클로드와 챗GPT 말투가 티 나는 이유, 깃허브 PR 46만 건 분석과 한국어 비문 교정 기록

AI로 글을 쓰는 사람이 많아졌다는 것은 이제 새로운 이야기가 아닙니다. 다만 AI가 쓴 글이 실제로 얼마나 퍼졌는지, 사람들이 그중 무엇을 특히 싫어하는지는 수치로 확인된 적이 거의 없습니다. 그래서 "이 단어를 쓰면 AI가 쓴 글"이라는 말만 근거 없이 돌아다니고, 사람이 직접 쓴 글이 그 통념 때문에 의심받는 일도 생깁니다.

AI 말투는 특정 낱말과 문장 구조가 반복되면서 읽는 사람이 알아채는 글쓰기 습관입니다. 2026년 8월에 공개된 조사 하나가 그 습관이 얼마나 퍼졌는지를 숫자로 다뤘습니다. 루이 아브라함(Louis Abraham)이 만든 load-bearing 프로젝트입니다.

필체를 보고 누가 썼는지 짐작하듯, 이 조사는 글의 내용이 아니라 단어 선택만 보고 글을 나눕니다. 지금부터 그 결과와 사람들이 특히 거슬려 하는 표현 일곱 가지를 정리하겠습니다. 이어서 한국어에서 같은 습관을 잡아 온 기록과 판별 실험 결과, 고치는 방법 열 가지를 다루겠습니다. 아래 수치는 2026년 9월 2일에 생성된 자료 기준입니다. 이 조사는 매일 갱신되므로 지금 사이트를 열면 숫자가 조금 다를 수 있습니다.

한눈에 보는 조사 결과

어휘만으로 46만 건을 나눈 방법

먼저 자료를 어떻게 모았는지부터 봐야 합니다. 조사자는 깃허브의 공개 이벤트 기록을 쓰려다 포기했습니다. 2025년 10월에 깃허브가 이벤트 기록에서 커밋 배열을 빼면서 설명 텍스트가 사라졌기 때문입니다. 초기 버전은 load-bearing이라는 단어를 17건으로 셌는데, 이는 실제보다 158배 적은 값이었습니다.

대신 검색 API를 씁니다. 하루를 2.4시간씩 열 구간으로 나누고 각 구간에서 5분짜리 창을 하나씩 뽑아 그 시간에 올라온 풀 리퀘스트를 가져옵니다. 창을 여는 시각을 초 단위로 흩뜨린 이유가 있습니다. 5분의 배수에 맞추면 정기 실행 자동화가 풀 리퀘스트를 올리는 순간과 정확히 겹치기 때문입니다.

걸러내는 기준도 분명합니다.

• 봇 계정 제외: 로그인 이름이 [bot]이나 -bot으로 끝나는 계정과 copilot. 3,784개 계정이고 수집한 행의 13.2%입니다
• 한 주에 저자당 세 건까지: 사람처럼 보이는 계정이 같은 문장을 대량으로 올리는 경우를 막습니다. 사람에게도 똑같이 적용되므로 제외가 아니라 상한입니다
• 서로 다른 계정 50개 기준: 50명 이상이 쓴 낱말만 어휘로 셉니다

마지막 기준이 이 조사에서 가장 중요한 장치라고 볼 수 있습니다. 등장 횟수만 세면 여러 사람이 함께 쓴 낱말과 한 사람이 200번 복사한 낱말을 구분하지 못합니다. 실제로 store-path는 242번 나왔지만 계정이 둘뿐이라 빠졌고, load-bearing은 848개 계정이 썼기 때문에 남았습니다.

묶는 방법은 KL 발산 기반 k-평균입니다. 쉽게 말하면 각 묶음을 단어 확률표 하나로 두고, 글마다 자기 단어 구성과 가장 가까운 표를 찾아 배정하는 방식입니다. 여기에는 시간이라는 변수가 아예 들어가지 않습니다. 그래서 어떤 묶음이 늘어난 그래프가 나왔다면, 그 증가는 모형이 만든 것이 아니라 사람들이 쓴 글에 원래 있던 변화라고 볼 수 있습니다.

