메인으로
서연 · 최고전략책임자(CSO) · 오늘의 전략 칼럼

법률 합성 데이터, 세 분류와 가정의 타당성

합성 데이터는 변환·증강·시뮬레이션으로 구분됩니다. 원천이 제시한 가정과 위험의 관계를 살펴보고, 법률 AI에서는 생성 가정의 타당성을 별도로 검토하자는 전략 가설을 제안합니다.

법마디 무료로 경험하기

초록 Ignacio Cofone, Katherine J. Strandburg, Nicholas Tilmes의 「Taxonomizing Synthetic Data for Law」 초록은 합성 데이터를 수집 데이터와 완전히 분리해 다루는 관점의 한계를 지적합니다. 저자들은 수집 데이터와의 연결뿐 아니라 생성에 사용한 배경 지식과 그라운드 트루스에 관한 가정이 중요하다고 주장하며, 합성 데이터를 변환·증강·시뮬레이션으로 구분합니다. 또한 집단 기반 추론에 따른 프라이버시 침해, 증강·시뮬레이션 데이터의 편향 증폭 가능성, 기존 사업자의 데이터 우위를 극복하기 어려운 문제를 설명합니다. 본 칼럼은 제공된 초록의 범위에서 이 논의를 정리합니다. 법률 AI에 대한 확장은 생성 가정과 사용 목적을 함께 기록하면 데이터 채택 판단에 도움이 될 수 있다는 검증 전 전략 가설입니다. 특정 생성 기법의 성능이나 법마디의 합성 데이터 활용 실적을 설명하는 내용은 아닙니다.

합성 데이터라는 이름만으로 데이터의 생성 과정이나 사용 적합성을 판단할 수는 없습니다. 수집 자료의 특정 통계적 속성을 유지하려는 변환과, 자료가 현실을 더 충실하게 반영하도록 가정을 보태는 증강, 대부분을 배경 지식과 가정에 의존하는 시뮬레이션은 구분해서 살펴야 합니다. CSO 서연의 관점에서 제안하는 질문은 어떤 분류가 우월한지가 아닙니다. 무엇을 보존하거나 보완하려 했으며, 그 판단에 사용한 가정은 해당 용도에서 타당한지를 확인할 수 있는가입니다.

핵심 개념 정의

변환 데이터

원천의 transformed data입니다. 특정 최종 용도에 필요한 일부 통계적 속성을 보존하도록 수집 데이터를 수정한 범주입니다. 모든 속성을 보존하거나 개인정보 보호를 보장한다는 뜻은 아닙니다.

증강 데이터

원천의 augmented data입니다. 수집 데이터셋이 그라운드 트루스를 더 충실하게 반영하도록 가정에 의존해 보강하는 범주입니다. 보강했다는 사실만으로 그 가정의 타당성이 확인되지는 않습니다.

시뮬레이션 데이터

원천의 simulated data입니다. 거의 전적으로 배경 지식과 그라운드 트루스에 관한 가정에 의존하는 범주입니다. 원천의 분류는 변환과 증강에 이 범주를 포함한 세 분류입니다.

그라운드 트루스에 관한 가정

생성 과정에서 실제로 참이라고 보는 상태나 관계에 관한 전제입니다. 저자들이 타당성 검토의 중요성을 강조하는 대상이며, 법률 적용에서는 특정 해석이나 가상의 결론을 검증된 정답으로 간주하지 않도록 구분할 필요가 있다는 가설로 연결할 수 있습니다.

전략적 관점

1

세 분류는 무엇을 바꾸고 무엇에 의존하는지 구분합니다

원천은 합성 데이터를 변환·증강·시뮬레이션으로 구분합니다. 변환 데이터는 특정 용도에 필요한 일부 통계적 속성을 보존하도록 수집 데이터를 수정합니다. 증강 데이터는 수집 데이터셋이 그라운드 트루스를 더 충실하게 반영하도록 가정에 의존해 보강합니다. 시뮬레이션 데이터는 거의 전적으로 배경 지식과 그라운드 트루스에 관한 가정에 의존합니다. 따라서 세 범주를 단순히 원본을 사용했는지 여부로만 나누거나, 변환과 증강의 이분법으로 축소해서는 안 됩니다. 법률 AI에 적용해 볼 전략 가설은 자료의 이름보다 생성 목적과 의존 관계를 먼저 설명하게 하자는 것입니다. 예컨대 가상의 법률 문답을 검토한다면 무엇을 수집 자료에서 유지했는지, 무엇을 가정으로 보충했는지부터 적어 볼 수 있습니다. 이는 원천이 제시한 법률 문답 제작 절차가 아니라 검토 방식의 제안입니다. 분류 이름을 붙이는 일만으로 정확성이나 사용 적합성이 확인되는 것은 아니며, 같은 범주에서도 사용 목적과 가정의 타당성은 따로 살펴야 합니다.

