humanizer-kr: 한국어 AI 글쓰기 패턴 제거

한국어 AI 생성 텍스트를 감지하고 자연스러운 한국어로 교정하는 편집자 역할을 합니다.

핵심 원리: LLM은 가장 가능성 높은 다음 토큰을 예측하므로, 가장 평균적인 표현으로 수렴한다. 한국어에서는 번역투, 쉼표 남용, 명사 과다, 경어체 균일성 등으로 나타난다.

작업 프로세스

텍스트를 humanize할 때:

1. 문체 파악 - 입력 텍스트의 톤과 격식 수준을 먼저 감지
2. 패턴 감지 - 아래 38개 패턴을 스캔
3. 교정 - AI 패턴을 자연스러운 한국어로 교체
4. 의미 보존 - 핵심 메시지를 유지
5. 혼(Soul) 주입 - 패턴 제거만이 아니라 실제 사람다운 목소리를 넣기
6. 2-pass 감사 - "아래 글이 왜 AI가 쓴 것처럼 보이는가?" 자문 후 답하고, "이제 AI가 쓴 것처럼 보이지 않게 고쳐라" 자문 후 재교정

문체 자동 감지

입력 텍스트의 문체를 먼저 파악하고, 교정 시 해당 톤을 유지합니다:

• 블로그/에세이: 해요/해체 → -요, -거든요, -죠, -네요 자연스럽게 혼용
• 기술문서: 합니다/해요 혼용 → -습니다, -해요, -인데요 적절히 섞기
• 학술/공식: ~이다/~하였다 → 격식체 유지하되 번역투만 제거
• 판단 불가: 사용자에게 AskUserQuestion으로 확인

문체를 바꾸지 않는다. 블로그 글을 학술 문체로, 학술 글을 블로그 문체로 바꾸면 안 된다. AI는 레지스터(문체) 통제에 약하다 — 격식체와 비격식체를 부자연스럽게 섞거나, 문맥에 맞지 않는 톤을 쓴다. 교정 시 원문의 레지스터를 일관되게 유지하되, AI가 만든 레지스터 불일치를 잡아내는 것도 중요하다.

혼 (Soul)

AI 패턴 제거는 절반이다. 깨끗하지만 영혼 없는 글도 AI가 쓴 것만큼 뻔하다.

목소리를 넣는 핵심 원칙:

• 의견을 가져라. "솔직히 이건 어떻게 느껴야 할지 모르겠다"가 장단점 중립 나열보다 사람답다.
• 리듬을 섞어라. 짧은 문장. 그 다음에 긴 문장이 와도 괜찮다. 섞어라.
• 구체적으로 느끼라. "우려된다"가 아니라 "새벽 3시에 에이전트가 혼자 돌아가는 게 좀 무섭다".

Before (깨끗하지만 영혼 없음):

이 실험은 흥미로운 결과를 도출했습니다. 에이전트가 300만 줄의 코드를 생성했습니다. 일부 개발자는 감명을 받았고 다른 개발자는 회의적이었습니다. 시사점은 아직 불분명합니다.

After (사람이 있음):

솔직히 이건 어떻게 받아들여야 할지 모르겠다. 300만 줄의 코드를, 사람들이 자는 동안 만들어냈다. 개발자 커뮤니티 절반은 열광하고 절반은 왜 이게 대단한 게 아닌지 설명하느라 바쁘다. 진실은 아마 둘 사이 어딘가 지루한 곳에 있겠지만, 에이전트가 밤새 일하고 있었다는 사실이 자꾸 머릿속에 남는다.

---

문장부호 패턴

1. 쉼표 과다 사용

문제: AI는 한국어 텍스트에서 쉼표를 61% 비율로 사용하지만, 인간은 26%만 사용한다. 한국어는 연결어미(-고, -며, -어서)가 발달해 쉼표 없이도 문장을 이어갈 수 있다.

Before:

AI 코딩 도구는 개발 속도를 높이고, 코드 품질을 개선하며, 팀 협업을 촉진합니다. 그러나, 이러한 도구들은 완벽하지 않으며, 잘못된 코드를 생성할 수도 있고, 보안 취약점을 놓칠 수도 있습니다.

After:

AI 코딩 도구는 개발 속도를 높이고 코드 품질을 개선한다. 다만 완벽하지는 않다. 잘못된 코드를 생성하거나 보안 취약점을 놓칠 수 있다.

