AI Writing Patterns: AI 글쓰기 패턴, 드러나는 단어, 리듬과 문장부호

이 문장을 한 번 읽고 이미 어디에서 나온 것인지 아는지 확인해 보라. 연구자들은 동기와 성취 사이의 복잡한 상호작용을 계속 강조하고 있으며, 점점 늘어나는 연구는 자기조절이 학업 성공에서 핵심적인 역할을 한다는 점을 부각한다. 이 문장 자체에는 잘못된 것이 없다. 모든 절은 문법적으로 맞고, 모든 단어는 실제 단어이며, 채점자는 한 점도 깎지 않을 것이다. 그러나 여전히 기계에서 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 초안으로 작성한 산문을 한눈에 알아볼 수 있게 만든다. 이는 네 가지 수준에서 군집한다. 모델이 선택하는 단어, 문장의 형태, 의존하는 구두점, 그리고 논증 전체를 구성하는 방식이다. 이들 중 어느 하나만으로는 아무것도 증명하지 못한다. 그러나 하나의 문단 안에 함께 나타나면 알아차리기 어렵지 않다.

이것을 수행하는 기계는 통계적 탐지기라고 불린다. 이는 언어 모델이 예상하는 바에 따라 각 단어가 얼마나 예측 가능한지를 점수화한다. 보고서에는 그 점수 아래에 있는 perplexity와 burstiness 수학이 포함되며, 이는 AI 탐지기가 작동하는 방식에 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 어떤 모델도, 어떤 구독도 필요로 하지 않는다.

왜 AI writing patterns는 로봇처럼 들리는가?

언어 모델은 문장 수준에서 사람과 다른 일을 한다. 즉, 개성적이기보다 유능하게 들리도록 훈련된 시스템 안에서 통계적으로 가능성이 높은 다음 단어를 계속해서 고른다. 그 규모에서의 유능함은 매끄럽고, 정확하지만, 기억에 남지 않는 산문을 만들어 내며, 이것이 로봇 같은 느낌의 근원이다. 독자는 그런 문단에서 무엇이 잘못되었는지 종종 말하지 못하고, 다만 평평하게 읽힌다고만 느낀다. 아래의 네 가지 수준이 바로 그 평평함이 존재하는 곳이다.

어휘 선택은 독자가 가장 먼저 알아차리는 수준이다. 제자리에 있어야 할 곳이 아닌데도 나타나는, 형식적이고 연극적인 단어들이다. 문장의 리듬은 더 조용한 수준이다. 모든 문장이 대체로 같은 길이로 이어지는 문단이다. 문장부호와 형식은 그 자체의 흔적을 남긴다. 대시가 만능 연결부처럼 쓰이고, 원래는 글쓴이의 머릿속에 목록으로 존재하지 않았던 텍스트를 글머리표 목록이 끊어 놓는다. 구조는 가장 눈에 띄지 않는 수준이다. 자기 자신의 제목을 다시 말하고, 정확히 세 가지 요점을 다룬 뒤, 스스로를 요약하며 끝나는 부분이다.

가장 쉽게 지적할 수 있고, 가장 잘 문서화된 어휘부터 시작하자.

AI는 어떤 단어를 과도하게 사용하는가?

이러한 형식적이고 다소 연극적인 단어들은 계속해서 반복해서 나타난다. "delve", "underscore", "showcase"와 "pivotal"은 가장 잘 문서화된 사례들 가운데 하나이다. Dmitry Kobak과 공동 저자 3명은 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 멀리 나아갔으며, Science Advances에 2025년 7월 게재된 이 연구는 2024년의 그 빈도가 2023년 이전보다 약 28배 높았다고 추정했다. 그다음으로 가까운 것은 "underscore"와 "showcase"였다. 저자들은 2024년 초록의 최소 13.5%가 AI의 도움을 받은 흔적을 보이며, 일부 국가와 출판사에서는 그 비율이 40%를 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, 그 효과를 완전히 설명하지는 못한 채 피드백 단계가 가장 그럴듯한 기여 요인이라고 보았다. 해석 역시 여전히 논쟁 중이다. 2026년 PNAS 학술지의 교환 논문은 단어 빈도의 변화가 AI 사용을 얼마나 직접적으로 측정하는지에 대해 반론을 제기했으며, 여기의 어떤 단일 수치도 확정된 사실로 받아들이기 전에 기억할 만하다.

