AI가 글을 바꾸면 목소리는 사라진다

본 연구는 대형 언어 모델(LLM)이 직장 내 커뮤니케이션을 ‘전문화’하는 과정에서 세계 영어 변종(인도·싱가포르·나이지리아 영어)의 고유 문화표지를 체계적으로 삭제하는 현상을 ‘문화 유령(Cultural Ghosting)’이라고 정의하고, 이를 정량화한다. 연구자는 1,490개의 문화표지 포함 텍스트를 수집했으며, 이 텍스트는 인도 영어(601개), 싱가포르 영어(261개), 나이지리아 영어(89개), 그리고 비교용 미국 영어(539개)로 구성된다. 각 텍스트는 108개의 사전 정의된 문화표지(어휘·실용·구문)로 라벨링했으며, 자동 패턴 매칭과 인간 검증을 통해 0.89의 코헨 카파를 달성해 라벨링 신뢰성을 확보했다. 다섯 개의 오픈소스 인스트럭션‑튜닝 모델(Mistral‑7B‑Instruct, Apertus‑8B‑Instruct, DeepHat‑7B, MiMo‑7B, Qwen3‑8B)을 선택했으며, 각 모델에 대해 세 가지 프롬프트 조건(기본 ‘전문화’, 중립 ‘명료성·문법 교정’, 보존 ‘문화적 목소리 유지’)으로 텍스트를 재작성했다. 총 22,350개의 출력이 생성되었다. 두 가지 핵심 지표를 도입했다. 첫째, 정체성 소멸률(IER)은 원본 텍스트에 존재하던 문화표지 수와 출력에서 남아 있는 표지 수의 차이를 비율로 나타낸다. 둘째, 의미 보존 점수(SPS)는 문장 임베딩 간 코사인 유사도로 측정했으며, 인간 평가와의 상관계수 r=0.82를 보였다. 전체 평균 IER는 10.26%였으며, 모델 간 차이는 3.5%에서 20.5%까지 5.9배 차이를 보였다. Mistral‑7B는 IER 20.5%로 가장 높은 소멸률을 보였지만 SPS 0.857로 의미 보존이 가장 뛰어났다. 반대로 Qwen3‑8B는 IER 3.5%로 가장 낮은 소멸률을 보였지만 SPS 0.589로 의미 보존이 상대적으로 낮았다. 이는 모델의 정렬(RLHF) 전략과 훈련 데이터 구성, 특히 다문화 영어 데이터 포함 여부가 문화표지 유지에 큰 영향을 미친다는 것을 시사한다. 표지 유형별 분석에서는 실용표지가 71.5%로 가장 높은 소멸률을 보였으며, 이는 실용표지가 사회적 위계·예절을 전달하는 기능을 갖기 때문이다. 구문표지는 56.3%, 어휘표지는 37.1%로 차이를 보였다. 이러한 결과는 의미는 유지하면서 표현 방식만 바뀌는 LLM의 최적화 목표가 비명시적·사회적 기능을 수행하는 실용표지를 과도하게 표준화한다는 점을 보여준다. 프롬프트 실험 결과, ‘보존’ 프롬프트를 사용하면 IER가 0.1156에서 0.0821로 29% 감소했으며, SPS는 0.742에서 0.755로 약간 상승했다. 회귀 분석에서 IER와 SPS 간 상관계수는 0.061에 불과해, 문화표지 삭제가 의미 손실에 거의 영향을 주지 않음을 확인했다. 따라서 ‘정체성‑명료성 트레이드오프’는 실제로 존재하지 않으며, 적절한 프롬프트 설계만으로 두 목표를 동시에 달성할 수 있다. 알고리즘적 완화 방안으로는 두 가지 시도를 제시했다. 첫째, 입력 텍스트에서 문화표지 위치를 사전에 태깅하고, 생성 단계에서 해당 스팬을 복사하도록 제약을 두는 ‘마커‑인식 제약 디코딩’ 방식이다. 200개의 샘플에 적용했을 때 IER를 47% 감소시키면서 SPS는 2% 이내로 유지했다. 둘째, k=5개의 후보를 생성하고, SPS와 IER를 가중합한 점수(SPS − 0.3 × IER)로 재순위하는 ‘대비 재랭킹’ 방법이다. 이 역시 IER를 31% 감소시켰다. 두 방법 모두 LLM이 문화표지를 보존하도록 유도하면서도 의미 전달 능력을 크게 손상시키지 않음을 보여준다. 연구는 다음과 같은 시사점을 제공한다. (1) 문화표지 소멸은 우연이 아니라 시스템적인 편향이며, 10% 이상의 평균 IER는 무시할 수 없는 수준이다. (2) 의미와 정체성은 독립적인 목표이며, 적절한 프롬프트만으로도 동시에 달성 가능하다. (3) 실용표지는 가장 취약하므로, 특히 직장 이메일 등 사회적 관계가 중요한 상황에서 주의가 필요하다. (4) 모델 규모보다 훈련 데이터와 정렬 전략이 문화표지 유지에 더 큰 영향을 미친다. (5) 프롬프트 설계와 제약 디코딩, 재랭킹 같은 간단한 알고리즘적 개입으로 실질적인 완화가 가능하다. 결론적으로, 이 논문은 LLM이 ‘전문성’이라는 명목 아래 문화적 다양성을 무시하고 표준 영어로 동화시키는 구조적 편향을 최초로 정량화했으며, 측정 도구와 완화 전략을 제시함으로써 향후 인간‑AI 협업 시스템에서 언어적 정체성을 보호하는 설계 방향을 제시한다.