목차(클릭하세요)
AI가 쓴 글에서 느껴지는 미묘한 슬롭 냄새
이를 논문과 코드를 바탕으로 한국어 AI 문체를 걷어내는 스킬이 바로 ‘한국어 윤문 스킬’
이를 논문과 코드를 바탕으로 한국어 AI 문체를 걷어내는 스킬이 바로 ‘한국어 윤문 스킬’[참고자료]
[한국어 윤문 스킬의 핵심]
1. 휴머나이즈 KR이라는 Skill은 무엇?
1-1. 용도
•
한국어 윤문(潤文) 스킬임.
•
AI가 쓴 문장에서 티가 나는 부분을 찾아 살짝 변경해주는 속칭 ‘윤문’ 스킬
[구조적 분석]
•
왜 AI가 쓴 글은 티가 날까?
◦
번역투, 과도한 영어 인용, 기계적 병렬 ("첫째 · 둘째 · 셋째")를 남발
◦
"결론적으로 / 시사하는 바가 크다" 같은 AI 특유 관용구, 피동태 남용, 문두 접속사 남발, 이모지·불릿 남용 등
[AI가 쓴 티가 나는 글의 특징 체계]
ID | 대분류 | 대표 서브 패턴 |
A | 번역투 | "~를 통해", "~에 대해", "~에 있어서", 이중 피동 "~되어진다", "가지고 있다", "그/그녀" 강박적 사용 (A-16), 관계절 좌향 수식 (A-18), "~에서의/~에로의" 이중 조사 (A-19) |
B | 영어 인용·용어 과다 | 과도한 괄호 병기, 번역 가능한 영어 그대로 |
C | 구조적 AI 패턴 | 기계적 "첫째/둘째/셋째", 과도한 불릿·헤딩·이모지, 연결어미 뒤 쉼표 (C-11) |
D | AI 특유 관용구 | "결론적으로", "시사하는 바가 크다", "주목할 만하다", "혁신적인" |
E | 리듬 균일성 | 문장 길이 표준편차 낮음, 동일 종결어미 반복, 청자 경어법 일관성 손실 (E-7) |
F | 수식·중복 | "매우", "정말", 동의어 이중 수식, "~적/~성/~화/-tion/-ment" 남발 |
G | Hedging 남용 | "~할 수 있을 것으로 보인다" 다중 완곡 |
H | 접속사 남발 | 문두 "또한/따라서/즉/나아가" 연속 |
I | 형식명사 과다 | "것이다", "점", "수", "바", "~할 필요가 있다" |
J | 시각 장식 남용 | 과도한 볼드, "따옴표", 대시(—) 남발 |
1-2. 설치와 사용 환경
ChatGPT, Claude, Gemini, Antigravity 어디서든 사용가능
주의: 2026년 7월부터 코워크가 로컬 파일 접근 방식에서 클라우드 저장 방식으로 전환됨. 1-3. 무엇이 함께 설치되는가?
•
플러그인 하나를 설치하면 스킬 3개 + 서브에이전트 9개가 한 묶음으로 설치됨.
•
클로드 코드에서는 플러그인을 설치할 수 있고, 클로드 데스크톱이나 웹버전에서는 그냥 스킬 하나만 설치할 수도 있음
스킬 3종
스킬 | 역할 |
humanize-korean | 본체 오케스트레이터. 채점 → 경로 배정 → 윤문 → 검증 전 과정 수행 |
humanize | 진입점. /humanize [텍스트 또는 파일 경로]로 바로 실행 |
humanize-redo | 재실행 진입점. /humanize-redo "번역투만 다시" 같은 부분 재처리 |
•
클로드 코드용 스킬과 데스크탑 앱용 스킬이 분리 관리되므로 각각 설치해야 함.
•
클로드 코드에서는 바로 플러그인 설치가 가능한데, 웹버전이나 데스크톱 버전에서는 사용이 안될 수 있으므로, 프롬프트를 통해 설치하는 것을 권장
•
예시 프롬프트 및 진행과정
이 스킬 설치해서 Humanize-KR로 사용하게 해줘
https://github.com/epoko77-ai/im-not-ai
•
사용자 지정 스킬에 해당 스킬이 보이지 않는다면 스킬 저장버튼을 한번 더 눌러주기
1-4. 1차 테스트_변경률 리포트와 강도 조절
•
번역투가 느껴지는 AI슬롭 스러운 문장으로 테스트 진행하기
•
여기서 중요한 포인트는 결과만 제시하지 않았다는 점임.