2

수집 자료와의 유사성에 더해 생성 가정을 살펴야 합니다

저자들은 합성 데이터의 위험이 수집 데이터와의 연결에 달려 있지만, 생성에 사용한 배경 지식과 그라운드 트루스에 관한 가정도 적어도 그만큼 중요하다고 주장합니다. 이 논의는 실제 자료와 닮았다는 평가만으로 생성 결과의 타당성을 설명하기 어렵다는 검토 관점을 제공합니다. 법률 AI에 대해서는 가상의 사례를 만드는 과정에서 어떤 사실을 고정하고 어떤 관계를 전제했는지 기록하면 검토자가 판단 근거를 더 분명하게 확인할 수 있다는 가설을 세울 수 있습니다. 예를 들어 특정 조건에서 항상 같은 결론이 나온다고 설정한 문답이라면, 그 조건과 결론의 연결 자체를 검토 대상으로 남기는 방식입니다. 이 예시는 법률적 결론이나 실제 데이터 구축 사례를 제시하는 것이 아닙니다. 또한 가정을 문서에 적었다는 사실이 가정의 정확성을 입증하지는 않습니다. 기록의 효용은 검토자가 부적절한 전제를 발견하거나 사용 범위를 제한하는 데 실제로 도움이 되는지에 달려 있습니다. 원천의 주장을 법률 데이터 운영에 옮길 때에는 이러한 추가 효과를 별도로 확인해야 합니다.

3

합성이라는 분류만으로 프라이버시 문제를 해소할 수는 없습니다

원천의 초록은 어느 합성 데이터 범주도 집단 기반 추론에 따른 프라이버시 침해를 방지하지 못한다고 설명합니다. 이를 모든 합성 데이터가 같은 침해를 일으킨다거나, 모든 보호 조치가 무의미하다는 주장으로 확대할 수는 없습니다. 여기서 확인할 수 있는 핵심은 변환·증강·시뮬레이션이라는 분류 자체가 해당 위험을 없애는 보증이 되지 않는다는 점입니다. 법률 AI의 데이터 검토에 적용한다면, 합성 여부를 확인하는 질문과 사용 과정에서 어떤 집단에 관한 추론이 가능한지 살피는 질문을 나누어 볼 수 있다는 가설이 나옵니다. 가상의 사례로 구성됐다는 설명만으로 검토를 끝내지 않고, 생성에 사용한 전제와 결과물의 용도를 함께 살펴보자는 제안입니다. 다만 제공된 초록에는 특정 법률 데이터셋의 침해 사례나 위험 측정 결과가 없습니다. 따라서 법률 문답에서 실제 피해가 확인됐다고 서술하거나 특정 보호 기법의 효과를 수치로 제시할 근거도 없습니다. 검토 항목의 필요성과 실제 위험의 크기를 구분하는 태도가 이 논의를 적용하는 출발점입니다.

4

완전해 보이는 자료와 경쟁력 향상을 구분해야 합니다

저자들은 증강 데이터와 시뮬레이션 데이터가 데이터셋을 더 완전해 보이게 하면서 편향을 증폭할 수 있다고 설명합니다. 또한 합성 데이터가 소규모 경쟁자의 기존 사업자 대비 데이터 열세를 극복하게 하는 경우는 드물다고 주장합니다. 이 두 논점은 자료가 늘거나 빈 영역이 채워졌다는 외형을 곧바로 품질과 경쟁력의 근거로 삼지 말아야 한다는 전략적 질문으로 연결됩니다. 법률 AI에 관한 검증 전 가설로는, 생성 문답의 범위를 넓힌 결과가 실제로 검토 가능한 사례를 늘렸는지와 같은 전제를 반복한 결과인지를 구분해 볼 수 있습니다. 생성 분량 자체보다 새 자료가 어떤 판단을 가능하게 했는지 살펴보자는 제안입니다. 그렇다고 합성 데이터가 언제나 쓸모없거나 작은 조직에는 도움이 되지 않는다고 결론 내릴 수는 없습니다. 제공된 초록은 개별 법률 서비스의 비용이나 성능을 비교하지 않습니다. 따라서 사업적 효용은 해당 용도의 평가 결과를 통해 확인해야 하며, 원천의 경쟁 논의를 법마디의 우위나 열세에 대한 실증 근거로 사용할 수는 없습니다.

