AI 메시지 리라이터 효과 있을까? 연구가 보여주는 것

몇 주 동안 개인 메시지를 고쳐 쓰는 AI 도구에 관해 찾을 수 있는 건 다 읽었어요. 하나는 제가 그런 걸 만들고 있어서고, 또 하나는 제가 이 도구들에 대해 믿고 있는 게 맞는지 알고 싶어서였어요.

제가 믿는 건 이거예요. 어려운 메시지를 AI에게 넘기면, 정작 쓸모 있는 순간은 AI가 다듬어서 돌려주는 결과물이 아니에요. 쓸모 있는 순간은 그보다 30초 전, 이미 써놓은 메시지가 왜 나쁘게 가닿을지 뭔가가 말해주는 그 순간이에요.

그래서 그런 도구를 찾아 나섰어요. 시중에는 없더라고요. 대략 그게 저희가 결국 Subtext를 만들게 된 이유예요. 그러니 제가 편파적이라는 전제로 읽으시고, 논문은 직접 확인해보세요. 그다음엔 사람들이 AI에게 개인 메시지를 쓰게 맡겼을 때 무슨 일이 일어나는지 연구를 찾아봤는데, 그게 제품들보다 훨씬 흥미로웠어요.

아래는 제가 찾은 내용이에요. 전부 링크를 달아뒀으니 직접 확인해보세요.

이 카테고리의 제품 대부분이 결국 하는 일은 하나예요

다운로드 수는 제쳐두고 이 도구들을 하는 일로 나눠보면, 네 그룹으로 정리되고, 대부분은 결국 같은 지점에서 끝나요.

첫 번째 그룹은 휴대폰에 기본으로 들어있는 도구들이에요. Apple Intelligence 글쓰기 도구¹는 iOS 18.1 이상에서 시스템 전체에 걸쳐 작동해요. 텍스트를 선택하면 교정, 세 가지 어조(친근하게, 전문적으로, 간결하게)로 다시 쓰기, 그리고 ChatGPT로 요청을 넘기는 작성 기능을 쓸 수 있어요. 하드웨어가 지원하면 무료인데, iPhone 15 Pro 이상이어야 해요. Samsung Writing Assist²는 One UI에서 같은 일을 하는데, 어조 전환과 추천 답장, 실시간 번역까지 붙어 있어요. Gboard³는 최신 기기의 Gemini Nano로 돌아가는 스마트 답장, 교정, 표현 바꾸기 기능을 더해요. 전부 무료예요.

두 번째 그룹은 메시지 앱 안에 들어있는 어시스턴트들이에요. Magic Compose⁴는 Google Messages에서 키보드 위에 추천 답장을 띄우고, 초안을 신남, 차분함, 그리고 이유는 모르겠지만 셰익스피어 스타일까지 포함해서 다시 써줘요. 이걸 하려고 최근 메시지 최대 20개를 Google 서버로 보내는데, 그러면 그 메시지들은 더 이상 종단간 암호화가 아니게 돼요. Google은 저장하지 않는다고 말해요. Messages 안의 Gemini는 별개인데, 초안을 쓰고 결과를 실제 대화에 복사해 넣는 채팅창이에요. 다른 대화창은 보지 못해요. 둘 중 뭐가 필요한지는 상황에 달렸어요. 최고의 AI 답장 앱은 문제가 양이냐 리스크냐에 따라 달라져요.

세 번째 그룹은 데이팅 답장 앱들이에요. 대화를 스크린샷으로 찍으면 앱이 OCR로 읽고 오프닝 멘트와 받아치는 말을 줘요. W Rizz는 주당 $3.99를 받아요. 예전 이름이 RizzGPT였던 PlugAI는 $4.99 정도예요. 이런 앱은 수십 개 더 있는데, 전부 한 가지, 다음 메시지가 답장을 받는지만 최적화해요.

네 번째 그룹은 어려운 대화를 위한 작은 앱들이에요. 가장 흥미로운 그룹이면서 투자를 가장 적게 받는 그룹이에요. iOS의 Resolve⁵는 이른바 갈등 온도를 점수로 매겨요. Android의 Clarity Coach⁶는 연습 시나리오에 초안을 입력하게 하고, 다시 쓰기를 돕기 전에 그게 모호하게, 너무 직설적으로, 혹은 과하게 설명하는 것처럼 읽히는지 알려줘요. 제가 공동 창업한 Subtext는 이 그룹에 속하는데, 나머지 카테고리와는 반대 방향으로 작동해요. 대화와 초안을 읽고, 메시지가 어떻게 가닿을지와 어떤 표현이 그 원인인지 먼저 말해준 다음에야 받아들이거나 무시할 수 있는 다시 쓴 버전을 내놓아요.

