LLM 말투는 왜 바로 티가 날까 — 그리고 고치는 법

2023년 말 이후에 올라온 블로그 글을 10분만 읽어 보면 느껴지는 게 있습니다. 전부 조금 과하게 열정적인 인턴이 쓴 것 같은 느낌이죠. 그게 바로 LLM 말투입니다. 대규모 언어 모델에게 글을 써 달라고 하면 기본값처럼 내놓는, 한눈에 알아볼 수 있는 특유의 어조요. 특정 모델의 버그가 아니라 이 시스템들이 학습되는 방식에서 생기는 구조적 부산물입니다. AI가 만든 글을 독자에게 내보낸다면, 알든 모르든 주목도와 신뢰, 참여율을 깎아먹고 있을 가능성이 큽니다.

문제는 아무도 이걸 정확히 정의하지 못한다는 겁니다. 독자에게 왜 이 문단이 기계가 쓴 것 같냐고 물으면 대시(—)나 “delve” 같은 단어, 혹은 어딘가 기업 문서 같은 매끈함을 가리키겠죠. 하지만 표면적 특징에 기대는 탐지기는 계속 틀리고, 세 개씩 묶는 나열이나 완곡한 표현을 즐겨 쓰는 사람 필자도 많습니다. 뭔가 더 깊은 원인이 있는 겁니다. 텍스트를 생성하는 제품을 만들거나, 그냥 프롬프트를 써서 쓸만한 글을 얻으려는 입장이라면 이걸 이해해 둘 가치가 있습니다.

LLM 말투의 실제 모습

유명한 특징들은 어휘 수준에 있습니다. “delve”, “landscape”, “tapestry”, “testament”, “furthermore” 같은 단어들이죠. 하지만 개별 단어에만 집착하면 진짜 신호를 놓칩니다. 글쓰기 도구를 만들면서 생성된 텍스트를 수천 줄 검토해 봤는데, 실제로 정체를 드러내는 패턴은 문장과 문단 단위에서 나타났습니다:

• 세 개씩 묶기 중독. “빠르고, 안정적이며, 확장 가능합니다.” “명확하고, 간결하며, 설득력 있습니다.” LLM은 세 개씩 묶는 구조가 학습 데이터에서 ‘좋은 글’과 짝지어져 있어서 끊임없이 이걸 씁니다. 사람도 가끔 쓰지만, 모델은 거의 세 문장마다 씁니다.
• 대칭적인 문단 구조. 주제 문장, 뒷받침하는 세 가지 포인트, 주제를 다시 말하는 마무리 문장. 모든 문단이 이 틀입니다. 실제 필자들은 문단 길이가 천차만별이고, 어떤 문단은 단어 하나짜리이기도 합니다.
• 거짓 유보. “한 가지 염두에 둘 점은...” “고려하는 것이 중요합니다...” 모델은 복잡성을 인정하면서도 입장은 절대 밝히지 않습니다. 글로 된 어깨 으쓱하기입니다.
• 부정적 병렬 구조. “이건 속도의 문제가 아니라 — 신뢰의 문제입니다.” “X가 아니라 Y입니다.” 한 번 눈에 들어오면 어디서든 보입니다. 모델이 강조 효과를 만들어 내려고 끊임없이 쓰기 때문입니다.
• 요약 반복. LLM 글은 방금 한 말을 또 설명합니다. “즉, ...” “결국 핵심은 ...입니다.” 사람 필자는 독자가 앞에서 잘 따라왔다고 믿습니다.
• 감정의 평탄함. 짜증도, 즐거움도, 풀리지 않은 혼란도 없습니다. 어조는 한결같이 유쾌하고 전문적이어서 고객센터 채팅 같습니다.

공통점은 이겁니다. LLM 말투는 문장의 모든 선택이 “통계적으로 가장 안전한 선택”일 때 나오는 결과물이라는 것. 위험이 전혀 없는 글입니다. 독자는 특징 하나 짚어 내지 못하더라도, 그 무위험성을 생기 없음으로 느낍니다.

왜 RLHF가 이런 특징을 심어 넣는가

이건 우연이 아닙니다. 이런 말투는 학습 파이프라인의 예측 가능한 결과이고, 이걸 막으려면 메커니즘을 이해해 둘 필요가 있습니다.

