ChatGPT를 드러내는 40개 이상의 단어와 구

2024년에 PubMed에 색인된 생의학 논문 중 적어도 8편 중 1편은 AI 지원의 어휘적 특징을 보였고, 일부 국가와 학술지에서는 그 비율이 5편 중 2편을 넘었다. 누구도 무엇인가를 인정할 필요가 없었다. 몇 개의 형식적이고 다소 연극적인 단어들이 그 자백을 대신했으며, 하나의 초록 안에서 우연이 허용하는 것보다 훨씬 더 자주 함께 나타났다.

ChatGPT를 드러내는 단어들은 특이하지 않다. 그것들은 평범하고 형식적인 영어이며, 약간 지나치게 자주 선택되고, 신중한 필자라면 한 문단 안에 좀처럼 함께 쌓아 두지 않을 조합으로 나타난다. 여기에는 완전한 실무용 참고 목록이 있다, 어디에서 주로 나타나는지에 따라 정리된 40개가 넘는 단어들과, 각 단어 대신 신중한 편집자가 무엇을 고르는지까지 포함한다. 어떤 것은 그 자체로 평판이 있을 만큼 유명하다. 대부분은 그렇지 않으며, 단 하나만 보면 의심스럽지 않기 때문에 독자의 눈을 빠져나간다. 왜 이런 일이 아예 일어나는지에 대한 더 넓은 메커니즘은 별도의 글에 있다. 여기서의 핵심은 바로 이 목록 자체다.

왜 이 단어들이 ChatGPT를 드러내는가

언어 모델은 유능하게 들리도록 훈련된 체계 안에서, 통계적으로 다음에 올 가능성이 높은 단어를 계속 골라 문장을 만든다. 이러한 습관은 어휘 선택, 문장 리듬, 구두점, 구조 전반에 걸쳐 드러나며, TextPulse의 AI writing patterns 가이드에서 전체적으로 다룬다. 어휘 선택은 독자가 가장 먼저 알아차리는 수준일 뿐인데, 페이지에서 가장 쉽게 가리킬 수 있기 때문이다.

어휘 선택이 그 자체로 참고 항목이 되는 이유는 하나다. 검증할 수 있기 때문이다. 독자는 한 문단이 형식적이고 정보량이 낮은 단어 다섯 개나 여섯 개에 한꺼번에 의존한다는 사실을 알아차리기 위해 detector 구독이 필요하지 않다. 그것들을 세는 일은 이 목록을 한 번 읽는 데 걸리는 시간 안에 누구나 배울 수 있는 기술이다. 문장 리듬과 구두점은 이 사이트의 다른 곳에서 길게 다루고 있다. 어휘는 주의만으로도 독자에게 보답하는 유일한 수준이다.

ChatGPT를 드러내는 단어 전체 목록

아래 목록은 40개가 넘는 항목으로 이루어져 있으며, 각 단어가 주로 나타나는 위치에 따라, 학술 및 연구 산문, 비즈니스 및 경력 글쓰기, 전환용 상투구, 그리고 문단을 별다른 말 없이 마무리하는 완화 표현으로 나뉜다. 대략 절반은 생의학 초록에 대한 하나의 대규모 연구에서 비롯되며, 나머지는 비공식적으로 문서화되어 있다. 예를 들어, 탐지 업체가 ChatGPT 출력 1천만 단어가 넘는 자체 스캔을 수행한 사례나, 2025년 11월 분석에서 "notable works include"라는 구가 AI 생성 텍스트에서 평소의 약 120배, "today's fast-paced world"가 약 107배의 빈도로 나타났다고 집계한 사례가 있다. 이 두 종류의 출처는 서로 구분해서 아는 것이 중요하다. 동료 심사를 거친 1천5백만 개 초록 표본은 한 분석가가 챗봇 출력물을 스캔한 결과와는 다른 비중을 가지며, 아래의 열은 그 점을 다르게 보이려 하지 않는다.