이 도구들 대부분에서 벌어지는 일을 눈여겨보세요. 텍스트를 주면 다른 텍스트를 돌려줘요. 쓴 걸 읽고 상대가 어떻게 받아들일지 말해주는 단계는 드물고, 있더라도 대부분 업무용 소프트웨어 안에 있어요. Outlook의 Copilot⁷은 어조, 명확성, 읽는 사람이 어떻게 느낄지에 대해 이메일 코칭을 해주고, Grammarly의 Reader Reactions⁸는 선택한 독자가 문서에서 무엇을 받아들이고 어디서 헷갈릴지 예측해요. 둘 다 지금 동생에게 보내려는 문자를 위해 만든 도구는 아니에요. 개인적인 대화 쪽에서는 Clarity Coach가 가장 가깝지만, 연습용 샌드박스라서 실제로 보내려는 메시지에는 손을 댈 수 없어요.

Grammarly⁹는 제가 정확히 짚고 싶은 도구예요, 이 격차를 가장 좁힐 뻔한 도구니까요. 어조 감지기가 단어 선택, 표현, 구두점, 대소문자를 읽고 어조 이름을 붙여요. 2019년 출시 때는 약 마흔 가지¹⁰를 다뤘는데, 감사하는, 자신감 있는, 격식 있는, 다정한, 슬픈 어조 등이 있었어요. Grammarly의 자체 지원 문서는 이 한계를 신중하게 밝혀요. 감지기는 텍스트 전체의 어조를 파악¹¹하고, 문장 단위로 다시 써주지는 않아요. 어떤 어조가 담겨 있는지는 말해주지만, 그게 동생에게 무시당하는 느낌을 줄지는 다른 질문이에요. Grammarly의 새 기능인 Reader Reactions는 상사나 고객처럼 직접 고른 독자를 두고 이 질문의 한 형태에 답하려고 해요⁸. 다만 이 기능이 실제 독자의 반응을 얼마나 잘 예측하는지 독립적으로 검증한 자료는 아직 보지 못했어요. 어조 감지는 무료 요금제에 포함돼 있고, Pro는 현재 가격 추적 사이트 기준 연간 결제 시 월 $12예요.

AI가 글을 썼는지 사람들은 구별하지 못했어요, 그것도 큰 차이로

제가 가장 놀랐던 발견이고, 이 분야 전체에서 가장 탄탄하게 설계된 연구예요.

Maurice Jakesch, Jeff Hancock, Mor Naaman은 미국 참가자 4,600명을 대상으로 여섯 번의 실험을 진행해서 2023년 PNAS¹²에 발표했어요. 참가자들은 데이팅, 숙박, 직업 프로필의 자기소개 글을 읽고 어느 게 기계가 쓴 건지 맞혔어요. 정확도는 50~52% 사이였어요. 맞히면 돈을 받는 데이팅 조건에서도 약 51.6%였고요. 동전 던지기 수준이에요.

이유는 다들 똑같이 망가진 지름길을 쓰기 때문이에요. 참가자들은 1인칭 대명사, 축약형, 가족 이야기, 따뜻한 감정 표현을 사람이 썼다는 증거로 받아들였어요. 깔끔한 문법과 밋밋한 표현은 기계가 썼다는 증거로 받아들였고요. 이런 신호는 모델에게 요청만 하면 손쉽게 만들어낼 수 있는 것들이에요. 이 어림짐작은 정확히 반대 방향을 가리켜요. 같은 논문에서 학습된 분류기조차 58.1%밖에 못 맞혔으니, 더 주의를 기울인다고 고칠 수 있는 실력 문제가 아니에요.

숫자 AI가 쓴 글과 사람이 쓴 글을 구별하는 정확도는 50~52%예요. 동전 던지기 수준이에요.

실험 6번 · 참가자 4,600명 · 2023년 PNAS에 발표 · 이 과제만을 위해 학습된 분류기도 58.1%밖에 못 맞혔어요

단서가 하나 있어요. 이 연구는 GPT-3 시대의 텍스트를 썼어요. 이 수치가 지금 모델에서도 유지되는지 이 정도 규모로 검증한 사람은 아직 못 봤어요.

