AI로 글쓰기: 어른답게 사용하는 법

게시일: 2026년 6월 2일 | 원문 작성일: 2026년 6월 1일 | 저자: Byrne Hobart | 원문 보기

• • •

기술은 사회 규범보다 빠르게 움직이고, 그러다 보면 같은 현상을 두고 동시에 두 방향으로 왜곡이 일어나는 전단 현상(shearing effect)이 발생해요. 한쪽에선 지지자들이 망상에 가까운 찬사를 쏟아내고, 다른 쪽에선 비판자들이 그에 못지않은 망상으로 비난을 퍼붓는 거죠. AI가 생성한 글도 마찬가지예요. 동시에 해방적이기도 하고, 쓰레기이기도 하고, 인간의 이야기를 몰아내고 있기도 하면서, 결코 그것들을 대체할 수 없기도 하다는 식이죠. 정작 대부분의 사람들이 실제로 갖고 있는 합리적인 의견—즉 LLM은 논픽션 글쓰기에 유용한 도구이고, 계속 발전하고 있지만, 미묘한 방식으로 위험하며 그 위험은 점점 더 미묘해지고 있다는 견해—을 위한 시장은 그리 크지 않아요.

교정 요청, 직접 수정 위임은 금물

교정을 부탁하되, LLM에게 직접 수정을 맡기지는 마세요: 꽤 방어하기 쉬운 사용 사례가 하나 있어요. 초고를 써두고, 모든 사람에게 공개하기 전에 누군가 빠르게 읽어줬으면 할 때죠. 그래서 컴퓨터에게 물어보는 거예요. LLM은 글쓰기에 뛰어난 안목을 갖고 있진 않지만, 모든 종류의 글에서 일관되게 평균 이상의 안목을 보여줘요. 정치 평전을 썼다면, GPT-5.5가 Robert CaroT1보다 더 나은 피드백을 줄 순 없어요. 하지만 Caro가 실제로 줄 수 있는 피드백보다는 낫죠. 그는 지금 바쁘거든요 (제발 방해하지 마세요. 그는 지금 거의 완성 단계에 있어요). 초고를 수정 제안과 나란히 놓고 직접 타이핑해 넣는 건 약간 번거로운 일이에요. 하지만 초고에서 최종본으로 한 번에 바꿔버렸더니 내가 가장 좋아하는 문장이 대조적 병렬 구문으로 대체되어 있다는 걸 깨닫는 건 훨씬 더 짜증스럽죠. 이마저도 반대하는 사람들이 있지만, Google Docs를 완전히 끊지 않은 이상 (아니면 최소한 문법 검사와 맞춤법 검사를 꺼두지 않은 이상), 그들도 이미 LLM을 이용해 계속 글을 수정하고 있는 셈이에요.

독학자에게 미덕이 되는 평균성

독학자, 혹은 새로운 분야를 막 파고들기 시작한 사람들은 해당 분야의 상식 지도가 없다 보니 많이 헤매기 마련이에요. 이미 있는 것을 다시 발명하거나, 개념을 잘못 이해하거나, 라벨 없이 개념만 익히거나 그 반대이거나 합니다. 이는 대부분 해당 주제에 대한 누적된 노출의 문제이지만, LLM을 활용하면 한 단계를 건너뛸 수 있어요. LLM은 문헌 개요, 입문 추천 자료, 사전 지식을 제공하는 데 매우 뛰어납니다. 이 경우에는 LLM의 평균성이 오히려 미덕이 돼요. 어떤 교수든 특정 사상가에 대해 특이한 견해를 갖고 있을 수 있고, 그것이 강의 계획서를 왜곡할 수 있으니까요. 하지만 평균적인 교수가 특정 주제에 입문하는 최선의 방법이라고 생각하는 것—거기에 “합당한 이유가 있다면 다른 선택도 있다”는 단서까지 붙는다면—은 사실 꽤 훌륭한 안내서예요. 대략 여러분이 원하는 것과도 일치하고요. (프로그래밍과 인접 분야 다수의 경우, 소프트웨어를 출시하는 데 도움이 되는 버전과 독창적인 정리를 증명하는 데 도움이 되는 버전이 있어요. 겹치는 부분도 있지만, 예를 들어 선형대수학에 관심 있는 사람은 대개 이 두 가지 용도 중 하나만을 염두에 두고 있습니다.)