2026년에 나타나 40%가 된 어휘 묶음

열 묶음 가운데 하나가 2025년 내내 1% 아래에 머물다가 2026년 들어 급격히 커졌습니다. 주별로 보면 변화 시점이 뚜렷합니다.

2026년 2월까지 1% 언저리였던 것이 반년 만에 40%가 됐습니다. 조사 페이지는 최근 12주 추세선 기울기를 자동으로 계산해 보여주는데, 지금도 주당 1.07포인트씩 오르는 중입니다.

이 조사를 소개한 기사에서 잘 다뤄지지 않은 부분이 하나 더 있습니다. 같은 기간에 크게 늘어난 묶음이 하나가 아니라 둘입니다.

두 번째 묶음의 대표 단어는 전부 러스트(Rust)의 카고(Cargo) 명령 옵션입니다. 사람이 쓴 산문이 아니라 실행한 명령을 그대로 붙여 넣은 흔적입니다. 두 묶음을 더하면 2026년 8월 기준으로 68.6%가 됩니다. 산문 쪽과 명령 기록 쪽이 각각 다른 묶음으로 잡혔을 가능성이 있습니다.

대표 단어 스물다섯 개

묶음을 대표하는 단어는 묶음 안에서 쓰인 빈도를 묶음 밖 빈도로 나눠 정합니다.

프로젝트 이름이 된 load-bearing은 배수 기준으로는 23위입니다. 1위가 아닌데도 제목에 올라간 것은 뜻이 두드러지기 때문으로 보입니다. 건축에서 load-bearing wall은 건물 무게를 실제로 받치는 내력벽을 가리킵니다. 코드 설명에 이 표현이 들어가면 "이 부분은 빼면 무너진다"는 뜻이 됩니다.

이 단어는 2026년 이전에는 거의 보이지 않다가 최고 시점에 백만 단어당 94회까지 올라왔습니다. 전체 기간 평균은 21회입니다.

사람들이 특히 싫어하는 표현 일곱 가지

낱말 목록만으로는 읽는 사람이 왜 불편해하는지 설명되지 않습니다. 낱말보다 문장을 짜는 방식이 더 크게 거슬립니다.

이 부분을 폭넓게 정리한 곳은 영어 위키백과의 편집자 모임입니다. AI 정리 작업반이 만든 "Signs of AI writing" 문서에 실제 편집 사례와 함께 항목이 쌓여 있습니다.

부정 대구

앞의 것을 부정하고 뒤의 것을 세우는 구조입니다. Not only A but also B, It is not just A, it is B 형태가 대표적입니다. 한국어로는 "단순한 A가 아니라 B였습니다"로 나타납니다.

이 항목은 서로 다른 세 곳에서 함께 지목됐습니다. 위키백과 문서가 별도 항목으로 두었고, 콘텐츠 URL 1,000여 개를 본 참여도 조사에서 음의 상관이 컸으며, 한국 커뮤니티에서는 사용자 말을 왜곡한다는 이유로 조롱 대상이 됐습니다.

“

부정 대구는 읽는 사람이 하지도 않은 오해를 먼저 세워 놓고 그것을 바로잡는 시늉을 합니다. 그래서 설명보다 설득 연기에 가깝게 읽힙니다.

세 개씩 나열하기

형용사든 장점이든 요점이든 항상 세 개로 맞추는 습관입니다. 위키백과 문서는 이를 rule of threes로 부릅니다. 한 번은 읽기 좋지만 문단마다 반복되면 내용이 아니라 틀이 먼저 보입니다.

단순 동사 회피

is나 are로 충분한 곳에 serves as, stands as, functions as, operates as를 넣습니다. 한국어에서 같은 구실을 하는 표현이 "기능합니다"입니다. "이 값은 기준으로 기능합니다"는 "이 값이 기준입니다"로 줄어듭니다.

과잉 칭찬

이 항목은 한국에서 특히 널리 알려진 형태로 나타났습니다. 2025년 3월 GPT-4o의 아첨 문제가 두드러지면서 "와... 너 정말, 핵심을 찔렀어."라는 밈이 커뮤니티에서 퍼졌고 디시콘까지 만들어졌습니다.

