AI Writing Patterns: AI 글쓰기 패턴, 단어, 리듬, 그리고 구두점이 드러내는 것

이 문장을 한 번 읽고 이미 그것이 어디에서 왔는지 아는지 확인해 보라. 연구자들은 동기와 성취 사이의 복잡한 상호작용을 계속 강조하고 있으며, 점점 늘어나는 연구는 자기조절이 학업 성공에서 수행하는 핵심적 역할을 부각한다. 그 자체로는 잘못된 것이 전혀 없다. 모든 절은 문법적으로 맞고, 모든 단어는 실제 단어이며, 채점자는 한 점도 깎지 않을 것이다. 그러나 여전히 기계에서 떨어져 나온 것처럼 읽히는데, 실제로 그렇기 때문이다. 이 글은 바로 그것에 관한 것이다.

AI writing patterns는 단어 선택, 문장 리듬, 구두점, 구조에서 반복적으로 나타나는 습관으로, 기계가 작성한 산문을 한눈에 알아볼 수 있게 만든다. 이것들은 네 가지 수준에서 군집한다. 모델이 선택하는 단어, 문장의 형태, 그것이 의존하는 구두점, 그리고 논증 전체를 구성하는 방식이다. 어느 하나만으로는 아무것도 증명하지 못한다. 그러나 하나의 문단 안에 함께 나타나면, 알아차리기 어렵다.

이것을 수행하는 기계는 통계적 탐지기라고 불린다. 그것은 언어 모델이 기대하는 바에 따라 각 단어가 얼마나 예측 가능한지를 점수화한다. 보고서에는 그 점수 아래에 있는 perplexity와 burstiness 수학이 포함되어 있으며, 이에 대해서는 how AI detectors work에 관한 다른 글에서 더 자세히 다룬다. 이 글의 나머지는 독자가 페이지에서 듣고, 세고, 가리킬 수 있는 AI writing tells의 목록이다. 탐지기가 틀렸거나, 사용할 수 없거나, 요점을 벗어나더라도 이것은 중요할 수 있다. 여기서 이어지는 내용은 모델도, 구독도 필요로 하지 않는다.

왜 AI Writing Patterns는 로봇처럼 들리는가?

언어 모델은 문장 수준에서 사람과 다른 일을 하고 있다. 즉, 유능하게 들리도록 훈련된 체계 안에서, 독특함보다 통계적으로 가능성이 높은 다음 단어를 반복해서 고르는 것이다. 그 규모에서의 유능함은 매끄럽고, 정확하며, 기억에 남지 않는 산문을 만들어 내고, 이것이 로봇 같은 느낌의 근원이다. 독자는 그런 문단에서 무엇이 잘못되었는지 정확히 말하지 못하는 경우가 많고, 다만 평평하게 읽힌다고만 느낀다. 아래의 네 가지 수준이 바로 그 평평함이 존재하는 곳이다.

어휘 선택은 독자가 가장 먼저 알아차리는 수준이다, 제자리에 있지 않은 곳에 나타나는 형식적이고 연극적인 단어들이다. 문장의 리듬은 더 조용한데, 모든 문장이 대체로 같은 길이로 이어지는 문단이다. 구두점과 형식은 그 자체의 흔적을 지닌다, 만능 연결부처럼 쓰이는 대시, 원래는 글쓴이의 머릿속에 목록으로 존재하지 않았던 텍스트를 끊어 놓는 글머리표 목록이다. 구조는 가장 눈에 띄지 않는다, 자기 자신의 제목을 다시 말하고, 정확히 세 가지 요점을 다룬 뒤, 스스로를 요약하며 끝나는 부분이다.

어휘부터 시작하라, 가장 쉽게 지적할 수 있고, 가장 잘 문서화된 부분이다.

AI는 어떤 단어를 과도하게 사용하는가?