그것도 Subtext가 AI가 메시지를 썼는지 절대 추측하려고 하지 않는 이유 중 하나예요. 당신의 초안을 읽어서 그게 받는 사람에게 어떻게 가닿을지를 보는 거예요. 누가 썼는지 동전 던지기로 맞히는 건 애초에 그걸 알려줄 수 없었을 거예요. 표현이 정형화된 문구처럼, 진심 없는 상투적인 문구로 읽히면 로봇 같은 말투로 태그를 붙여요. 이건 누가 썼는지가 아니라 문장이 어떻게 읽히는지에 관한 거예요.

손상은 들켜서가 아니라 의심받아서 생겨요

사람들이 AI를 구별 못 한다면 이 걱정이 그냥 사라질 거라고 생각할 수도 있어요. 그렇지 않아요. 그리고 이 부분이 실제 사람에게 실제 메시지를 쓰는 모두에게 중요한 대목이에요.

Cornell이 주도한 팀이 참가자 1,020명을 대상으로 무작위 실험 두 건을 진행해서 Scientific Reports¹³에 발표했어요. 스마트 답장은 대화를 더 빠르고 긍정적으로 만들었고, 사람들은 서로를 더 가깝고 협조적이라고 평가했어요. 그런데 상대가 스마트 답장을 쓴다고 의심한 참가자는 그 상대를 훨씬 나쁘게 평가했어요. 손상을 만든 건 의심이었어요. 이 연구는 정확도가 아니라 의심을 측정했고, 위에서 본 탐지 수치를 감안하면 그 의심이 실제로 맞는 사람을 향했을 거라고 저는 생각하지 않아요.

Carnegie Mellon 팀은 두 개의 연구, 참가자 399명을 대상으로 한 2025년 논문¹⁴에서 여기에 메커니즘을 하나 밝혔는데, 결과가 단순한 페널티보다 훨씬 미묘해요. AI 라벨은 당신에게 불리한 표시 그 이상이에요. 그 메시지가 당신에 대해 말해주는 증거로서의 힘을 양쪽 방향 모두에서 약하게 만들어요. AI가 도운 사과는 덜 따뜻하게 읽히고, AI가 도운 자랑이나 비난은 덜 차갑게 읽혀요. 라벨이 메시지에서 당신이 어떤 사람인지에 대한 정보를 빼가는 거예요.

이 관점이 계속 마음에 남았어요. 메시지가 신호로서 뭘 하고 있었든, 라벨은 그 볼륨을 낮춰버려요.

딱 하나, 공개해도 측정할 만한 차이가 없었던 상황이 있어요

제 제품 논지와 반대되는 연구도 넣고 싶어요. 빼놓으면 정직하지 못한 거니까요.

Max Planck 인간발달연구소의 Zoe Purcell과 동료들은, 저자 명단에 Jakesch도 다시 이름을 올린 채, 보상이 걸린 2인 신뢰 게임에서 참가자 1,637명을 대상으로 사전등록된 실험 두 건을 진행해서 2025년 11월 iScience¹⁵에 발표했어요. 절반은 예측 텍스트 기능을 써서 낯선 사람에게 자신을 믿어달라고 설득하는 메시지를 썼고, 나머지 절반은 도움 없이 썼어요.

AI의 도움은 신뢰에 거의 영향을 주지 않았고, AI 사용을 공개해도 그 결과는 그대로였어요. 도움을 받은 사람들은 같은 수준으로 신뢰를 이끌어내는 메시지를 더 짧은 시간에 만들어냈으니, 쓴 시간당 신뢰는 오히려 더 벌어들인 셈이에요. 언어 분석에서는 이들의 메시지가 진정성은 살짝 낮지만 더 따뜻하고, 더 복잡하고, 연구자들이 영향력이라고 부르는 지표는 더 높게 나왔어요.

저자들은 적용 범위에 신중하고, 저도 그래요. 이건 돈이 걸린, 낯선 사람 사이의 일회성 거래예요. 지급 결정에서의 행동적 신뢰는, 밤 11시에 애인이 문자를 읽고 진심인지 아닌지를 판단하는 것과는 다른 종류의 일이에요. 하지만 제 판단은, “AI가 신뢰를 망친다”는 이야기에도 문헌 속 실제 반례가 있다는 거고, 이게 바로 그거예요.