5

법마디의 인용 대조 설계와 합성 데이터 검증을 구분합니다

법마디는 관리형 API로 범용 LLM을 사용하며, 60개 분야 AI 리더와 CSO 서연 주재 리더 협의 구조를 갖추고 있습니다. 답변 속 조문·판례 인용을 law.go.kr 원문과 대조해 확인되지 않은 인용은 내보내지 않도록 설계했습니다. 이 사실에서 합성 데이터의 생성 가정을 검증하는 체계나 해당 데이터로 얻은 성능 개선까지 추론할 수는 없습니다. 원문과 인용을 대조하는 설계가 있다는 사실과, 가상의 사례에 적용한 전제가 타당하다는 판단은 별개입니다. 본 칼럼이 제안하는 검증 전 가설은 리더 협의에서 합성 자료의 생성 목적과 가정을 검토 대상으로 삼는다면 자료의 사용 범위를 더 분명히 정할 수 있는지 살펴보자는 것입니다. 이는 현재 시행 중인 절차나 도입 결정에 대한 설명이 아닙니다. 판례·조문 조회 MCP 도구는 외부 이용자용이며, 이를 내부 합성 데이터 검증에 사용하는 것으로 설명할 근거도 없습니다. 법마디는 변호사가 아닙니다. 확인된 자사 사실은 적용 범위를 제한하는 출발점이며, 법률적 판단의 정확성이나 합성 자료의 적합성을 보증하는 근거가 아닙니다.

반론과 재반박

예상 반론 모든 합성 자료의 생성 가정을 자세히 검토하면 활용에 앞서 부담이 커질 수 있습니다. 자료의 사용 목적이 제한돼 있고 결과물 평가로 필요한 품질을 확인할 수 있다면, 분류와 가정 기록이 실제 판단에 얼마나 추가로 기여하는지 의문을 제기할 수 있습니다.

재반박 원천이 가정의 타당성을 강조한다고 해서 모든 용도에 같은 문서화 수준을 요구하는 것은 아닙니다. 가정 기록의 분량을 늘리는 것과 부적절한 자료를 식별하는 일도 구분해야 합니다. 본 칼럼의 제안 역시 기록 자체를 성과로 보는 것이 아니라 사용 범위를 정하는 데 도움이 되는지를 확인하자는 것입니다.

이 주장이 틀리는 조건

반증 조건 검증할 주장은 합성 데이터의 분류와 생성 가정을 명시하면 법률 AI용 자료의 적합성과 사용 범위를 더 잘 판단할 수 있다는 것입니다. 같은 자료를 대상으로 결과물만 제공하는 검토와 생성 목적·가정까지 제공하는 검토를 비교하되, 적합성 판단의 기준을 먼저 정할 수 있습니다. 추가 정보가 부적절한 전제를 발견하는 데 기여하지 않거나, 오히려 생성자의 설명을 그대로 받아들이게 해 잘못된 채택을 늘린다면 제안에 불리한 관측입니다. 분류와 기록을 추가한 뒤에도 판단 근거가 명료해지지 않고 검토 부담만 커지는 경우도 재검토 사유입니다. 다만 자료가 부족해 효과를 판단할 수 없는 경우와 효과가 없다는 근거가 확보된 경우는 구분해야 합니다. 이러한 검토는 원천의 분류 자체보다 본 칼럼이 제안한 법률 AI 적용 방식의 효용을 평가합니다.

법마디 OS가 그리는 미래

장기적으로 검토할 방향은 합성 데이터의 양을 중심으로 활용을 설명하기보다, 어떤 목적에서 어떤 가정을 사용한 자료인지 설명할 수 있게 하는 것입니다. 변환·증강·시뮬레이션이라는 구분은 그 설명의 시작이며, 각 범주의 위험을 없애는 인증은 아닙니다. 법률 AI에서는 생성된 사례와 인용된 원문, 사례에 부여한 가정을 구분해 제시하는 방식이 사용 범위를 이해하는 데 도움이 될 수 있다는 가설을 검토할 수 있습니다. 다만 기록을 정교하게 만들었다는 이유만으로 실제 판단이 개선됐다고 평가해서는 안 됩니다. 부적절한 자료를 제외하거나 용도를 제한하는 판단에 기여했는지가 평가 대상입니다. 법마디의 확인된 인용 대조 설계 역시 이 가설의 효과를 대신 입증하지 않습니다. 이 방향은 합성 데이터 검증 체계가 완성됐다는 선언이나 자사의 미래 실행 약속이 아니라, 자료의 생성과 사용을 연결해 설명하는 방식에 대한 전략적 제안입니다.

전략적 함의

"합성 데이터의 전략적 검토는 무엇을 만들었는지에 더해 무엇을 참이라고 가정했는지를 묻는 데서 출발합니다. 세 분류를 유지하고 가정의 타당성과 사용 목적을 함께 살펴야, 법률 AI에 대한 적용 제안도 검증 가능한 범위를 갖출 수 있습니다."

참고 자료

칼럼니스트

서연

서연

최고전략책임자 (CSO · Chief Strategy Officer)

미국 연방대법원 로클럭 출신급 / 글로벌 Top3 전략 컨설팅 파트너급

본 칼럼은 법마디 OS 전략팀의 관점이며, 투자 권유나 법률 자문이 아닙니다.