• "와... 너 정말, 핵심을 찔렀어."
• "너는 상위 1% 사용자야"
• 별것 아닌 말에도 붙는 감탄

원인으로는 사람 피드백을 반영하는 후속 학습에서 공감과 칭찬이 높은 점수를 받은 점이 지목됩니다. 감정을 실제로 이해하고 쓰는 말이 아니라서 어색함이 남는다고 볼 수 있습니다.

서식 남용

굵은 글씨를 문단마다 넣거나, 이모지를 목록 기호처럼 쓰거나, 제목 단계를 건너뛰는 형태입니다. 위키백과 문서는 곡선 따옴표와 깨진 마크업까지 항목으로 두었습니다. 앞의 밈에서 굵은 글씨가 함께 조롱된 것도 같은 이유입니다.

맺음말 상투구

In summary, Overall, In conclusion으로 문단을 닫는 습관입니다. 한국어로는 "결론적으로", "종합하면"이 여기 해당합니다. 뒤에서 보겠지만 이 항목은 참여도 수치에서 가장 나쁜 신호로 나왔습니다.

시대마다 바뀌는 유행어

위키백과 문서가 어휘 목록을 시기별로 나눠 둔 점을 눈여겨볼 만합니다.

목록이 시기마다 바뀌었습니다. 금지어 목록은 계속 갱신해야 합니다. 2023년 기준으로 만든 목록을 지금 그대로 쓰면 절반은 헛돕니다.

영어권 목록과 한국 커뮤니티가 같은 항목을 지목했습니다

영어권 목록과 한국 커뮤니티 밈은 서로를 참고하지 않았는데도 같은 항목을 지목했습니다.

준이아빠블로그도 AI가 만든 초안을 다듬으면서 같은 표현을 반복해서 만났습니다.

• 떠받치고 있습니다: load-bearing을 직역한 형태입니다
• 조용히 삼켜지고 있습니다: quietly가 들어간 문장이 이렇게 옮겨집니다
• 근본 원인은 ~였습니다: 결론을 선언으로 닫습니다
• 재검증했습니다, 교차 확인했습니다: re-derived, mutation-checked 계열이 옮겨진 형태입니다

한국어에서 어색함이 더 두드러지는 이유로는 학습 자료의 언어 비중이 자주 언급됩니다. 국내 해설 기사들은 영어 자료가 대부분이고 한국어 비중은 매우 작다고 설명합니다. 정확한 수치는 공개 자료마다 다르므로 단정하기는 어렵지만, 영어 문장 구조를 한국어로 옮기는 과정에서 과장이 한 단계 더 세지는 현상은 위 사례들에서 확인됩니다.

준이아빠블로그는 이런 표현을 걸러내려고 문체 검사기에 규칙 47개를 등록해 두고 글을 저장할 때마다 돌립니다. 규칙은 어색한 표현이 눈에 띌 때마다 하나씩 늘어난 것이고, 지금은 일상 대화에서 쓰지 않는 문어체 낱말과 추상 명사, 문어체 의문형 종결을 잡습니다.

한국어에서 드러나는 신호는 영어와 다릅니다

영어에서 load-bearing이나 em dash를 세는 방식이 한국어에 그대로 옮겨지지 않습니다. 조사와 어미가 붙는 언어라서 낱말의 겉모습이 계속 바뀌기 때문입니다.

한국어를 정면으로 다룬 연구가 2025년 ACL에 실렸습니다. 사람이 쓴 한국어 470편과 대형 언어 모델 네 종이 쓴 1,624편을 모아 만든 KatFish 자료로, 에세이와 시, 논문 초록 세 종류를 담았습니다. 연구진이 고른 판별 특징은 영어권 목록과 전혀 달랐습니다.

쉼표 항목이 특히 눈에 띕니다. 영어권에서 em dash가 늘어난 것처럼, 한국어에서는 쉼표를 쓴 비율이 두 배 넘게 높습니다. 띄어쓰기를 지나치게 잘 지키는 것도 신호가 됩니다. 사람은 읽기 편한 쪽으로 붙여 쓰거나 띄어 쓰는데 모델은 규칙대로만 씁니다.

