대형언어모델(LLM)을 글쓰기 도구로 쓰더라도 문장은 직접 써야 한다는 주장이 나왔다. 블로그 ‘어 파이널 워드(A Final Ward)’의 필자는 모델에 초고를 맡기는 대신, 사람이 쓴 글에서 반복과 군더더기 같은 결함을 찾게 하라고 제안한다. 핵심 규칙은 두 가지다. 모델이 제안한 표현을 그대로 가져오지 말고, 초고를 칭찬하는 말도 경계하라는 것이다. AI가 글을 얼마나 빨리 만들어 주는가보다, 교정 과정에서 글쓴이의 판단과 목소리를 어떻게 지킬 것인가를 묻는 글이다.
핵심 요약
- 필자는 LLM이 쓴 문단은 독자에게 글보다 생성된 결과물처럼 읽힐 수 있다며, 초고는 사람이 직접 써야 한다고 주장한다.
- 모델이 제안한 표현을 한 단어도 쓰지 않는 규칙은 매끈한 AI 문체가 글쓴이의 문장에 스며드는 일을 막기 위한 것이다.
- 초고에 대한 모델의 칭찬을 경계해야 하는 이유는 고쳐야 할 구조와 표현을 그대로 유지하게 만들 수 있기 때문이다.
- LLM은 반복되는 단어, 수동태, 불필요한 부사와 어색한 문단 배치처럼 글쓴이가 직접 확인할 수 있는 결함을 찾는 데 유용하다.
- 필자는 수정 전후 문장을 비교할 때 편집 과정을 모르는 별도 모델을 쓰되, 최종 수정 여부는 글쓴이가 결정하라고 권한다.
초고를 대신 쓰지 않는 도구
필자는 LLM이 쓴 문단을 사람이 손질해도 많은 독자가 그것을 글보다는 ‘출력물’로 받아들일 것이라고 본다. 그래서 작업의 출발점은 모델에 주제를 던져 초안을 받는 일이 아니다. 먼저 글쓴이가 글 전체를 쓰고, 그다음 모델에 결함을 찾아 달라고 요청해야 한다. 필자가 제안하는 역할은 대필자가 아니라 교열자(쓴 글의 오류와 어색한 부분을 살피는 사람)다.
이 구분은 모델을 적게 쓰자는 뜻과는 다르다. 필자는 LLM이 글쓰기를 더 빠르고 덜 고통스럽게 만들 수 있다고 보면서도, 문장을 만들어 내는 일과 문제를 발견하는 일은 분리한다. 자신이 무엇을 말할지, 어떤 흐름으로 독자를 데려갈지는 글쓴이가 정한다. 모델에는 그 선택이 실제 문장에서도 잘 작동하는지 점검하는 지루한 일을 맡긴다.
첫 번째 규칙, 제안된 표현은 쓰지 않는다
첫 번째 규칙은 엄격하다. 모델이 제안한 단어나 문구를 그대로 가져다 쓰지 말라는 것이다. 필자는 최신 모델이 듣기 좋은 표현을 고르는 데 매우 능숙하기 때문에 오히려 조심해야 한다고 설명한다. 한 문장만 보면 근사해도, 그런 표현이 글 전체에 쌓이면 글쓴이 고유의 리듬이 사라질 수 있다는 판단이다.
필자는 모델의 문장이 늘 잡지 제목처럼 눈길을 끄는 방식으로 다듬어져 있다고 비유한다. 제목에는 어울리는 방식이지만, 본문 곳곳이 같은 강도로 독자를 붙잡으려 들면 읽는 경험이 달라진다. 제안이 원래 문장보다 좋아 보일 때조차 베끼지 말라는 이유가 여기에 있다. 어떤 표현이 글을 매끈하게 만들면서도 목소리를 바꾸는지 매번 정확히 가려내기 어렵기 때문이다.
이 규칙을 따르면 모델의 답변은 수정안이 아니라 문제를 찾는 단서가 된다. 표현이 진부하거나 문장이 길다는 지적을 받았다면, 글쓴이가 그 자리를 다시 읽고 자기 말로 고친다. 모델의 문장을 약간 바꿔 붙이는 방식과는 작업의 중심이 다르다. 필자가 지키려는 것은 초고의 모든 단어가 아니라, 고치는 순간에도 글쓴이가 직접 문장을 선택하는 과정이다.