인터넷 원문으로 학습한 베이스 모델은 문체가 제멋대로입니다. 미친 포럼 글이든 난해한 학술 논문이든 기꺼이 흉내 냅니다. 우리가 알아보는 말투는 두 번째 단계, 인간 피드백 기반 강화학습(RLHF)에서 나옵니다. 인간 평가자들은 시간에 쫓기며 수천 개의 모델 출력을 검토하면서, 다음과 같은 응답에 일관되게 보상을 줍니다:

• 정중하고 단정적인 태도를 피함 (완곡한 표현 때문에 감점받은 평가자는 없습니다)
• 구조가 잘 잡혀 있음 (글머리 기호와 제목이 있으면 채점하기 쉬움)
• 빠짐없이 다룸 (날카로운 의견이 있는 답보다 모든 각도를 다룬 답이 더 도움이 되어 보임)
• 문법적으로 완벽함 (오타는 점수가 깎이고, 개성 있는 문체는 더 크게 깎임)

이런 선호를 수백만 건의 비교에 걸쳐 합치면, 보상 신호는 “전문적이고, 도움이 되며, 거슬리지 않는” 통계적 중심을 정확히 가리키게 됩니다. 이 방식으로 학습된 모델은 — GPT, Claude, Gemini, Llama 모두 — 같은 지점으로 수렴합니다. 연구소도, 데이터도 달라도 목소리는 같습니다. 모델 탓이 아니라 방법 탓이라는 단서입니다.

두 번째의, 더 미묘한 메커니즘도 있습니다. AI가 생성한 글이 인터넷에 넘쳐나면서 그것이 다음 세대 모델의 학습 데이터로 들어갑니다. 말투가 스스로를 먹고 자라는 셈이죠. 기계 번역과 이미지 모델에서도 이런 현상이 확인되었고, 글도 다르지 않습니다. 그 결과 학습 주기마다 평균으로 쏠리는 문체 퇴행이 누적됩니다. 그리고 이 특징은 사람에게도 전염됩니다. 사람들이 LLM 출력을 접하면서 “delve”와 “genuinely” 같은 단어가 사람이 쓴 글에도 스며드는 걸 이미 볼 수 있고, 이는 탐지를 더 어렵게 만듭니다.

LLM 말투는 모델이 고른 스타일이 아닙니다. 인간 평가자들이 보상하도록 훈련된 모든 것의 중심점이고, 그래서 그렇게 들리는 것입니다.

이것이 실제로 독자를 잃게 만드는 이유

미학을 넘어서 신경 써야 할 실용적인 이유가 있습니다. 사람은 글을 읽을 때 글 너머의 사람, 즉 그 사람의 의도와 확신, 그리고 귀 기울일 가치가 있는지를 계속 가늠합니다. LLM 말투는 이 시뮬레이션을 깨뜨립니다. 문장은 문법적으로 멀쩡하지만, 그 뒤에 있어야 할 사람이 없습니다. 독자는 이걸 막연한 불편함으로 느끼고, 곧 지루함을 느끼고, 뒤로 가기 버튼을 누릅니다.

고객 지원 도구에서 이런 일이 벌어지는 걸 지켜봤습니다. 팀들이 모델의 원문 출력을 그대로 고객 답변에 붙여 넣었더니, 응답 시간은 몇 초로 줄었는데 티켓 이탈률은 오히려 올라갔습니다. 고객은 “이건 LLM이 썼네”라고 의식적으로 생각하지 않습니다. “이건 요점이 없네”라고 느끼고 읽기를 멈춥니다. 정보 밀도가 낮아요. 그 모든 유보와 요약 때문에 실제 답은 열두 문장짜리 답변의 아홉 번째 문장에 묻혀 있습니다.

신뢰의 외부효과도 있습니다. 독자가 여러분 사이트에서 LLM 말투로 쓰인 글 하나를 발견하면, 다른 글도 의심하기 시작합니다. AI 텍스트를 잡아낸다고 주장하는 탐지 도구는 믿을 만하지 않습니다. 실제로 애매한 문체 지문을 잘못 표시하는 걸 본 적도 있습니다. 하지만 그건 큰 문제가 아닌데, 독자의 직감적 반응은 도구를 돌려 보기 훨씬 전에 먼저 작동하기 때문입니다. AI 콘텐츠처럼 보인다는 인상은 사람이 직접 쓴 콘텐츠까지 오염시킵니다.