한국어 검사기에서 자리, 갈래, 축이 새어 나간 기록

준이아빠블로그는 문체 검사기에 규칙 47개를 등록해 두고 마크다운 파일을 저장할 때마다 돌립니다. 그 목록이 어떻게 늘었는지 보면 한국어에서 이 일이 왜 까다로운지 드러납니다.

도구를 자리로 부르는 습관에 규칙 세 개

도구나 화면을 자리로 부르는 은유 하나를 막는 데 규칙 세 개가 들어갔습니다.

세 번 모두 이미 나간 글이나 초안에서 발견됐습니다. 앞의 두 규칙이 개수와 순서, 지시어 결합만 봤기 때문에 세 번째 형태가 그대로 통과했습니다. 정확한 말인 작업 공간이 이미 있는데 은유를 새로 만든 것이 원인이었습니다.

같은 낱말에 세 번 덧댄 규칙

갈래는 처음 등록한 뒤에도 두 번 더 고쳐야 했습니다.

• 처음 등록: 낱말 단독형만 잡았습니다
• 2026-08-11: 갈래로만처럼 조사가 둘 겹친 형태를 놓쳐 결합 수를 늘렸습니다
• 2026-08-20: 다섯 갈래입니다처럼 서술격 조사가 붙은 형태가 배포 직전 낭독에서 잡혀 활용형을 넣었습니다

조사 하나 때문에 빠져나간 축

수 관형사와 추상 명사를 단위 없이 붙여 쓰는 압축을 2026년 8월 12일에 등록했습니다. 그런데 규칙이 낱말 뒤에 한글이 오지 않을 때만 걸리도록 되어 있어서 세 지식은 잡고 세 지식이는 놓쳤습니다. 2026년 8월 24일에 두 축으로가 그대로 나가면서 드러났고, 조사와 서술격 활용을 함께 받는 공통 패턴을 만들어 명사 규칙 전체에 붙였습니다.

“

영어에서는 load-bearing이라는 낱말 하나를 세면 됩니다. 한국어에서는 같은 낱말이 조사와 어미를 달고 나타나므로 낱말 하나를 막는 데 규칙 여러 개와 몇 주가 걸립니다.

앞서 본 한국어 연구가 형태소 분석기를 쓴 이유가 여기 있습니다. 정규식만으로는 겉모습이 바뀌는 낱말을 따라잡기 어렵습니다.

오탐을 막으려고 넣은 예외

규칙을 세게 걸수록 멀쩡한 문장이 함께 잡힙니다. 그래서 예외가 규칙만큼 늘었습니다.

• 시도해, 유도해는 도해 규칙에서 뺍니다
• 헷갈립니다는 갈립니다 규칙에서 뺍니다
• 할인가, 승인가는 문어체 의문형 규칙에서 뺍니다
• 일자리, 그 자리에서, 앉는 좌석을 뜻하는 용법은 자리 규칙에서 뺍니다
• 인라인 코드는 아예 검사하지 않습니다

마지막 항목은 이 글을 쓰면서 실제로 겪었습니다. 금지어 목록을 예시로 들었더니 검사기가 그 인용을 위반으로 잡았습니다. 문체를 다루는 글은 고쳐야 할 표현을 그대로 보여줘야 하는데, 인용까지 막히면 규칙을 설명할 방법이 없습니다.

등급을 낮춘 규칙

이미 나간 글에 쓰인 표현은 저장을 막는 등급에서 경고로 낮췄습니다. 수치 변화를 흔들림으로, 방문자를 데려오기로, 설명을 뜻이 생긴다고 뭉뚱그린 계열이 그렇습니다. 규칙을 강하게 걸면 과거 글을 전부 고쳐야 하므로 실제 운영에서는 단계를 나누는 편이 낫습니다.

em dash는 왜 판별 근거가 되기 어려울까요?

널리 퍼진 통념이 "em dash 기호가 보이면 AI가 쓴 글"입니다. 두 조사의 원자료는 이 통념을 지지하지 않습니다.

