이다. 그러나 어느 플랜이든 데이터가 외부 서버에 도달한 이후의 처리를 사용자가 외부에서 검증하기는 어렵다는 점은 공통된다. 미공개 자료라면 이 검증 불가능성을 전제로 판단해야 한다.
인터넷 없이 어디까지 되나요
폴더 인덱싱, 요약, 검색, 질문답변, 초안 작성 같은 문서 처리 작업은 인터넷 연결 없이 기기 내부에서 수행된다. 첫 실행 때 엔진과 모델을 한 번 내려받고 나면, 이후 외부로 여는 연결은 실행 시 버전 확인뿐이고 여기에도 문서 내용은 담기지 않는다.
모델 다운로드는 외부 연결 아닌가요
온디바이스 LLM 모델의 최초 다운로드는 Ollama가 수행하는 별개 과정입니다. 이는 Apioni의 문서 처리 동작과 구분되며, 모델을 받은 뒤의 문서 처리는 로컬에서만 이뤄집니다.
공동연구자와 같은 기준을 어떻게 공유하나요
Apioni는 회사 단위 라이선스로 기기 수 제한이 없습니다. 같은 연구실이나 공동연구 그룹이 동일한 온디바이스 처리 기준을 적용해, 미공개 자료를 외부로 보내지 않는 워크플로를 함께 맞출 수 있습니다.
미공개 자료는 기기 안에서 다룬다
미공개 논문과 실험데이터, 특허 전 자료는 기기 밖으로 내보내지 않는 것이 가장 단순하고 검증 가능한 회피책입니다. Apioni는 ₩39,000 일회성 구매로 구독이 없고, 14일 무료 트라이얼은 카드 없이 시작할 수 있습니다.