위키백과, 언어 모델 학습 비중은 작아도 반복 학습된 AI 답변 근거

위키백과는 언어 모델 학습 자료 가운데 분량은 작지만, 크기에 비해 더 자주 반복 학습된 자료입니다. GPT-3 논문은 학습 혼합 비중을 3%로 밝히고, 품질이 높다고 본 자료라서 더 자주 뽑았다고 설명합니다. LLaMA 논문은 비중을 4.5%로 적었습니다. AI 답변 단계에서는 이와 별개로 검색 색인과 데이터 공급 계약을 거쳐 최신 근거로 다시 쓰일 수 있습니다.

따라서 위키백과의 위치는 두 층으로 나누어 보아야 합니다. 하나는 모델 안에 이미 녹아든 학습 자료이고, 다른 하나는 답변을 만들 때 불러오는 참조 문서입니다. 두 층은 반영 시점, 출처 표시 방식, 실무자가 확인하는 방법이 모두 다릅니다.

위키백과는 학습 자료에서 얼마나, 어떻게 쓰였나요?

학습 자료 구성을 숫자로 공개한 대표 문서는 2020년 GPT-3 논문과 2023년 LLaMA 논문입니다. 두 논문에 적힌 위키백과 항목은 다음과 같습니다.

분량은 한 논문이 토큰(모델이 글을 나누는 단위) 수로, 다른 논문이 디스크 용량으로 적었습니다. 단위가 달라 두 값을 직접 비교할 수는 없습니다.

GPT-3 논문은 데이터 세트를 크기에 비례해 뽑지 않고, 품질이 높다고 본 자료를 더 자주 뽑았다고 설명합니다. 필터링한 커먼 크롤(공개 웹 수집본)은 비중이 60%였지만 반복은 0.44회에 그쳤습니다. 반면 위키백과는 3.4회 반복되었습니다. 비중은 작아도 같은 문장을 여러 번 학습했다는 점이 위키백과의 위치를 보여 줍니다.

LLaMA 논문은 2022년 6~8월 덤프(전체 내려받기 파일)를 썼다고 밝혔습니다. 라틴 문자와 키릴 문자를 쓰는 20개 언어만 넣었으며, 한국어는 이 목록에 들어 있지 않습니다. 또 하이퍼링크, 문서 코드 속 주석(코멘트), 기타 서식 요소를 지우고 본문만 남겨 학습했다고 적었습니다.

이후 공개된 논문은 세부 비중을 밝히지 않는 경우가 많습니다. Llama 2 논문도 공개 출처를 새로 섞었고 가장 사실적인 출처를 더 많이 뽑았다고만 적었습니다. 위키미디어 재단은 2025년 10월 글에서 거의 모든 대규모 언어 모델이 위키백과 데이터 세트로 학습한다고 했습니다. 2025년 11월 글에서는 위키백과를 AI 학습용으로 품질이 가장 높은 데이터 세트 중 하나로 소개했습니다. 최근 모델일수록 위키백과 비중을 숫자로 확인하기 어려우므로, 실무에서는 답변을 직접 대조해 영향을 확인해야 합니다.

학습에 쓰인 문서와 답변에 인용된 문서는 무엇이 다른가요?

마케팅 실무에서 섞이기 쉬운 지점입니다. 학습에 쓰인 위키백과 문장은 모델의 일반 지식이 되어 답변 속 표현으로만 나타나고, 출처 링크가 붙지 않습니다. 답변 단계에서 불러온 위키백과 문서는 링크나 출처 목록에 드러날 수 있습니다.

예를 들어 가상의 ○○ 기업 위키백과 문서가 2024년에 고쳐졌다고 가정합니다. 그 이전 덤프로 학습한 모델은 고치기 전 내용을 말할 수 있습니다. 같은 질문이라도 검색을 거치는 답변은 고친 뒤의 문서를 근거로 삼을 수 있습니다. 답변이 어느 층에서 왔는지 먼저 구분해야 대응 방법이 정해집니다.

