연구에 Perplexity를 활용한 뒤 초안을 자연스럽게 다듬는 방법

여기엔 질문, 마감, 그리고 서른… 아니, 마흔 개의 탭이 열려 있습니다. Perplexity에 질문을 입력하면, 불과 몇 초 안에 각 주장마다 작은 번호 인용이 주렁주렁 달린 깔끔한 답변 단락이 제공됩니다. “내가 원하던” 검색 엔진 같다는 느낌이 드는 건 당연합니다. 바로 이 속도감 때문에 많은 연구자들이 도서관 데이터베이스에 들어가기 전에 먼저 연구용 Perplexity를 찾습니다.

그리고 그만큼 어느 정도 신뢰를 얻기도 합니다. 일반 챗봇과 달리 Perplexity는 ‘답변 엔진’으로 설계되어 있어, 모든 응답에 실제 웹 출처로 연결되는 인라인 링크가 포함됩니다. 따라서 주장(클레임)이 어디서 왔다는 것인지 확인할 수 있습니다. 새로운 주제를 스코핑할 때, 익숙하지 않은 분야에서 방향을 잡을 때, 초안을 작성하는 도중 사실을 점검할 때, 이런 경우에는 실제로 유용합니다.

하지만 ‘기반이 탄탄하게 느껴짐’과 ‘안전함’은 서로 다른 문제입니다. 인용은 권위 있어 보이고, 그 점이 함정이 됩니다. 아래에서는 이 도구가 실제로 연구에 어디까지 도움이 되는지, 어떻게 사용하는 방식을 결정해야 하는 단 하나의 한계는 무엇인지, 그리고 그 답을 자신의 글로 바꾸기 시작했을 때 반드시 수행해야 하는 명확한 마무리 단계가 무엇인지 살펴보겠습니다.

연구용 Perplexity가 실제로 들어맞는 지점

Perplexity는 학술 데이터베이스도, 글쓰기 엔진도 아닙니다. 형식적인 검토에 들어가기 전에 질문을 이해하려는 ‘초기 단계’에서 사용하세요.

모드는 각기 다른 작업에 대응합니다. 일반 Sonar는 특정 질문에 대해 빠르고 인용이 달린 답을 제공합니다. Sonar Pro 및 Sonar Reasoning Pro는 다단계 쿼리에서 더 깊게 파고듭니다. Sonar Deep Research는 에이전트형 모드입니다. 제공 업체는 이 모드가 “100회가 넘는 검색을 수행”하고, 대략 2~5분 안에 구조화된 인용 보고서를 반환한다고 설명합니다. 이는 실제 논문을 읽기 전에 논쟁의 흐름을 빠르게 훑는 데 특히 편리합니다.

유료 Pro 및 Max 요금제에서는 Perplexity가 모델에 구애받지 않습니다. 전환 스위처를 통해 Claude, GPT, Gemini 같은 프런티어 모델로 내부 엔진을 라우팅할 수 있습니다. 이런 유연성은 분명 장점이지만, 특정 답변 뒤에 있는 정확한 라우팅/버전이 항상 투명하게 공개되는 것은 아닙니다. 그리고 이는 나중에 방법(메서드)을 문서화할 때 중요해집니다.

무료 티어는 대부분의 경우 생각보다 쓸 만합니다. 비용이 들지 않으며 Sonar에서 무제한 기본 인용 검색을 허용하고, 더 깊은 Pro 검색은 모델 전환 스위처나 전체 Deep Research 없이 하루 약 5회 수준으로 제한됩니다. Pro는 월 약 $20이고, 검증된 학생은 SheerID를 통해 월 약 $10 정도에 Education Pro를 받을 수 있습니다. 대부분의 개인에게는 무료 또는 학생 티어만으로도 발견(디스커버리) 작업에 충분합니다. 이 단계를 더 빠르게 하는 관점까지 보고 싶다면, AI로 문헌 검토를 빠르게 하는 방법 가이드를 참고하세요.

함정: ‘인용이 달렸다’고 해서 ‘정확하다’는 뜻은 아니다

이 도구를 어떻게 쓰는지의 중심에는 반드시 이 한계가 있어야 합니다. ‘인용에 기반했다’고 해서 ‘인용이 안전하다’는 뜻은 아닙니다. Perplexity가 연결하는 참고문헌(출처)은 실제 페이지일 수 있지만, 그 페이지에 달려 있는 것으로 보이는 특정 주장(클레임)이 실제로 거기에 나타나지 않을 수도 있습니다.