•
어떤 패턴 코드(S1, D1, A2 등)에 근거해 무엇을 고쳤는지, 변경률이 몇 퍼센트인지까지 리포트로 함께 나옴.
변경률이 30%를 초과했으나 S1 패턴이 6개 중첩되어 불가피했음
•
강도 조절도 대화로 됨.
원문 톤을 더 살리고 강도를 낮춰줘•
그럼 S1 중 피동만 손보는 식으로 개입 범위를 좁힐 수 있음
AI 기술은 데이터를 분석해 사용자에게
새로운 가능성을 보여 줄 것으로 보입니다.
Plain Text
복사
•
스킬이 정상 작동하여 윤문되었을 때 기대되는 문장(예시)
구분 | 원문 (AI 티) | 윤문 후 |
번역투 피동 | 여러 요인들에 의해 발생되어진다고 볼 수 있다 | 여러 요인으로 발생한다 |
대명사 직역 | 그는 그의 시계를 보았다 | 시계를 보았다 |
반복 대구 | 단순한 기술이 아니라 삶의 방식이다. 속도가 아니라 방향이다 | 속도보다 방향이 중요하다 |
좌향 수식 | AI가 학습한 데이터가 보여주는 언어 패턴 | AI 학습 데이터의 언어 패턴 |
우회 표현 | 생산성을 높일 수 있다. 이를 통해 경쟁력을 강화할 수 있다 | 생산성을 높여 경쟁력을 강화한다 |
상투적 결론 | 본질적으로 시사하는 바가 크다고 볼 수 있다 | 시사하는 바가 크다 |
•
재실행은 명령을 외울 필요가 없음. 말하듯 요청하면 됨.
이 문단만 다시 윤문해줘 / 번역투만 더 손봐줘 / 윤문 강도 낮춰줘 / 2차 윤문해줘
주의점_토큰 잡아먹는 괴물인가?
•
토큰 소모량이 상당이 높고 작업 수행 시간이 생각보다 길 수 있음
[2차 비교 테스트]
하나의 문단을 가지고 테스트 한 결과 주요 변경 포인트 들
전 | 후 |
원인은 모델 안쪽에 있음. 대부분의 언어 모델은 영어로 학습되어 있고 한국어 학습 자료는 아주 적음. 머릿속은 영어인데… | 대부분의 언어 모델은 영어로 학습되어 있고 한국어 학습 자료는 아주 적음. 머릿속은 영어인데 출력만 한국어로 바꿔 내보내는 구조이니 원인은 모델 안쪽에 있는 셈임. |
원문이 없는 실시간 번역인 셈임. 저장소가 "한글 특화"를 내세우는 근거도 여기 있음. | 원문이 없는 실시간 번역인 셈이니 저장소가 "한글 특화"를 내세우는 근거도 여기 있음. |
이 스킬의 접근이 의미를 가짐 | 이 스킬의 접근이 의미가 있음 |
2. AI 문체는 왜 티가 나는가?
2-1. AI슬롭 냄새가 나는 이유
•
우리는 AI가 쓴 글을 단번에 알아챔. 단번에 알아챈다는 건 거기 미묘하게 반복되는 패턴 즉, 규칙이 있다는 뜻임.
결론적으로 AI 규제에 대해서 논의할 필요가 있다는 점은
시사하는 바가 크다.
Plain Text
복사
•
위 문장은 오타도 없고, 문법적 오류가 보이지 않는 언뜻보기에 문제없는 문장임
그런데 한국어를 쓰는 사람은 보통 이렇게 쓰지 않음.•
물론 문과 쟁이 중에 본인 글의 현학적 우수함을 드러내기 위해 위와 같은 표현을 사용하는 사람도 있음
•
일반적으로 사람이라면 상투구, 번역투, 과장 관용구를 걷어내고, 불필요한 서술어를 줄인 담백한 문장으로 작성함.
•
대부분은 아래 처럼 간단하게 줄여서 적음
결국 AI 규제에 대해 논의할 필요가 있다.
Plain Text
복사
2-2. 왜 AI스러운 글이 생성될까?
LLM은 한국어로 생각하지 않음•
대부분의 언어 모델은 영어로 학습되어 있고 한국어 학습 자료는 아주 적음.
