AI가 쓴 한국어 글에 콤마와 대시가 많은 이유는 모델이 영어로 글쓰기를 배웠기 때문이다. OpenAI가 공개한 GPT-3 학습 데이터에서 영어 문서는 전체의 93.68882%였고 한국어는 0.01939%였다. 약 4,800배 차이다. 영어는 쉼표와 대시로 절을 잇는 언어이고 한국어는 어미와 조사가 그 일을 대신하는데, 모델이 영어 문장 구조를 한국어로 옮기는 과정에서 부호가 있던 자리는 그대로 남는다. ASAP은 이 현상의 구조와 실제로 적용할 수 있는 검증 규칙 세 가지를 정리한다.

AI가 쓴 한국어에 콤마가 많은 이유는 학습 데이터에 있다

OpenAI가 GPT-3 저장소에 공개한 데이터셋 통계에서 문서 수 기준으로 영어가 93.68882%였고 그다음이 독일어 1.2%대와 일본어 0.25%대였다. 한국어는 0.01939%로 영어의 약 4,800분의 1 수준이었다.

2026년 현재 주요 모델들은 학습 데이터 구성을 공개하지 않는다. GPT-4 이후 기술 보고서에서 데이터 출처와 언어 분포는 대부분 비공개 항목이 됐고, 앤트로픽과 구글도 마찬가지다. 따라서 지금 쓰는 모델의 정확한 한국어 비중은 확인할 수 없다. 다만 웹 코퍼스 자체가 영어로 기울어 있다는 사실은 달라지지 않았고, 공개된 마지막 대규모 통계가 가리키는 방향은 분명하다. 모델은 압도적으로 영어 문장을 보면서 글쓰기를 배웠다.

여기서 중요한 것은 어휘가 아니라 문장 구조다. 번역 품질은 지난 몇 년 사이 크게 올라 단어 선택은 어색하지 않다. 어색함이 남는 층위는 절을 어떻게 잇고 부연을 어디에 두느냐다. 이 층위는 학습 데이터에서 가장 많이 본 언어의 습관을 그대로 따라간다.

영어의 콤마와 대시가 한국어 문장에 그대로 남는다

영어에서 쉼표와 대시는 장식이 아니라 문법 기능을 맡는 부호다. 영문 편집 규범인 시카고 스타일 매뉴얼(The Chicago Manual of Style)이 em 대시를 삽입구 표시 용도로 안내할 만큼 용법이 자리 잡혀 있다. 삽입구를 넣고 동격을 표시하며 절과 절을 잇는다. 예를 들어 영어 문장은 주어 뒤에 대시를 열어 설명을 끼워 넣고 다시 대시를 닫아 원래 문장으로 돌아온다.

한국어에는 그 자리를 맡는 다른 장치가 있다. 관형절이 삽입구를 대신하고 연결어미가 대시를 대신하며 조사가 동격을 맡는다. "성능은 좋다. 그런데 비싸다"를 한국어는 "성능은 좋은데 비싸다"로 붙인다. 부호 없이 어미 하나로 처리한다.

문제는 모델이 문장을 옮길 때 의미는 한국어로 바꾸되 구조는 영어 쪽에 남겨 둔다는 점이다. 영어 원문과 그 한국어 결과를 나란히 놓고 보면 대시와 쉼표가 거의 같은 위치에 서 있는 것을 확인할 수 있다. 한국어 문장에서 그 부호들은 문법 기능을 잃고 자리만 차지한다. 읽는 사람이 "번역투"라고 느끼는 지점이 여기다.

AI가 쉼표와 대시를 고르는 이유는 문장을 열어 두기 때문이다

여기에 생성 방식에서 오는 이유가 하나 더 더해진다. GPT 계열 모델이 다루는 부호 가운데 마침표는 문장을 끝내겠다는 결정이라 되돌릴 수 없다. 반면 쉼표와 대시는 뒤에 무엇이 오든 받아 준다. 다음에 이어질 내용을 확정하지 않아도 되는 부호다.