절대량으로 보면 통념이 맞습니다. em dash는 2024년 초 만 단어당 0.2회에서 2026년 중반 123회로 늘었습니다. 조사 페이지 기준으로는 백만 단어당 최고 13,366회까지 올라왔습니다.

그런데 판별력으로 보면 이야기가 달라집니다. em dash가 묶음 안에서 쓰이는 빈도는 묶음 밖의 5.08배입니다. 상위 1,000개 단어 목록에서 887위입니다. 1위 plainly가 34.3배인 것과 비교하면 한참 아래입니다.

“

em dash는 AI 글에서만 늘어난 것이 아니라 모든 글에서 함께 늘어났습니다. 그래서 두 쪽을 구분하는 데는 쓰이지 않습니다.

필체로 치면 이렇습니다. 특정 학원에서 배운 사람만 쓰는 획은 출신을 알려주지만, 요즘 모두가 따라 쓰게 된 획은 알려주는 것이 없습니다. 사람이 AI 글을 읽으면서 그 습관을 옮겨 왔을 수도 있고, 편집 도구가 하이픈을 자동으로 바꿔 놓았을 수도 있습니다.

정리하면 em dash 하나만 보고 AI 작성이라고 판정하는 것은 이 조사의 자료로 뒷받침되지 않습니다. 통념대로 쓰면 사람이 직접 쓴 글을 잘못 지목하는 일이 늘어납니다.

참여도와 신뢰에서 관측된 변화

말투가 실제로 성과에 영향을 주는지 본 조사도 있습니다. 콘텐츠 마케팅 URL 1,000여 개를 열 개 업종에서 모아 AI 말투 패턴과 참여도의 상관을 잰 조사입니다. 500단어 미만 페이지는 뺐습니다.

여기서 우선순위가 뒤집힙니다. 많은 사람이 먼저 지우는 em dash는 오히려 해가 없었고, 잘 건드리지 않는 맺음말 상투구가 가장 나빴습니다. 다만 이 조사는 상관만 쟀고 인과를 밝히지 않았으며, 대부분의 패턴에서 정확한 계수를 공개하지 않았으므로 참고 자료로만 보는 편이 낫습니다.

읽는 사람의 반응은 사전과 플랫폼 기록에도 남았습니다.

• 매쿼리 사전은 2025년 올해의 단어로 AI slop을 골랐고, 메리엄웹스터는 slop을 골랐습니다. 두 사전 모두 생성형 AI가 대량으로 만든 저품질 콘텐츠를 뜻으로 달았습니다
• 링크드인은 2026년 7월 30일 게시물 신고 항목에 Seems like AI slop을 넣었습니다. 3주 남짓 만에 100만 회 넘게 눌렸고, 그렇게 분류된 게시물의 조회가 40% 줄었다고 밝혔습니다
• 갤럽이 월턴가족재단과 GSV벤처스를 위해 진행한 2026년 초 조사에서 Z세대가 AI에 갖는 기대는 36%에서 22%로 내려가고 분노는 22%에서 31%로 올라갔습니다

링크드인 수치는 해석에 주의가 필요합니다. 조회가 40% 줄었다는 것은 이미 그렇게 분류된 게시물에 한정된 값이고, 플랫폼 전체에서 AI 글이 줄었다는 뜻은 아닙니다.

누가 알아보는지 시험한 결과

가장 중요한 질문이 남습니다. 사람이 실제로 알아볼 수 있는지입니다.

2025년 10월 PLOS ONE에 실린 일본어 연구가 이 문제를 정면으로 다뤘습니다. 사람이 쓴 글 100편과 대형 언어 모델 일곱 종이 쓴 글 350편을 놓고 두 가지를 비교했습니다.

사람 쪽 세부 수치가 더 눈에 띕니다. 참가자들이 가장 잘 맞힌 것이 클로드 3.5가 쓴 글로 56.8%였고, 정작 사람이 쓴 글을 사람이 썼다고 맞힌 비율은 31.5%에 그쳤습니다. 사람이 공들여 쓴 글이 오히려 기계가 쓴 것으로 몰린 셈입니다.