•
머릿속은 영어인데 출력만 한국어로 바꿔 내보내는 구조이니 원인은 모델 안쪽에 있는 셈임.
초기 ChatGPT 시절, 영어로 질문하고 답변받은 뒤 번역기를 돌리는 편이 품질이 좋다는 팁이 돌았던 이유도 같은 맥락
2-3. 번역의 탄생에서 언급하는 번역투의 문제점
•
『번역의 탄생』 목차가 주는 인사이트
1장 들이밀까, 길들일까
- 직역과 의역의 딜레마
2장 한국어의 개성
- 동적인 한국어, 정적인 영어, 더 정적인 프랑스어
3장 껄끄러운 대명사
- '그’와 '그녀’를 모르는 한국어
4장 주어는 어디 갔지?
- 한국어와 주어
5장 수동태 길들이기
- 문장을 오염시키는 과잉 수동문
6장 우리를 슬프게 하는 사동문
- 영어는 타동사를 좋아한다
7장 죽은 문장 살려내는 부사
- 추상에 강한 영어, 구체성에 강한 한국어
8장 '적(的)’이라는 문장의 '적(賊)’
- 형용사는 부사로 잡는다
9장 간결한 문장의 비밀, 덧말
- 접두사와 접미사 활용하기
10장 한국어 말꼬리를 잡아라
- 실감나는 어미 활용
11장 살빼기
- 군살은 뺄수록 아름답다
12장 좁히기
- 좁혀야 생생하다
13장 덧붙이기
- 풀어주면 쉬워진다
14장 짝짓기
- 짝을 지으면 안 되는 가짜 친구들
15장 뒤집기
- 뒤집으면 자연스럽다
16장 느낌이 사는 토박이말
- 입말 활용법
17장 맞춤법도 법이다
- 한국어의 힘을 키우는 길
18장 말의 지도, 사전
- 우리 삶이 담긴 사전이 필요하다
19장 만들어 쓰기
- 개념의 핵심을 찌르는 조어법
20장 셰익스피어와 황진이가 만나려면
- 리듬을 옮기는 시 번역
3. 해당 스킬의 윤문 원리
•
이 스킬은 감에 의존해 윤문하는 것이 아니라 공학적 원리에 따라 작동하는 설계를 가짐
3-1. 분류 체계: 10대 카테고리 × 70 서브 패턴
•
A부터 J까지 열 갈래로 구분함. 여기에 검증 대기 중인 hold 1건(A-17)이 포함되어 있음
ID | 대분류 | 대표 서브 패턴 |
A | 번역투 | ~를 통해, ~에 있어서, 이중 피동 ~되어진다, 가지고 있다, 대명사 강박 사용(A-16), 관계절 좌향 수식(A-18), 이중 조사 ~에서의(A-19) |
B | 영어 인용·용어 과다 | 과도한 괄호 병기, 번역 가능한 영어 방치 |
C | 구조적 AI 패턴 | 기계적 첫째/둘째/셋째, 과도한 불릿·헤딩·이모지, 연결어미 뒤 쉼표(C-11) |
D | AI 특유 관용구 | 결론적으로, 시사하는 바가 크다, 주목할 만하다, 혁신적인 |
E | 리듬 균일성 | 문장 길이 표준편차 낮음, 동일 종결어미 반복, 청자 경어법 일관성 손실(E-7) |
F | 수식·중복 | 매우, 정말, 동의어 이중 수식, ~적/~성/~화 남발 |
G | Hedging 남용 | ~할 수 있을 것으로 보인다 다중 완곡 |
H | 접속사 남발 | 문두 또한/따라서/즉/나아가 연속 |
I | 형식명사 과다 | 것이다, 점, 수, 바, ~할 필요가 있다 |
J | 시각 장식 남용 | 과도한 볼드, 따옴표 강조, 대시(—) 남발 |
•
처리 방식도 카테고리별로 다름.
•
구문(A·B)은 다시 생성하고, 리듬(C·E·J)은 변경하고, 어휘(D·F·G·H·I)는 삭제하는 원리
3-2. 측정 가능한 지표들
AI가 생성한 글은 통계적으로 유의미한 특징이 있다.. 이 말씀이다•
숫자로 드러나는 기계의 흔적?