단어 또는 구	주로 나타나는 영역	신중한 작성자가 대신 사용하는 표현
delve (into)	Academic	살펴보다, 검토하다
underscore / underscores	Academic	지적하다, 보여 주다
showcase / showcasing	Academic	제시하다, 입증하다
intricate	Academic	복잡한, 상세한
meticulous	Academic	신중한, 철저한
comprehensive	Academic	전면적인, 완전한
notably	Academic	특히
crucial	Academic	중요한, 핵심적인
exhibited	Academic	보였다
multifaceted	Academic	다면적인
encompasses	Academic	포함한다, 아우른다
facilitates	Academic	돕는다, 가능하게 한다
elucidates	Academic	설명한다
discernible	Academic	눈에 띄는, 분명한
underpinning	Academic	뒷받침하는
insights	Academic	발견, 요점
within	Academic	안에
across	Academic	전반에 걸쳐
particularly	Academic	특히
noteworthy	Academic	언급할 만한
leverage	Business	사용하다
utilize	Business	사용하다
streamline	Business	간소화하다
elevate	Business	개선하다, 높이다
unlock	Business	열다, 가능하게 하다
seamlessly	Business	매끄럽게, 추가 단계 없이
cutting-edge	Business	새로운, 최근의
robust	Business	견고한, 신뢰할 수 있는
innovative	Business	새로운
results-driven	Business	효과적인
actionable	Business	사용 가능한, 실용적인
groundbreaking	Business	새로운, 독창적인
transformative	Business	중대한, 큰
state-of-the-art	Business	최신의, 가장 새로운
additionally	Transition	또한, 그리고
furthermore	Transition	또한, 그리고
moreover	Transition	또한
in order to	Transition	하기 위해
due to the fact that	Transition	때문에
a wide range of	Transition	여러, 또는 실제 수
today's fast-paced world	Hedge / closer	실제 연도나 분야를 명시하다
notable works include	Hedge / closer	중요한 두세 가지를 명시하다
aims to explore	Hedge / closer	검토한다, 시험한다
it is worth noting	Hedge / closer	사실을 직접 진술하다
plays a vital role in	Hedge / closer	중요하다, 형성한다
serves as a testament to	Hedge / closer	보여 준다, 입증한다
boasts	Hedge / closer	가지고 있다, 포함한다

"Delve"는 정확히 한 줄만 위에 두고 그 이상은 없습니다. 이 단어는 이 전체 목록에서 이미 가장 문서화가 잘 된 단어이며, 이를 산문에서 다시 반복하면 나머지 마흔여섯 개를 밀어내게 됩니다. 표 전체를 눈으로 다 읽는 것보다 더 빠른 점검 방법은 TextPulse의 free AI word cleaner에 초안을 넣어 돌리는 것이며, 이는 이런 종류의 밀도를 자동으로 표시합니다.

작업된 예시

표의 네 항목을 한꺼번에 담은 한 문장을 보십시오. "This comprehensive study aims to explore the multifaceted challenges that underscore the pivotal role of policy in modern research." 모든 단어는 실제 단어이고 모든 절은 문법적으로 성립하지만, 바로 그 점이 문제입니다. 인간 편집자라면 이를 다음과 같이 줄일 것입니다. "This study looks at how policy shapes research, and why it matters." 사실은 하나도 사라지지 않았습니다. 사라진 것은 군더더기였습니다.

어떤 범주의 단어가 가장 분명한 신호인가?

학술적 문체가 가장 분명한 증거를 제공합니다. 2010년부터 2024년 사이에 출판된 15.1 million PubMed 초록을 대상으로 한 연구에서, "underscores"는 2024년까지 기대 빈도의 약 14배로 증가했고, "showcasing"은 거의 11배에 이르렀습니다. 평범한 단어들도 움직였습니다. "potential", "findings" 및 "crucial"은 모두 더 높은 출발점만으로도 측정 가능할 정도로 더 흔해졌기 때문에, 실제로 증가했음에도 원시 비율로 보면 상승폭이 더 작아 보입니다. 같은 연구팀은 그 밖에는 특별할 것 없는 연결어 열 개의 집합을 따로 지목했는데, 그중에는 "additionally", "comprehensive", "notably" 및 "within"이 포함되며, 이들은 함께 집단으로서 통계적으로 이례적인 것으로 나타났습니다. 이들 각각은 단독으로는 아무 의미도 없지만, 하나의 초록에 네 개나 다섯 개가 함께 나오면 그렇지 않습니다.

같은 패턴은 생의학 밖에서도, 분야에 따라 서로 다른 강도로 나타난다. 2020년 1월부터 2024년 2월까지 arXiv, bioRxiv 및 Nature 계열 저널에 실린 약 951,000편의 논문을 별도로 분석한 결과, LLM 개입 가능성은 컴퓨터 과학에서 17.5퍼센트까지 높게 나타난 반면, 수학과 Nature 포트폴리오에서는 그 상한이 6.3퍼센트에 더 가까웠다. 인문학 지도교수와 컴퓨터 과학 지도교수는 이 단어들의 배경 발생률을 같은 방식으로 읽고 있지 않으며, 이는 어떤 단일 에세이를 예외적 사례로 취급하기 전에 기억할 만한 점이다. 더 짧은 논문과 프리프린트를 자주 게시하는 저자들의 논문에서도 이 패턴이 더 자주 나타났는데, 이는 단순한 설명과도 들어맞는다. 이 표현들은 시간을 절약해 주며, 시간 압박은 학문 분야 전체에 고르게 분포하지 않기 때문이다.

