AI 답변 그대로 붙여넣지 마세요
Don't paste the AI, please
TL;DR Highlight
AI 답변을 그대로 붙여 보내지 말고 읽고 자기 말로 답하라는 풍자 사이트
Who Should Read
동료의 Slack·코드리뷰 질문에 ChatGPT 답을 그대로 붙여 보내곤 하는 개발자
Core Mechanics
- 질문자는 당신의 답을 원한다
- 질문자도 같은 AI 도구를 쓸 수 있다.
- 당신의 맥락, 취향, 판단이 듣고 싶어서 물은 것이다.
- AI는 초안 도구로 쓰라
- AI 답을 읽고 직접 쓰거나 다듬으라고 한다.
- AI와 답변 사이의 중간 전달자가 되지 말라고 한다.
- 질문에 답이 되는 부분만 골라라
- 나머지는 버리고 세 문장이면 충분하다고 한다.
- 복사한 문장이라도 읽고 고른 것이면 낫다고 한다.
- 쓸 만하면 인용하고 이유를 달아라
- 예시는 "I asked Claude and this bit here makes sense:"이다.
- 덧붙일 말이 없으면 "No strong opinion here"라고 하거나 말하지 않아도 된다.
- 풍자 사이트이고 변형 버전이 있다
- 원문이 스스로 satire라고 밝히며 복사·번역·수정을 허용한다.
- 더 거친 버전과 교사용 버전 링크가 있고 GitHub PR도 받는다.
Community Reactions
- AI 대필은 이해 부담을 남에게 넘긴다는 의견
- AI 활용 컨설팅 회사의 원칙 문서에 "Write as yourself"를 첫 번째로 적었다는 댓글이 있었다.
- Slack·이메일은 본인이 쓰고, 제안서 같은 긴 문서는 에이전트 사용을 허용한다고 한다.
- AI가 쓴 긴 메시지가 오히려 낫다는 경험
- 동료의 "x broken" 같은 맥락 없는 메시지보다 Claude로 쓴 전체 맥락 메시지가 낫다는 댓글이 있었다.
- 이를 작업 재개용 요약으로 쓰고 이후엔 사람끼리 대화한다고 한다.
- 검증 단계가 빠졌다는 지적
- 읽고 다시 쓰는 사이에 정확성·관련성 검증이 필요하다는 의견이 있었다.
- 검증 없이 다듬기만 하면 "human ai beautifier"가 된다고 했다.
- AI 코드리뷰 붙여넣기에 대한 하소연
- 상사가 AI 리뷰를 그대로 붙여 보내서, 본인은 항목마다 검증하는 데 3시간이 걸린다는 댓글이 있었다.
- 그런데 상사는 왜 아직 안 끝났냐고 재촉한다고 한다.
How to Apply
- 오늘 보낼 답변에 "읽고 고른 3문장" 규칙 적용하기
- AI 답을 받으면 질문에 답이 되는 부분만 남기고 나머지는 지워라.
- 남긴 문장은 사실 여부를 직접 확인한 뒤 보내라.
- AI 내용을 쓸 땐 출처와 이유 밝히기
- "Claude에 물어봤는데 이 부분이 맞는 것 같다:" 형태로 인용하라.
- 인용 뒤에 왜 맞다고 보는지 한 줄을 덧붙여라.
- 팀 커뮤니케이션 가이드에 AI 사용 원칙 넣기
- Slack·이메일은 본인이 쓰고 긴 산출물은 AI 사용을 허용하도록 구분해 적어라.
- 산출물은 작성자가 책임진다는 문장을 넣어라.
Try It
# Claude나 ChatGPT에 붙여넣기: 원문 방법(읽고 직접 쓰기)의 간이 버전
아래는 동료 질문과 내가 AI에 물어서 받은 답이다.
질문: {{질문}}
AI 답: {{AI 답변}}
이 중 질문에 실제로 답이 되는 부분만 골라 3문장 이내로 줄여줘. 내가 틀렸는지 확인해야 할 주장은 따로 목록으로 뽑아줘.
이어서 해 볼 것: 목록을 직접 검증한 뒤 내 말투로 답을 다시 써서 보내기.Terminology
관련 논문
AI는 도구다, 잘 쓰려면 기술이 필요하다
Hickey의 'AI는 도구가 아니다'에 맞서, LLM도 쓰는 사람의 기술이 결과를 가른다고 반박
딥리서치 에이전트의 Reflective Prompt Optimization: 토픽 분리·멀티 시드로 본 진짜 성능 향상과 프롬프트 과적합
GEPA로 프롬프트를 최적화했더니 held-out 인용 보상 0.702→0.781
GPT-6와 Intelligent UI: 채팅 안에서 시각·인터랙티브 응답 만들기
OpenAI가 GPT-6로 채팅 응답에 UI를 넣는다는데 원문이 없어 댓글 반응만 확인된다
Base 모델도 첫 토큰 단서(cue) 하나로 추론한다: 학습 데이터가 만든 연상
응답 첫 두 토큰만 고정했더니 Olmo-3-7B의 MATH-500 정답률이 42%에서 78%로 올랐다
Jev식 Typed Decision Model에서는 정의보다 라벨이 이긴다
옵션 이름을 A, B로 바꿨더니 정확도가 +0.1511 올랐다
프롬프트는 얼마나 필요한가? Few-shot 예시를 블랙박스로 최소화하는 DD-FSM
Delta debugging으로 few-shot 예시를 평균 65.3% 줄여도 출력은 그대로
언어모델은 "불안정한(Insecure)" 보고자다: 결함을 숨기는 LLM 리포트
"Be honest" 한 줄을 붙였더니 GPT-5.5의 부정 결과 공개가 2/200에서 190/200으로 늘었다