AI 탐지기와 생성기 간의 군비 경쟁은 하나의 순환 구조입니다. 생성기는 텍스트가 만들어지는 방식을 바꾸고, 탐지기는 그 출력물로 다시 학습하며, 생성기는 또다시 적응합니다. 어떤 단일 점수도 이 순환 속에서 살아남지 못합니다. 각 점수는 움직이는 표적을 설명하기 때문입니다. 실용적인 답은 탐지기 출력을 여러 신호 중 하나의 약한 신호로 취급하고, 문장 단위로 읽으며, 숫자를 판결로 받아들이기보다 다음에 무엇을 할지 결정하는 것입니다.
탐지기와 생성기는 왜 계속 서로를 앞지르려 할까요?
양측은 상대방의 마지막 움직임에 맞서 최적화하고 있습니다.
생성기의 목표는 유창하고 유용한 텍스트입니다. 탐지기의 목표는 그 텍스트를 인간의 글과 구분하는 것입니다. 새 모델이 출시되면 탐지기는 그 출력물을 충분히 수집해 재학습할 때까지 우위를 잃습니다. 탐지기가 재학습하면, 다음 모델 출시에서는 가장 잡기 쉬웠던 습관들, 즉 반복되는 문장 형태, 지나치게 고른 리듬, 예측 가능한 연결어를 점점 없애는 경향이 있습니다.
이것은 어느 쪽의 방해 공작도 아닙니다. 두 제품이 하나의 측정 기준을 공유할 때 벌어지는 일입니다. 탐지기는 모델 출력 샘플로 학습되고, 모델은 매끄럽고 일반적인 문장을 보상하는 인간 피드백으로 조정됩니다. 매끄럽고 일반적인 문장은 바로 탐지기가 인식하도록 학습하는 것입니다. 그래서 생성기의 개선과 탐지기의 신호는 같은 원을 계속 맴돌며 서로를 쫓습니다.
이 순환이 끝나지 않는 두 번째 이유가 있습니다. 탐지는 통계적입니다. 탐지기는 당신의 의도, 출처, 과정을 읽지 않습니다. 이전에 본 패턴과 당신의 텍스트를 비교해 확률을 반환할 뿐입니다. 그 확률은 학습 데이터가 바뀌면 달라지며, 당신의 글이 전혀 변하지 않았더라도 마찬가지입니다. 지난 학기에 어떤 점수를 받았던 초안이 단 한 단어도 수정되지 않은 채 이번 학기에 다른 점수를 받을 수 있습니다.
우리 자체 도구는 이것이 얼마나 잡음이 많은지 보여줍니다. 2026-09-28에 우리는 DeAIze 탐지기(로컬 앙상블, 라이트 티어)로 30% 플래그 임계값에서 두 코퍼스를 채점했습니다. 사람이 작성한 709개의 수기 DeAIze 가이드 샘플은 평균 AI 점수 26%, 중앙값 25%, 범위 0-69%였으며, 그 709개 중 239개가 해당 임계값에서 플래그되었습니다. 편집되지 않은 모델 출력, 즉 고정 프롬프트에서 생성되고 편집되지 않은 12개 구절은 평균 33%, 중앙값 34%, 범위 4-46%였습니다.
다시 읽어 보세요. 이 한 문단이 글 전체를 담고 있습니다. 두 분포는 크게 겹칩니다. 진짜 사람이 쓴 글의 상당 부분이 편집되지 않은 모델 출력도 존재하는 범위 안에 들어갑니다. 그것은 고장 난 탐지기가 아닙니다. 짧고 격식 있으며 편집된 산문에 대한 확률 추정이 보이는 모습일 뿐입니다.
하나의 점수에 의존한다면 그것은 무엇을 의미할까요?
그것은 단일 숫자가 당신이 그 숫자에 맡기려는 결정을 감당할 수 없다는 뜻입니다.
학생, 교사, 편집자, 채용 담당자 또는 프리랜서라면, 도구 하나를 돌리고, 퍼센트 하나를 읽고, 행동하는 것이 솔깃한 선택입니다. 그 선택은 양방향 모두에서 실패합니다.
거짓 양성은 사람이 쓴 글이 높게 나올 때 발생합니다. 격식 있는 문체, 과도한 편집, 번역, 비원어민 표현, 짧은 샘플은 모두 점수를 끌어올립니다. 엄격한 제도권 영어로 작성된 보조금 제안서는 모델 출력과 통계적으로 유사해 보일 수 있습니다. 둘 다 분산이 낮고 일관성이 높은 산문이기 때문입니다.