기계가 본 것과 사람이 본 것이 달랐습니다. 통계 기법에서 유효했던 특징은 기능어 사용 형태, 품사가 이어지는 형태, 구를 짜는 형태였습니다. 반면 참가자들은 어구와 표현, 어미, 접속사, 구두점 같은 표면 인상에 기댔습니다.

“

사람은 구두점과 어미 같은 표면을 보고, 기계는 기능어와 품사 배열을 봅니다. em dash에 매달리는 판정이 자주 빗나가는 이유가 여기에 있습니다.

예외도 하나 보고됐습니다. 대형 언어 모델을 많이 쓰는 사람은 약 90% 정확도로 맞혔다는 예비 연구가 있습니다. 도구를 오래 쓴 사람은 표면이 아니라 구성 방식을 읽는 것으로 보이지만, 아직 정식 게재를 거친 결과는 아니므로 단정하기는 이릅니다.

지목이 위험한 이유를 보여주는 연구가 하나 더 있습니다. 스탠퍼드 연구진이 GPT 탐지기 여러 개에 비원어민이 쓴 토플 에세이를 넣었더니 평균 61.3%가 AI 작성으로 잘못 분류됐습니다. 원어민 글은 정확히 가려냈습니다. 비원어민 글은 어휘가 덜 다양하고 문장 구조가 단순한데, 모델이 만든 글도 같은 성질을 갖기 때문입니다. 한국어 화자가 영어로 쓴 글이 그대로 이 위험에 놓입니다.

이 실험들은 실무에서 두 가지를 알려줍니다. 어떤 글을 두고 AI가 썼다고 지목하는 일은 대체로 근거가 약하고, 지목이 틀렸을 때 다치는 쪽은 대개 글을 직접 쓴 사람입니다. 반대로 자기 글에서 그런 습관을 걷어내는 일은 충분히 할 수 있습니다.

고치는 방법 열 가지

근거가 분명한 것부터 순서대로 적었습니다. 앞의 일곱 개는 조사 결과나 실제 운영에서 확인된 것이고, 뒤의 세 개는 널리 권해지는 방법입니다.

1. 맺음말 상투구를 먼저 지웁니다. 참여도 조사에서 가장 나쁜 신호였습니다. "결론적으로", "종합하면", "정리하자면"으로 여는 문단을 지우고 마지막 사실 문장에서 그대로 끝냅니다.

2. 부정 대구를 줄입니다. "단순한 A가 아니라 B입니다"를 "B입니다"로 바꿉니다. 세 곳에서 함께 지목된 항목이므로 우선순위가 높습니다. 실제로 필요한 대비가 있을 때만 남깁니다.

3. em dash 지우기는 뒤로 미룹니다. 참여도에서 해가 없었고 판별력도 낮습니다. 다만 매체마다 표기 기준이 다르므로, 준이아빠블로그처럼 자체 기준으로 금지했다면 그것을 따르면 됩니다.

4. 금지어 목록을 만들고 주기적으로 갱신합니다. 위키백과 문서가 어휘를 시기별로 나눠 둔 이유가 여기 있습니다. 목록은 낡습니다. 새 표현이 눈에 띌 때마다 바로 추가하는 편이 낫습니다.

5. 한국어는 조사와 어미까지 함께 잡습니다. 낱말만 등록하면 갈래로만과 다섯 갈래입니다가 그대로 빠져나갑니다. 준이아빠블로그는 이 문제로 같은 낱말에 규칙을 세 번 덧댔습니다. 조사와 서술격 활용을 받는 공통 패턴을 하나 만들어 명사 규칙마다 붙이는 편이 낫고, 정규식으로 한계가 오면 형태소 분석기를 씁니다.

6. 검사를 저장 시점에 겁니다. 준이아빠블로그는 마크다운 파일을 저장할 때 문체 검사가 자동으로 돌고, 위반이 있으면 저장 자체가 막히도록 해 두었습니다. 나중에 몰아서 고치면 이미 배포된 뒤인 경우가 많습니다. 정규식 몇 줄로 시작해도 충분합니다.