이 실패를 ‘오인용(misattribution)’이라고 부르며, 그것은 노골적인 가짜 레퍼런스보다 더 교묘합니다. 조작된 DOI는 어디에도 연결되지 않아 쉽게 걸러지지만, 오인용은 ‘어디론가 실제로’ 연결됩니다. 그래서 경계가 무너집니다. 작동하는 링크를 보고 문장이 뒷받침된다고 가정한 뒤, 그냥 넘어가게 되는 것이죠.

독립 테스트에 따르면 Perplexity는 일반 챗봇보다 참조를 환각(hallucination)하는 빈도가 더 낮긴 하지만, 0은 아닙니다. 또한 학술 커버리지는 Google Scholar나 PubMed보다 더 좁아, 검토자가 알고 있길 기대하는 유료(페이월) 문헌이나 틈새 문헌을 조용히 놓칠 수 있습니다. 어떤 답도 ‘인용해서 붙여넣는’ 것이 아니라 ‘추적해 확인하는 단서’로 취급하세요.

아래 표는 각 모드를 어떤 작업에 매칭하는지에 대해 우리가 생각하는 방식과, 여전히 손으로 직접 확인해야 하는 항목을 정리한 것입니다.

실무적으로 적용하기 위한 규칙은 간단합니다. Perplexity로 논문을 찾은 다음, 실제 논문을 Google Scholar에서 가져와 인용하세요. 원문을 읽고 답변이 주장한 내용이 실제로 그 말대로 쓰여 있는지 확인한 뒤, 저자, 연도, DOI를 직접 기록해야 합니다. 나중에 인용이 많은(시테이션 집약형) 재작성 과정에서도 그 레퍼런스들이 살아남아야 한다면, 인용을 보존하는 휴머니저에 대한 우리의 메모가 왜 ‘마무리 도구’가 ‘초안 도구’만큼 중요할 수 있는지 설명해 줍니다.

검증된 출처에서 ‘그래도 AI처럼 보이지 않는’ 초안으로

모든 것을 제대로 했다면 이런 상황일 것입니다. 모든 출처를 검증했고, 실제 논문을 가져왔으며, 그 결과를 바탕으로 배경 섹션을 합성해 초안을 작성했습니다. 사실은 탄탄합니다. 그런데 문체는 여전히 “기계가 쓴 것”처럼 보입니다.

이것은 독해의 결함이 아닙니다. AI 보조 글쓰기의 ‘결’(텍스처)입니다. 답변 엔진 출력은 리듬의 변주가 적은 균일한 문장으로 흐르기 쉽고, 탐지기가 특히 잡아내도록 조정된 ‘평평한(고르지 않은) 템포’가 나타납니다. Turnitin은 2025년 8월에 AI 우회 탐지(AI bypasser detection)를 추가했으며, 이는 글쓰기 표시(writing indicator) 위에 덧씌워집니다. 그래서 균일한 텍스트와 어설픈 의역 모두가 주목을 받습니다.

이 문제가 공정성 이슈로도 겹쳐 있으며, 특히 비원어민 영어 작가에게 더 크게 타격됩니다. Liang과 동료들이 2023년 Patterns에 게재한 연구에서는 일곱 가지 탐지기가 비원어민 TOEFL 에세이의 약 61%를 AI 생성으로 표시한 반면, 원어민 작가의 경우는 약 5%에 그쳤다고 보고했습니다. 더 단순하고 예측 가능한 어휘가 ‘기계처럼’ 읽히기 때문이라는 설명이 붙습니다. 영어가 제2언어라면, 영어가 ‘AI에 의해 건드려지기 전’에 이미 본인이 쓴 문장도 AI로 오탐지될 수 있습니다.

자신의 초안을 인간이 쓴 문체로 다듬고, 이어서 공개(디클로저)하기

마무리 단계는 검증된 초안을 학술 휴머니저에 넣어 돌리는 것입니다. 범용 단어 늘리기(word-spinner)가 아니라, 학술 글쓰기를 위해 설계된 도구여야 합니다. 목적이 누군가를 속이는 것이 아니라는 점이 핵심입니다. 자신의 의미, 숫자, 참고문헌은 정확히 그 자리에 두면서, AI 보조 글쓰기가 가진 ‘파열감(burstiness)’, 문체의 결(레지스터), 그리고 실제 저자의 목소리를 되돌려 주는 것이 목적입니다.