위키백과는 어떤 경로로 AI 답변에 다시 들어오나요?

검색 색인 경로

Google 문서는 AI 개요와 AI 모드가 관련 링크를 함께 보여 준다고 설명합니다. 하위 주제별로 여러 검색을 동시에 실행하는 쿼리 팬아웃 방식을 쓸 수 있다고도 밝힙니다. 근거 링크가 되려면 페이지가 색인되어 스니펫과 함께 검색에 표시될 수 있어야 한다고 적혀 있습니다. 별도의 AI 전용 파일이나 마크업은 필요하지 않다고도 설명합니다. 문서가 위키백과를 따로 언급하지는 않지만, 이 조건은 위키백과 문서에도 같은 방식으로 적용된다고 볼 수 있습니다.

직접 공급 경로

위키미디어 엔터프라이즈는 세 가지 방식으로 위키백과 데이터를 공급합니다. 요청하면 최신 문서를 바로 주는 방식, 언어별 전체 파일을 내려받는 스냅숏, 변경 사항을 계속 보내는 실시간 흐름입니다. 2026년 1월 공지에 따르면 Amazon, Meta, Microsoft, Mistral AI, Perplexity가 새 파트너로 합류했습니다. 기존 파트너로는 Google, Ecosia, Nomic, Pleias, ProRata, Reef Media가 있습니다. 같은 공지는 위키백과의 지식이 생성형 AI 챗봇, 검색엔진, 음성 비서에 쓰인다고 설명합니다.

재사용 조건

위키백과 본문은 CC BY-SA 4.0 라이선스로 제공됩니다. 재사용할 때는 원문 링크 등으로 저자를 밝혀야 합니다. 위키미디어 재단은 AI 개발자에게 출처를 표시하고 정보가 어디서 왔는지 분명히 보여 달라고 요청합니다. 다만 이것은 재단의 요청이므로, 답변마다 위키백과가 실제로 표시되는지는 서비스별로 기록해 확인합니다.

위키백과에 대해 흔히 잘못 아는 것은 무엇인가요?

학습 비중이 3~4.5%이니 영향도 작다

비중은 전체 학습량에서 차지하는 몫일 뿐입니다. 위키백과는 GPT-3에서 3.4회, LLaMA에서 2.45회 반복되었습니다. 크기와 상관없이 가중치를 준 자료라는 뜻이므로, 비중 숫자 하나로 영향을 판단하기는 어렵습니다.

모든 언어판이 똑같이 학습된다

적어도 LLaMA 1에서는 20개 언어판만 쓰였고 한국어판은 빠졌습니다. 다른 모델이 어떤 언어판을 어떻게 섞었는지는 대부분 공개되지 않았습니다. 그래서 한국어 답변을 점검할 때는 한국어판과 영어판 문서를 함께 확인해, 답변이 어느 쪽 내용과 가까운지 기록합니다.

방문자가 줄었으니 영향력도 줄었다

위키미디어 재단은 봇 판별 기준을 고친 뒤 데이터를 다시 분류했습니다. 그 결과 2025년 3~8월 사람의 조회수는 전년 같은 기간보다 약 8% 줄었습니다. 재단은 생성형 AI와 소셜 미디어가 정보 탐색 방식을 바꾼 영향을 들고, 특히 검색엔진이 결과 화면에서 바로 답하는 흐름을 꼽았습니다.

재단의 2025년 4월 글은 2024년 1월 이후 위키미디어 공용의 멀티미디어 파일 내려받기에 쓰인 대역폭이 50% 늘었다고 밝혔습니다. 처리 비용이 큰 트래픽의 최소 65%가 봇이었지만, 전체 조회수에서 봇의 몫은 약 35%였습니다. 재단은 늘어난 트래픽의 상당 부분이 AI 모델에 쓸 자료를 수집하는 자동 프로그램에서 온다고 설명합니다. 이 자료는 위키미디어 프로젝트 콘텐츠가 사람 방문과 별개로 대량 수집되고 있음을 보여 줍니다.