비정형 데이터 교차 정리

LLM은 비정형 데이터를 교차 정리하는 데 뛰어납니다: SEO (검색엔진 최적화)가 트래픽을 끌어오는 지배적인 전략이었던 시절, 인기 있는 포맷은 ‘Top-N 목록’T3이었어요. 발행인들이 좋아하는 이유가 바로 작가들이 싫어하는 이유이기도 하죠. 이미 나와 있는 정보를 목록으로 재가공하고, 거기에 가벼운 독설이나 약간의 평가를 얹는 게 전부니까요. 그래서 세상에는 이런 목록이 넘쳐나요. 객관적인 것(“역대 최대 규모의 폭발”)도 있고, 주관적인 것(“콜럼버스에서 가장 맛있는 샌드위치T2”)도 있습니다. LLM이 꽤 잘하는 것 중 하나는, 마땅히 존재해야 하지만 아직 없는 목록을 만드는 일이에요. 예를 들어 한 나라가 다른 나라로부터 영토를 매입한 사례 목록이라든지, 제2차 세계대전 당시 어떤 형태로든 군에 복무한 미국 대통령 목록 같은 것들이죠. (카터T4에게 해군사관학교 재학 경력을 인정하고, 레이건과 LBJ의 복무 이력도 기술적으로는 해당한다고 보면, 제2차 세계대전 이후 첫 번째로 그 전쟁에 복무하지 않은 대통령이 1946년생이라는 재미있는 역사적 사실을 얻을 수 있어요.¹)

아첨 편향과 할인율

이런 목록들은 그 자체만으로는 가치가 없지만, 어느 정도 대표성 있는 표본을 얻는 수단으로는 매우 유용해요. 이상적으로는 머릿속에 어떤 패턴이 있고 (이를테면 “강대국이 합병을 위협할 때, 영토를 금전에 넘기는 방식이 패배 측의 체면을 살려주는 수단으로 쓰인다” 같은 것), 그 패턴이 실제로 성립하는지 확인하고 싶은 경우죠. LLM에게 직접 물어볼 수도 있지만, 그러면 LLM은 자신이 어떤 답을 해야 당신을 기쁘게 할지 미리 알게 돼요. LLM의 답변에는 친구의 말을 들을 때처럼 일정 부분 할인을 적용해야 하는데, 친구보다는 조금 더 공격적으로 적용하는 게 좋아요. 친구에게 자신이 만든 것을 보여주며 괜찮은지 물어보면, 상대가 당신을 ‘일부러 형편없는 것을 만들어 이 상황을 유도하는 사람’으로 보지 않는 한, 솔직하게 싫다고 말하기가 매우 어렵죠. LLM도 때로는 당신의 아이디어가 형편없다고 솔직하게 말하기도 하지만, 연구소들의 인센티브는 모델이 그런 솔직함을 딱 적당히 발휘해서 엄격한 평가자처럼 보이면서도, 결국 당신이 계속 쓰도록 만드는 학점 곡선 위에서 점수를 매기는 쪽으로 설계되어 있어요.²

LLM이 아첨으로 제 가치를 망가뜨리지 않게 하는 방법은 여러 가지가 있어요. 오래된 방법 중 하나는 “이 초고를 다른 사람이 쓴 것처럼 말하고 LLM에게 혹독하게 비판해달라고 하는” 방식인데, 당신에게 공개된 저작물이 있다면 LLM이 실제로 누가 썼는지 알아챌 수도 있어요.³ 추상화 수준을 달리해서 질문하거나, 유사한 상황에 대한 판단을 먼저 구한 뒤 당신이 만든 비유의 허점을 짚어달라고 요청하는 방법도 있어요.

메타 휴리스틱

하지만, LLM 비판론자들도 “컴퓨터한테 생각을 맡긴다”는 말을 앵무새처럼 되뇌일 때 조금 더 다양한 말을 써도 나쁘지 않겠지만, 결국 연구든 교정이든 LLM을 활용하려면 무엇을 물을지, 결과를 어떻게 평가할지를 스스로 판단해야 한다는 건 사실이에요. 하루의 길이는 LLM 이전과 달라지지 않았고, 작가들이 한 시간 이상 걸리던 자료 조사를 줄이고, 미묘한 문장 오류를 잡아내고, 딱 맞는 참고 자료를 찾아내는 일이 가능해졌다면, 적어도 LLM이 생성한 텍스트를 그냥 선호하지 않는 사람들 사이에서는 문장의 기준이 실제로 높아질 거예요. 이건 달리 될 도리가 없어요. LLM이 생성한 글을 발행한다는 건, 직접 쓰는 것이 그만한 수고를 들일 가치가 없다는 뜻이거든요. 일부 마케팅 문구에는 그게 완전히 괜찮고, 개인정보처리방침 같은 것에는 조금 위험하며, 그 외의 글쓰기에는 대체로 무의미해요.⁴ 자신의 이름으로 무언가를 발행하는 행위는 계속해서 그 텍스트를 만드는 데 들인 수고가 가치 있었다는 의미를 내포하고, 그 규범을 어기면 다른 사람들이 글쓰기로 명성을 쌓기가 어려워져요.⁵ 챗봇은 계속 발전하고, 규범은 변화하고, 작가들도 아마 챗봇을 점점 더 많이 사용하게 될 거예요.

• • •