이러한 형식적이고 다소 연극적인 단어들이 반복해서 보인다, "delve", "underscore", "showcase"와 "pivotal"이 가장 잘 문서화된 사례들 가운데 하나이다. Dmitry Kobak과 세 명의 공동 저자는 이 언어를 식별하고자 했다. 그들은 2010년부터 2024년까지의 PubMed 초록 15.1 million개를 분석했고, ChatGPT가 출시되었을 때 빈도가 급격히 증가한 단어 집단을 확인했다. "delve"가 가장 크게 증가했다, 2025년 7월 Science Advances에 발표된 이 연구는 2024년의 빈도가 2023년 이전보다 약 28배 높았다고 추정했다. 그다음으로 가까운 것은 "underscore"와 "showcase"였다. 저자들은 2024년 초록의 최소 13.5 percent가 AI의 도움을 받은 흔적을 보이며, 일부 국가와 출판사에서는 40 percent를 넘는다고 추정한다.

모델이 왜 이러한 특정 단어들로 수렴하는지는 그 패턴 자체보다 덜 확정적이다. COLING 2025 연구는 과도하게 대표되는 21개 단어를 모델 구조, 훈련 데이터, 그리고 챗봇을 미세 조정하는 데 사용된 인간 피드백과 대조했으며, 효과를 완전히 설명하지는 못했지만 피드백 단계가 가장 그럴듯한 기여 요인이라고 보았다. 해석 역시 여전히 논쟁 중이다, PNAS 저널의 2026년 교환 논문은 단어 빈도의 변화가 AI 사용을 얼마나 직접적으로 측정하는지에 이의를 제기했으며, 여기의 어떤 단일 수치를 확정된 사실로 받아들이기 전에 기억할 만하다.

이것은 저널 초록에만 해당하는 사실이 아니다. 학생이 작성한 에세이와 AI가 생성한 에세이 50만 편을 비교한 한 연구에서 연구자들은 논문의 길이와 어휘 선택을 비교했고, 인간이 작성한 에세이가 전반적으로 더 길고 더 넓은 어휘를 사용한다는 사실을 발견했다. ICLR 2024와 NeurIPS 2023을 포함한 네 개의 머신 러닝 학회에 제출된 동료 검토를 분석한 한 연구에서 연구자들은 같은 기법을 사용해 검토 텍스트의 6퍼센트에서 15퍼센트가 LLM에 의해 실질적으로 수정되었을 것으로 추정했다. 마감 시한에 가까울수록 LLM의 영향을 받았을 가능성이 더 높았다.

AI가 과도하게 사용하는 단어나 구	신중한 작성자가 대신 사용하는 표현
delve (into)	look at, examine
underscore	show, stress
showcase	present, demonstrate
pivotal	main, deciding
robust	solid, reliable
intricate	complex, detailed
meticulous	careful, thorough
tapestry	mix, range
testament	sign, evidence
boasts	has, includes
foster	encourage, support
garner	gain, attract
multifaceted	many-sided, complex
holistic	whole, overall
nuanced	careful, precise
invaluable	useful, valuable
realm	field, area
embark on	begin, start
unlock	open up, make possible
interplay	relationship, link

이들 단어는 각각 따로 보면 잘못된 것이 아니다. 어떤 방법론 절에서 한 발견을 robust하다고 부르는 것은 그 단어를 올바르게 사용하는 것이며, 한 역사가가 복잡한 법적 논증을 설명하는 것은 챗봇에 고백하는 것이 아니다. 기계가 만든 것처럼 읽히는 것은 밀도이다. 하나의 문단에 이들 단어가 셋이나 넷씩 들어가면서도 구체적인 역할을 하지 않고, 각 단어가 독립적으로 가장 안전한 다음 선택이었기 때문에 모델이 쌓아 올리듯 겹쳐 놓인 상태이다. TextPulse의 free AI word cleaner로 빠르게 점검하면 이러한 밀도가 직접 표시된다.

왜 AI 문장은 모두 같은 길이처럼 들리는가?

모델은 각 문장을 앞선 문장을 만들었던 방식 그대로 구성하며, 어떤 곳에서는 한 점을 여섯 단어로 압축하고 다른 곳에서는 그것을 서른 단어에 걸쳐 풀어내는 식으로 하지 않기 때문에, 출력은 전체적으로 거의 같은 길이에 머무는 경향이 있다. 이러한 변동성, 또는 그 결여는 문단을 소리 내어 읽을 때 들을 수 있는 것이며, 같은 근본 속성에서 탐지기가 계산하는 burstiness 점수와는 다른 연습이다.