거짓 음성은 모델 출력이 낮게 나올 때 발생합니다. 가볍게 다시 쓴 구절이나, 단순히 이 특정 모델이 이 특정 날짜에 낮은 확률을 부여한 구절은 통과할 수 있습니다. 플래그가 없다는 것은 플래그가 있다는 것과 마찬가지로 저자임을 증명하는 증거가 아닙니다.
두 오류는 같은 오류를 반대편에서 본 것입니다. 즉, 확률에게 사실의 역할을 요구하고 있는 것입니다.
문장 수준 점수가 그림을 어떻게 바꾸는지 보고 싶다면, AI 탐지 작동 방식 가이드에서 신호를 자세히 설명하고, AI 탐지기 허브에서 보고서의 각 부분이 실제로 무엇을 측정하는지 설명합니다. 어느 쪽도 단일 숫자를 신뢰하라고 요구하지 않습니다.
왜 두 탐지기가 같은 초안에 대해 서로 다른 결과를 내놓을까요?
같은 단어를 사용하더라도 같은 것을 측정하지 않기 때문입니다.
| 차이점 | 점수가 달라지는 이유 | 할 수 있는 일 |
|---|---|---|
| 훈련 데이터 | 각 도구는 모델 출력과 인간 작성의 서로 다른 샘플에서 학습함 | 결론을 내리기 전에 하나 이상의 도구를 실행하세요 |
| 세분성 | 문서 점수는 어떤 줄이 신호를 담고 있는지 숨기고, 문장 점수는 이를 보여줌 | 문장별로 강조하는 도구를 선호하세요 |
| 임계값 | 낮은 임계값의 플래그와 높은 임계값의 플래그는 다른 의미를 가짐 | 플래그를 생성한 임계값이 무엇인지 물어보세요 |
| 샘플 길이 | 짧은 구절은 탐지기가 작업할 재료를 적게 제공함 | 짧은 텍스트는 신중하게 판단하세요 |
| 언어 및 레지스터 | 비영어 텍스트와 번역된 텍스트는 다르게 작동함 | 신뢰하기 전에 도구의 언어 지원 범위를 확인하세요 |
이것이 신뢰성 질문이 일반적인 형태로는 잘못된 질문인 이유입니다. “이 탐지기는 정확한가?”라는 질문에는 안정적인 답이 없습니다. 정확도는 고정된 테스트 세트를 기준으로 측정되는데, 생성기는 계속 발전하기 때문입니다. 더 나은 질문은 이것입니다: 나는 어떤 결정을 내리고 있으며, 이 신호는 어느 정도의 무게를 견딜 수 있는가?
자신의 초안에서 어떤 단락을 다시 쓸지 결정하는 것과 같은 낮은 위험의 결정에서는 탐지기 점수가 유용합니다. 누군가를 비행으로 고발하거나 제출물을 거부하는 것과 같은 높은 위험의 결정에서는 탐지기 점수만으로는 충분하지 않습니다. 애초에 그렇게 설계된 적도 없습니다.
이 도구들의 정직한 사용은 어디에 자리 잡는가?
그것은 세 가지 습관에 자리 잡습니다.
- 문서 수준이 아니라 문장 수준에서 점수를 매기세요. 문서 전체의 백분율은 무언가 바뀌었다는 것을 알려줍니다. 문장 강조 표시는 어디가 바뀌었는지 알려줍니다. 이것이 판결과 편집 목록의 차이이며, 둘 중 실행 가능한 것은 하나뿐입니다.
- 점수를 증거가 아니라 신호로 취급하세요. 높은 점수는 “여기를 더 자세히 보라”는 뜻입니다. “이것이 생성되었다”는 뜻이 아닙니다. 낮은 점수는 “오늘 이 모델에는 아무것도 눈에 띄지 않았다”는 뜻입니다. “이것은 사람이 썼다”는 뜻이 아닙니다.
- 파일만이 아니라 과정을 보관하세요. 초안, 메모, 출처, 버전 기록, 그리고 AI 도움을 어떻게 사용했는지에 대한 짧은 진술은 어떤 탐지기 출력보다도 저자임을 입증하는 데 더 큰 역할을 합니다. 글에 대해 설명을 요구받는다면, 그 기록이 증거입니다.
