What's a Credit Worth? A Market Framework for Attribution-Aware Compensation in Generative Music

기술 요약: 생성형 음악을 위한 기여도 인지적 보상 시장 프레임워크

문제 제기
저작권이 있는 녹음물 대규모 카탈로그를 학습하여 구동되는 생성형 AI의 급격한 발전은 플랫폼 설계에 중대한 공백을 만들었다. 즉, 창작자의 작업이 상업적 출력물을 생성하는 모델을 학습시키는 데 사용되었을 때, 이를 보상할 수 있는 신뢰할 수 있고 공정한 메커니즘이 존재하지 않는다. 현재의 라이선싱 관행은 일반적으로 카탈로그 또는 장르 수준에서 협상된 정액 비용(flat fees)에 의존하며, 이는 다음 두 가지 핵심적인 경제적 현실을 간과한다: (1) 생성된 출력물에 대한 특정 데이터의 한계 기여도는 매우 다양하다는 점, (2) 정액 비용은 AI가 창출하는 수익에 따라 규모가 커지지 않는다는 점이다. 또한, 기존의 데이터 기여도 측정 방식은 종종 노이즈가 섞인 추정치를 생성하지만, 결제 메커니즘은 이러한 노이즈를 거의 고려하지 않으며, 이는 창작자와 플랫폼 모두에게 후생 손실을 초래한다.

방법론
저자들은 데이터 기여도 측정(기여도 추정)과 계약 이론(불확실성 하에서의 지급 규칙 설계)을 통합하는 주체-대리인(principal-agent) 프레임워크를 제안한다. 이 프레임워크는 $N$명의 창작자, AI 플랫폼, 그리고 사용자가 존재하는 시장을 모델링하며, 플랫폼과 자신의 카탈로그를 도매로 라이선스하는 창작자 간의 상호작용에 초점을 맞춘다.

1. 기여도 측정 및 정보성: 핵심적인 기술적 원형은 기여도 신호의 정보성(informativeness, $I_j$)이다. 데이터를 단순히 순위 매기는 것에만 집중하는 기존 연구와 달리, 본 프레임-워크는 기여도 점수($\hat{a}_j$)를 실제 반사실적 기여($a^*_j$)에 대한 노이즈가 섞인 추정치로 취급한다. 정보성은 측정된 기여도에 대한 실제 기여의 최소제곱법(OLS) 기울기로 정의된다:
   $$I_j := \frac{\text{Cov}(\hat{a}_j, a^*_j)}{\text{Var}(\hat{a}_j)}$$
   가우시안 가법 노이즈(additive Gaussian noise) 하에서, 이는 신호 대 잡음비(SNR) 변환에 해당한다: $I_j = \text{SNR}_j / (1 + \text{SNR}_j)$.

2. 계약 설계: 플랫폼은 고정 비용($f_j$)과 로열티율($\rho_j$)로 구성된 선형 계약 $\theta_j = (f_j, \rho_j)$를 제공한다. 창작자는 지급 안정성을 중시하는 위험 회피적 에이전트(파라미터 $\alpha_j$)로 모델링된다. 플랫폼은 창작자의 참여 제약 조건(개별 합리성)을 준수하면서 이윤을 극대화한다.

3. 최적 지급 규칙: 저자들은 기여도 정렬 로열티 벤치마크(attribution-aligned royalty benchmark)에 대한 폐쇄형 해(closed-form solution)를 도출한다. 최적의 로열티율 $\rho^*_j$는 기여도와 지급액의 일치성과 노이즈 섞인 신호로 인해 발생하는 위험 프리미엄 사이의 균형을 맞춘다:
   $$\rho^*_j = \text{clip}\left(\frac{I_j}{\alpha_j}, [0, 1]\right)$$
   이는 다음과 같은 체제별 솔루션을 제공한다:

   • 높은 정보성 ($I_j \to 1$): 로열티 기반 계약이 최적이다.
   • 낮은 정보성 ($I_j \to 0$): 정액 비용 라이선스가 최적이다.
   • 중간 단계: 하이브리드 계약.

4. 후생 분석: 본 프레임워크는 불완전한 기여도 측정으로 인한 후생 손실($L_j$)을 정량화한다:
   $$L_j = \frac{\text{Var}(v_j)}{2\alpha_j}(1 - I_j)^2$$
   이 손실은 볼록(convex)하며, 이는 기여도 신호가 가장 노이즈가 심한 창작자에게서 기여도 측정 개선의 한계 편익이 가장 높음을 의미한다.

5. 경험적 측정: 이론을 검증하기 위해, 저자들은 리브-원-카탈로그-아웃(leave-one-catalog-out) 측정 파이프라인을 구현한다. 모델을 데이터 하위 집합으로 미세 조정하고, 특정 카탈로그를 제외한 뒤, 생성된 출력물의 손실 변화량(loss delta)을 측정하여 실제 기여도($a^*_j$)를 확립한다. 이를 통해 확장 가능한 기여도 측정 방법들(오디오의 경우 EKFAC, D-TRAK; 심볼릭 음악의 경우 LoGra, TRAK)과 비교하여 실제 정보성($I_j$)과 캘리브레이션 스케일($K_j$)을 측정한다.