AI는 대부분의 사람보다 위로 메시지를 잘 써요, AI가 썼다고 말하기 전까지는요

두 연구, 결과의 모양은 같아요.

PNAS에 실린 Yin, Jia, Wakslak¹⁶의 연구는, AI가 만든 답변이 훈련받지 않은 일반인이 쓴 답변보다 사람들에게 더 이해받는 느낌을 줬고, 어떤 감정이 작용하고 있는지도 AI가 더 잘 읽어냈다는 걸 발견했어요. 그런데 메시지가 AI에서 나왔다고 알려주자 그 효과가 떨어졌어요. 저자 중 한 명은 두 효과의 크기가 비슷해서 서로를 거의 상쇄했다고 밝혔어요.

Ovsyannikova, Oldemburgo de Mello, Inzlicht¹⁷는 참가자 556명을 대상으로 사전등록된 실험 네 건을 진행해서 Communications Psychology에 발표했어요. GPT-4의 답변은 Distress Centres of Greater Toronto의 훈련된 위기 상담 자원봉사자가 쓴 답변을 포함해서, 사람이 쓴 답변보다 더 공감이 담긴 것으로 평가받았어요. 출처를 공개하면 그 격차가 좁아지긴 했지만 완전히 없어지지는 않았어요.

그러니까 기계가 단어 자체는 종종 더 잘 다뤄요. 그런데 전달되는 게 단어만은 아니에요.

노력이 중요한 이유는, 노력이 원래 비쌌기 때문이에요

신호 이론이 이 모든 걸 제게 딱 들어맞게 만들어준 틀이에요.

메시지는 두 가지 일을 해요. 내용을 담고, 그걸 보내려고 뭔가를 썼다는 걸 증명해요. 시간, 관심, 그리고 어려운 대화에서는 평정심까지요. 이런 건 한정돼 있어서, 그걸 쓴다는 게 상대를 얼마나 소중히 여기는지에 대한 진짜 이야기가 돼요. 일본과 미국 표본을 대상으로 한 헌신 신호 연구¹⁸는 비용이 드는 신호가 값싼 신호보다 효과가 좋았고, 기념일을 잊는 것처럼 기대되던 신호를 못 보내는 게 우정보다 연인 관계에 훨씬 더 큰 상처를 준다는 걸 발견했어요.

따뜻하고, 조리 있고, 잘 짜인 메시지를 만드는 비용을 거의 0으로 떨어뜨리면, 그 신호는 더 이상 정보를 담지 못해요.

이 메커니즘을 직접 뒷받침하는 증거도 이제 있어요. 메시지 맥락은 아니지만요. 참가자 618명을 대상으로 한 2026년 Frontiers in Psychology 연구¹⁹는, 콘텐츠에 AI 생성 라벨을 붙이면 지각된 노력이 크게 줄어드는 반면, 사람이 만들었다는 라벨은 라벨이 아예 없을 때와 별 차이가 없다는 걸 발견했어요. 사람들은 기본적으로 사람의 노력을 전제하고, AI 태그가 바로 그 전제를 걷어내는 거예요. 이 연구는 짧은 동영상을 대상으로 했으니, 메시지에 그대로 적용할 때는 조금 조심해야 해요.

말을 아웃소싱하면 스스로의 다짐도 약해지는 것 같아요

계속 생각나는 발견이고, 이건 받는 사람에 대한 이야기가 전혀 아니에요.

암스테르담 CREED²⁰의 경제학자들은 발신자가 ChatGPT를 써서 보답을 약속하는 메시지를 쓸 수 있는 신뢰 게임을 진행했어요. 두 가지 일이 동시에 벌어졌어요. ChatGPT를 쓸 수 있었던 사람들은 더 명시적인 약속을 했어요. 그리고 ChatGPT를 열어보기만 한 사람들은, 결과물을 그대로 썼든 안 썼든, 정산 시점에 약속을 25.7% 덜 지켰어요.

눈여겨볼 대목은, 보낸 메시지가 ChatGPT의 원래 제안과 가까울수록 발신자의 이후 행동은 덜 신뢰할 만했다는 거예요. 제안을 직접 고쳐 쓴 사람들은 더 나은 행동을 보였고요. 저자들은 이걸 소유감의 문제로 해석해요. 자기 말로 뭔가를 말하면 거기에 묶인 느낌이 들어요. 기계가 쓴 걸 그대로 전달하면, 마음 한구석은 거기에 서명한 적이 없는 거예요. 그래서 Subtext는 어떤 대체 버전보다 먼저 문제를 보여주고, 각 버전이 당신의 표현을 얼마나 바꿨는지 표시해요. 직접 고르거나 고쳐 쓴 건 당신이 서명한 거니까요.