더 작은 두 가지 습관이 가까이서 보면 리듬을 드러낸다. 모델은 의미를 암시하지만 정보를 더하지 않는 dangling participle로 문장을 끝내는 것을 좋아하며, 주장 뒤에 추가 연구의 필요성을 강조하거나 분야의 더 넓은 변화를 반영한다고 덧붙인다. 또한 균형 잡힌 소리를 내기 위해 짝을 이루는 구조를 자주 사용하며, 예를 들면 이 방법은 효율적일 뿐만 아니라 확장 가능하다는 식이다. 한 번만 말하면 그 구조는 별다를 것이 없다. 모든 문단에서 반복되면, 명사만 바꿔 끼운 템플릿처럼 들린다.

셋의 규칙

구절 수준에서도 세 개씩 묶는 것은 모델의 기본 리듬이다. 명사 앞의 형용사 세 개, 목록 속의 예시 세 개, 같은 방식으로 연달아 구성된 절 세 개가 그것이다. 가끔 나타나는 세 개 묶음은 언제나 영어의 일부였다. 적절한 위치에 놓인 세 개 묶음은 어떤 증상도 아니다. 드러나는 것은 빈도이다. 문제는 셋이 아니다. 거의 모든 문단에 셋이 나타나는 것이 문제이다.

세는 것만으로도 특별한 훈련 없이 이 중 대부분을 찾아낼 수 있다. 문단을 읽고 각 문장의 길이를 단어 수로 표시하라. 표시한 값이 모두 직전 값과 몇 단어밖에 차이가 나지 않는다면, 그 리듬이 단서다. TextPulse의 무료 burstiness checker를 사용하면 세는 작업을 자동화하고 이를 그래프로 나타낼 수 있으며, 한 문장씩 눈으로 확인하기에는 너무 긴 글에서 유용하다.

em dash와 다른 문장부호 단서

이 표지가 대표적으로 쓰이게 된 이유

em dash는 아마도 기계가 쓴 글에서 가장 자주 비난받는 문장부호일 것이다. 쉼표, 콜론 또는 마침표를 대신해 문장의 두 부분을 연결하는 긴 대시로 알고 있을 수도 있다. em dash는 새롭지도 않고 AI가 발명한 것도 아니다. Chicago에서 AP에 이르기까지 스타일 가이드가 존재해 온 한, 이 표지는 강조와 중단을 위해 사용할 수 있도록 허용되어 왔다. 그리고 많은 현업 작가들이 이를 의도적으로 사용한다.

이 표지가 기계 출력에서 그렇게 자주 나타나는 가장 그럴듯한 이유는 평범하다. 이 표지는 언어 모델이 학습하는 편집된, 전문적으로 조판된 산문에서 흔하며, 문장이 마침표로 끝나는 것을 미루면서도 계속 진행되게 해 준다. 유창하고 연결된 텍스트를 생성하도록 만들어진 모델은 이러한 유연성을 자주, 손으로 초안을 작성할 때 대부분의 사람보다 더 자주 사용한다.

얼마나 자주 나타나는지는 텍스트를 생성한 시스템에 따라 크게 달라진다. 2025년 중반에 진행된 나란히 비교하는 테스트에서는 여섯 개의 챗봇에 같은 프롬프트를 주고 이 표지의 횟수를 셌다. 세 시스템은 600단어도 되지 않는 분량에서 이 표지를 8번 또는 9번 반환했고, 하나는 거의 1,000단어에서 두 번 사용했으며, 두 시스템은 전혀 사용하지 않았다. 빈도는 눈앞의 문단을 생성한 모델의 속성이지, AI 글쓰기의 고정된 특성이 아니다. OpenAI는 2025년 11월에 사용자가 ChatGPT에게 이 표지를 사용하지 말라고 지시하고 실제로 따르게 할 수 있는 설정을 추가했으며, 이로써 이 단서조차 이제는 부분적으로 선택 사항이 되었다.