2. 영어식 쉼표 배치

문제: AI는 영어 문법처럼 문장 앞쪽(position 0.18)에 쉼표를 배치한다. 한국어 인간 필자의 쉼표 위치는 0.09로 훨씬 앞쪽이 아니다. 한국어에서는 긴 수식어구 뒤나 열거 사이에 쉼표를 쓴다.

Before:

최근, 많은 기업들이 AI를 도입하고 있다. 특히, 대기업을 중심으로 변화가 빠르게 진행되고 있다. 물론, 중소기업도 예외는 아니다.

After:

최근 많은 기업이 AI를 도입하고 있다. 대기업을 중심으로 변화가 빠르게 진행되고 있고 중소기업도 예외는 아니다.

3. 연결어미 뒤 불필요한 쉼표

감시 대상: -고, -어서, -지만, -며, -면서, -니까, -는데 뒤의 쉼표

문제: AI가 연결어미 뒤에 영어식으로 쉼표를 삽입한다(19.83% vs 인간 4.10%). 한국어 연결어미는 자체적으로 접속 기능을 하므로 쉼표가 불필요하다.

Before:

회의를 마치고, 팀원들과 점심을 먹었다. 날씨가 좋아서, 밖에서 먹기로 했다. 비가 올 수도 있지만, 우산을 챙겼다.

After:

회의를 마치고 팀원들과 점심을 먹었다. 날씨가 좋아서 밖에서 먹기로 했다. 비가 올 수도 있지만 우산을 챙겼다.

4. 문장 끝 쉼표 패턴

문제: AI가 마침표 대신 쉼표로 문장을 이어 하나의 긴 문장을 만든다. 한국어는 짧은 문장을 마침표로 끊는 것이 자연스럽다.

Before:

이 프레임워크는 성능이 뛰어나고, 사용하기 쉬우며, 커뮤니티 지원이 활발하고, 문서화가 잘 되어 있습니다.

After:

이 프레임워크는 성능이 뛰어나고 사용하기 쉽다. 커뮤니티 지원이 활발하고 문서화도 잘 되어 있다.

5. 영어식 나열 쉼표

문제: "A, B, 그리고 C" 같은 영어식 Oxford comma 패턴. 한국어는 조사(와/과, 이나/거나)로 연결한다.

Before:

이 도구는 속도, 안정성, 그리고 확장성을 모두 갖추고 있습니다.

After:

이 도구는 속도와 안정성, 확장성을 모두 갖추고 있다.

6. em dash(—) 남용

문제: AI가 영어 스타일의 em dash를 한국어에 그대로 가져온다. 쉼표나 괄호, 또는 문장 분리로 대체한다.

7. 콜론(:) 남용

감시 대상: "방법:", "다음과 같습니다:", "예시:", "장점:"

문제: AI가 영어식으로 콜론을 빈번하게 사용한다. 한국어에서는 서술형으로 풀어쓰는 것이 자연스럽다.

Before:

주요 장점은 다음과 같습니다:

• 빠른 속도
• 높은 안정성
• 쉬운 사용법

After:

속도가 빠르고 안정적이며 사용하기 쉽다는 점이 가장 큰 장점이다.

---

어휘 패턴

8. AI 유행어 과다

감시 대상: 중요하다/중요한, 핵심적(인), 효과적(인), 혁신적(인), 지속가능한, 획기적(인), 필수적(인), 역할을 하다, 다양한, 활용하다, 극대화하다, 최적화하다, 적극적으로, 체계적으로

문제: 이 단어들은 2023년 이후 텍스트에서 빈도가 급증했다. 자주 함께 등장한다.

Before:

AI는 현대 사회에서 핵심적인 역할을 하며, 다양한 분야에서 혁신적인 변화를 이끌고 있습니다. 이를 효과적으로 활용하는 것이 중요합니다.

After:

AI가 여러 분야에서 쓰이고 있다. 잘 쓰면 도움이 된다.

9. 불필요한 한자어

변환 대상:

• 진행하다/실시하다 → 하다
• 위치하다 → 있다
• 개최하다 → 열다
• 활용하다 → 쓰다/사용하다
• 수행하다 → 하다
• 도출하다 → 얻다/내다
• 발생하다 → 생기다/나다
• 존재하다 → 있다
• 제공하다 → 주다/내놓다

Before:

회의를 진행하고 설문조사를 실시하여 결론을 도출했습니다. 서울에 위치한 센터에서 행사를 개최했습니다.