주요 결과

• 기여도 측정의 노이즈가 현재 관행을 압도함: 22개의 오디오 카탈로그(Stable Audio Open)와 100개의 심볼릭 카탈로그(Anticipatory Music Transformer)에 대한 경험적 측정 결과, 현재의 기여도 측정 방식은 로열티 기반 지급을 지원하기에는 너무 노이즈가 심하다. 캘리브레이션된 SNR은 로열티가 정액 비용보다 우월해지기 위해 필요한 임계치보다 약 10배 낮다. 결과적으로, 현재 기술 수준에서 거의 모든 창작자에게 최적인 계약은 정액 비용 라이선스이다.
• 순위 vs. 카디널 캘리브레이션: 창작자의 순위(Spearman 상관계수)에는 동의하지만, 카디널 스케일(calibration slope)에서는 몇 자릿수 차이로 불일치하는 기여도 측정 방식들이 존재한다. 후생 손실은 카디널 캘리브레이션에 의존하므로, 순위 기반 평가는 지급 설계를 위한 충분조건이 되지 못한다.
• 기여도 해자(The Attribution Moat): 다중 플랫폼 경쟁 환경에서, 더 정밀한 기여도 측정 능력을 갖춘 플랫폼은 지속적인 우위를 점한다. 추격하는 플랫폼들은 선두 플랫폼의 정밀도를 추월하기 전까지는 기여도 측정 투자에 대해 어떠한 사적 수익도 얻지 못하는 "데드 존(dead zone)"을 경험하게 되며, 이는 경쟁자들의 기여도 품질에 대한 체계적인 과소 투자를 초래한다.
• 균등 계약은 독특한 창작자에게 해로움: 본 논문은 균등한 보상 정책(예: 모두에게 동일한 요율 적용)이 높은 가치를 지닌 독특한 창작자(높은 외부 옵션과 비가산적 가치를 가진 창작자)의 플랫폼 이탈을 초 disproportionately 유발함을 보여준다. 이러한 이탈은 독특한 스타일이 다른 창작자들의 작업을 혼합하는 것으로 쉽게 대체될 수 없기 때문에 초선형적(superlinear) 후생 손실을 초래한다.
• 조작 취약성: 창작자는 평균을 바꾸지 않으면서 분산(점수의 퍼짐 정도)을 "매끄럽게(smoothing)" 만들어 위험 프리미엄을 낮춤으로써 보고된 기여도 점수를 조작할 수 있다. 선형 계약 하에서는 이러한 조작을 저지하는 것이 불가능하므로, 단순한 계약 설계보다는 제도적 감독(제3자 감사인)이 필요하다.

의의 및 주장
본 논문은 생성형 음악 시장을 위해 데이터 기여도 측정과 계약 설계를 연결하는 최초의 주체-대리인 프레임워크를 제공한다고 주장한다. 그 의의는 다음과 같다:

1. 지표의 전환: 기여도 측정 방식의 평가 기준을 순위 상관관계에서 카디널 캘리브레이션으로 이동시킨다. 이는 후생 최적 계약을 결정하는 데 필수적이다.
2. 연구에 대한 경제적 동기 부여: 기여도 정밀도 개선이 왜 중요한지에 대한 구체적인 경제적 근거(후생 손실 $L_j$)를 제공한다. 프레임워크는 더 나은 기여도 측정이 직접적으로 후생 증대로 이어지지만, 이는 신호가 로열티 기반 계약을 정당화할 만큼 충분히 정밀할 때만 가능하다는 것을 보여준다.
3. 정책 및 거버넌스: 기여도 품질이 측정 가능한 경제적 원형임을 확립한다. 저자들은 투명성과 제3자 감독이 없다면 시장이 기여도 기술에 대한 투자 부족과 독특한 창의적 스타일의 상실을 겪게 될 것이라고 주장한다.
4. 실질적 벤치마킹: 다양한 모달리티(오디오 확산 모델 및 심볼릭 언어 모델)에 걸친 기여도 정보성의 첫 번째 경험적 벤치마크를 제공하여, 정밀도 부족이 특정 아키텍처의 문제가 아니라 현재 머신러닝 전반의 특성임을 확인한다.

저자들은 이론적으로는 로열티 기반 보상을 지지하지만, 현재의 기여도 측정 기술는 이를 실행하기에 불충분하다고 결론짓는다. 따라서 현재 산업의 즉각적인 시사점은 정액 비용 라이선스로의 이동과 함께, 로열티 기반 모델을 실현하기 위해 기여도 정밀도를 높이는 데 대한 긴급한 투자이다.