AI 글쓰기 티, 'im-not-ai'로 지우세요!

AI 글쓰기 도구 활용 증가에도 불구하고, 생성된 텍스트의 번역투와 기계적 표현으로 인한 비효율성 발생

오픈소스 'im-not-ai'는 AI 한글 텍스트의 구조적 결함과 번역학적 오류를 식별 및 교정하는 프레임워크 제공

A/B 테스트 결과, 'im-not-ai' 교정본이 자연스러움, 명료성, 가독성 등 전 영역에서 압도적 우위 확인

'im-not-ai' 도입 시 API 비용 폭증 및 템플릿화 부작용 등 한계점 존재

'im-not-ai'의 AI 텍스트 탐지 및 교정 메커니즘

오픈소스 'im-not-ai'는 AI가 생성한 한글 텍스트의 미묘한 흔적을 'ai-tell-taxonomy.md'에 정의된 10대 분류와 40개 이상 세부 패턴으로 식별합니다. 이 규칙은 번역투(A), 기계적 구조화(C), 시그니처 관용구(D) 등 AI 특유의 오류를 심각도에 따라 스캔합니다. 이후 'rewriting-playbook.md'에 기반하여 핵심 데이터는 보존하면서, 어색한 격조사나 불필요한 정도부사를 한국어 고유의 능동형 서술어와 다양한 종결어미로 재작성하는 윤문 작업을 진행합니다. 이 과정은 데이터 미저장 정책(Zero-Retention Policy)을 준수하며 진행됩니다.

번역학 이론 기반의 AI 문체 분석

AI 글쓰기의 어색함은 번역 보편소(Translation Universals) 이론으로 설명됩니다. 1990년대 Mona Baker가 정립한 이 이론은 번역문이 원문보다 단순화(simplification)되고 표준화(normalisation)되는 경향을 보인다고 주장합니다. AI가 영어 중심의 LLM 데이터셋을 학습해 한국어 텍스트를 출력하는 과정이 이에 해당합니다. Antonio Toral(2019)은 기계번역 결과물을 사람이 어설프게 교정한 문체를 후편집투(Post-editese)라 정의했는데, 이는 어휘 다양성 결여와 원문 언어 간섭으로 인한 문장 왜곡을 포함합니다. 'im-not-ai'는 이러한 번역학적 진단을 규칙화하여 기계적 간섭의 흔적을 제거합니다.

A/B 테스트 결과: 'im-not-ai' 교정의 효용성 검증

20~30대 직군 대상 블라인드 테스트 결과, 'im-not-ai'로 교정된 B안은 자연스러움(4.40점), 명료성(4.40점), 가독성(4.35점) 등 모든 평가 항목에서 A안(미교정본)을 압도했습니다. 최종 선호도 역시 B안이 85%를 기록했습니다. 응답자들은 B안이 불필요한 포장어와 기계적 접속부사가 없어 정보 파악이 용이하다고 평가했습니다. 흥미롭게도 HR, 재무 담당자 등 일부 그룹은 A안의 격식 있는 톤앤매너가 공적인 글쓰기에 더 적합하다고 평가하여, 어조의 미세 조정(Tone Fine-tuning) 필요성을 시사했습니다.

'im-not-ai' 도입 시 고려사항 및 한계점

실무 도입 시 두 가지 주요 한계가 존재합니다. 첫째, 클로드 Opus(Claude Opus) 고성능 추론 모델 기반의 다단계 에이전트 호출 구조는 API 비용(토큰)을 폭증시킵니다. 특히 긴 원고 처리 시 단일 호출 비용이 10달러 이상 발생할 수 있습니다. 둘째, 제공되는 윤문 규칙이 도식적이고 획일적이어서, 템플릿화된 수정 패턴이 반복되면 오히려 독자에게 피로감을 유발할 수 있습니다. 이는 AI 고유의 기계적 수정 패턴으로 이어져, 글의 개성을 살리지 못하는 또 다른 AI 투를 야기할 수 있습니다.