AI가 strawberry의 R을 못 세는 이유
작성자 Chatday Editorial Team ·
챗봇에게 결혼식 준비를 맡기면 훌륭하게 해냅니다. 그런데 ‘strawberry에 R이 몇 번 나오나요?’라고 물으면 두 번이라고 답할 가능성이 큽니다. 진짜 답은 세 번입니다. 이것은 요즘 AI의 가장 이상한 점 중 하나예요. 양자물리학을 설명해 주는 바로 그 도구가, 여섯 살 아이가 연필로 푸는 일에서 넘어집니다.
이건 버그가 아니고, AI가 멍청한 것도 아닙니다. 애초에 이 시스템들이 어떻게 읽는지에서 오는 부작용이에요. 그리고 이걸 한 번 이해하면, AI의 자잘하고 이상한 실수들이 갑자기 앞뒤가 맞기 시작합니다.
그 유명한 ‘strawberry’ 실수, 제대로 풀어보기
‘strawberry에 R이 몇 개?’는 AI를 망신 주는 인터넷의 최애 방법이 되었어요. 한동안 거의 모든 챗봇이 틀려서 ‘두 개’라고 답했습니다. 평생 한 번도 틀린 적 없는 사람 같은 밝은 자신감과 함께요.
직접 철자해 보세요. s-t-r-a-w-b-e-r-r-y. 앞쪽에 R이 하나, 끝쪽에 R이 둘 있습니다. 모두 세 개예요. 사람에게는 쉽습니다. 우리는 진짜 글자를 보니까요. AI는 그럴 수 없고, 왜 그런지 알려면 AI가 어떻게 읽는지를 봐야 합니다.
AI는 글자가 아니라 덩어리로 읽는다
거의 아무도 모르는 부분이 여기예요. AI 모델이 당신의 메시지를 읽기 전에, 글은 토큰이라는 덩어리로 잘립니다. 토큰은 대개 자주 쓰는 단어나 그 조각이에요. ‘strawberry’라는 단어는 흔히 ‘st’, ‘raw’, ‘berry’ 같은 것으로 나뉩니다.
이제 모델이 세는 방식으로 R을 세어 보세요. 덩어리 ‘st’에는 하나도 없습니다. ‘raw’에는 하나. ‘berry’에는 둘이 있지만, 모델은 그것을 b-e-r-r-y가 아니라 하나의 덩어리로 봅니다. 그래서 글자는 덩어리 속에 파묻히고, 모델은 그때그때 읽어 내는 대신 각 덩어리의 철자를 대충 기억해 둬야 합니다.
한 연구자가 멋지게 표현했어요. 먼저 풀지 않고 밧줄 안의 가닥을 세려는 것과 같다고요. 모델은 꼬인 밧줄(토큰)을 볼 뿐, 낱낱의 가닥(글자)은 보지 못합니다.
왜 같은 특성이 간단한 계산을 망치는가
AI가 철학 에세이는 술술 쓰면서 네 자리 곱셈에서 넘어지는 것도 이 때문이에요. 숫자도 덩어리로 잘리는데, 그것도 일관되지 않게 잘립니다. 12345라는 숫자는 ‘123’과 ‘45’가 될 수 있어서, 모델은 당신이 종이에서 하듯 자릿수를 제대로 맞추지 못합니다.
게다가 AI는 계산하지 않아요. 읽은 모든 것을 바탕으로 다음에 할 가장 그럴듯한 말을 예측합니다. 언어에서는 이게 훌륭히 통해요. ‘대충 맞으면’ 충분하니까요. 그런데 산수에서는 형편없습니다. 답은 정확하거나 틀리거나 둘 중 하나니까요. 모델은 확률을 위해 만들어졌고, 수학은 정밀함을 원합니다. 이 둘은 늘 잘 맞지는 않아요. 이것은 AI가 자신만만하게 지어내는 이유와 사촌 격입니다. 매끄럽고 그럴듯한 답이 곧 맞는 답은 아니에요.
그런데 왜 이제는 맞히는 모델도 있을까
여기서 반전이 있습니다. 오늘날 대부분의 챗봇에 strawberry를 물으면 세 개라고 답해요. 이 질문이 워낙 유명해져서, 정답이 이제 그들이 배운 내용 속에 새겨졌기 때문입니다. 모델이 갑자기 글자 보는 눈을 얻은 게 아니에요. 핵심 답을 통째로 외운 거죠.
