뉴욕의 스타트업 Pangram이 900만 달러를 유치하고, 그 자금 조달 발표를 계기로 AI 탐지 소프트웨어의 새 세대를 공개했다. AI가 쓴 텍스트와 합성 이미지가 온라인에서 인간 작업과 점점 더 구분하기 어려워지는 가운데 수요가 계속 증가할 것이라는 베팅이다. TechCrunch에 따르면 이번 투자 라운드는 Menlo Ventures가 주도했으며 Haystack, ScOp, Script Capital, Cadenza가 참여했다.

자금 조달과 함께 Pangram은 Pangram 4라는 새로운 텍스트 탐지 모델을 공개했고, 이미지 탐지기 Pangram Image를 연구 프리뷰로 제공하기 시작했다. 회사는 두 제품을 출판, 교육, 채용, 소셜 플랫폼 전반에서 커지는 신뢰 문제를 위한 인프라로 포지셔닝하고 있다. 즉, AI가 워크플로에 존재하느냐가 아니라, 독자와 검토자가 그것이 언제 사용됐는지, 그리고 최종 결과에 얼마나 영향을 미쳤는지를 구분할 수 있느냐의 문제다.

이것이 중요한 이유는 생성형 AI 시장이 새로움에서 거버넌스로 이동하고 있기 때문이다. ChatGPT가 AI 보조 글쓰기를 보편화한 이후, 팀들은 텍스트 생성 실험에서 그 부작용 관리로 이동했다. 여기에는 환각적인 인용, 스팸성 SEO 문구, 합성 프로필 콘텐츠, 공개 의무를 둘러싼 분쟁이 포함된다. Pangram은 완벽하지 않더라도 탐지가 공개 웹과 기업 워크플로를 위한 실용적인 신뢰 계층이 될 수 있다는 단순한 제안으로 이 논쟁에 뛰어들고 있다.

Pangram이 발표한 것

핵심 뉴스는 자금 조달과 제품 업데이트의 결합이다. TechCrunch는 Pangram이 탐지 소프트웨어를 확장하기 위해 900만 달러를 조달했고, 텍스트용 Pangram 4와 제한 공개 중인 Pangram Image를 출시했다고 보도했다.

Pangram은 Pangram 4가 완전히 AI가 생성한 글뿐 아니라 인간과 AI가 섞인 초안, 그리고 이른바 humanizer 도구를 거친 텍스트까지 식별하도록 설계됐다고 말한다. 이것은 눈에 띄는 제품 선택이다. 1세대 탐지기 대부분은 인간 vs 기계라는 이진 분류에 집중했다. 반면 Pangram은 학교, 출판사, 플랫폼이 제출물에 AI가 기여했는지, 비록 사람이 결과물을 편집했더라도 알고 싶어 하는 더 운영적인 사용 사례에 초점을 맞추고 있다.

회사는 또한 Pangram Image가 단일 모델 제공업체의 워터마크 확인에 의존하지 않고 여러 모델 패밀리에 걸친 AI 생성 비주얼을 탐지하는 것을 목표로 한다고 말한다. TechCrunch 보도에 따르면 Pangram은 이미지 시스템이 픽셀 수준의 통계 패턴을 살펴보며, AI 생성 이미지가 전혀 실제인 사진 안에 들어 있는 경우에도 합성 콘텐츠를 식별할 수 있다고 한다.

TechCrunch에 따르면 Pangram은 월 20달러의 소비자용 웹 구독 서비스를 제공하며, API와 Chrome 확장 프로그램을 통해서도 소프트웨어를 배포한다. 이 확장 프로그램은 X, LinkedIn, Substack, Reddit, Medium 등에서 콘텐츠를 실시간으로 라벨링하고, 화면에 표시된 인간 콘텐츠와 AI 콘텐츠의 추정 비율을 보여주는 “feed health score”를 제공한다.