지표 | 사람 | LLM |
수식어 뒤 쉼표 비율 | 1.40% | 14.83% |
어미 뒤 쉼표 비율 | 1.96% | 7.09% |
인칭 대명사 밀도 | 기준선 | 2~3배 |
문장 길이 분포 | 단문·장문의 무의식적 혼합 | 30~50자에 집중 |
N-gram 형태소 다양성 | 높음 | 낮음 |
사람이 쓴 글의 길이는 들쑥날쑥함. AI가 쓴 글은 자로 잰 듯 균일함.
•
이말은 곧, 쉼표 개수만 측정해도, AI 생성글을 어느정도 판별 할 수 있다는 가능성을 제시함
•
실제로 이 스킬이 C-11(연결어미 뒤 쉼표)을 S1으로 올린 근거가 바로 이것임.
•
한국어에서 가장 강한 단일 분리도 신호가 에세이 기준 4.84배였음.
대명사 문제는 더 티가 날 수도 있음
•
ACL 2019 연구는 성별이 없는 한국어 문장을 번역기에 넣으면 어떤 성별이 튀어나오는지를 지수로 만듦.
◦
걔는 경찰이야 → He is a police officer,
◦
걔는 간호사야 → She is a nurse.
◦
한국어에 없는 성별을 영어 대명사 체계가 강제로 부여하고 직업 고정관념을 그대로 따라감.
•
그래서 이 스킬은 대명사가 등장하면 50%~70% 정도를 삭제 후보로 보고 주어를 생략하거나 명사를 재사용해 문장을 재구성함.
3-3. LLM이 아니라 파이썬으로 판단
•
AI가 생성한 글인가? 아닌가?에 대한 판정을 언어 모델이 담당하는 구조가 아님
•
기준선이 된 KatFish 연구는 사람 글과 LLM 글을 에세이·논문 초록 등 여러 장르에 걸쳐 비교하되 판별은 ML 분류기에 맡김.
[해당 논문]
[관련 링크]
•
띄어쓰기 규칙성, 품사 조합 다양성, 구두점 사용을 계산해 수치로 판정함.
•
스킬은 그 계산을 그대로 코드에 반영함
# metrics.py — 표준 라이브러리만으로 8개 정량 지표 계산
# 쉼표 포함률 · 연결어미 쉼표 · 분절 평균 길이 · 쉼표 전후 POS 다양성
# 결산 lexicon · 균형 lexicon · 한자어 밀도 · 어휘 다양성
# → z-score + risk_band(low/medium/high) 출력
# metrics_v2.py — post-editese 3축(단순화·정규화·간섭) 14개 신규 지표
# interference_index가 T1~T8 시그널을 가중 합산
Python
복사
4. 어떻게 수정하고, 어떻게 검증하는가?
4-1. 스킬의 방향성과 4대 원칙
•
윤문은 창작이 아님. 무엇을 덜어낼 것인가의 문제이며 이 스킬의 목표도 원래 작성 의도를 그대로 유지한 채 AI의 냄새를 빼는게 있기 때문
•
이 스킬은 제거만 함. 생성은 거의 하지 않음. 없던 문장이나 표현을 추가하는 순간, 그것이 다시 AI냄새를 넣는 트리거로 작동할 수 있기 때문
•
즉, 원문장에 없는 비유나 상투구를 새로 생성하지 않는 다는 절대 원칙이 이 스킬의 방향성
결론적으로, 혁신적인, 양쪽 모두 일리가 있다. 이런 표현의 공통점은 지우면 오히려 글이 좋아진다고 가정하고 이를 스킬에 반영했다는 내용
[4대 원칙]
1.
의미 불변: 사실 · 주장 · 수치 · 고유명사 · 직접 인용은 100% 원문 보존
2.
근거 기반: 탐지된 span에만 수술적 수정, 탐지 없는 구간은 건드리지 않음
3.
장르 유지: 칼럼을 문학으로, 리포트를 에세이로 옮기지 않음
4.
과윤문 금지: 변경률 30% 초과 시 경고, 50% 초과 시 강제 중단
처음부터 변경하거나 수정하지 않는 목록(Do-NOT List)도 해당 스킬에서 제시하고 있음•
수치 · 단위 · 날짜
•
고유명사 · 인명 · 제품명 · 모델명
•
큰따옴표 내부 직접 인용
•
법률 · 규정 조문
•
학술 개념어
4-2. 경로 배정: light / standard / heavy
•
입력이 들어오면 shim(prepare_monolith_input.py)이 먼저 정량 채점을 하고 그 점수로 route_hint를 결정적으로 산출함. 글의 상태가 경로를 정하고 경로가 콜 수를 정함.