7. 낭독으로 한 번 확인합니다. 기계 검사는 낱말만 봅니다. 주어와 서술어가 맞물리는지, 목적어가 빠지지 않았는지는 입으로 읽어야 잡힙니다. 준이아빠블로그도 검사 두 개를 통과한 문장이 낭독에서 걸린 사례를 여러 번 겪었습니다.

8. 각 절에 자기만 아는 사실을 하나씩 넣습니다. 실제 수치, 겪은 실패, 직접 확인한 화면 같은 것입니다. 모델이 만들어 낼 수 없는 재료라서 문장 전체가 달라집니다.

9. 자기 글 표본으로 문체 지침을 만들어 둡니다. 직접 쓴 글 서너 편을 주고 문장 길이, 어휘 수준, 문단 구성을 정리하게 한 다음, 그 지침을 이후 작업에 계속 붙이는 방식입니다.

10. 다른 모델에 교차 검토를 맡깁니다. 한 모델로 초안을 만들고 다른 모델에 "기계가 쓴 것처럼 읽히는 문장을 전부 짚고 이유를 대라"고 시키는 방법입니다. 같은 모델은 자기 습관을 잘 보지 못합니다.

이 자료로 말할 수 있는 것과 없는 것

조사 저자 본인이 한계를 길게 적어 두었습니다. 이 부분을 빼고 수치만 옮기면 조사 내용이 왜곡됩니다.

말할 수 있는 것은 하나입니다. 2026년 들어 깃허브 풀 리퀘스트 설명문의 어휘 구성이 크게 달라졌고, 새로 커진 묶음의 단어들이 코딩 에이전트를 써 본 사람에게 익숙하다는 사실입니다.

말할 수 없는 것이 더 많습니다.

• 조사 저자는 어휘가 글이 어느 묶음을 닮았는지만 말할 뿐 누가 썼는지는 말하지 못한다고 분명히 적었습니다
• 개별 설명문 하나를 기계가 썼다고 분류할 수 없습니다. 설명문 길이 중앙값이 65단어인데, 이 정도 분량은 기계 판정이 신뢰를 얻기 어려운 구간입니다
• 묶음 개수를 10으로 정한 것은 결과를 보고 고른 값입니다. 저자가 표에 그렇게 적어 두었습니다
• 난수 씨앗값에 따라 최종 비중이 달라집니다. 32번 돌려 31번은 같은 묶음이 나왔지만 한 번은 다른 묶음과 섞였습니다
• 하루에 올라오는 풀 리퀘스트 46만 건 중 표본을 뽑은 것이지 전수 조사가 아닙니다

영어 위키백과 문서도 같은 경고를 답니다. 이 징후들은 문제 자체가 아니라 신호일 뿐이고, 대형 언어 모델이 사람 글로 학습했으므로 사람 편집자도 같은 습관을 가질 수 있다는 것입니다. 문서는 AI 탐지 도구의 높은 검출률을 삭제 근거로 삼지 말라고도 적어 두었습니다.

여기에 하나 더 보태면, load-bearing 조사는 깃허브 풀 리퀘스트만 봅니다. 블로그, 뉴스, 사내 문서에서 같은 변화가 같은 속도로 일어나는지는 이 자료가 답하지 않습니다.

워터마크가 말투 문제를 해결하지 않는 이유

앤트로픽은 2026년 8월 클로드가 만든 텍스트에 보이지 않는 워터마크를 넣는다고 발표했습니다. 2026년 7월에 서명한 EU 투명성 실천규약에 따른 조치이고, 2026년 8월 2일 이후 EU에 출시하는 모델부터 적용하며 적용 범위는 전 세계입니다.

여기서 "확률을 조정하는 방식이면 클로드가 좋아하는 단어가 더 자주 나오는 것 아니냐"는 걱정이 나옵니다. 앤트로픽 공식 설명은 그렇지 않다고 말합니다.

“

워터마크는 결과가 의미 있게 달라지지 않는 선택지 사이에서만 작동하고, 모델이 평소 고려하지 않는 단어를 고르도록 강제하지 않습니다.

