당신이 신중하고 평이하며 정확한 영어를 쓰는데 원어민이 아니라면, Claude 워터마크 이야기는 바로 당신에 관한 것입니다. writehuman.ai(https://writehuman.ai/blog/claude-watermark-punishes-the-wrong-people)에 수집된 보도는 탐지 도구가 정확히 이 집단을 표시한다고 설명하며, 그 메커니즘은 잘못된 행위가 아니라 문체입니다. 평이한 정확성은 예측 가능하게 읽히고, 예측 가능성은 탐지기가 점수를 매기는 대상입니다.
그게 불편한 부분입니다. 이번 주에 바뀐 것은 당신의 텍스트에 대한 새로운 잠금장치가 아닙니다. 같은 오래된 오탐이 엉뚱한 사람에게 떨어지는 새로운 이유입니다.
이번 주에 실제로 바뀐 것은 무엇인가?
Claude는 당신의 문서에 찾아서 지울 수 있는 눈에 보이는 워터마크를 찍지 않습니다. 바뀐 것은 보도의 양과 프레이밍입니다. 작가들은 Claude의 도움을 받거나 Claude로 다듬은 문장이 탐지 가능한 서명을 지닌다고 들었고, 독자들은 플래그가 무언가를 의미한다고 들었습니다.
솔직한 버전은 이렇습니다. 탐지 도구는 토큰 예측 가능성과 문장 길이 변화 같은 신호를 사용해 한 구절이 기계 생성처럼 보일 가능성을 추정합니다. 그 추정은 저자 이력의 기록이 아닙니다. 어떤 탐지기 출력도 누가 무엇을 썼는지 증명하지 않습니다. 엄밀한 의미의 워터마크는 생성 시점에 삽입되고 모델 소유자가 검증할 수 있습니다. 탐지기 점수는 그 둘 중 어느 것도 아닙니다 — 신뢰도 숫자가 붙은 추측이며, 지금 신중한 작가들에게 불리하게 사용되는 것은 바로 그 추측입니다.
그래서 누군가 “Claude 텍스트에는 워터마크가 있다”고 말할 때, 보통 의미하는 것은 “내 평이하고 정확한 문단이 높은 점수를 받았다”입니다. 이 둘은 다른 주장이며, 그중 검증 가능한 것은 하나뿐입니다.
누가 가장 큰 타격을 받을까?
보도는 그 집단을 정확히 지목한다: 비원어민 영어 필자들이다. 그 메커니즘은 신비롭지 않다. 영어를 정식으로 배웠다면, 학술 문장에서 축약형을 피하고, 문장을 완전하게 유지하고, 같은 논리적 전개에는 항상 같은 연결어를 사용하고, 생생한 단어보다 안전한 단어를 선호하도록 배웠을 것이다. 바로 그것이 탐지기가 낮은 변동성과 높은 예측 가능성으로 읽는 것이다.
또 다른 세 집단이 같은 그물에 걸린다:
- 기술 및 법률 문체로 쓰는 필자. 정확하고 반복적이며 변동성이 낮은 문장이 바로 그들의 일이다.
- 엄격한 스타일 가이드 아래에서 쓰는 학생. 기관 규칙이 탐지기가 인간적 신호로 사용하는 개성을 제거한다.
- 모델로 과도하게 편집한 사람. 전환을 매끄럽게 만드는 Claude 패스는 자신의 초안을 이전보다 더 기계가 만든 것처럼 읽히게 만든다.
당신이 이 집단 중 하나에 속한다면, 문제는 당신이 부정행위를 했다는 것이 아니다. 문제는 당신의 문체가 통계적 프로필과 겹치는데, 플래그가 도착하기 전까지 아무도 당신에게 그 사실을 알려주지 않았다는 것이다.
무엇이든 다시 쓰기 전에, 자신의 초안을 문장 단위로 읽어보라. DeAIze의 AI 탐지기는 문서 전체를 점수화하고 각 문장을 AI 확률별로 표시해 주므로, 추측하는 대신 어느 줄이 실제로 그 신호를 담고 있는지 볼 수 있다. 재작성 체험은 이메일 확인 후 200단어까지이며, 신용카드가 필요 없다.