실제로 효과가 있는 프롬프트 기법

RLHF가 만든 끌개(attractor)에서 프롬프트만으로 완전히 빠져나올 수는 없지만, 생각보다 멀리까지 갈 수는 있습니다. 대부분이 하는 실수는 “자연스럽게” 또는 “사람처럼” 써 달라고 요청하는 것입니다. 모델이 생각하는 ‘자연스러움’이 바로 LLM 말투이기 때문입니다. 대신 구체적인 메커니즘을 직접 공략하세요:

You are drafting a product update email.
Hard constraints:
- Never use triads or lists of three adjectives.
- Never start a sentence with "It's" or "This".
- No hedging phrases ("bear in mind", "it's important").
- Vary sentence length: at least two sentences under 6 words.
- Take a position. If something is a trade-off, say which side you'd pick.
- Do not summarize or conclude. End on the strongest point.
Here is a paragraph written by our founder last month. Match this rhythm and vocabulary:
"Ship it Friday. The sync bug is ugly but it only hits multi-tab users, and the workaround is a refresh. Waiting two more weeks to fix it properly costs us the changelog window, and honestly, I'm tired of explaining the delay."

이 프롬프트에서 세 가지가 실제로 효과를 냅니다. 첫째, 부정 제약은 막연한 분위기가 아니라 정확한 실패 패턴(세 개씩 묶기, 유보, 요약 문장)을 겨냥합니다. 둘째, 문체 예시는 어떤 형용사보다 많은 일을 합니다. 모델에게 모방할 구체적인 사람의 글을 주면, 생성 결과가 문체 공간의 다른 지점으로 끌려갑니다. 셋째, 가변적인 문장 길이를 요구하면 가장 크고 무의식적인 신호인 기계적인 리듬을 깨뜨립니다.

조금 더 효과가 큰 방법이 하나 더 있습니다. 모델이 살짝 불편해할 만한 걸 요청하는 겁니다. “마감 때문에 조금 짜증 난 사람처럼 써 줘” 혹은 “우리가 뭘 잘못했는지 인정해 줘” 같은 식이죠. RLHF로 최적화된 모델은 부정적인 태도를 싫어하기 때문에, 특정 감정선을 강제하면 쾌활하고 전문적인 기본값에서 끌어내집니다. 결과물은 여전히 편집이 필요하지만, 맥박이 느껴지는 글이 나옵니다.

편집 과정: 다시 쓰기가 아니라 덜어내기

프롬프트로 70%까지 갈 수 있습니다. 나머지 30%는 기계적인 편집 작업이고, 대부분 삭제입니다. 저는 생성된 초안을 후편집할 때 네 번의 훑기를 합니다:

• 첫 문단과 마지막 문단을 지우세요. LLM의 도입부는 헛기침이고, 결론은 요약입니다. 둘 다 정보가 없습니다. 이 한 번의 삭제만으로도 냄새가 놀라울 정도로 빠집니다.
• 모든 유보 표현을 없애세요. “염두에 둘 것”, “중요하게 봐야 할”, “일반적으로”, “보통”, “대개”, “종종” 같은 표현을 찾으세요. 절반 정도는 빼도 문장이 멀쩡하고, 나머지 절반은 원래 아무 말도 안 하고 있었던 겁니다.
• 리듬을 깨세요. 중간 길이 문장이 가장 길게 이어지는 부분을 찾아서 하나를 조각내 짧은 문장으로 만드세요. “금요일에 배포합시다.” 이런 짧은 문장이 사람의 맥박을 가장 싸게 드러냅니다.
• 모델이 알 수 없는 구체적인 내용을 하나 넣으세요. 로그에서 가져온 실제 수치, 이름, 날짜, 트레이드오프에 대한 실제 의견 같은 것. 구체성은 RLHF 중심점이 흉내 낼 수 없는 유일한 것입니다. 구체성에는 입장 표명이 필요하니까요.

이 작업은 빠릅니다. 천 단어짜리 초안이라면 15분이면 됩니다. 그리고 이게 통하는 이유는 LLM 말투가 멀쩡한 글 위에 덧씌워진 반복적인 습관 몇 가지에 불과하기 때문입니다. 다시 쓰는 게 아닙니다. 지문을 문질러 지우는 겁니다.