여기가 정직한 경계가 자리하는 곳이기도 합니다. 자신의 글에서 오탐을 줄이는 것은 정당합니다. 자신의 AI 지원 초안을 자신이 쓴 것처럼 읽히도록 다듬는 것은 정당합니다. 다른 사람의 작업을 자신의 것으로 속이거나, 공개해야 할 저자 정보를 감추기 위해 휴머나이저를 사용하는 것은 정당하지 않으며, 어떤 도구도 그것을 바꾸지 못합니다. 아이디어, 데이터, 결론은 당신의 것이어야 합니다.
탐지기 결과를 책임감 있게 해석하려면 어떻게 해야 할까요?
점수를 볼 때마다 짧은 체크리스트를 사용하세요.
- 무엇을 측정했는지 물어보세요. 문서 점수와 문장 점수는 서로 다른 결과물입니다. 지금 보고 있는 것이 어느 쪽인지 파악하세요.
- 어떤 임계값이 적용되는지 물어보세요. 낮은 임계값에서의 플래그는 높은 임계값에서의 플래그보다 약한 신호입니다.
- 헤드라인 숫자가 아니라 플래그된 문장을 보세요. 소리 내어 읽어보세요. 당신처럼 들리나요, 아니면 일반적으로 들리나요? 그 판단이 종종 점수보다 더 많은 정보를 줍니다.
- 흔한 오탐 유발 요인을 확인하세요. 격식체, 번역, 과도한 편집, 짧은 샘플은 모두 사람이 쓴 글의 점수를 높입니다. 직접 작성한 709개의 가이드로 구성된 저희의 인간 샘플은 평균 26%였는데, 이는 0에서 한참 떨어진 수치입니다.
- ** stakes가 높을 때는 두 번째 도구를 실행하세요.** 도구 간의 불일치는 정상이며 그것 자체가 정보입니다: 신호가 약하다는 것을 알려줍니다.
- 점수를 저자 증명으로 제시하지 마세요. 그것은 확률 추정치입니다. 전달할 때 그렇게 말하세요.
실제 수치가 아닌 가상의 예를 사용한 구체적인 설명: 당신이 직접 쓴 기관 문체의 한 문단이 한 도구에서 높은 점수를 받았다고 상상해 보세요. 문장 보기를 열면 플래그된 두 줄이 정의 문장과 마무리 요약이며, 둘 다 당신이 어디서나 사용하는 것과 같은 평이하고 변동이 적은 문체로 쓰여 있음을 알 수 있습니다. 그 두 줄을 실제로 말하는 방식에 맞게 다시 쓰고 다시 점수를 매기면 플래그된 집합이 줄어듭니다. 숨긴 것은 없습니다. 당신의 글이 다른 모든 사람의 글처럼 보이게 만든 모호함을 제거했을 뿐입니다.
AI 탐지의 미래는 어떤 모습일까요?
군비 경쟁은 끝나지 않습니다. 다만 덜 중심적인 것이 됩니다.
이미 세 가지 변화가 뚜렷하게 보입니다. 탐지는 순수한 분류보다 출처와 공개 쪽으로 이동하고 있습니다. 왜냐하면 선언된 과정이 추측된 것보다 더 신뢰할 수 있기 때문입니다. 도구는 문장 단위 및 편집 중심의 출력 쪽으로 이동하고 있습니다. 왜냐하면 그것이 사람들이 실제로 행동에 옮길 수 있는 것이기 때문입니다. 그리고 기관들은 점수가 고정되어 있기를 기대하는 정책보다 무엇이 허용되는지 설명하는 정책 쪽으로 천천히 이동하고 있습니다.
단일 점수에 의존하는 사람에게 핵심은 화려하지 않습니다. 탐지기를 하나의 신호로 사용하세요. 문장 단위로 읽으세요. 초안을 보관하세요. 사용한 것을 공개하세요. 그리고 점수가 자신의 글에 대해 알고 있는 것과 다를 때, 숫자가 아니라 실제로 보여줄 수 있는 증거를 신뢰하세요.
측정 참고: 이 글의 수치는 2026-09-28에 자체 탐지기로 실행한 결과에서 나왔습니다 — n = 709개의 손으로 쓴 가이드 대 n = 12개의 편집되지 않은 모델 출력, 중앙값 AI 점수는 각각 25%와 34%입니다. 방법: /methodology/.