그 어떤 것도 그 표식 자체를 어떤 것의 증거로 만들지는 않는다. 세심한 글쓴이들 가운데는 그것을 의도적으로 사용하는 이들이 많고, 챗봇을 전혀 사용하지 않은 학생 에세이들 가운데서도 그것을 쓰는 경우가 많으며, 때로는 교사가 그렇게 가르쳤기 때문이다. 확인할 가치가 있는 것은 밀도이다. 거의 매 문장마다 그 표식에 기대는 페이지는, 의도적으로 두 번만 사용하는 페이지와는 다르게 읽힌다. TextPulse의 free em dash remover는 그 밀도를 점검하고, 각 경우에 필요한 쉼표, 콜론, 마침표 또는 하이픈을 제안한다.

글머리표, 굵은 글씨와 머리글

같은 수준은 문장 아래의 서식 결정까지 포함한다. 글쓴이의 머릿속에서는 결코 목록이 아니었던 산문 한가운데의 글머리표 목록. 문서의 나머지가 문장형 대문자 표기인데 제목형 대문자 표기를 쓴 머리글. 각 글머리표의 시작에 미니 제목처럼 붙는 굵게 표시된 구절. 이들 가운데 어느 것도 문장부호는 아니지만, 모두 같은 곳에서 나온다. 즉, 시각적 구조가 산문이 보통 담당하는 전환을 대신하는 채팅 창에 맞춰 서식을 적용하는 모델에서 나온 것이다.

구조와 논증의 형태

마지막 수준은 문장 위에 자리하며, 단어를 바꾸는 방식으로 고치기 가장 어렵다. 그것은 논증 자체의 형태이기 때문이다. 기계가 쓴 절은 종종 자신의 머리글을 약간 다른 말로 다시 진술하며 시작하고, 각 요점이 실제로 얼마나 중요한지와는 무관하게 대체로 같은 비중을 부여받는 두세 개의 뒷받침 요점을 지나, 새로움을 더하기보다 방금 말한 것을 요약하는 방식으로 끝맺는다.

이와 관련된 습관은 더 긴 글에서 늘 나타난다. 어떤 절이 무엇을 잘하는지 나열하고, however 같은 단어에서 방향을 바꾸며, 같은 정돈된 세 가지 방식으로 어려움을 나열한 뒤, 아마도 그것들을 해결할 미래를 가리킨다. 실제 논증은 그것보다 더 울퉁불퉁하다. 인간 글쓴이는 보통 다른 두 요점보다 한 요점을 더 중요하게 여기고, 그에 더 많은 지면을 할애하며, 독자에게 대칭적인 마무리를 빚지고 있지 않다.

이 또한 공식적인 학술 글쓰기가 기계가 쓴 글과 기만적으로 비슷해 보일 수 있는 수준이다. 방법론 절이나 문헌 검토는 정해진 형식을 따라야 하기 때문이다. 차이는 그 형식의 내부에 있다. 기계가 쓴 문헌 검토는 한 분야의 통상적인 쟁점을 통상적인 순서대로 언급한다. 인간이 쓴 문헌 검토는 엄격한 템플릿 안에서도 어떤 쟁점이 중요하며 그 이유가 무엇인지 논증한다. 실제로 방어되는 입장이 있기 때문이다.

직접 쓰지 않은 텍스트를 판단하기

가장 중요한 네 가지 징후

구체성의 격차는 도구가 전혀 없는 독자에게서도 가장 강한 징후이다. 기계가 초안한 산문은 모든 일반성 수준에서 성립하면서도 어느 수준에도 고정되지 않은 주장을 한다. 연구가 해당 질문을 검토했다고 보고하지만 어떤 연구인지 밝히지 않고, 효과가 유의하다고 말하지만 크기를 제시하지 않으며, 그 관행이 해당 부문에서 흔하다고 하면서도 어떤 기업이나 연도도 밝히지 않는다. 같은 분량 제한 안에서 작업하는 인간 저자는 대체로 그 분량을 하나의 구체적인 사안에 쓰는 경향이 있다. 실제로 하나의 구체적인 사안이 있었고 그것을 넣고 싶었기 때문이다.

해결되지 않는 인용은 목록 가운데서 증거에 가장 가까운 유일한 징후이며, 동시에 가장 드물다. 완벽하게 형식화되어 있고 실제 학술지에 귀속되며, 기록을 반환하지 않는 식별자를 지닌 참고문헌은 우연히 만들어지기 매우 어렵다. 확신이 서지 않는 제출물에서는 다른 무엇보다 먼저 세 개의 참고문헌을 확인하라. 두 분이면 충분하며, 그러면 문제를 끝내거나 표에서 가장 강한 신호를 제거하게 된다.

