AI 모델 소개 페이지를 보면 늘 “지식 컷오프(knowledge cutoff)”가 적혀 있습니다. 2025년 몇 월, 2026년 몇 월 같은 식입니다. 그런데 이건 전부 위쪽 경계 이야기입니다. 그렇다면 아래쪽은 어떨까요. AI가 아는 가장 오래된 것은 어디까지 거슬러 올라갈까요. 100년 전일까요, 아니면 웹이 생긴 1990년대일까요.
결론부터 말씀드리면, 아래쪽 경계는 아예 존재하지 않습니다. 대신 전혀 다른 종류의 한계가 그 자리를 대신합니다.
목차
지식 컷오프는 ‘천장’만 정한다
지식 컷오프는 “학습 데이터를 수집한 마지막 시점”을 뜻합니다. 그 이후에 벌어진 일은 모델 안에 들어 있지 않으니, 웹 검색 같은 도구를 붙이지 않으면 답할 수 없습니다. 이 개념이 왜 생기는지는 AI는 인터넷에 연결돼 있는데 지식 컷오프는 왜 생길까에서 따로 다뤘습니다.
중요한 건 컷오프가 수집을 멈춘 날짜이지, 수집을 시작한 날짜가 아니라는 점입니다. 학습 데이터를 모을 때 “1990년 이후 자료만 담자”는 식의 하한선을 긋는 회사는 없습니다. 오히려 반대로, 깨끗하고 저작권 문제가 없는 오래된 텍스트일수록 학습용으로는 값이 나갑니다.
그럼 바닥은 어디일까 — “디지털화된 만큼”
AI가 아는 과거의 한계는 시간이 아니라 디지털화 여부가 결정합니다. 누군가 그 내용을 컴퓨터가 읽을 수 있는 텍스트로 옮겨 두었다면, 그것이 기원전 사건이든 중세 기록이든 학습 데이터에 들어갈 자격이 있습니다.
| 데이터 소스 | 다루는 시간 범위 | 성격 |
|---|---|---|
| 웹 크롤 아카이브(Common Crawl 등) | 수집은 2008년경부터 | 웹 문서 자체는 젊지만, 그 안에 담긴 내용의 시대는 무제한 |
| 공공 도메인 전자책(Project Gutenberg 등) | 고대 그리스 고전부터 20세기 초까지 | 저작권이 만료된 책. 호메로스·헤로도토스 번역본 등 포함 |
| 백과사전·위키 | 인류 기록 전 구간 | 고대사·중세사 항목이 현대 문장으로 요약돼 있음 |
| 학술 아카이브·전문 디지털화 프로젝트 | 점토판·비문 등 문자 발생 이후 전부 | 번역·판독문 형태로 존재하는 만큼만 |
그래서 “AI가 아는 가장 오래된 지식”을 굳이 연도로 답해야 한다면, 인류가 문자를 쓰기 시작한 시점 언저리까지입니다. 쐐기문자 점토판의 내용도, 고대 법전의 조문도 모델은 답합니다. 웹이 시작된 1990년대는 하한선이 전혀 아닙니다.
단, AI가 아는 고대는 ‘원문’이 아니라 ‘그것에 대해 쓰인 글’이다
여기서 오해하기 쉬운 지점이 하나 있습니다. 모델이 고대 문헌을 안다고 해서 유물을 직접 읽은 것은 아닙니다. 모델이 학습한 것은 그 유물에 대해 현대 연구자가 쓴 번역과 해설입니다.
이 구조에는 두 가지 결과가 따라옵니다.
- 해석까지 함께 학습됩니다. 특정 시대에 대한 통설이 바뀌었더라도, 옛 해설이 웹에 더 많이 남아 있으면 모델은 옛 통설 쪽으로 기웁니다.
- 번역·연구가 적은 영역은 통째로 비어 있습니다. 같은 고대라도 서양 고전은 두껍고, 번역이 적은 지역·시대의 기록은 얇습니다. 얇은 곳에서 캐물으면 그럴듯한 창작이 나옵니다.
역설 — 오래된 지식이 최신 지식보다 정확할 때가 있다
직관과 반대로, 컷오프 직전의 지식이 오히려 가장 불안정합니다. 어떤 사건이 벌어진 직후에는 그것을 다룬 글이 웹에 몇 편 없습니다. 반면 수백 년 된 사실은 교과서·백과사전·논문·블로그에 수천 번 반복돼 있어 모델 안에 깊게 각인됩니다. 학습에서 반복 노출은 곧 확신이기 때문입니다.
