이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
Pangram은 인간의 글과 LLM 생성 글을 비교 학습하는 Synthetic Mirroring과 오탐 사례를 재훈련에 사용하는 Hard Negative Mining으로 텍스트의 AI 개입 비율을 추정하는 스타트업입니다. Shy Girl, Commonwealth Short Story Prize 수상작, Daggermouth 등에서 높은 AI 점수가 공개되면서 출판계의 주목을 받았고 Substack 통합도 추진했습니다. 그러나 비원어민 영어 작가와 신경다양성 작가의 글이 더 자주 AI로 판정될 수 있다는 편향, 짧은 글에서의 성능 저하, Humanizer를 통한 회피, 출판 계약에 미치는 영향이 주요 쟁점으로 남아 있습니다. Pangram은 최신 모델의 오탐률이 0.0041%라고 주장하지만, 경계 사례를 인간 글로 분류하는 보수적 정책 때문에 AI가 일부 포함된 글을 놓칠 가능성도 인정합니다.
섹션별 상세
Pangram은 24명 규모로 운영되며 지금까지 1,300만 달러를 조달한 AI 탐지 스타트업입니다. 텍스트에 AI가 얼마나 관여했는지를 추정 비율로 산출하고, 2025년 7월에는 900만 달러를 추가로 모으며 Pangram 4를 출시했습니다. 여섯 개의 채용 공고가 모두 충원되면 인력은 25% 늘어나며, 교육·법률·채용 분야와 창작 글쓰기를 주요 시장으로 삼게 됩니다.
Pangram은 인간이 쓴 글과 LLM이 비슷하게 생성한 글을 짝지어 학습시키는 Synthetic Mirroring을 사용합니다. 여기에 인간의 글을 AI 글로 잘못 판정한 사례를 찾아 학습 세트에 보강하는 Hard Negative Mining을 결합해 오탐을 줄이려 합니다. 회사는 데이터셋에 적법한 라이선스를 적용했다고 말하지만, 모델이 ChatGPT나 Claude만큼 많은 데이터를 필요로 하지는 않는다는 점도 함께 밝혔습니다.
Shy Girl의 AI 사용 의혹은 Pangram을 출판계에 널리 알린 계기였지만, 실제 정보 전달 과정은 Spero가 직접 원고를 발견해 공개한 것과 달랐습니다. Pangram의 계정 담당자가 출판업계 분석가에게 이야기를 전했고, 그 분석가가 The New York Times에 알리면서 의혹이 확산됐습니다. Spero가 사용한 원고 PDF가 해적 사이트에서 나온 자료였다는 지적에도 그는 전체 문서를 읽지 않고 곧바로 Pangram에 입력했다고 인정했습니다.
Pangram의 판정은 출판 계약과 작가의 평판에 영향을 줄 수 있지만, 회사와 일부 업계 관계자는 점수 하나가 계약 취소의 결정적 근거는 아니라고 말합니다. Penguin Random House는 승인된 AI 탐지 도구를 편집 과정의 추가 수단으로 사용할 수 있지만 판정 결과만으로 결정하지 않는다고 밝혔습니다. 반면 Aevitas의 Todd Shuster는 작가의 원고와 출판 제안서를 검사한 뒤 AI 작성 비율이 50%에서 95%로 나온 작가들과 어려운 대화를 시작했다고 말했습니다.
Pangram의 정확도 주장은 오탐 문제를 완전히 해소하지 못합니다. 회사는 최신 모델의 오탐률이 0.0041%라고 주장하지만 100단어 미만의 짧은 글에서는 성능이 떨어지고, 같은 문장도 단독으로 검사할 때와 긴 문맥 안에서 검사할 때 결과가 달라질 수 있다고 인정합니다. Notre Dame의 연구 초안에서는 Pangram 3.2가 가벼운 AI 편집이 들어간 학술 초록을 64~80%의 비율로 AI 글로 판정했지만, Humanizer를 거친 AI 글은 4% 미만만 포착했습니다.
탐지기의 편향은 어떤 글이 검사 대상이 되고 누가 공개적으로 의심받는지에 따라 피해를 불균등하게 만들 수 있습니다. 비원어민 영어 작가의 글이 AI 생성물로 더 자주 판정된다는 연구가 있고, 기사에서 가장 큰 AI 탐지 논란이 된 세 작품은 모두 유색인 작가가 썼습니다. Pangram은 앞으로 가벼운 편집까지 찾아내는 더 세밀한 판정을 목표로 하지만, 숫자 하나로 인간의 창작 과정과 문맥을 환원하려는 방식 자체가 신뢰의 한계로 남습니다.
용어 해설
- Synthetic Mirroring
- — Pangram이 인간이 쓴 글과 비슷한 문장을 LLM으로 생성해 AI 문체의 특징을 학습하는 방법입니다. 실제 텍스트와 생성 텍스트를 비교할 수 있는 학습 자료를 만들고, AI 개입 가능성을 추정하는 기반으로 활용합니다.
- Hard Negative Mining
- — AI가 쓴 글로 잘못 판정된 인간의 글을 찾아 학습 데이터에 추가하는 방식입니다. 오탐 사례를 다시 모델 훈련에 사용해 인간이 쓴 글을 AI 생성물로 판정하는 오류를 줄이는 데 목적이 있습니다.
- 오탐(False Positive)
- — 실제로는 인간이 쓴 글을 AI가 생성한 글로 잘못 판정하는 오류입니다. AI 탐지 도구에서는 작가의 평판이나 출판 계약에 직접 영향을 줄 수 있어 낮은 오탐률이 중요한 평가 기준으로 취급됩니다.
- Humanizer
- — AI가 생성한 문장을 사람의 글처럼 보이도록 바꾸는 도구입니다. 기사에 인용된 연구에서는 AI 텍스트를 Humanizer로 바꾼 뒤 Pangram의 탐지율이 크게 낮아지는 결과가 나타나 탐지 회피 가능성을 드러냈습니다.
- 대규모 언어 모델(Large Language Model)
- — 방대한 텍스트를 학습해 문장을 생성하거나 변환하는 모델입니다. 이 기사에서는 LLM이 만든 글과 인간이 쓴 글을 구별하려는 수요가 커지는 배경으로 등장하며, Pangram은 LLM이 생성한 문체를 학습해 판정에 활용합니다.
- 비원어민 영어 작가 편향(Non-native English Writer Bias)
- — 영어를 모국어로 사용하지 않는 작가의 문체가 AI 생성물로 더 자주 오인되는 현상입니다. 기사에 인용된 연구와 사례는 AI 탐지기가 언어 습관이나 문장 패턴의 차이를 편향으로 반영할 수 있음을 지적합니다.
기술
- Pangram
- Pangram 4
- Pangram 3.2
- Synthetic Mirroring
- Hard Negative Mining
- ChatGPT
- Claude
- FLoC
- Humanizer
활용 사례
- 출판 원고와 출판 제안서의 AI 사용 여부 점검
- 학교 과제와 학술 텍스트의 AI 개입 추정
- 법률 문서의 AI 작성 여부 확인
- 채용 과정에서 제출 텍스트의 AI 사용 점검
- Substack 게시물의 AI 사용 가능성 표시
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 09. 02.수집 2026. 09. 02.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
