AI에게 공손하면 더 좋은 답을 받을까?

우리 대부분은 별생각 없이 챗봇에 “부탁해요”와 “고마워요”를 칩니다. 공손하게 느껴지고, 그러면 더 좋은 답을 받는다고 속으로 짐작하는 사람도 있습니다. 그래서 솔직하게 말하면, 공손하다고 해서 AI가 주는 답이 눈에 띄게 좋아지지 않고, 무례하다고 해서 믿을 만하게 좋아지지도 않습니다. 답을 정말로 바꾸는 것은 얼마나 분명하고 구체적인가입니다.

이건 짐작이 아닙니다. 이제 실험이 이루어졌고, 그 결과는 좋은 매너가 비결이라고 믿던 사람에게는 조금 민망합니다.

공손함 연구가 실제로 밝힌 것

2025년 10월, Penn State의 연구자 두 명이 작고 깔끔한 실험을 했습니다. 수학, 과학, 역사에서 객관식 문제 50개를 쓰고, 각각을 다섯 가지 말투로 다시 썼습니다. 아주 공손, 공손, 중립, 무례, 아주 무례입니다. 그렇게 같은 문제의 250개 버전이 나왔고, 이를 ChatGPT의 GPT-4o 모델에 넣었습니다.

놀랍게도 무례한 지시문이 조금 더 나았습니다. 아주 공손한 표현은 80.8%의 확률로 정답을 맞혔습니다. 아주 무례한 쪽은 84.8%까지 올라갔습니다. 인사치레가 없는 무뚝뚝한 버전이 아첨하는 버전을 앞섰습니다.

챗봇에게 명령을 쏟아붓기 전에, 작은 글씨를 읽어 보세요. 모델은 하나, 기본 문제는 50개, 차이는 약 4포인트였습니다. 저자들 스스로 이것을 무례하게 굴라는 조언이 아니라, 더 많은 연구를 위한 출발점이라고 했습니다. 이렇게 좁은 결과는 다른 모델이나 다른 작업에서 뒤집힐 수 있습니다.

그리고 실제로 뒤집힙니다. 여러 언어에 걸친 2024년의 더 오래된 연구는 거의 반대였습니다. 무례한 지시문은 종종 성능을 떨어뜨렸고, 아첨을 더 쌓아도 분명한 이득은 없었습니다. 그 연구는 또 이상적인 지점이 언어에 따라 달라진다는 것도 봤습니다. 영어, 중국어, 일본어에서 예절의 기준이 같지 않기 때문입니다. 두 연구, 두 개의 상반된 제목. 연구가 이렇게 엇갈릴 때, 합리적인 해석은 말투가 대체로 잡음이라는 것입니다.

그럼 AI에게 무례해야 할까요? 아니요

짧은 답은 아니요입니다. 치기에 불쾌해서만은 아닙니다.

무례함의 측정된 이점은 아주 작고 믿을 수 없습니다. 반면 단점은 실제입니다. 무뚝뚝하고 공격적인 지시문은 모델에 필요한 맥락을 잘라내는 경향이 있습니다. 날을 세우느라 바빠서 정작 무엇을 원하는지 설명하지 않기 때문입니다. 게다가 습관이 듭니다. 하루 종일 챗봇에게 쏘아붙이면, 그 말투의 일부가 진짜 사람에게 쓰는 방식으로 스며듭니다. 시험 4포인트와 바꿀 만하지 않습니다.

작년에 화제가 된 비용 이야기도 있습니다. 그 많은 여분의 “부탁해요”와 “고마워요”가 전기로 얼마나 많은 돈을 태우는지 누군가 묻자, OpenAI의 Sam Altman은 “잘 쓴 수천만 달러”라고 답했습니다. 반은 농담이었습니다. 하지만 요점은 남습니다. 공손함은 이 모델을 돌리는 회사에 공짜가 아니고, 당신에게 더 똑똑한 답을 사주지도 않습니다. 그저 습관이고, 해롭지 않은 습관입니다.

답을 정말로 바꾸는 것

말투가 잡음이라면, 신호는 무엇일까요. 구체성입니다. 모호한 질문은 아무리 다정하게 물어도 모호한 답을 줍니다. 무엇이 중요한지의 솔직한 순서는 이렇습니다.

아래 네 줄을 보세요. 매너와는 무관하고, 전부 명확하게 전달하는 일입니다. 같은 질문이 표현에 따라 다른 답을 내놓는 것과 같은 이유입니다. 말투는 장식입니다. 그 아래의 요청이 모델이 다루는 것입니다.

전후 비교를 보면 분명합니다. “괜찮은 이메일 하나 써줘”는 공손하고 쓸모없습니다. “집주인에게 이번 주 안에 물 새는 수도꼭지를 고쳐 달라고 부탁하는, 80단어 이하의 짧고 친절한 이메일을 써줘”는 구체적이고, 정말 보낼 수 있는 결과를 줍니다. “부탁해요”는 필요 없습니다. 붙이고 싶으면 붙여도 됩니다.

매너를 이기는 습관

이제 이걸 흥미롭기만 한 게 아니라 쓸모 있게 만드는 부분입니다. 말투 걱정을 멈추고 명확한 지시문을 쓰기 시작하면, 다음으로 큰 지렛대는 그 지시문을 어느 모델에 보내느냐입니다. 같은 명확한 질문이라도 작업에 따라 어떤 모델에서는 날카로운 답, 다른 모델에서는 밋밋한 답이 나옵니다.

직접 보기 쉽습니다. 잘 쓴 지시문 하나를 여러 모델에 나란히 넣어 보세요. 꼼꼼한 추론 작업에는 한쪽을, 빠르고 가벼운 답에는 다른 쪽을 더 좋아할 수 있습니다. 당신이 쓴 말투는 거의 영향이 없습니다. 당신이 고른 모델과 얼마나 명확하게 물었는지가 거의 모든 것을 결정합니다.

이걸 하는 데 다섯 개의 앱과 다섯 번의 로그인은 필요 없습니다. 한곳, 모든 주요 모델, 하나의 명확한 질문.

그러니 좋아한다면 매너는 지키세요. 좋은 답 끝에 “고마워요”를 붙이는 건 전혀 잘못이 아닙니다. 다만 그것이 당신을 위한 것이지 기계를 위한 것이 아님을 알아 두세요. 진짜 이득은 명확하게 묻고, 그 질문을 맞는 모델에 보내는 데서 옵니다.