자기회귀 생성 모델은 한 번에 한 토큰씩 이어 붙이며 문장을 만드는데, 이 방식에서 두 부호의 차이는 실질적이다. 문장을 열어 두는 쪽이 언제나 안전하고, 그래서 부호가 자꾸 쌓인다. 이 대목은 공개된 통계로 검증된 사실이 아니라 생성 구조에서 따라 나오는 해석이라는 점을 밝혀 둔다. 다만 실제 결과물에서 콤마와 대시가 유독 문장 중반에 몰린다는 관찰과는 일치한다.

AI 한국어 글의 콤마와 대시를 줄이는 검증 규칙 세 가지

고치는 방법은 문장을 다시 쓰는 감각이 아니라 게시 전에 돌리는 규칙에 가깝다. ASAP은 발행 전 점검 항목으로 다음 세 가지를 둔다. 검색으로 찾을 수 있는 형태여야 실제로 지켜진다.

첫째, 대시. 한국어에 영어식 대시 구문을 쓰지 않는다. 나열한 뒤 이어갈 때는 "~등 …입니다"로 쓴다. 대시로 붙인 부연은 별도 문장으로 끊는다.

둘째, 쉼표. 한 문장에 쉼표가 두 개 이상이면 손본다. 대시를 없앨 때 콤마로 치환하지 않는다. 삽입구와 동격을 쉼표로 옮기지 않는다. 나열은 가운뎃점이나 "~와 ~"로 쓴다.

셋째, 조사. 고유명사 뒤 조사는 발음의 받침에 맞춘다. ASAP은 받침으로 끝나므로 "가"가 아니라 "이"를 쓴다. 같은 이유로 "는"이 아니라 "은"이고 "를"이 아니라 "을"이다. 영문 약어가 자주 등장하는 글에서 이 오류가 눈에 띄게 늘어난다.

대시만 막으면 콤마가 그 자리를 대신한다

세 규칙 가운데 실무에서 가장 자주 빠지는 것이 쉼표다. ASAP도 처음에는 대시 규칙 한 줄만 두고 있었다. 대시를 금지하는 규칙만 두면 무슨 일이 벌어지는지는 예상보다 단순하다. 대시가 있던 자리에 콤마가 들어간다. 부호는 바뀌었지만 문장 구조는 그대로 영어식이고, 결과물은 여전히 AI가 쓴 티가 난다.

그래서 대시 규칙에 "콤마로 치환하지 말 것"을 명시적으로 붙여야 한다. 규칙을 세 개로 나눈 이유도 여기에 있다. 한 겹만 막으면 남용은 막히지 않고 이동한다.

점검 자체는 기계적으로 끝난다. 게시 전에 대시를 검색하고 쉼표가 두 개 이상인 문장을 찾고 영문 약어 뒤 조사를 확인하면 된다. 세 번의 검색이 글의 인상을 바꾼다.

AI 한국어 부호에 대해 2026년 현재 확인되지 않은 것

2026년 7월 현재 공개 자료로 확인할 수 없는 것도 분명하다. 최신 모델의 한국어 학습 비중은 공개되지 않았고, 사후 학습 단계에서 한국어 데이터를 얼마나 넣었는지도 알 수 없다. 모델별로 부호 사용 습관에 차이가 있는지 역시 공개된 비교 자료가 없다.

확실한 것은 결과물 쪽이다. 학습 데이터의 언어 비중이 어떻게 바뀌었든, 지금 나오는 한국어 문장에는 영어 부호의 흔적이 남아 있다. 그 흔적을 지우는 일은 모델이 아니라 쓰는 사람의 규칙이 맡는다.

출처: OpenAI GPT-3 저장소 데이터셋 언어 통계(문서 수 기준) 기반 ASAP 정리.