두 번째 규칙, 칭찬을 경계한다
두 번째 규칙은 모델의 격려를 피하는 것이다. 필자에 따르면 초고를 건네받은 모델은 전체 구성과 문단 연결, 단어 선택에 이르기까지 쉽게 좋은 평가를 내놓는다. 하지만 초고에는 순서를 바꿔야 할 문단이나 덜어 내야 할 내용이 남아 있기 마련이다. 이런 때의 칭찬은 문제를 해결하기보다 첫 선택을 고수하도록 만들 수 있다.
필자는 문단을 다시 생각하고 교체하는 과정 자체가 글쓴이의 목소리를 떠받친다고 본다. 모델이 초고의 구조를 승인하면, 글쓴이는 평소라면 다시 썼을 부분까지 유지할 수 있다. 독자는 어느 한 표현이 잘못됐다고 짚지 못하더라도 글 전체가 인위적으로 달라졌다고 느낄 수 있다는 것이 필자의 우려다. 위험은 모델의 문장을 복사할 때뿐 아니라 모델의 평가에 기대어 수정을 멈출 때도 생긴다.
필자는 한동안 자신이 저자가 아니라 온라인 매체의 편집자이며, 글의 게재 여부를 심사한다고 모델에 말해 왔다. 이 설정은 도움이 됐지만, 모델이 가상의 매체 목표에 지나치게 맞추는 문제도 있었다. 지금 필자가 권하는 방법은 격려하지 말라고 명시하고, 그래도 나오는 칭찬을 주의 깊게 걸러 듣는 것이다. 교정에 필요한 것은 기분 좋은 총평보다 실제로 손댈 곳을 가리키는 지적이다.
반복되는 말과 묻힌 동작 찾기
그렇다면 모델에 무엇을 맡길 수 있을까. 필자는 수동태가 지나치게 많은지, 동사를 명사로 바꿔 행동이 흐려졌는지, 같은 표현을 거듭 쓰는지 살펴보게 한다. 반대로 모델의 조언을 지나치게 따라 수동태를 무조건 없애고 있지는 않은지도 점검할 수 있다. 이런 문제는 사람이 확인할 수 있지만, 긴 글에서 빠짐없이 찾으려면 피로한 작업이다.
글 곳곳에 흩어진 ‘매우’, ‘정말’, ‘실제로’ 같은 말도 점검 대상이다. 필자는 위치만 옮겨도 글의 흐름이 분명해지는 문단이 있을 수 있다고 본다. 여기서 모델의 강점은 좋은 글의 기준을 대신 정하는 데 있지 않다. 글쓴이가 원문으로 돌아가 확인할 수 있는 후보를 지치지 않고 찾아내는 데 있다.
필자는 이런 교정의 기준을 익히는 데 『스타일: 명료함과 우아함의 교훈(Style: Lessons in Clarity and Grace)』이라는 책을 추천한다. 리처드 게이브리얼(Richard Gabriel)을 통해 이 책을 알게 됐다는 필자는, 책을 읽으며 메모하고 자신에게 필요한 점검 항목을 프롬프트(모델에 주는 지시문) 목록으로 만들라고 한다. 모델을 먼저 열어 막연히 글을 평가받기보다, 무엇을 확인할지 사람이 정한 뒤 차례로 검사하는 방식이다.
직접 고친 뒤 새 모델에 비교를 맡긴다
필자가 제시한 교정 순서는 세 단계다. 먼저 모델에 글의 문제를 찾아 달라고 한다. 이어 지적된 문장이나 문단, 절을 글쓴이가 직접 다시 쓴다. 마지막으로 원래 글과 수정한 글을 보여 주고 어느 쪽이 나은지 묻는다. 첫 번째 규칙에 따라 이 과정 어디에서도 모델이 작성한 대체 문장을 채택하지 않는다.
비교 단계에는 두 번째 규칙의 문제가 다시 나타난다. 모델이 글쓴이가 방금 고쳤다는 사정을 알면 새 버전을 좋아할 것이라는 기대에 맞춰 답할 수 있기 때문이다. 필자는 편집 과정을 모르는 모델에 두 버전을 제시하라고 권한다. 수정했다는 사실 자체가 평가에 영향을 주지 않도록 맥락을 끊는 셈이다.