오늘 해야 할 일, 순서대로
재작성부터 시작하지 마세요. 보존부터 시작하세요. 이미 작업물에 플래그가 찍혔다면, 원본 초안, 버전 기록, 메모가 증거이며, 재작성은 은폐처럼 보일 수 있습니다. 한 단어라도 손대기 전에 사본을 저장하세요.
그런 다음 이 순서대로 진행하세요:
- 문서 전체가 아니라 플래그된 구절을 특정하세요. 문서 수준 점수는 실행 가능한 정보를 거의 주지 않습니다. 문장 수준 하이라이트는 어떤 네 문장이 신호를 담고 있는지 알려줍니다.
- 플래그된 문장이 가장 공들여 쓴 문장인지 확인하세요. 이것이 중요한 진단입니다. 가장 높은 점수를 받은 문장이 가장 평범하고 정형화된 구성이라면, 문제는 표절이 아니라 문체 중복입니다.
- 그 특정 문장들의 리듬을 바꾸세요. 어휘가 아니라 리듬입니다. 탐지기는 균일한 문장 길이와 균일한 전환 패턴을 포착합니다. 긴 문장 하나를 짧은 문장 둘로 나누세요. 문단마다 세 번 쓰는 접속사를 빼세요.
- 오직 자신만이 추가할 수 있는 구체적인 내용을 넣으세요. 날짜, 장소, 자신의 데이터에서 나온 숫자, 한 방법 대신 다른 방법을 선택한 이유. 기계가 만든 문장은 구체적일 이유가 없기에 일반적입니다.
- 다시 점수를 매기고 비교하세요. 플래그된 문장은 움직였고 그렇지 않은 문장은 움직이지 않았다면, 올바른 것을 편집한 것입니다.
4단계가 하는 일과 하지 않는 일을 주목하세요. 그것은 초안을 더 분명히 당신의 것으로 만듭니다. 어떤 탐지기에서든 특정 점수를 보장하지는 않습니다. 어떤 도구도 그것을 약속할 수 없기 때문이며, 특정 감소 수치를 주장하는 업체는 당신이 검증할 수 없는 측정값을 파는 것입니다.
우리 자체 수치는 어떻게 보이는가
우리는 자체 자료에 탐지기를 돌리며, 결과는 이 논쟁 양측의 마케팅보다 극적이지 않다. 2026-09-28에 우리는 두 코퍼스를 DeAIze 탐지기(로컬 앙상블, 라이트 티어)로 30% 플래그 임계값에서 채점했다:
| 코퍼스 | 구절 | 평균 AI 점수 | 중앙값 | 범위 |
|---|---|---|---|---|
| 참조 샘플(DeAIze 가이드, 생성됨으로 표시되지 않음) | 709 | 26% | 25% | 0–69% |
| 편집되지 않은 모델 출력(고정 프롬프트, 편집 없음) | 12 | 33% | 34% | 4–46% |
두 가지가 눈에 띈다. 첫째, 분포가 크게 겹친다. 편집되지 않은 모델 출력은 참조 샘플과 별개의 대역에 있지 않다. 둘째, 709개의 참조 구절 중 239개가 30% 임계값 이상에 위치했다. 이는 메타데이터 기반 선택에서 나온 구절 수이며, 독립 문서도 아니고 검증된 인간 오탐률도 아니다 — 같은 가이드의 구절은 독립 표본이 아니므로, 이 수치를 모집단 추정치가 아니라 우리 도구에 대한 설명으로 취급하라.
같은 실행에서 나온 또 하나의 수치: AI 티(tell) 빈도는 참조 샘플에서 100단어당 1회, 편집되지 않은 모델 출력에서도 100단어당 1회였다. 동일하다. 모델 출력이 티로 눈에 띄게 채워져 있을 것이라 기대했다면, 그렇지 않았다 — 이것이 바로 자연스러운 문체가 이미 평범한 사람에게 “그냥 인간처럼 써라”가 쓸모없는 조언인 이유다.