경로 | LLM 콜 | 언제 | 파이프라인 |
light | 1 | 잘 쓴 글, 어휘 티가 거의 0 | 진단·finalize 생략, 보수 강도 단일 윤문. 손댈 게 없으면 "이미 좋습니다"로 조기 종료 |
standard | 2 | 보통의 AI 초안 | 진단 1콜 + 겨냥 윤문 1콜. 1만자급도 청킹 없이 단일 콜 |
heavy | 3+ | 중증 슬롭 · 15,000자 초과 · 증적 필요 | 진단 → 윤문(청크 2개 이상일 때만 병렬) → finalize |
4-3. 변경률 게이트와 파이프라인
윤문이 끝나면 verify_change_rate.py가 exit code로 판정함. LLM 재탐지가 아니라 코드가 결정함.
구간 | 판정 | 조치 |
5% 미만 | 여윤문 | S1 패턴 잔존 위험 경고 |
5~30% | 안전 구역 | 수술적 개입 성공 |
30% 초과 | 경고 | 검증 단계로 승급 |
50% 초과 | 원문 훼손 | 채택 금지, 강제 중단 |
[스킬의 전체 작동과정]
입력 텍스트
↓
[prepare_monolith_input.py] 정량 사전 점수 + route_hint 산출
↓ 실패 시 standard로 자동 진행 (graceful degrade)
├─ light ────→ [monolith ×1] ───────────────────────→ final.md
├─ standard ─→ [diagnostician] → [monolith 겨냥 윤문] → final.md
└─ heavy ────→ [diagnostician] → [monolith] → [finalizer]
↓
[verify_change_rate.py] ── 변경률 게이트 (결정적 코드 판정)
Plain Text
복사
4-4. 여담:’delve(동굴)' 논쟁
•
같은 현상이 영어권에도 존재한다는 이야기
•
Y Combinator 창업자이자 『해커와 화가』의 저자인 폴 그레이엄이 ChatGPT 이후 delve가 급증했다며 X에 올린 글이 화제가 됨.
•
논문에는 delve, underscore, showcasing, crucial, potential 같은 어휘가 2020년 대비 2024년에 폭증했다고 주장함
•
특히 한국·대만·중국·인도네시아·태국·이란 등 비영어권에서 두드러짐
•
원인으로는 RLHF 과정의 인간 피드백이 지목되지만 어디까지나 추측임.
◦
실제로 오픈AI가 케냐·나이지리아 노동자에게 유해 콘텐츠 라벨링을 외주했고, 심각한 트라우마로 작업이 중단되며 소송으로 이어진 사건이 알려짐.
•
위와 같은 문제로 인해 클로드는 헌법 기반 학습(Constitutional AI)을 택하는데 영향을 미쳤다고 함
◦
헌법 기반 AI(Constitutional AI) 학습법은 AI가 인간의 피드백에만 전적으로 의존하지 않고, 자체적인 ‘헌법(Constitution)’이라는 명확한 원칙 문서를 기준으로 스스로 답변을 비평하고 수정하며 도덕적 판단력과 안전성을 기르는 훈련 방식
반론도 존재함. 어떤 인도 저자는 자신이 살던 마을에서 delve를 원래 자주 썼다고 밝힘. 즉, 어휘 하나로 AI로 생성한 글이라고는 단정할 수 없다는 것!
•
바로 그래서 이 스킬의 방향성이 의미가 있음.
◦
감각이나 느낌에 의존하지 않고 분포와 임계값으로 판단하며 검증되지 않은 근거에는 hold를 설정하기 때문
5. 해당 스킬로 PPT만들어보기
이 페이지에서 설명한 스킬을 적용해서 만든 PPT와 미적용 PPT로 차이점 확인해보기5-1. 윤문 적용이 안된 PPT
5-2. 윤문 적용 된 PPT
5-3. 결과 함께 비교하기
•
‘~ 드러난다’와 같은 사람들이 잘 사용하지 않는 표현
•
‘걷어내면’과 같은 어색한 표현
이 줄어든 것을 확인할 수 있었음!
[윤문 적용 전]
[윤문 적용 후]
Made By Yangphago