이 방법에서 비교 결과는 판정이 아니라 참고 자료다. 모델이 어느 쪽을 골랐는지보다, 두 버전의 차이를 글쓴이가 납득할 수 있는지가 중요하다. 반복을 줄였지만 문장의 힘도 함께 빠졌다면 수정안을 버릴 수 있다. 필자가 금지하는 것은 모델의 사용이 아니라, 모델의 답을 글쓴이의 판단 대신 놓는 일이다.
탭을 오가는 대신 만든 교정 도구
필자는 여러 탭을 오가며 문장을 비교하고 모델의 반응을 조정하는 일이 번거로워지자 교정 도구를 직접 만들었다. 처음 지시에는 파이썬(Python), HTMX, SQLite, 테일윈드(Tailwind)를 이용한 편집 화면이 담겼다. 문서에서 특정 부분을 강조 표시하고 그에 관한 의견을 옆에서 확인하며, 제안을 앞뒤로 넘길 수 있게 해 달라고 요청했다. 여러 문서와 수정 이력, 중요한 개정 표시도 요구했다.
도구의 뼈대가 마련되면 앞서 만든 교정 프롬프트 목록을 넣어 차례로 실행한다. 필자는 이 과정에 코덱스(Codex), 클로드(Claude), 앤티그래비티(Antigravity)의 CLI(명령줄에서 프로그램을 실행하는 인터페이스)를 쓰는 방식을 언급한다. 다만 자신의 도구나 프롬프트를 그대로 따르라고 하지는 않는다. 글마다 필요한 점검 항목이 다르므로, 각자 만든 목록이 각자의 글에는 더 잘 맞을 것이라고 본다.
이 도구는 글을 자동으로 완성하는 장치가 아니다. 문제가 표시된 곳으로 돌아가고, 직접 고친 버전을 관리하며, 판단에 필요한 비교를 편하게 만드는 작업대에 가깝다. 필자가 시간을 아끼려는 지점도 문장을 고민하는 순간이 아니라 교정 항목을 반복해 확인하고 결과를 정리하는 과정이다.
마지막 수정은 거절할 수도 있다
필자는 모델의 교정 의견을 전부 받아들이지 말라고 덧붙인다. 이 글을 GPT5에 보여 주자 전체 길이를 20% 줄이라는 답을 받았지만, 필자는 고치지 않겠다고 했다. 그 조언이 맞을 수도 있다고 인정하면서도 최종 선택은 자신에게 남겼다. 앞서 제시한 두 규칙이 실제 편집 과정에서 어디까지 적용되는지 보여 주는 대목이다.
모델은 과한 길이와 반복을 찾아낼 수 있다. 그러나 어느 부분을 덜어 낼지, 글의 속도를 위해 일부러 남길지는 글쓴이가 결정한다. 필자의 방법은 AI를 멀리하는 원칙이라기보다 AI가 맡을 일을 좁고 분명하게 정하는 방식이다. 귀찮은 검사는 맡기되, 문장과 수정의 책임은 넘기지 않는 것이다.
커뮤니티 의견
한 사용자는 커밋 메시지와 풀 리퀘스트(PR) 설명을 다시 직접 쓰기 시작했다고 했다. 에이전트(작업을 대신 수행하는 AI 도구)에는 사실관계만 검토하게 하고 표현은 고치지 못하게 한다. 시간이 조금 더 들지만, 그 덕분에 에이전트가 만든 코드를 훑어보고 지나치지 않고 변경 내용을 깊이 이해하게 됐다는 것이다. 답글에서는 AI가 작성한 PR 설명을 금지하면 제출자가 무엇을 왜 바꿨는지 스스로 설명해야 한다는 의견도 나왔다.
한 사용자는 AI가 쓴 글이 늘수록 읽는 일 자체가 불편해진다고 했다. 이 글처럼 AI의 표현을 쓰지 말라고 권하는 글을 읽으면서도 AI가 얼마나 개입했는지 확인하게 돼 피곤하다는 것이다. 답글에서는 글의 가치가 문장 작성보다 자료 조사에 있을 때도 있다며, LLM으로 정보를 모으고 확인해 편집자에게 넘기는 작업을 예로 들었다. 반면 생성된 글과 이미지, 음성, 영상이 많아질수록 사람들이 깊이 읽고 듣고 분석할 동기가 약해질 수 있다는 우려도 이어졌다.
