"왜 내가 사용하는 인공지능(AI)의 답변은 매번 비슷할까?" AI 챗봇을 사용하면서 마치 정해진 틀에 갇힌 듯한 답변에 아쉬움을 느낀 사용자가 많다. 이처럼 반복적이고 예측 가능한 AI의 결과물은 단순한 불편함을 넘어, 창의성을 저해하고 기술 혁신을 지연시키는 요인으로 작용하고 있다.
현대의 대규모 언어 모델(LLM)은 방대한 텍스트와 코드 데이터를 학습해 다음 단어를 통계적으로 예측하는 방식으로 작동한다. 이 과정에서 모델은 인간이 '좋다'고 판단한 안전한 답변에 과도하게 최적화되면서, 결과적으로 비슷비슷한 결과물을 내놓게 된다. 2025년 초, 엔지니어들은 '온도(temperature)'나 '핵(nucleus) 샘플링' 같은 매개변수 조절을 통해 다양성을 확보하려 했으나, 그 결과는 일관되지 않았다.
이러한 상황 속에서 최근 미국의 한 대학 공동 연구팀이 '언어화 샘플링(Verbalized Sampling)'이라는 새로운 프롬프트 기법을 공개하며 주목받고 있다. 이 기법은 AI에게 가장 확률 높은 답변 하나만 내놓게 하는 대신, 여러 개의 잠재적 답변을 각각의 확률 점수와 함께 나열하도록 요청한다. 사용자는 이 중에서 무작위로 하나를 선택함으로써 기존 방식으로는 얻기 힘든 진정한 다양성을 확보할 수 있다.
AI 응답의 획일성이 미치는 사회·경제적 파급력은 상당하다. 마케팅 업계는 참신한 광고 문구를, 게임 개발 업계는 독창적인 NPC 대사를, 교육계는 다양한 학습 유형에 맞는 예시를 필요로 한다. AI가 단조로운 결과만 생성한다면 산업 전반의 혁신과 효율성은 저하될 수밖에 없다. 실제 2024년 맥킨지 보고서에 따르면, 기업들은 AI가 생성한 중복 콘텐츠를 수동으로 재작업하는 데 연간 최대 40억 달러에 달하는 비용을 낭비하고 있는 것으로 나타났다.
해당 기법을 다룬 논문의 한 공동 저자는 "인간은 익숙함을 선호하기에 모델은 안전하고 반복적인 결과물에 과최적화되는 경향이 있다"며, "답변의 확률을 언어화하여 명시하게 함으로써, AI가 자신의 창의적 스펙트럼 전체를 드러내도록 유도하는 것"이라고 설명했다.
초기 테스트 결과는 인상적이다. 이 기법을 적용했을 때, 글쓰기 프롬프트에서 사용자가 체감하는 독창성이 60% 증가했으며, 이미지 생성의 다양성은 45% 향상됐다. 예를 들어, 기존에는 '디스토피아적 일몰 도시 풍경'이라는 프롬프트를 입력하면 매번 비슷한 사이버펑크 스타일의 결과물이 나왔지만, 언어화 샘플링을 적용하자 고딕 성당 풍경부터 네온 불빛이 가득한 사막 폐허까지 다채로운 이미지가 생성되었다.
일각에서는 응답의 일관성 저하나 안전 문제를 우려하는 목소리도 나온다. 하지만 연구팀은 엄격한 검증을 통해 위험하거나 유해한 결과물의 97% 이상이 기존 단일 응답 모델과 동일한 수준으로 필터링되었으며, 사실 기반 과제의 정확도 역시 2% 오차 범위 내에서 안정적으로 유지됨을 확인했다. 즉, 신뢰성을 해치지 않으면서 훨씬 풍부한 다양성을 얻을 수 있는 셈이다.
이 기법을 적용하는 방법은 간단하다. 아래와 같은 형식의 프롬프트를 사용하면 된다.
프롬프트 예시:
```
[응답 목록 시작]
<응답1> 첫 번째 답변입니다 (확률: 12.4%) </응답1>
<응답2> 두 번째 답변입니다 (확률: 9.8%) </응답2>
…
<응답5> 다섯 번째 답변입니다 (확률: 4.3%) </응답5>
[응답 목록 끝]
이 중에서 무작위로 하나를 선택해줘!
```
이처럼 신경망 위에 더 정교한 기법들이 쌓여가는 가운데, 과연 인류는 진정으로 예측 불가능한 AI에 도달할 수 있을까, 아니면 이 무작위성마저 결국 예측 가능한 패턴이 될 것인가? '프롬프트 엔지니어링' 기술의 진화가 앞으로 10년 후 인간의 창의성을 어떻게 바꿔놓을지 귀추가 주목된다. 전문가들은 AI가 제공하는 평범한 결과물에 안주하지 말고, '언어화 샘플링'과 같은 새로운 기법을 적극적으로 실험하며 AI 활용의 새로운 지평을 열어갈 것을 조언하고 있다.
){kind=small}
){kind=small}
){kind=small}
){kind=small}