단어를 바꾸면 가면이 벗겨집니다. 2025년의 한 꼼꼼한 실험에서 연구자들은 ‘blueberry에 B가 몇 개냐’고 물었어요. 인기 있는 챗봇은 열 번 중 약 네 번 틀렸고, 실제로는 두 개인데 세 개라고 자신만만하게 주장했습니다. 풀이 옆에 작은 체크 표시까지 붙여서요. 다른 모델은 참을성 있게 한 글자씩 나아가 매번 맞혔습니다. 같은 일인데 결과는 크게 다릅니다. 즉 이건 AI의 철칙이라기보다, 특정 모델이 속도를 늦추고 확인하는 수고를 들이느냐의 문제라는 뜻이에요.
이게 솔직한 이야기입니다. 덩어리 문제는 진짜지만, 그게 전부는 아니에요. 추론 과정을 보여 주는 AI조차 잘못 셀 수 있습니다. 글자 하나하나를 정말로 지각하는 게 아니라 단계를 따라 패턴을 맞추기 때문이에요. 더 새로운 ‘생각하는’ 모델은 빠른 모델보다 이걸 훨씬 잘합니다. 빠른 AI 대 똑똑한 AI의 좋은 예예요. 다만 더 낫다는 게 보장된다는 뜻은 아닙니다.
AI가 뛰어난 일과 다시 확인해야 할 일
내부 배관을 통째로 외울 필요는 없어요. AI가 어디서 튼튼하고 어디서 풀이를 보여 달라고 해야 하는지에 대한 감만 있으면 됩니다.
| 작업 | AI의 실력 | 어떻게 할까 |
|---|---|---|
| 글쓰기, 요약, 아이디어 내기 | 훌륭함 | 믿고, 그다음 훑어보기 |
| 개념을 쉬운 말로 설명하기 | 훌륭함 | 믿기 |
| 글자나 문자 세기 | 불안정 | 철자하게 하기 |
| 길거나 정확한 계산 | 불안정 | 단계별로 시키거나 계산기 쓰기 |
| 긴 문서 속 정확한 세부 | 들쭉날쭉 | 원문 줄을 인용하게 하기 |
패턴은 단순합니다. 작업이 언어라면 흐르게 두세요. 작업이 정확함을 요구하면 속도를 늦추게 하거나 신중한 모델로 바꾸세요.
정말로 정확한 답을 얻는 방법
세 가지 수가 거의 모든 세기나 계산 실수를 바로잡습니다.
- 풀이를 보여 주게 하세요. ‘한 글자씩 가’나 ‘단계별로 풀어’라고 하면, 모델은 답을 불쑥 내뱉는 대신 자기가 볼 수 있는 형태로 전부 적어 놓습니다.
- 두 번 묻거나, 두 모델에게 물으세요. 정확함이 중요하면 첫 빠른 답을 믿지 마세요. 다른 모델의 두 번째 의견이 이런 실수를 놀랄 만큼 많이 잡아냅니다.
- 일에 맞는 모델을 쓰세요. 빠르고 수다스러운 모델은 속도를 위해 만들어졌어요. 섬세하고 정확해야 하는 일에는, 조금 느린 생각하는 모델의 몇 초가 그만한 값을 합니다.
마지막 항목은 하나의 AI에 묶여 있지 않을 때 더 쉽습니다. 최고의 모델 몇 개를 같은 질문 앞에 세워 놓고 실제로 누가 맞히는지 볼 수 있어요.
정리하며
AI의 글자 세기 실수는 그것이 은근히 멍청하다는 신호가 아닙니다. 이 도구들이 실제로 어떻게 작동하는지를 들여다보는 창이에요. 덩어리로 읽고, 계산 대신 예측하며, 언어에는 뛰어나고 문자 그대로의 것에는 서툽니다. 이걸 알면 놀라기를 멈추고 방향을 잡기 시작합니다. 속도를 늦추게 하고, 풀이를 보여 달라고 하고, 답이 정말 맞아야 할 때는 두 번째 모델을 불러들이세요.
그 감을 기르는 가장 좋은 방법은 직접 만져 보는 것입니다. 모델에게 R을 세게 하고, 그다음 단어를 먼저 철자하게 해서 답이 바뀌는 걸 지켜보세요.