자사 문서를 직접 고치면 AI 답변을 관리할 수 있다

영어 위키백과의 이해 충돌 지침은 이해관계가 있는 편집자가 관련 문서를 직접 고치는 것을 강하게 만류합니다. 대신 이해관계를 밝히고 토론 페이지에 수정 요청을 올리도록 안내합니다. 대가를 받고 편집한다면 위키미디어 재단 이용 약관에 따라 고용주와 의뢰인을 밝혀야 합니다.

한국어 위키백과에도 「이해관계의 충돌」 지침이 따로 있습니다. 이 지침은 자신의 회사나 관련 제품 문서는 편집을 중단하거나 극도로 주의하라고 안내합니다. 논쟁의 여지가 있는 편집은 해당 문서의 토론 문서에 편집 요청 틀을 넣어 검토를 부탁하라고 합니다. 보수를 받는다면 지급하는 쪽을 공개해야 한다고도 적었습니다. 그리고 앞의 표에서 보았듯이 이미 학습된 모델에는 수정 내용이 들어가지 않습니다.

실무자는 위키백과와 AI 답변을 어떻게 대조하나요?

다음 순서로 대조하면 답변 내용이 학습에서 왔을 가능성과 검색 근거에서 온 경우를 나누어 기록할 수 있습니다.

1. 자사 브랜드, 대표 제품, 업계 핵심 용어를 5~10개 고르고 한국어판과 영어판 위키백과 문서가 있는지 적습니다.
2. 문서마다 최근 수정일과 각주 출처 종류(언론·공공기관·학술·기업 자료)를 적습니다.
3. 같은 용어로 AI 서비스에 질문하고, 답변 출처 목록에 위키백과 주소가 있는지 기록합니다.
4. 출처에 위키백과가 없으면 답변의 정의 문장을 위키백과 첫 문단, 그리고 같은 내용을 담은 다른 공개 자료(공식 사이트·언론 기사)와 함께 대조합니다.
5. 답변이 위키백과의 옛 내용과 같으면 편집 기록에서 그 내용이 언제 바뀌었는지 확인합니다.
6. 수정 요청이 필요하면 해당 언어판의 이해 충돌 지침을 먼저 읽고, 그 지침이 정한 방식으로 요청합니다.

기록은 다음처럼 한 질문에 한 줄씩 남깁니다. 가상의 ○○ 기업을 예로 들었습니다.

토론 문서에 올리는 수정 요청은 다음 문안처럼 짧게 씁니다.

「작성자는 ○○ 기업 홍보팀 직원으로, 이 문서와 이해관계가 있습니다. 2문단의 대표 제품명은 2025년에 △△로 바뀌었습니다. 근거는 ○○신문 2025년 3월 기사입니다. 검토하신 뒤 반영 여부를 판단해 주시기 바랍니다.」

정리

위키백과는 학습 단계의 가중치 높은 자료와 답변 단계의 참조 문서라는 두 층으로 나누어 관리합니다.

1. 이번 분기 안에 홍보 담당자가 핵심 용어 5~10개의 위키백과 문서 목록과 한 질문 한 줄 기록표를 만듭니다.
2. 분기마다 같은 질문으로 답변을 다시 받아 기록표에 추가하고, 이전 분기와 위키백과 출처 표시 여부를 비교합니다.
3. 위키백과 문서가 수정되면 수정일을 기록표에 적고, 다음 점검에서 검색을 거치는 답변에 반영되었는지 확인합니다.
4. 토론 문서 수정 요청은 이해관계를 밝힐 수 있는 담당자 한 명이 맡고, 요청 문안과 근거 자료를 내부에 보관합니다.
5. 웹 담당자는 점검 주기마다 자사 공식 페이지가 색인되어 스니펫과 함께 표시될 수 있는지 확인합니다.