왜 지금이 적기라고 스타트업은 보는가

TechCrunch에 따르면 Pangram은 약 2년 전 스탠퍼드 출신 AI 및 머신러닝 졸업생 Max Spero와 Bradley Emi가 창업했다. 회사의 핵심 논리는 인터넷 콘텐츠가 단지 더 AI 보조를 받는 수준을 넘어서, 저품질 또는 오해의 소지가 있는 기계 생성 콘텐츠의 양이 증가하면서 필터링과 공개 도구에 대한 수요를 만들고 있다는 것이다.

이 논리는 현재의 규제·집행 환경에서 더 이해하기 쉽다. TechCrunch는 저자들이 대규모 언어 모델의 출력을 검토하지 않은 것으로 보일 경우, 환각된 참고문헌이나 남아 있는 챗봇 메타 코멘트를 포함해 1년간 제출 금지 조치를 부과할 수 있는 새로운 arXiv 정책을 언급했다. 예시는 극단적으로 들릴 수 있지만 더 넓은 제도적 변화를 보여준다. 이제 문제는 생성형 AI가 나쁜 결과물을 만들 수 있다는 데만 있는 것이 아니라, 조직이 출판, 제출, 검토 전에 그것을 잡아내는 절차를 필요로 한다는 점이다.

이 맥락에서 Pangram은 AI 사용을 완전히 막으려는 것이 아니다. TechCrunch는 Spero가 사용자가 이를 공개한다면 AI 보조는 잠재적으로 허용될 수 있다고 설명했다고 전했다. 이 구분은 제품 팀에게 중요하다. 상업적 기회는 단속보다는 출처 표시, 워크플로 정책, 신뢰 점수화에 더 클 수 있다. 완전 생성된 문안과 약간 AI로 다듬어진 인간 작업을 구분할 수 있는 탐지기는 편집자와 컴플라이언스 팀에게 단순한 합격/불합격 점수보다 더 유용하다.

Pangram이 기술이 작동한다고 설명하는 방식

TechCrunch에 따르면 Pangram의 탐지 시스템은 수천만 개의 알려진 인간 문서를 바탕으로 학습된다. 이후 회사는 Spero가 설명한 “synthetic mirror(합성 거울)”를 각 문서마다 만든다. 이는 원본의 주제, 길이, 톤을 맞추도록 설계된 AI 작성 대응물이다. 그런 다음 모델은 인간 버전과 생성 버전 사이에 반복적으로 나타나는 문체 차이를 학습하도록 훈련된다.

이 접근은 메타데이터 기반 또는 워터마크 기반 시스템과는 다르다. Pangram은 숨겨진 워터마크나 복사·붙여넣기 흔적에 의존하지 않는다고 말한다. 대신 언어와 이미지 통계를 바탕으로 저자성 패턴을 추론하려 한다.

개발자에게 여기서의 장점은 이식성이다. 탐지기가 모델 제공업체의 워터마크에 의존하면, 제공 범위에 제약을 받고 신호를 지우거나 흐리게 만드는 변형에 취약하다. 반대로 출력 특성으로 학습된 분류기는 Claude와 ChatGPT 같은 모델 전반에 더 넓게 일반화될 수 있다. 다만 인간의 글이 모델 출력과 비슷해지거나, 사용자가 생성 초안을 많이 수정하면 분류기 기반 시스템은 취약해질 수 있다.

이 한계는 TechCrunch 자체 테스트에서도 드러났다. 매체는 Pangram이 ChatGPT와 Claude로 완전히 생성된 기사들을 자주 잡아냈고, 탐지기를 피하려는 프롬프트에도 쉽게 무너지지 않았다고 보도했다. 하지만 테스트에서는 문장 수준의 오탐도 발견됐고, 사람이 다시 쓴 문단이 여전히 AI 보조로 표시되는 사례도 있었다. 인간이 쓴 글을 다듬은 버전에서는 탐지기가 전체적으로는 그럴듯한 수준의 AI 보조 점수를 내놓았지만, 일부 개별 문장은 잘못 분류했다고 전해졌다.