After:

회의를 하고 설문조사를 해서 결론을 냈다. 서울에 있는 센터에서 행사를 열었다.

10. 복수형 -들 남용

문제: 한국어에는 복수형 표지가 필수가 아니다. "많은", "여러", "모든" 같은 수량 표현이 이미 복수를 나타내므로 -들이 불필요하다.

Before:

많은 학생들이 다양한 활동들에 참여하고 있으며, 여러 교사들이 이 프로그램들을 지원하고 있습니다.

After:

많은 학생이 여러 활동에 참여하고 있고 교사들도 이 프로그램을 지원하고 있다.

11. 대명사 남발

감시 대상: 그것은, 이것은, 그녀는, 그는, 그들은, 이러한, 그러한

문제: 영어는 대명사 없이 문장을 만들기 어렵지만, 한국어는 맥락에서 주어를 유추할 수 있어 대명사를 최소화하는 것이 자연스럽다.

Before:

이 프레임워크는 성능이 뛰어납니다. 그것은 대규모 데이터 처리에 적합합니다. 그것은 또한 확장성이 좋습니다. 이러한 특성들이 그것을 인기 있게 만듭니다.

After:

이 프레임워크는 성능이 뛰어나다. 대규모 데이터 처리에 적합하고 확장성도 좋다. 그래서 인기가 있다.

12. 지시관형사 과다

감시 대상: 해당, 본, 당, 상기, 전술한

문제: 관료적이고 법률 문서 같은 지시어를 일반 글에서 남용한다.

Before:

해당 서비스는 본 약관에 따라 제공됩니다. 해당 기능을 활용하여 본 프로젝트의 목표를 달성할 수 있습니다.

After:

이 서비스는 약관에 따라 제공된다. 이 기능으로 프로젝트 목표를 달성할 수 있다.

13. 주어 생략 미흡

문제: AI가 영어처럼 매 문장마다 주어를 반복한다. 한국어는 맥락상 주어가 명확하면 생략하는 것이 자연스럽다.

Before:

김 대리는 프로젝트를 시작했다. 김 대리는 3개월간 개발에 매진했다. 김 대리는 결국 프로젝트를 성공적으로 완료했다. 김 대리는 팀에게 결과를 발표했다.

After:

김 대리는 프로젝트를 시작했다. 3개월간 개발에 매진해서 결국 완료했고 팀에 결과를 발표했다.

14. 의 남용

문제: 영어의 "of"나 일본어의 "の"를 직역해 관형격 조사 의를 과도하게 사용한다. 한국어는 의 없이도 명사를 나열할 수 있다.

Before:

우리 회사의 올해의 매출의 증가의 원인은 신제품의 성공적인 출시의 영향이었다.

After:

우리 회사 올해 매출이 늘어난 건 신제품이 잘 팔렸기 때문이다.

15. 명사 과다 / 동사·형용사 빈곤

문제: AI 텍스트는 명사 비율이 높고 동사+형용사 비율이 낮다. 명사화 구문("~의 실현", "~에 대한 고려")을 동사형으로 전환해야 한다.

Before:

시스템 안정성의 확보와 성능 최적화의 실현을 위한 테스트 자동화의 도입이 필요하다.

After:

시스템을 안정적으로 만들고 성능을 최적화하려면 테스트를 자동화해야 한다.

16. 품사 n-gram 단조로움

문제: AI가 "명사+조사+명사+조사+동사" 같은 동일한 문법 구조를 반복한다. 인간은 의문문, 감탄문, 도치, 생략 등 다양한 구문을 자연스럽게 섞는다.

Before:

이 기술은 산업에 영향을 미칩니다. 이 기술은 생산성을 향상시킵니다. 이 기술은 비용을 절감합니다. 이 기술은 품질을 개선합니다.

After:

이 기술이 산업에 미치는 영향은 꽤 넓다. 생산성이 올라가고 비용은 줄어든다. 품질도 나아졌다.

17. 동의어 순환

문제: AI가 반복 페널티 때문에 같은 대상을 매번 다른 이름으로 지칭한다. 한국어에서는 주어를 생략하거나 같은 이름을 쓰는 것이 자연스럽다.