사과는 이게 제대로 연구된 영역이고, 결론은 “하지 마세요”보다 쓸모 있어요

이 글에서 딱 한 부분만 읽는다면 이 부분을 읽으세요. 실용적인 답이 여기 있으니까요.

Ella Glikson과 Omri Asscher는 직장 내 사과를 다룬 시나리오 연구 세 건을 진행해서 Computers in Human Behavior²¹에 발표했어요. 누군가 AI 도구로 사과를 썼다는 걸 알면 사과가 덜 진정성 있게 느껴지고, 용서하려는 의지도 줄었어요. 본인이 먼저 공개해도 그건 부드러워지지 않았고요. 여기까지는 예상대로예요.

그런데 제 생각을 바꾼 부분이 있어요. 쓸 수 있는 AI 도구 세 개 중 딱 하나만 쓴 참가자들은 진정성 페널티를 전혀 받지 않았어요. 연구자들은 이걸 거리의 문제로 봐요. AI를 제한적으로 쓰면 최종 메시지가 그 사람이 원래 뜻한 것에 가깝게 남고, 사람들은 그걸 느낄 수 있어요.

Lim, Hong, Schneider가 참가자 464명을 대상으로 진행한, 역시 Computers in Human Behavior²²에 실린 별도의 3x2 실험에서는, 사람이 쓴 사과가 전반적으로 더 진심으로 느껴졌고, 따뜻한 어조가 AI 사과를 개선시키긴 해도 사람이 쓴 것과의 격차를 완전히 좁히지는 못한다는 결과가 나왔어요.

Fan, Liu, Pan의 2026년 CHI 논문²³은 연인 사이의 메시지로 이 문제를 실험했어요. 첫 번째 연구에는 152명, 두 번째 연구에는 704명이 참여했어요. AI가 메시지를 많이 써줄수록 그 메시지는 보낸 사람 자신의 말로 덜 읽혔고, 덜 진정성 있게 느껴졌어요. 보낸 사람이 확인하고 승인한 가벼운 어조 수정은 사과가 평가받는 방식에 도움이 됐지만, 통째로 쓴 초안과 경계를 요청하는 메시지는 다른 결과가 나왔어요.

이 셋을 나란히 놓고 보면 실용적인 결론이 나와요. 페널티는 완성된 메시지가 당신이 뜻한 것에서 얼마나 멀어졌는지를 따라가지, 기계가 그 자리에 있었는지를 따지지 않아요. Subtext가 완성된 버전을 내놓기 전에 그 인상을 만드는 부분을 먼저 보여주고, 각 버전이 표현을 얼마나 바꿨는지 알려주는 것도 같은 이유예요. 그 거리를 짧게 유지하는 것이야말로 사과를 믿을 만하게 만들거든요. 문자로 사과하는 법에 관한 더 폭넓은 연구는 따로 정리해뒀어요.

이 도구들은 최악의 본능도 그냥 다듬어줄 뿐, 한마디도 말리지 않아요

수동공격적인 문장을 써서 휴대폰의 아무 다시 쓰기 도구에나 넘겨보세요. 어떻게 되는지 지켜보세요. 더 잘 쓴 수동공격이 돌아와요. 경고도 없고, “정말요?”도 없어요. 도구의 일은 시킨 대로 하는 거니까요.

모델이 이런 방향으로 기우는 데는 이유가 있어요. OpenAI는 2025년 4월 GPT-4o 업데이트를 철회하면서 모델이 “지나치게 아첨하거나 동조적으로, 흔히 알랑거린다고 표현될 정도로” 변했고, “지나치게 지지하지만 진실하지 않은 답변 쪽으로 치우쳤다”고 공개적으로 밝혔어요²⁴. 원인으로 지목한 건 단기 사용자 피드백, 즉 좋아요와 싫어요에 너무 무겁게 맞춰 튜닝한 거였어요. 후속 게시글²⁵에서는 알랑거림을 추적하는 배포 평가 자체가 아예 없었다고 인정했어요.

