비공개 베타

모델이 텍스트를 처리하기 전에, 먼저 이를 토큰(token)이라는 작은 조각, 흔히 단어의 일부에 해당하는 단위로 나눕니다. 영어 텍스트는 대개 적은 수의 토큰으로 나뉘는데, 이런 도구들이 주로 영어로 만들어졌기 때문입니다. 다른 많은 언어에서는 똑같은 의미를 담은 같은 문장이 훨씬 더 많은 토큰으로 나뉘며, 일부 문자 체계에서는 그 차이가 최대 약 15배에 이르기도 합니다 (Petrov 외, 2023). 문장당 토큰 수가 많다는 것은, 해당 언어가 도구의 작업 기억 공간을 더 많이 차지하고, 사용량 기준 요금에서 비용이 더 많이 들며, 모델이 영어에서 익힌 만큼의 유창함 없이 처리된다는 뜻입니다.

한 언어에서 모델의 능력은 그 언어로 얼마나 많은 텍스트를 학습했는지에 따라 달라집니다. 온라인에 텍스트가 적은 언어일수록 품질은 측정 가능한 수준으로 떨어집니다. 건강 관련 질문을 여러 언어로 비교한 한 시험에서, 모델은 영어가 아닌 언어에서 완전한 답변을 더 적게 내놓았고 틀릴 가능성도 몇 배 더 높았으며, 자원이 적은 언어일수록 그 격차는 더 커졌습니다 (Jin 외, 2024). 안전 점검 기능도 그런 언어에서 더 약해서, 많은 이민자 클라이언트가 쓰는 바로 그 언어들에서 안전하지 않거나 잘못된 내용이 더 자주 빠져나갑니다 (Wang 외, 2023). 문서의 의미를 이해하는 용도로 쓰는 것은 안전합니다. 클라이언트가 그에 따라 행동할 내용에는 자격을 갖춘 사람이 필요합니다.

번역은 대상 언어로 매끄럽게 읽히면서도 여전히 잘못된 의미를 담을 수 있습니다. 매끄러움과 정확성은 서로 다른 문제이기 때문입니다. 뒤바뀐 부정 표현, 잘못 바뀐 날짜, 오역된 법률·의료 용어도 올바른 번역만큼이나 유창하게 읽힙니다. 그래서 번역이 발송해도 안전한지를 알려 주는 것은 유창함 그 자체가 아니라 자격을 갖춘 이중언어 담당자입니다.