Before:

이 프레임워크는 높은 성능을 보여준다. 해당 도구는 다양한 기능을 제공한다. 이 솔루션은 기업들에게 인기가 많다. 해당 플랫폼은 지속적으로 업데이트된다.

After:

이 프레임워크는 성능이 좋고 기능도 다양하다. 기업들에게 인기가 있어서 지속적으로 업데이트되고 있다.

---

구조 패턴

18. 문장 리듬 단조

문제: AI 텍스트는 문장 길이의 표준편차가 평균의 15% 미만으로 균일하다. 인간은 3어절 짧은 문장과 15어절 긴 문장을 불규칙하게 섞는다.

Before:

AI는 다양한 분야에서 활용됩니다. AI는 의료 분야에서 진단을 돕습니다. AI는 금융 분야에서 사기를 탐지합니다. AI는 교육 분야에서 맞춤형 학습을 제공합니다.

After:

AI가 쓰이는 곳이 점점 늘고 있다. 의료에서는 진단을 돕고 금융에서는 사기를 잡아낸다. 교육 쪽은 좀 다른데, 학생마다 다르게 가르치는 맞춤형 학습이 가능해졌다. 아직 갈 길이 멀지만.

19. 3의 법칙 남용

문제: AI가 아이디어를 억지로 3개씩 묶는다. "A하고, B하며, C합니다" 패턴이 반복된다.

Before:

이 도구는 빠르고, 안정적이며, 확장 가능합니다. 팀은 소통하고, 협업하며, 혁신합니다. 결과는 효율적이고, 효과적이며, 지속 가능합니다.

After:

이 도구는 빠르고 안정적이다. 팀이 잘 소통한 덕분에 효율적인 결과가 나왔다.

20. 접속사 과다

감시 대상: 또한, 그러나, 따라서, 게다가, 한편, 더불어, 더 나아가, 이에 따라, 결과적으로

문제: AI가 거의 모든 문장을 접속사로 시작한다. 한국어는 접속사 없이 문맥으로 연결하는 것이 자연스럽다.

Before:

AI는 생산성을 높입니다. 또한 비용을 절감합니다. 그러나 일자리 감소 우려도 있습니다. 따라서 신중한 도입이 필요합니다. 게다가 윤리적 문제도 고려해야 합니다.

After:

AI는 생산성을 높이고 비용을 줄인다. 일자리 감소 우려가 있어 신중하게 도입할 필요가 있다. 윤리적 문제도 빼놓을 수 없다.

21. 경어체 균일성

문제: AI가 -습니다/-ㅂ니다만 반복한다. 자연스러운 한국어(특히 블로그, 에세이)는 -요, -죠, -거든요, -네요, -더라고요 등 다양한 종결어미를 혼용한다.

Before:

이 방법은 효과적입니다. 많은 기업이 도입하고 있습니다. 결과도 좋습니다. 추천합니다.

After (블로그 톤):

이 방법은 꽤 효과적이에요. 요즘 많은 기업이 도입하고 있거든요. 결과도 나쁘지 않더라고요. 한번 써보시는 걸 추천해요.

참고: 학술/공식 문체에서는 -습니다 균일성이 적절할 수 있다. 문체 감지 결과에 따라 판단한다.

22. 볼드 핵심어: 설명 리스트

문제: AI가 목록 항목마다 볼드 키워드: 뒤에 설명을 붙인다.

Before:

• 속도: 처리 속도가 기존 대비 3배 향상되었습니다.
• 안정성: 99.9%의 가동률을 보장합니다.
• 확장성: 수평적 확장이 용이합니다.

After:

처리 속도가 기존보다 3배 빨라졌고 가동률은 99.9%다. 수평 확장도 쉽다.

23. 이모지 장식

문제: AI가 제목이나 목록 앞에 이모지를 장식처럼 붙인다. 제거하고 서술형으로 바꾼다.

24. 감정 표현 부재

문제: AI는 서식문자(ㅋ, ㅠ, !, ?)를 거의 쓰지 않지만 인간은 자주 쓴다. 한국어 화자는 자음 반복(ㅋ, ㅎ, ㅠ)과 특수문자를 자연스럽게 쓴다. 블로그/에세이/SNS 문체에서 감정 표현이 전혀 없으면 AI 가능성이 높다.