어휘 밀도는 대부분의 독자가 가장 먼저 찾는 징후이자 가장 크게 오판하는 징후이다. 신호는 개별 단어가 아니라 밀도에 있다. 하나의 격식 있는 동사는 통상적인 학술 문체이지만, 한 문단 안에서 다섯 개가 아무런 구체적 기능도 하지 않는다면 그것은 하나의 패턴이다. 긴 제출물 전체를 손으로 세는 일은 느리며, TextPulse의 free AI word cleaner는 이러한 군집을 자동으로 표시하므로, 막연한 인상을 페이지에서 가리킬 수 있는 것으로 바꿔 준다.

네 가지 중 가장 미묘한 것은 결코 흔들리지 않는 문체이다. 인간 저자는 보통 이천 단어에 걸쳐 어딘가에서 약간은 어긋난 선택을 한다. 긴 문장 세 개 뒤에 짧은 문장 하나를 두거나, 괄호 속에 덧붙이는 말을 넣거나, 굳이 할 필요가 없는 판단을 내리거나, 단지 마음에 들어서 고른 단어를 쓰기도 한다. 기계가 초안한 산문은 첫 줄부터 마지막 줄까지 하나의 문체를 유지한다. 이런 요소들을 모두 금지하는 장르도 있으므로, 이 징후는 개인 진술서보다 방법론 절에서 훨씬 덜 유의미하다.

강하게 보이지만 그렇지 않은 징후

완벽한 문법은 아무것도 증명하지 못한다. 철자와 구두점은 이미 20년 동안 자동화되어 왔고, 주의 깊은 저자가 검사기를 사용하면 누구나 같은 수준으로 깔끔한 표면을 얻는다. 형식적인 문체 역시 아무것도 증명하지 못한다. 형식성은 대부분의 학술 및 전문 장르가 정책상 요구하는 것이기 때문이다. 제목, 굵은 글씨, 글머리표 목록을 많이 사용하는 것은 무엇보다도 먼저 오랫동안 이어져 온 사내 문체의 습관이며, 챗봇이 그것을 사람들에게 보여주기 훨씬 전부터 많은 저자들이 그렇게 훈련받아 왔다. 구두점 습관도 마찬가지로 낮은 비중만을 가지며, 특히 em dash는 하나의 기호가 감당할 수 있는 것보다 훨씬 많은 부담을 떠안아 왔다.

탐지기 점수도 이 범주에 속하며, 이는 사람들을 대체로 놀라게 한다. 점수는 텍스트가 얼마나 예측 가능한지에 대한 통계적 판단이며, 예측 가능한 산문은 주의 깊은 인간이 매일 만들어 내는 것이므로, 바로 그 이유로 오탐이 발생한다. 탐지기 출력은 사람이 여전히 내려야 하는 판단의 한 입력일 뿐이며, TextPulse의 AI 탐지기가 어떻게 작동하는지에 대한 설명은 누구도 그것을 판정으로 받아들이기 전에 그 수치가 무엇을 측정하는지 제시한다.

텍스트가 여러 징후에 걸릴 때 해야 할 일

먼저 확인 가능한 것부터 점검하라. 인용문 세 개, 숫자 하나, 그리고 명시된 사실 하나를 뽑아 각각 검증하라. 그 한 번의 점검은 얇은 텍스트와 조작된 텍스트를 가르며, 두 경우는 매우 다른 대응을 요구한다. 다음으로, 제출물을 같은 사람이 이전에 감독 아래에서 쓴 다른 글과 비교하라. 한 저자 안에서 문체가 갑자기 바뀌는 것은 문서 하나를 절대적으로 읽는 것보다 더 큰 의미를 지닌다. 그런 다음 저자만이 자기 글에 대해 답할 수 있는 질문을 던져라. 왜 이 출처를 택했는지, 세 번째 절이 원래 무엇을 주장하려 했는지, 어느 문단이 가장 어려웠는지 물어보라. 그것을 쓴 사람은 곧바로 답한다.