한 기술 블로거는 문체 조언보다 사실 확인에 LLM이 유용하다고 했다. 모델의 과장 표현 지적은 흘려들을 때도 있지만, 한 번은 자신의 글 전체를 흔드는 문서를 찾아 줘 나중에 더 나은 글을 쓰게 됐다는 경험을 들었다. 답글에서는 검색 도구가 연결된 모델이 글에서 인용한 자료를 찾아 실제 내용과 맞게 소개했는지 확인할 수 있다는 의견이 나왔다. 이는 표현을 맡기지 않더라도 검증에는 모델을 쓸 수 있다는 관점이다.
한 사용자는 처음 몇 차례 초고는 LLM 없이 쓰고, 그 뒤에 반복 단어나 읽기 어려운 문장처럼 구체적인 문제만 지적받는 방식에 동의했다. 지적을 받을 때도 신중해야 하며 모델이 만든 문장 한 개를 붙여 넣는 일부터 경계해야 한다고 했다. 답글에서는 독자층을 설명한 뒤 모델에 비평만 맡기고, 수정문은 직접 쓰는 방법도 제안했다. 이들은 모델을 초안 작성자가 아닌 점검 도구로 제한한다는 점에서 필자와 가깝다.
원문과 수정문 중 어느 쪽이 나은지 모델에 묻는 단계에는 반론이 나왔다. 한 사용자는 LLM의 문장 취향을 신뢰하지 않으며, 철자와 문법 오류를 찾는 수준을 넘는 피드백은 쓸모가 적다고 했다. 사실 확인에는 가끔 쓰지만 글의 좋고 나쁨은 직접 판단해야 한다는 입장이다. 이는 모델의 칭찬을 피하더라도 모델의 비교 평가 자체를 얼마나 믿을 수 있는지 묻는다.
또 다른 사용자는 필자의 조언을 활용하려면 애초에 좋은 조언과 나쁜 조언을 가릴 글쓰기 감각이 필요하다고 지적했다. 감각이 없다면 모델의 제안에 끌려가 결국 모델다운 문체를 쓰게 된다는 것이다. 이에 필자는 모델의 문체 취향이 아니라 단어 반복, 불필요한 도입부, 동작을 가리는 명사처럼 직접 확인할 수 있는 문제에 관심이 있다고 답했다. 글을 잠시 덮어 두었다가 다시 읽는 방법도 제시됐지만, 다른 관점의 점검을 완전히 대신하지는 못한다는 의견이 뒤따랐다.
한 사용자는 글을 잘 쓰려면 LLM을 닫고 직접 써야 한다며, 문제를 AI 사용 여부보다 사고를 넘겨주는 데서 찾았다. 반대로 다른 사용자는 막힌 글을 시작하려고 모델을 열 때가 있다고 했다. 모델이 내놓는 문장이 마음에 들지 않는 순간 차라리 직접 쓰겠다는 마음이 생긴다는 것이다. 같은 도구가 누구에게는 생각을 멈추게 하고, 누구에게는 첫 문장을 쓰게 하는 계기가 되는 셈이다.
‘자기 목소리를 쓰라’는 조언이 글을 잘 쓰지 못하는 사람에게는 충분하지 않다는 의견도 나왔다. 모든 사람이 이미 좋은 문장을 쓸 수 있는 것은 아니므로 모델의 도움까지 막는 규칙은 지나치게 엄격하다는 주장이다. 답글에서는 좋은 문장력이 타고나는 것이 아니라 쓰고 다시 쓰면서 길러지는 능력이라는 반론이 제기됐다. 다른 사용자는 모델에 수동태나 긴 문장을 구체적으로 표시하게 하면 도움이 되지만, 어떤 글에도 똑같은 ‘10~15% 줄이라’는 조언이 나오는 순간은 경계한다고 했다.
핵심 통찰
이 글이 제안하는 변화는 AI로 글을 더 빨리 완성하는 법이 아니라, 글쓰기 과정에서 사람의 몫을 다시 구분하는 법이다. 반복을 찾거나 사실을 확인하는 일에는 모델이 도움을 줄 수 있지만, 어떤 말을 남기고 어떤 문장을 버릴지는 글쓴이가 결정해야 한다. 토론이 보여 주듯 관건은 모델을 썼다는 사실 자체보다 그 사용이 이해와 수정 능력을 키우는지, 아니면 생각하는 단계를 건너뛰게 하는지에 있다. 앞으로 지켜볼 것은 교정 도구의 성능뿐 아니라, 그것을 쓴 사람이 자기 글을 여전히 설명하고 책임질 수 있는가다.
토론: Hacker News