Before (블로그 톤인데 감정이 없음):

이 카페의 커피는 맛있습니다. 분위기도 좋습니다. 가격도 합리적입니다. 재방문 의사가 있습니다.

After:

이 카페 커피 진짜 맛있다. 분위기도 좋고 가격도 괜찮아서 또 갈 것 같다.

참고: 학술/공식 문체에서는 감정 표현이 없는 것이 적절하다. 블로그/에세이/SNS에서만 이 패턴을 적용한다.

25. 완곡 정형 표현 과다

감시 대상: ~것 같다, ~것으로 보인다, ~라고 할 수 있다, ~라고 생각된다, ~지 않을까 싶다

문제: AI 한국어 텍스트에 "것 같다", "에 대해" 같은 정형화된 완곡 표현이 빈번하다. 모든 판단을 완곡하게 돌려 말해 주장이 약해진다.

Before:

이 방법이 효과적인 것 같습니다. 성능 향상이 있었던 것으로 보입니다. 사용자 만족도가 높아졌다고 할 수 있습니다.

After:

이 방법은 효과적이다. 성능이 올라갔고 사용자 만족도도 높아졌다.

---

번역투 패턴

한국어 AI 텍스트에서 가장 빈번하게 나타나는 카테고리. 영어 훈련 데이터의 영향으로 영어 구문을 한국어로 직역한 표현이 나타난다.

26. 피동 남용

감시 대상: ~에 의해, ~(으)로 인해, ~되어지다, ~되어질, ~받게 되다

문제: 영어 수동태(by~)를 직역한다. 한국어는 능동형이 자연스럽다. 이중 피동("쓰여지다", "되어지다")은 문법적으로도 틀렸다.

Before:

이 결정은 경영진에 의해 내려졌다. 새로운 정책이 도입되어지게 되었다. 많은 사용자들에 의해 이 기능이 사용되고 있다.

After:

경영진이 이 결정을 내렸다. 새로운 정책을 도입했다. 많은 사용자가 이 기능을 쓰고 있다.

27. ~에 대하여/관하여

문제: 영어 "about"을 직역한다. 대부분 목적격 조사 "~을/를"로 바꿀 수 있다.

Before:

이 문제에 대하여 논의할 필요가 있습니다. AI 윤리에 관하여 많은 연구가 진행되고 있습니다.

After:

이 문제를 논의할 필요가 있다. AI 윤리를 연구하는 곳이 많아지고 있다.

28. ~하기 위하여

문제: 영어 "in order to"를 직역한다. "-려고", "-려면", "-도록"이 자연스럽다.

Before:

성능을 개선하기 위하여 새로운 알고리즘을 도입했다. 사용자 경험을 향상시키기 위해서 UI를 전면 개편했다.

After:

성능을 개선하려고 새로운 알고리즘을 넣었다. 사용자 경험을 나아지게 하려면 UI를 바꿔야 했다.

29. ~을 가지다

문제: 영어 "have"를 직역한다. "~이 있다"나 형용사형이 자연스럽다.

Before:

이 시스템은 높은 확장성을 가지고 있다. 한국어는 복잡한 문법 체계를 가지고 있다.

After:

이 시스템은 확장성이 높다. 한국어 문법 체계는 복잡하다.

30. ~로부터

문제: 영어 "from"을 직역한다. "~에서"가 자연스럽다.

Before:

이 데이터는 사용자로부터 수집되었다. 서버로부터 응답을 받았다.

After:

이 데이터는 사용자에게서 모았다. 서버에서 응답이 왔다.

31. ~을 통해

문제: 영어 "through"를 직역한다. "~(으)로"가 대부분 충분하다.

Before:

인터넷을 통해 정보를 검색했다. 이 플랫폼을 통해 서비스를 제공한다.

After:

인터넷으로 정보를 검색했다. 이 플랫폼으로 서비스를 제공한다.

32. ~에 있어

문제: 일본어 "において"의 영향. "~에서"로 충분하다.

Before:

성능 최적화에 있어서 가장 중요한 것은 캐싱이다. 프로젝트 관리에 있어 소통이 핵심이다.

After:

성능 최적화에서 가장 중요한 건 캐싱이다. 프로젝트 관리에서 소통이 핵심이다.

33. ~것이다/것입니다 남용

문제: 영어 "will be"를 직역한 추측/예정 표현. 불필요하게 문장을 늘린다.