존재하는 정책을 따르라, 자신이 작성했을 법한 정책이 아니라. 대부분의 기관은 이제 누가 문제를 제기할 수 있는지, 어떤 증거가 허용되는지, 그리고 작성자에게 무엇이 통보되는지를 명시하며, 그 절차를 건너뛰는 것이야말로 합리적인 질문을 불만 제기로 바꾸는 일이다. 이 문제의 반대편에 있는 작성자들, 즉 자신의 글이 기계가 초안 작성한 것처럼 읽힌다는 말을 들은 사람들은 다른 일을 해야 하며, TextPulse's AI humanizer는 어떤 탐지기에서 나온 판정이 아니라 텍스트를 바탕으로 계산된 추정 Human Score를 보고한다.

같은 검사를 자신의 초안에 적용하는 일은 더 어렵고, your writing sounds like AI인지 여부에는 별도의 페이지가 있다. 어휘 자체는 따로 정리되어 있으며, ChatGPT를 드러내는 단어들의 목록에 수록되어 있다.

이 아홉 가지 징후는 질문을 던질 이유가 되며, 질문은 언제나 같다. 이 텍스트는 유창한 추측으로는 알 수 없는 무엇을 알고 있는가? 먼저 인용문에 대해 그것을 물어보라. 그것은 어떤 제출물에서든 누구를 비난해야 할 필요 없이 스스로 답하는 유일한 부분이다.

이러한 징후가 텍스트가 AI가 작성한 것임을 증명하는가?

단 하나의 징후도 아무것도 증명하지 못하며, 그것들이 모두 모여 있어도 마찬가지입니다. 편집자나 교수의 압박을 받는 상황에서, 신중한 학술적 글쓴이는 챗봇의 도움 없이도 이러한 특징들 가운데 몇 가지, 예를 들어 대명사의 부재와 같은 특징을 지닌 문단을 만들 수 있습니다. 비원어민 영어 글쓴이도 수업에서 배운 안전한 단어를 사용할 수 있으며, 형식적 연결어를 사용하도록 교육받은 학생들도 이러한 특징들 가운데 많은 부분을 사용할 수 있습니다. 단어 목록은 부정행위의 증거가 아니며, 신중한 글쓴이를 잘못 비난하게 만들 수 있는 오류입니다. 우리는 이 오류를 지적해야 하며, 조용히 되풀이해서는 안 됩니다.

도구가 책임 있게 할 수 있는 일은 글을 판정하는 것이 아니라, 패턴을 보여주는 것입니다. TextPulse의 AI humanizer가 제공하는 것은 눈앞의 텍스트를 바탕으로 한 Human Score의 추정치입니다. 이는 어떤 초안이 이러한 표면적 패턴들과 비교해 어디에 놓이는지를 읽는 것이지, 어떤 detector의 판정도 아니며, 내일 다른 도구가 무엇이라고 말할지에 대한 약속도 아닙니다. 이것은 맞춤법 검사기가 문장을 둘러싼 문장이 좋은지 여부를 결정하지 않으면서 단어 하나를 표시하는 것과 같은 방식으로, 결정을 내리기 위한 출발점으로 사용할 수 있는 숫자입니다.

위의 각 징후에는 각자의 페이지가 있습니다. 어휘 자체는 ChatGPT를 드러내는 단어들에 관한 글에서 정리되어 있으며, em dash 습관과 모델이 특히 하나의 동사를 택하는 이유에 대해서는 별도의 설명이 있습니다. 더 넓은 범주의 명칭도 다루고 있습니다. AI slop의 의미, AI fluff의 의미, 그리고 어떤 글이 AI에 의해 작성되었는지 판별하는 실용적 안내입니다. 걱정이 다른 사람의 글이 아니라 자신의 초안이라면, 글에서 AI 단어를 제거하는 방법에 관한 글도 있습니다.

다음에 자신의 글을 읽다가 어딘가 조금 어색하다고 느껴지면, 단순히 그것을 바꿀 동의어를 찾지 말고, 대신 소리 내어 읽어 보십시오. 각 문장의 단어 수를 세어 보십시오. 각 단어가 그 자리에 정확히 어떤 역할을 하고 있는지 스스로에게 물어보십시오. 그것은 이 모든 것에 이름이 붙기 훨씬 전부터 세심한 편집자가 해 오던 바로 그 읽기입니다.