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

AI가 과도하게 사용하는 단어나 구	신중한 글쓴이가 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 단어 각각은 그 자체로는 틀리지 않는다. 어떤 방법론 절에서 어떤 발견을 robust하다고 부르는 것은 이 단어를 올바르게 사용하는 것이며, 복잡한 법적 논증을 설명하는 역사학자가 챗봇에 자백하는 것은 아니다. 기계가 만든 것처럼 읽히는 것은 밀도이다. 한 문단 안에 이들 단어가 셋이나 넷 들어가고, 아무 구체적 역할도 하지 않은 채, 모델이 각각을 독립적으로 가장 안전한 다음 선택으로 판단했기 때문에 그렇게 쌓아 올린 것처럼 배열되는 경우이다. TextPulse의 free AI word cleaner를 빠르게 적용하면 이러한 밀도를 직접 표시한다.

왜 AI 문장은 모두 비슷한 길이로 들리는가?

모델은 각 문장을 이전 문장을 만들었던 방식으로 구성하며, 한곳에서는 요점을 여섯 단어로 압축하고 다른 곳에서는 그것을 서른 단어에 걸쳐 풀어내는 식으로 하지 않는다. 따라서 출력은 전반적으로 거의 같은 길이에 머무는 경향이 있다. 이러한 변동성, 또는 그 결여는 문단을 소리 내어 읽을 때 들을 수 있는 것이며, 같은 근본 속성에서 계산된 탐지기의 burstiness 점수와는 다른 연습이다.

더 작은 두 가지 습관이 가까이서 보면 리듬을 드러낸다. 모델은 의미를 암시하지만 정보를 더하지 않는 dangling participle로 문장을 끝내는 것을 선호하며, 이는 추가 연구의 필요성을 강조하는 주장이나 분야의 더 넓은 변화를 반영하는 진술이 뒤따르는 형태이다. 또한 균형 잡힌 소리를 내기 위해 짝을 이루는 구조를 사용하기도 하는데, 예를 들면 the method is not only efficient but also scalable과 같은 방식이다. 한 번만 말하면 이 구조는 특별할 것이 없다. 모든 문단에서 반복되면, 명사만 바꿔 끼운 템플릿처럼 들린다.

세 개의 규칙

구문 수준에서도 세 개씩 묶는 것은 모델의 기본 리듬이다. 명사 앞의 형용사 세 개, 목록 속의 예시 세 개, 같은 방식으로 연속해서 구성된 절 세 개가 그것이다. 세 개씩 묶인 표현은 영어에 늘 존재해 왔다. 적절한 위치에 놓인 세 개 묶음은 어떤 증상도 아니다. 드러나는 징후는 빈도이다. 문제는 세 개 자체가 아니다. 거의 모든 문단에 세 개가 나타나는 것이 문제이다.

세는 것만으로도 특별한 훈련 없이 이 대부분을 알아차리기에 충분하다. 문단을 읽고 각 문장의 길이를 단어 수로 표시하라. 표시한 값이 마지막 값과 몇 단어 차이 나지 않는다면, 그 리듬이 단서다. TextPulse의 무료 burstiness checker를 사용하면 세기를 자동화하고 이를 그래프로 나타낼 수 있으며, 한 문장씩 눈으로 확인하기에는 너무 긴 글에 유용하다.

em dash와 다른 문장부호 단서

이 표지가 대표적으로 쓰이게 된 이유

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

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

그 빈도는 어떤 시스템이 텍스트를 생성했는지에 따라 크게 달라진다. 2025년 중반에 수행된 나란히 비교한 테스트에서는 여섯 개의 챗봇에 같은 프롬프트를 주고 이 표지를 세었는데, 세 시스템은 600단어가 되지 않는 분량에서 이를 8번 또는 9번 반환했고, 한 시스템은 거의 1,000단어에서 두 번 사용했으며, 두 시스템은 전혀 사용하지 않았다. 빈도는 눈앞의 문단을 생성한 특정 모델의 속성이지, AI 글쓰기의 고정된 특성이 아니다. OpenAI는 2025년 11월에 사용자가 ChatGPT에게 이 표지를 사용하지 말라고 지시하고 실제로 따르게 하는 설정을 추가했으며, 그 결과 이제 이 단서조차 부분적으로는 선택 사항이 되었다.

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

글머리표, 굵은 글자 및 머리말

같은 수준의 문제는 문장 아래의 서식 결정까지 포함한다. 글쓴이의 머릿속에서는 결코 목록이 아니었던 산문 한가운데에 놓인 글머리표 목록. 문서의 나머지가 문장형 대문자 표기인데 제목형 대문자 표기를 한 머리말. 각 글머리표의 시작에 미니 제목처럼 붙은 굵게 표시된 구절. 이들은 모두 문장부호는 아니지만, 모두 같은 곳에서 비롯된다. 즉, 시각적 구조가 산문이 보통 담당하는 전환을 대신하는 채팅 창에 맞추어 서식이 지정된 모델이다.