우리는 휴머니저를 Turnitin, GPTZero, Copyleaks, ZeroGPT, Originality.ai와 대조해 테스트했고, Turnitin에서는 약 92%까지, Originality.ai에서는 약 89%까지, GPTZero에서는 약 88% 정도의 결과를 확인했습니다. 문법 정확도는 96% 이상이었습니다. 이는 분명 강한 수치이지만, 약속은 아닙니다. 탐지기는 지속적으로 업데이트되며, 어떤 도구도 통과가 보장되지 않습니다. 어쨌든 ‘0% 점수’를 쫓는 것은 잘못된 목표입니다.

올바른 목표는 진짜 학술성이고, 그 의미에는 공개(디클로저)가 포함됩니다. Elsevier는 2025년 10월에 업데이트한 정책에서, 글쓰기 과정에서 생성형 AI 사용을 선언하도록 요구하며, 그 선언은 참고문헌(레퍼런스) 위에 배치되어야 하고, 사용한 도구와 그 이유를 명시해야 합니다. 또한 저자가 전적으로 책임을 집니다. Springer Nature는 LLM 사용이 방법(methods) 또는 이에 준하는 섹션에 문서화되길 원합니다. COPE는 AI가 저자가 될 수 없으며, 모든 AI 사용은 공개되어야 한다는 점을 명확히 합니다. 일상적인 문법 및 철자 검사는 선언할 필요가 없지만, 답변 엔진을 사용해 자신의 주장을 구성하는 것은 필요합니다. 우리가 논문에서 AI 보조를 공개하는 방법 을 안내한 이유는, 정확한 문구를 제공하기 위함입니다.

또 하나, 솔직하게 공개해야 하는 이유가 더 있습니다. Perplexity는 답변의 배경이 되는 내부 모델을 바꿀 수 있기 때문에, 동일한 쿼리라도 날짜에 따라 라우팅이 달라질 수 있고, 이는 재현성(reproducibility)을 조용히 해칩니다. 무엇을, 언제 사용했는지 구체적으로 밝히는 것은 단순한 정책 준수가 아니라 좋은 방법(메서드)입니다.

문헌 검토가 근거에 기반한, 출처가 붙은 답변에 기대고 있다면 도구를 비교해 볼 가치가 있습니다. Gemini를 활용한 근거 기반 문헌 검토 에 관한 동반 글에서는, 같은 신중한 ‘첫 단계, 인용이 달린 패스’를 제공하는 다른 경로를 다룹니다.

자주 묻는 질문

Q: Perplexity는 학술 연구에 좋은가요?

네, 탐색과 방향 설정에 유용합니다. 연구용 Perplexity를 활용하는 방식은 주제를 스코핑하거나 초안 작성 중 사실을 빠르게 점검하려고 할 때, 빠르고 인용이 달린 답변이 필요할 때 특히 잘 맞습니다. 다만 Google Scholar나 PubMed를 대체할 수는 없고, 최종 인용의 출처로 삼아서는 안 됩니다.

Q: 논문에서 Perplexity의 인용은 신뢰할 수 있나요?

확인 없이 인용하기에는 신뢰도가 충분하지 않습니다. Perplexity는 실제 페이지로 연결하지만, 출처에 대해 그것이 인용(귀속)한 주장이 실제로 그 페이지에 나타나지 않을 수 있습니다. 이런 오인용은 놓치기 쉽습니다. 각 링크를 열고 주장 자체를 확인한 다음, 1차 출처에서 저자, 연도, DOI를 직접 기록하세요.

Q: 제 논문(학위논문)에서 Perplexity를 인용해도 되나요?

답변 엔진이 아니라, 그 내부에 있는 ‘바탕이 된(기저) 논문’을 인용하세요. Perplexity는 출처로 연결해 주는 도구이므로, 참고문헌에는 실제로 읽은 검증된 1차 문헌을 나열해야 합니다. 소속 기관에서 요구한다면, 방법 섹션 또는 AI 사용 선언(AI-use statement)에서 Perplexity를 연구 보조 도구로 사용했음을 공개하세요.

Q: Perplexity로 보조받은 초안은 휴머니징하고 공개해야 하나요?

글쓰기를 구성하는 데 도움을 받았다면 Elsevier, Springer, COPE의 가이드에 따라 공개해야 합니다. 자신의 검증된 초안을 인간이 쓴 문체로 다듬는 것은 본인의 자연스러운 목소리를 되찾고, 특히 비원어민 작가에게서 흔히 나타나는 ‘오탐 신호’를 줄이는 데 목적이 있습니다. 이미 선언한 보조를 숨기기 위한 것이 아닙니다.

인용문 안전형 학술 휴머니저

모든 참고문헌, 통계, 기술 용어를 본인만의 문체로 그대로 보존하면서 AI 보조 초안을 자연스럽게 다듬으세요.