실제로 이를 측정한 연구도 있습니다. Dated Data: Tracing Knowledge Cutoffs in Large Language Models(arXiv:2403.12958)는 모델이 실제로 아는 시점, 즉 유효 컷오프(effective cutoff)가 공개된 컷오프보다 이른 경우가 흔하다는 점을 보였습니다. 이유는 두 가지로 정리됩니다.
- 최신 웹 크롤 덤프에도 오래된 페이지가 상당량 섞여 들어옵니다. 크롤한 날짜가 최근이라고 해서 내용이 최근인 것은 아닙니다.
- 중복 제거 과정에서 새 버전이 옛 버전의 “거의 같은 문서”로 걸러지면, 남는 쪽이 옛 문장일 수 있습니다.
그래서 실제 사용 감각은 이렇게 정리됩니다. 아주 오래된 것은 잘 알고, 최근 몇 달은 유난히 흐릿하며, 그 사이 어딘가가 가장 두껍습니다.
시대별로 AI 지식을 어느 정도 믿어야 할까
| 시기 | 데이터 밀도 | 흔한 실패 방식 | 권장 사용법 |
|---|---|---|---|
| 고대~중세 | 얇지만 반복은 강함 | 세부 연도·인명 혼동, 소수 지역사 창작 | 큰 흐름은 신뢰, 고유명사·연도는 확인 |
| 근대~2000년대 | 가장 두꺼움 | 비교적 적음 | 일반 상식 수준은 그대로 활용 |
| 최근 몇 년 | 두껍지만 갱신 지연 | 바뀐 제도·가격을 옛 값으로 답함 | 수치는 원문 확인 필수 |
| 컷오프 직전 수개월 | 가장 얇음 | 모른다고 하지 않고 추측함 | 웹 검색 도구를 반드시 병행 |
실전에서 기억할 세 가지
- “오래된 걸 물어보면 안 되겠지”는 오해입니다. 고전·역사·개념 설명은 AI가 가장 강한 영역입니다. 변하지 않는 지식이기 때문입니다.
- 위험한 건 오래된 질문이 아니라 ‘자주 바뀌는’ 질문입니다. 요금, 법령, 버전 번호, 인사 발령처럼 갱신되는 정보가 정확히 컷오프의 사각지대입니다.
- 모델이 “최신”이라고 말할 때를 조심해야 합니다. 유효 컷오프가 앞당겨져 있으면, 모델은 스스로 그 사실을 모른 채 옛 정보를 최신으로 제시합니다.
같은 맥락에서 시간이 지날수록 모델이 어떻게 낡아가는지는 로컬 LLM은 직접 학습을 못 시키면 결국 쓸모없어지는걸까에서, 대화가 길어질 때 생기는 또 다른 한계는 컨텍스트가 다 차면 무용지물인걸까에서 이어집니다.
자주 묻는 질문
Q. AI에게 하한 컷오프도 있나요?
공식적으로 정의된 하한선은 없습니다. 학습 데이터에 “언제 이후 자료만”이라는 조건을 거는 방식이 아니라, 구할 수 있는 텍스트를 모으는 방식이기 때문입니다.
Q. 그럼 기원전 내용도 물어봐도 되나요?
됩니다. 다만 모델이 아는 것은 원문이 아니라 그에 대한 현대의 번역과 해설이라는 점을 감안해야 합니다. 정확한 연도나 인용문은 별도로 확인하시는 편이 안전합니다.
Q. 웹 검색을 붙이면 하한선도 넓어지나요?
웹 검색은 주로 위쪽(최신) 방향을 보완합니다. 아래쪽은 원래 막혀 있지 않았기 때문에 넓어질 여지가 크지 않고, 대신 디지털화되지 않은 자료는 검색을 붙여도 여전히 닿지 않습니다.
Q. 왜 최근 일을 더 못 맞히는 느낌이 들까요?
컷오프 직전 구간은 학습 데이터에 노출 횟수가 적어 기억이 얕습니다. 여기에 유효 컷오프가 공개 컷오프보다 앞선 경우가 겹치면 체감 격차는 더 커집니다.
마무리
지식 컷오프는 “여기까지만 안다”는 천장이고, 바닥은 애초에 뚫려 있습니다. AI가 아는 과거의 끝은 연도가 아니라 누군가 그것을 텍스트로 옮겨 두었는가로 결정됩니다. 그래서 실전에서 경계해야 할 대상은 오래된 주제가 아니라, 자주 바뀌면서도 웹에 얇게 기록된 주제입니다.