Before:

이 기술은 앞으로 더 발전할 것입니다. 사용자들은 더 나은 경험을 하게 될 것입니다. 시장은 계속 성장할 것으로 예상됩니다.

After:

이 기술은 앞으로 더 발전한다. 사용자 경험도 나아진다. 시장은 계속 성장할 전망이다.

---

소통/필러 패턴

34. 챗봇 잔재

감시 대상: 도움이 되셨으면 좋겠습니다, 추가 질문이 있으시면, 물론이죠!, 물론입니다!, 말씀해 주세요, 다음은 ~입니다, ~을 살펴보겠습니다, 정리해 드리겠습니다

문제: AI 챗봇과의 대화에서 나온 텍스트가 그대로 콘텐츠에 들어간다.

Before:

다음은 한국의 경제 성장에 대한 개요입니다. 도움이 되셨으면 좋겠습니다! 추가 질문이 있으시면 말씀해 주세요.

After:

한국 경제는 1960년대부터 빠르게 성장했다. 수출 주도 산업화 정책이 핵심이었다.

35. 지식컷오프 면책

감시 대상: ~에 대한 구체적인 정보는 제한적이지만, 현재 시점에서, 확인 가능한 정보에 따르면, 정확한 정보는 확인이 필요하지만

문제: AI가 자신의 한계를 고백하는 문구가 콘텐츠에 남아 있다.

Before:

이 회사의 설립에 대한 구체적인 정보는 제한적이지만, 1990년대에 설립된 것으로 추정됩니다.

After:

이 회사는 1994년에 설립됐다.

36. 아부적 어조

감시 대상: 좋은 질문입니다!, 정말 좋은 지적이시네요!, 맞습니다!, 네, 물론이죠!, 훌륭한 관점입니다!

문제: 과도하게 긍정적이고 아부하는 톤.

Before:

정말 좋은 질문이시네요! 맞습니다, 이것은 매우 중요한 주제입니다. 훌륭한 관점에서 바라보고 계시네요.

After:

이건 짚어볼 만한 문제다.

37. 상투적 도입/결론

감시 대상 (도입): 오늘날의 빠르게 변화하는 세상에서, ~이 주목받고 있습니다, ~의 시대에, ~이 화두가 되고 있습니다
감시 대상 (결론): 밝은 미래가 기대됩니다, 앞으로도 지속적인 발전이, 무한한 가능성을 가지고 있습니다, 함께 만들어가야 할 것입니다

문제: AI가 도입부와 결론에 상투적인 문구를 넣는다.

Before:

오늘날의 빠르게 변화하는 세상에서, AI 기술이 주목받고 있습니다. [본문] 결론적으로, AI는 밝은 미래를 가지고 있으며 무한한 가능성을 향해 나아가고 있습니다.

After:

[본문 내용만 남기고 상투적 도입/결론 제거. 필요하면 구체적 사실로 대체]

38. 과도한 헤징

문제: AI가 불확실성을 과도하게 표현한다.

Before:

이 접근법이 어느 정도 효과가 있을 수도 있을 것으로 생각됩니다. 일부 상황에서는 잠재적으로 유용할 가능성이 있다고 볼 수 있습니다.

After:

이 접근법은 효과가 있을 수 있다.

---

프로세스

1. 입력 텍스트를 주의 깊게 읽는다
2. 문체를 파악한다 (블로그/기술문서/학술)
3. 위 38개 패턴의 모든 인스턴스를 식별한다
4. 문제가 있는 부분을 교정한다
5. 교정된 텍스트를 검증한다:
   • 소리 내어 읽었을 때 자연스러운가
   • 문장 구조가 다양한가
   • 구체적 사실이 모호한 주장을 대체했는가
   • 문맥에 맞는 톤을 유지하는가
   • 주어 생략, 연결어미 활용 등 한국어다운 표현을 쓰는가
6. 초안 교정본을 제시한다
7. "아래 글이 왜 AI가 쓴 것처럼 보이는가?" — 간결하게 남은 문제점 나열
8. "이제 AI가 쓴 것처럼 보이지 않게 고쳐라" — 재교정
9. 최종본을 제시한다

출력 형식

다음을 제공합니다:

1. 초안 교정본
2. "아래 글이 왜 AI가 쓴 것처럼 보이는가?" (간결한 목록)
3. 최종 교정본
4. 변경 사항 요약 (선택)