구조와 논증의 형태

마지막 수준은 문장 위에 놓이며, 단어를 바꾸는 방식으로 고치기 가장 어렵다. 그것은 논증 자체의 형태이기 때문이다. 기계가 쓴 절은 종종 자기 자신의 머리말을 약간 다른 말로 다시 진술하며 시작하고, 각 항목이 실제로 얼마나 중요한지와 무관하게 대체로 같은 비중이 주어진 두세 개의 지지점을 거쳐 나아간 뒤, 새로움을 더하기보다 방금 말한 것을 요약하면서 끝난다.

관련된 습관은 더 긴 글에서 늘 나타난다. 어떤 절이 무엇을 잘하는지 나열하고, however 같은 단어에서 방향을 바꾸며, 같은 정돈된 세 가지로 어려움을 나열한 뒤, 아마도 그것들을 해결할 미래를 가리킨다. 실제 논증은 그보다 더 울퉁불퉁하다. 인간 글쓴이는 보통 다른 두 점보다 한 점에 더 큰 관심을 두고, 그 점에 더 많은 지면을 할애하며, 독자에게 대칭적인 마무리를 빚지고 있지 않다.

이 또한 공식적 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 이름만 언급한다. 인간이 쓴 문헌 검토는 엄격한 틀 안에서도 어떤 쟁점이 중요하고 왜 중요한지를 논증하는데, 실제로는 하나의 입장이 방어되고 있기 때문이다.

이러한 징후가 텍스트가 AI가 쓴 것임을 입증하는가?

어떤 단일한 징후도 아무것도 입증하지 못하며, 이들 전체가 모여도 마찬가지다. 편집자나 교수의 압박 아래에서 신중한 학술 저자는 챗봇의 도움 없이도 이러한 특징들 가운데 여러 가지, 예를 들어 대명사의 부재 같은 특징을 지닌 문단을 만들 수 있다. 영어가 모국어가 아닌 글쓴이도 수업에서 배운 안전한 단어를 사용할 수 있으며, 형식적 연결어를 사용하도록 교육받은 학생들도 이러한 특징들 가운데 많은 것을 사용할 수 있다. 단어 목록은 부정행위의 증거가 아니다. 그것은 신중한 글쓴이를 잘못 비난하게 만들 수 있는 오류다. 우리는 이 오류를 지적해야 하며, 조용히 되풀이해서는 안 된다.

도구가 책임 있게 할 수 있는 일은 글쓰기를 판정하는 것이 아니라 패턴을 보여주는 것이다. TextPulse의 AI humanizer로 우리가 제공할 수 있는 것은 눈앞의 텍스트를 바탕으로 한 Human Score의 추정치다. 이는 어떤 초안이 이러한 표면적 패턴에 비추어 어디에 위치하는지에 대한 해석이지, 어떤 detector의 판결도 아니며, 내일 다른 도구가 무엇이라고 말할지에 대한 약속도 아니다. 이는 맞춤법 검사기가 문장을 둘러싼 문장이 좋은지 여부를 판단하지 않으면서 단어 하나를 표시하는 것과 같은 방식으로, 결정을 내리기 위한 출발점으로 사용할 수 있는 수치다.

위의 각 징후에는 각각의 페이지가 있다. 어휘 자체는 ChatGPT를 드러내는 단어들에 관한 글에서 정리되어 있으며, em dash 습관과 모델이 특히 하나의 동사를 자주 선택하는 이유에 대해서는 별도의 설명이 있다. 더 넓은 범주의 명칭도 다루어진다. AI slop이 의미하는 것, AI fluff이 의미하는 것, 그리고 무언가가 AI에 의해 작성되었는지 판단하는 방법에 대한 실용적 안내가 그것이다. 걱정이 다른 사람의 글이 아니라 자신의 초안이라면, 글에서 AI 단어를 제거하는 방법에 관한 글도 있다.

다음에 자신의 글을 읽다가 그 안의 어떤 부분이 왠지 어색하게 느껴진다면, 단순히 동의어를 찾아 바꾸지 말고, 대신 소리 내어 읽어 보라. 각 문장의 단어 수를 세어 보라. 각 단어가 그 자리에 정확히 어떤 역할로 놓여 있는지 스스로에게 물어보라. 그것은 이 모든 것에 이름이 붙기 훨씬 전부터 세심한 편집자가 이미 하고 있던 바로 그 읽기 방식이다.