수정이 잘못된 선택일 때
여기서 경계에 대해 솔직해지자. 텍스트가 당신 것이고 플래그가 문체적 부산물일 때는 재작성이 올바른 선택이다. 다음 세 가지 상황에서는 잘못된 선택이다:
- 모델을 사용해 문구뿐 아니라 내용 자체를 생성한 경우. 다른 사람의 논증의 표면만 편집한다고 해서 그 논증이 당신의 것이 되지는 않습니다. 아이디어, 데이터, 결론은 당신 자신의 것이어야 하며, 어떤 편집 과정도 그것을 바꾸지 않습니다.
- 공식적인 분쟁 중인 경우. 패널, 편집자 또는 관리자가 문제를 제기했다면 원본을 보존하고 정책을 따르세요. 먼저 다시 쓰는 것은 자백으로 읽힐 수 있습니다. AI 탐지기 오탐 혐의에 관한 우리의 가이드는 무엇을 어떤 순서로 문서화해야 하는지 다룹니다.
- 해당 정책이 지원 자체를 전면 금지하는 경우. 도구보다 규칙을 먼저 확인하세요. 일부 과정과 직장에서는 문제가 텍스트가 사람처럼 읽히는지가 아니라 모델이 관여되었는지 여부이며, 어떤 편집 워크플로도 그 질문에 대한 답을 대신해 주지 않습니다.
당신이 첫 번째 범주에 속한다면, 멈추고 당신이 하려는 일을 다시 생각해 보세요. 두 번째나 세 번째에 속한다면, 다시 쓰기는 기다릴 수 있습니다.
공황이 지나간 뒤의 영구적인 해결책
주간 뉴스 사이클은 계속 넘어갈 것입니다. 근본적인 문제는 그렇지 않을 것입니다. 왜냐하면 그것은 구조적이기 때문입니다: 탐지기는 예측 가능성을 점수화하고, 신중한 필자는 의도적으로 예측 가능합니다.
지속 가능한 해결책은 도구가 아니라 습관입니다. 첫 초안을 당신 자신의 문체로, 당신 자신의 구체적인 내용을 담아 직접 작성하세요. Claude나 다른 모델을 사용한다면, 이미 무엇을 말하려는지 알고 있고 그것을 표현하는 데 도움이 필요한 부분에 사용하세요 — 사고를 위한 것이 아닙니다. 그런 다음 어휘가 아니라 리듬과 구체성을 목표로 한 편집을 한 번 하세요. 문장 길이를 다양하게 하세요. 세 번 사용한 접속사를 잘라내세요. 실제 숫자가 없는 문단에 실제 숫자를 넣으세요.
그 루틴이 전체 방법이며, 이번 주의 워터마크 이야기가 사람들이 생각했던 그 이야기로 판명되든 아니든 통합니다. 우리의 AI 텍스트 인간화 필러는 전체 워크플로를 섹션별로 안내하며, 당신의 주장, 수치, 인용을 그대로 유지하는 검증 단계를 포함합니다. 제거 도구보다 거기서 시작하세요 — 제거 도구는 대부분의 경우 당신의 파일에 실제로 존재한다고 입증된 적이 없는 워터마크를 다룹니다.
이 밑에 깔린 두려움에 관한 마지막 한 가지. 걱정은 사실 “탐지기가 나를 표시할까”가 아니다. “누군가 내가 내 작업을 직접 쓰지 않았다고 판단할까”이다. 그것은 당신의 초안, 메모, 수정 이력을 읽을 수 있는 사람이 내리는 인간의 판단이다. 점수는 그 판단에 들어가는 하나의 입력값일 뿐이고, 그것도 논란이 있는 입력값이다. 과정을 기록하고, 원본을 보관하고, 문체 문제가 제기되면 솔직하게 답하라. 그것이 표시가 뜬 뒤에 하는 어떤 수정보다 더 나은 방어다.
측정 참고: 이 글의 수치는 2026-09-28에 우리 자체 탐지기를 돌려 얻은 것이다 — 생성됨으로 표시되지 않은 가이드의 참조 구절 n = 709 대 편집되지 않은 모델 구절 n = 12, 중앙값 AI 점수는 각각 25%와 34%. 참조 저자는 독립적으로 검증되지 않았으며, 구절들은 독립적인 문서가 아니다. 방법: /methodology/.