위의 비즈니스 및 경력 관련 문단은 더 느슨하게 문서화되어 있지만, 그만큼 분명하게 드러난다. "Aims to explore"는 앞서 인용한 2025년 11월 분석에서 통상적인 비율의 약 50배로 나타났고, 자기소개서, LinkedIn 요약, 보도자료에서는 "streamline", "elevate" 및 "results-driven"이 함께 모이는 경향이 있다. 오후 내내 거의 동일한 자기소개서 40통을 읽는 채용 담당자는 이를 어떤 연구보다도 더 빨리 알아차린다. 그래서 채용 담당자들은 누군가 수치를 계산하기 훨씬 전부터 이 패턴을 일화적으로 설명해 왔다. 이것만으로 특정 자기소개서가 챗봇에 의해 작성되었다는 사실이 증명되는 것은 아니다. 다만 기업 문서의 어휘와 언어 모델이 자주 사용하는 어휘가 크게 겹친다는 점은 증명되며, 이는 ChatGPT가 존재하기 전에도 이미 사실이었고, 하나의 도구가 그 많은 양을 한꺼번에 생성하기 시작한 뒤에야 단지 더 쉽게 식별할 수 있게 되었을 뿐이다.

목록이 계속 바뀌는 방식

목록은 고정되어 있지 않다. 위키피디아의 자체 편집 지침은, 이런 종류의 편집을 매일 되돌리는 자원봉사자들이 유지하며, 기계가 작성한 추가 내용을 식별하기 위해 실시간으로 변하는 유행을 추적한다. 2023년부터 2024년 중반까지의 흐름은 "boasts", "crucial", "pivotal", "tapestry" 같은 단어들에 집중되어 있다. 2025년 중반이 되자 같은 지침은 "align with", "fostering", "showcasing"을 포함한 다른 집단을 추적하고 있었고, "enhance"와 "highlighting"처럼 더 평이한 단어들이 1년 전보다 더 많은 비중을 차지하고 있었다. 이 모든 것은 중앙에서 조정되지 않는다.

한 시점에 고정된 목록은 바로 이런 이유로 금방 낡는다. 지속되는 것은 그 바탕에 있는 습관이다. 특정 단어가 올해 유행하는지와 무관하게, 다소 지나치게 자주 손이 가는 형식적인 단어들이다.

이 단어들이 ChatGPT가 작성했다는 것을 증명하는가?

아니다. 마감 압박을 받는 신중한 작성자, 안전한 형식적 어휘를 찾는 비원어민 영어 사용자, 그리고 글쓰기 수업에서 바로 이 단어들을 배운 학생 모두, 챗봇이 전혀 없더라도 이 목록에서 높은 점수를 받는 문단을 만들 수 있다. 위의 표를 부정행위의 증거로 취급하는 것은 신중한 작성자들이 잘못 비난받게 만드는 실수이며, 이를 조용히 되풀이하기보다 실수라고 분명히 부르는 것이 중요하다. TextPulse의 자체 제품이 존재하는 이유도 반대의 문제 역시 매우 현실적이기 때문이다. 진짜 인간의 글이라도, 운 나쁘게 이들 단어 몇 개가 한 문단에 모이면, 전혀 그럴 자격이 없는데도 검토 대상으로 끌려갈 수 있다.

통계적 탐지기는 전혀 다른, 그러나 관련된 신호를 바탕으로 작동하며, 이는 TextPulse의 how AI detectors work에 관한 글에서 다룬다. 또한 TextPulse의 AI humanizer는 어떤 탐지기의 판정이 아니라, 앞에 놓인 텍스트로부터 계산한 추정 Human Score를 보고한다. 이와 같은 단어 목록은 인간의 판단을 위한 출발점이지, 그 대체물이 아니다. TextPulse의 나머지 free tools collection은 전체 초안을 검토하는 사람을 위해 리듬, 구두점, 구조 같은 다른 수준을 다룬다.

이 목록에서 다른 어떤 단어보다 더 많은 비중을 차지하는 동사는 하나이며, 모델이 왜 그것을 사용하는지는 별도로 설명된다. 구두점도 같은 사실을 드러내며, em dash 습관에도 별도의 페이지가 있다.

다음에 문단이 약간 어색하게 느껴질 때, 하나의 유의어만 찾아서 고쳤다고 여기지 말아야 한다. 대신 밀도를 살펴보아야 한다. 이 단어들 가운데 두세 개가 실제로 기능을 하고 있다면 그것은 평범한 글쓰기이며, 네다섯 개가 전혀 기능하지 않고 있다면 그것이 단서이고, 그 차이는 어떤 독자라도 먼저 detector에 무엇인가를 돌리지 않고도 알아볼 수 있는 것이다.