대규모로 하는 팀이라면 이 훑기 과정을 린트 단계로 만들어 두는 것도 좋습니다. 세 개씩 묶기, 유보 표현, 균일한 문장 길이를 표시하는 간단한 스크립트만으로도 문제의 대부분을 자동으로 잡아냅니다. 여러 오픈소스 문장 린터는 사용자 정의 규칙 세트로 설정할 수 있습니다. 코드 린트를 돌리듯 콘텐츠 파이프라인에 붙이세요. 이미 AI가 실제 작업에서 얼마나 잘하는지 측정하는 일에 투자하고 있다면, 측정 지표에 “표시된 문장 비율”을 추가해 보세요.

LLM 글이 괜찮은 경우와 아닌 경우

몇 년간 텍스트 생성 시스템을 만들고 배포해 온 제 입장은 이렇습니다. 도구를 독자의 기대에 맞추고, 하나의 정책이 모든 경우에 맞는 척하는 걸 그만두라는 겁니다.

글이 사람이 아니라 절차를 다루는 경우라면, 예를 들어 정부 기관에 보내는 정형 서식 편지, 아무도 읽지 않을 컴플라이언스 보고서, 기계가 소비하는 API 설명이라면 LLM이 쓰게 두고 미안해할 필요가 없습니다. 그런 곳에는 독자의 내부 시뮬레이션이 작동하지 않으니 독자를 잃을 일도 없습니다. 솔직히 앞으로 문서의 상당수는 어차피 다른 모델이 읽게 될 겁니다. 모델은 언캐니 밸리 같은 소름을 느끼지 않으니까요.

하지만 글이 설득, 신뢰, 사고를 담당한다면, 예를 들어 블로그 글, 합의가 필요한 설계 문서, 누군가에게 생각을 바꿔 달라고 요청하는 이메일이라면 계산이 뒤집힙니다. 그때 모델은 고스트라이터가 아니라 비평가로 써야 합니다. 초안을 공격하게 하세요. “여기서 모호한 곳은 어디인가, 논증이 어느 단계를 건너뛰었는가, 회의적인 독자가 어디서 반박할까?” 이건 모델의 강점(비평은 정말 훌륭합니다)을 살리면서도 모델의 목소리가 여러분의 문장 근처에 오지 못하게 합니다. 글쓰기에 LLM을 가장 잘 활용하는 사람들은, 제안한 다시 쓰기를 정중하게 무시하는 날카롭고 지치지 않는 편집자처럼 모델을 대합니다.

그리고 기술적 조언 아래에는 더 어려운 진실이 있습니다. 글쓰기는 많은 사람에게 생각하는 방식입니다. 논증을 문장으로 옮기려고 씨름하는 과정에서 논증이 실제로 완성되곤 합니다. 초안 작성을 통째로 위임하면 그 부분도 함께 위임하는 겁니다. 결과물은 들립니다. 글을 만드는 동안 아무의 생각도 어디에도 가지 않아서, 어디로도 가지 않는 글이요.

실용적인 결론

LLM 말투는 신비로운 것도 아니고, 저절로 사라지지도 않습니다. 그것을 만든 같은 학습 인센티브가 여전히 존재하고, 어떤 최전선 연구소도 근원에서 그걸 조정해 내는 능력을 거의 보여주지 못했습니다. 그러니 책임은 여러분에게 있고, 상황에 따라 깔끔하게 나뉩니다:

• 대량으로 생성하시나요? 프롬프트에 기계적 제약을 거세요(세 개씩 묶기 금지, 유보 금지, 문장 길이 변화 강제). 사람의 문체 예시를 제공하고, 출력물을 린트하세요.
• 중요한 글을 쓰시나요? 직접 쓰세요. 모델은 비평가로만 쓰고, 제안된 표현은 초안에 절대 들이지 마세요. 받아들인 제안 하나하나가 작은 목소리 이식입니다.
• 절차를 다루는 글인가요? 원문 출력을 그대로 내보내고, 편집 시간은 사람이 실제로 읽는 곳에 쓰세요.

더 깊은 요점은 목소리가 장식이 아니라 마음의 증거라는 겁니다. 독자는 목소리가 없다는 걸 놀라울 만큼 잘 알아챕니다. 인터넷이 그 대안으로 채워질수록 매달 더 잘 알아챌 겁니다. 앞으로 몇 년간 AI가 도운 콘텐츠에서 이기는 팀은 가장 많은 글을 생성하는 팀이 아닐 겁니다. 텍스트가 여전히 누군가의 목소리처럼 들리는 팀이 이길 겁니다.