Anthropic 연구진은 이 패턴이 일반적이라는 걸 발견했어요. ICLR 2024²⁶에서 발표된 논문에서, 최신 어시스턴트 다섯 개가 모두 알랑거림을 보였고, 약 15,000건의 인간 선호 비교를 분석한 결과 사용자가 밝힌 신념에 맞춰주는 것이 사람들이 어떤 답변을 선호할지 가장 강하게 예측하는 요인 중 하나였어요. 승인을 기준으로 학습시키면 동의를 선택하게 되는 거예요. 2025년 벤치마크²⁷는 ChatGPT-4o, Claude Sonnet, Gemini 1.5 Pro 전반에서 테스트 사례의 58.19%에서 알랑거리는 행동을 측정했고, 한번 시작되면 78.5%의 확률로 계속됐어요. 다만 테스트한 건 사실 질문에 답하는 상황이었고, 개인 메시지는 아니었어요. 개인 메시지에 대해서는 글쓰기용 ChatGPT 대안들과 3대 업체가 당신의 말에 무슨 짓을 하는지를 비교해봤어요.

이제 가장 도움이 필요한 순간에 이게 무슨 의미인지 생각해보세요. 화가 나서 나중에 후회할 걸 썼는데, 그 초안을 쥐고 있는 도구는 당신이 그걸 좋게 느끼도록 최적화돼 있어요.

그 순간이 바로 Subtext를 만들게 한 순간이고, 거기서 불편한 부분이 포인트예요. 화난 표현을 더 자연스럽게 만드는 게 아니라 초안이 화난 것처럼 읽힌다는 걸 말해줄 뿐이거든요.

제가 답할 수 없는 질문

직접 쓴 어설픈 메시지와, 직접 쓰지 않은 다듬어진 메시지 중 뭘 보내는 게 나을까요?

열심히 찾아봤는데 이걸 직접 검증한 연구는 없어요. “직접 쓴 불완전한 초안”과 “직접 쓰지 않은 좋은 초안”을 무작위로 나눠서 관계에 어떤 일이 벌어지는지 추적한 사람은 아무도 없어요. 종단 연구도 아예 없고요. 몇 달에 걸친 AI 도움 메시지 사용에 대해 커플, 가족, 친한 친구들을 대상으로 한 현장 데이터도 없어요. 사람들이 인공적인 다듬음에 적응하는지, 아니면 그 습관이 조용히 뭔가를 갉아먹는지는 몰라요.

가까운 관계에 대해서는 지금 있는 근거가 한 방향을 가리켜요. 노력은 관심으로 읽히고, 라벨은 신호를 납작하게 만들고, 아웃소싱한 말은 자기 약속을 쥔 손을 느슨하게 만드는 것 같고, 사과는 원래 뜻한 것에 가까울 때 믿을 만하게 남아요. 하지만 신뢰 게임 연구는 어떤 맥락에서는 그 손해가 측정되지 않을 만큼 작았다고 말하고, 저는 근거가 실제보다 깔끔한 척하지는 않을 거예요.

그렇다면 도움이 될 만한 건 뭘까요

이걸 전부 다시 읽어보면, 빠져 있는 제품의 형태가 꽤 분명해 보여요. 그리고 그건 이 카테고리가 지금 만들고 있는 것과 거의 정반대라고 생각해요.

말을 대체해주는 게 필요한 사람은 없어요. 보내기 버튼을 누르기 15초 전에 필요한 건, 메시지가 느끼는 것보다 차갑게 읽힌다는 걸, 혹은 해명이라고 생각한 게 불만 목록처럼 읽힌다는 걸 아는 거예요. 그러고 나서 스스로 자기 말로 고치면, 노력의 신호도 살아남고, 소유감도 살아남고, Glikson과 Asscher가 말한 거리도 짧게 유지돼요.

그게 제가 존재하길 바라는 버전이고, 저희는 바로 그걸 중심에 두고 Subtext를 만들었어요. Subtext는 문장 하나가 아니라 대화 전체를 가져와서, 초안이 읽을 사람에게 어떤 신호를 보낼지 이름 붙이고, 그런 인상을 만드는 단어를 보여줘요. 그다음 내놓는 각 버전은 표현을 얼마나 바꿨는지 알려주고, 복사하기 전에 직접 편집으로 어느 것이든 바꿀 수 있어서, 고치는 건 끝까지 당신 몫으로 남아요. 위의 근거로 보면 이게 다시 쓰기보다 중요해요. 페널티는 원래 뜻한 것과의 거리를 따라가고, 가장 짧은 거리는 당신의 문장에서 단어 하나만 바꾼 거니까요. 브라우저에서 Subtext 써보기브라우저에서 Subtext 써보기

제 나름의 원칙은 이거예요, 참고가 될지 모르겠지만요. 제 메시지가 어떻게 들리는지는 기계가 말해주게 둘 거예요. 하지만 동생에게 미안하다는 말은 기계가 대신하게 두지 않을 거예요.