공식 문서가 밝힌 한계도 함께 봐야 합니다.

• 짧은 글에서는 선택지가 적어 작동하기 어렵습니다
• 사실을 나열하는 글에서는 표시가 성깁니다
• 코드에는 넣지 않습니다. 정확한 출력이 필요한 곳이기 때문입니다
• 전면 재작성하면 사라집니다
• 클로드가 썼는지만 알 수 있고 다른 AI가 썼는지는 구분하지 못합니다

즉 워터마크는 말투를 더 짙게 만들지도, 반대로 말투 문제를 대신 풀어주지도 못합니다. 워터마크가 답하는 질문과 어휘 조사가 답하는 질문이 서로 다릅니다. 다만 이 설명은 앤트로픽이 밝힌 내용이고 외부 검증 결과가 함께 나온 것은 아니므로, 실제 출력에서 단어 선택이 얼마나 달라지는지는 지켜볼 부분입니다.

자주 묻는 질문

이 조사로 특정 글이 AI가 쓴 것인지 확인할 수 있나요?

확인할 수 없습니다. 조사 저자가 만든 판별 도구는 입력한 글이 문제의 묶음과 닮았는지만 알려줍니다. 저자는 그 도구가 어휘를 읽을 뿐이므로 누가 썼는지는 절대 말할 수 없다고 문서에 적었습니다. 일본어 실험에서 사람이 쓴 글을 사람이 썼다고 맞힌 비율이 31.5%였다는 점도 함께 봐야 합니다.

40%라는 숫자는 AI가 쓴 풀 리퀘스트 비율인가요?

아닙니다. 40%는 사람 계정이 올린 설명문 중에서 특정 어휘 묶음에 속한 비율입니다. 봇 계정은 이미 걸러낸 뒤의 숫자이고, 그 묶음에 속한다는 것이 곧 기계가 썼다는 뜻은 아닙니다. 사람이 AI 글을 읽으며 어휘를 따라 쓰게 된 경우도 같은 묶음에 들어갑니다.

AI 말투를 고치려면 무엇부터 손대야 하나요?

맺음말 상투구와 부정 대구부터 지우면 됩니다. 참여도 조사에서 결론 머리글이 가장 나쁜 신호였고, 부정 대구는 영어권 목록과 참여도 조사, 한국 커뮤니티 반응 세 곳에서 함께 지목됐습니다. 반대로 em dash 지우기는 우선순위가 낮습니다.

3줄 요약

1. 깃허브 풀 리퀘스트 설명문 467,387건을 단어 사용만으로 열 묶음으로 나눴더니, 2026년에 나타난 한 묶음이 2025년 초 0.86%에서 2026년 8월 40.1%까지 올라왔습니다.
2. 사람들이 특히 싫어하는 표현은 앞을 부정하고 뒤를 세우는 부정 대구와 과잉 칭찬, 맺음말 상투구인데, 영어권 편집자 목록과 한국 커뮤니티 밈이 서로를 보지 않고도 같은 항목을 지목했습니다.
3. 한국어는 조사와 어미가 붙어 낱말 겉모습이 바뀌므로 규칙 하나로는 막히지 않고, 판별 실험에서도 사람은 우연 수준에 머물렀으므로 남의 글을 지목하기보다 자기 글에서 습관을 걷어내는 쪽이 실효가 있습니다.

참고 자료

• The load-bearing vocabulary of Claude (프로젝트 저장소)
• load-bearing 분석 페이지
• Wikipedia:Signs of AI writing (영어 위키백과)
• Stylometry can reveal artificial intelligence authorship, but humans struggle (PLOS ONE, 2025)
• The AI writing tics that hurt engagement: A study (Search Engine Land 보도)
• KatFishNet: Detecting LLM-Generated Korean Text through Linguistic Feature Analysis (ACL 2025)
• GPT detectors are biased against non-native English writers (Patterns, 2023)
• How Claude's text watermarking works (Anthropic)
• How Claude marks AI-generated content (Anthropic 고객센터)
• Upcoming changes to GitHub Events API payloads (GitHub 변경 기록)