제가 어떤 연구를 잘못 읽었다고 생각하시거나, 다시 쓰기 전에 진단부터 하는 도구를 알고 계신다면, LinkedIn으로 알려주세요.

Samet Durgun은 Subtext의 공동 창업자예요. 메시지에 담긴 감정의 어조를 잡아내서 당신다운 말투로 다시 써주는 앱을 만들어요. 베를린에 살아요.

출처

위의 링크는 1차 출처가 있는 경우 모두 그쪽으로 연결되고, 등장한 순서대로 번호를 매겼어요. 제품 기능과 가격은 2026년 8월 기준으로 확인했어요. 연구가 아니라 회사 블로그나 보도자료에서 나온 수치는 뺐어요.

Apple 고객지원. Use Writing Tools with Apple Intelligence on iPhone.
Samsung. Use Writing assist on Galaxy phones and tablets.
Google 고객지원. Use writing tools with Gboard.
Google 고객지원. Draft messages with Magic Compose.
Apple App Store. Resolve: AI Conflict Coach.
Google Play. Clarity Coach.
Microsoft 고객지원. Get email coaching with Copilot in Outlook.
Grammarly 고객지원. Reader Reactions user guide.
Grammarly. Writing Tone Detector and Tone Suggestions.
TechCrunch (2019). Grammarly gets a tone detector to keep you out of email trouble.
Grammarly 고객지원. How do Grammarly’s tone suggestions work?
Jakesch, M., Hancock, J. T., & Naaman, M. (2023). Human heuristics for AI-generated language are flawed. PNAS, 120(11), e2208839120.
Hohenstein, J., Kizilcec, R. F., DiFranzo, D., Aghajari, Z., Mieczkowski, H., Levy, K., Naaman, M., Hancock, J., & Jung, M. F. (2023). Artificial intelligence in communication impacts language and social relationships. Scientific Reports, 13, 5487.
Khadpe, P., Wenzel, K., Loewenstein, G., & Kaufman, G. (2025). Explaining the Reputational Risks of AI-Mediated Communication. AAAI/ACM Conference on AI, Ethics and Society.
Purcell, Z. A., Jakesch, M., Dong, M., Nussberger, A.-M., & Köbis, N. (2025). Writing with AI boosts trust-building efficiency. iScience, 28(12), 114092.
Yin, Y., Jia, N., & Wakslak, C. J. (2024). AI can help people feel heard, but an AI label diminishes this impact. PNAS, 121(14), e2319112121.
Ovsyannikova, D., Oldemburgo de Mello, V., & Inzlicht, M. (2025). Third-party evaluators perceive AI as more compassionate than expert humans. Communications Psychology, 3.
Yamaguchi, M., et al. (2015). Commitment signals in friendship and romantic relationships. Evolution and Human Behavior.
Human-made vs. AI-generated: how provenance labels drive strategic curation via perceived effort (2026). Frontiers in Psychology.
AI-Powered Promises: The Influence of ChatGPT on Trust and Trustworthiness. CREED, University of Amsterdam.
Glikson, E., & Asscher, O. (2023). AI-mediated apology in a multilingual work context. Computers in Human Behavior, 140, 107592.
Lim, J. S., Hong, N., & Schneider, E. (2025). How warm- versus competent-toned AI apologies affect trust and forgiveness through emotions and perceived sincerity. Computers in Human Behavior, 172, 108761.
Fan, G., Liu, D., & Pan, L. (2026). Is It Still You? Attributing Authorship and Authenticity in AI-Assisted Romantic Communication. Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems, 1-24.
OpenAI (2025). Sycophancy in GPT-4o.
OpenAI (2025). Expanding on what we missed with sycophancy.
Sharma, M., et al. (2024). Towards Understanding Sycophancy in Language Models. ICLR 2024.
Fanous, A., et al. (2025). SycEval: Evaluating LLM Sycophancy. AAAI/ACM Conference on AI, Ethics and Society.