증거, 벤치마크, 그리고 아직 검증되지 않은 것

이 이야기에서 가장 강한 성능 주장들은 Pangram 자체의 것이며, 독립적인 벤치마크가 없다면 공급업체 보고치로 읽어야 한다. TechCrunch는 Pangram이 Pangram 4가 AI 보조 글쓰기와 인간-AI 혼합 콘텐츠를 99% 이상 정확도로 찾아내며, 인간 문서 약 1만 건 중 1건이 AI로 잘못 라벨링된다고 말한다고 보도했다.

이는 일반화, 오탐, 적대적 재작성에 역사적으로 어려움을 겪어온 탐지 카테고리로서는 야심찬 수치다. TechCrunch 기사는 특히 명백히 생성된 텍스트와 스타일이 강한 뉴스레터 글에서 대체로 우호적인 사례 중심 테스트를 제시하지만, 공개된 벤치마크 방법론의 대체물은 아니다. 기사에는 공개 평가 세트, 모델 비교 프로토콜, 도메인·언어·편집 강도별 상세 분해가 제공되지 않는다.

같은 신중함은 채택 신호에도 적용된다. TechCrunch는 Substack이 뉴스레터에서 어떤 작가가 AI를 사용하는지 독자에게 보여주기 위해 Pangram 기술을 통합했다고 보도했고, 다른 API 고객으로는 Quora, 학교와 대학, 출판사와 에이전트, 채용 담당자를 포함했다. 이들 고객 범주는 의미가 있으며, 특히 Substack과 Quora의 언급이 그렇지만, 출처의 증거에는 계약 규모, 배포 깊이, 사용량, 유지율, 확장 지표가 포함되어 있지 않다.

경쟁도 중요하다. TechCrunch는 Winston AI, Originality.ai, Copyleaks, GPTZero를 유사한 수요를 공략하는 경쟁사로 언급했다. 이는 Pangram이 카테고리를 처음부터 만드는 것이 아님을 시사한다. AI 탐지가 필요하다는 기본 전제보다, 혼합 저자성 탐지, humanizer 도구에 대한 내성, 모델 간 이미지 분석으로 차별화하려는 것이다.

이것이 개발자와 엔터프라이즈 구매자에게 의미하는 것

제품 팀에게 Pangram의 업데이트는 AI 탐지가 교실 표절의 틈새 영역에서 신뢰와 모더레이션 계층으로 성숙하고 있음을 보여준다. Pangram 4 같은 도구는 최종 판결보다는 워크플로우 라우팅, 공개 신호, QA 트리거가 필요한 조직에서 더 쉽게 정당화된다. 실제로는 법률 초안을 수동 검토로 보내거나, 채용에서 합성 지원서를 식별하거나, Substack의 뉴스레터 콘텐츠에 표시를 달아 독자에게 더 많은 맥락을 제공하는 식일 수 있다.

기업에게 핵심 질문은 신뢰성과 정책 적합성이다. 명백한 기계 텍스트는 잡아내지만 신중하게 쓴 인간의 글을 가끔 잘못 라벨링하는 탐지기는 검토 대기열에 참고 정보로 쓰는 한 관리 가능하다. 하지만 그것이 직원, 학생, 계약자, 창작자에 대한 제재의 유일한 근거가 되면 훨씬 더 위험하다. 구매자는 신뢰도 점수, 이의 제기 절차, 콘텐츠 유형별 성능 변화를 이해하고 싶어할 것이다.

플랫폼 전략 측면도 있다. Reddit, Medium, LinkedIn, X 같은 서비스에 AI 보조 게시물이 늘어나면서, 제3자 신뢰 오버레이가 그 자체로 기능이 될 수 있다. Pangram의 Chrome 확장 프로그램은 콘텐츠 출처를 사용자 관점의 브라우징 레이어로 바꾸며 그 방향을 가리킨다. 플랫폼이 그런 레이어를 받아들일지, 아니면 자체 대안을 만들지는 아직 열려 있는 질문이다.

앞으로 주목할 점

첫째, Pangram 4와 Pangram Image의 독립적 테스트를 지켜봐야 한다. 공개 벤치마크, 다국어 평가, 그리고 GPTZero, Copyleaks, Winston AI, Originality.ai와의 직접 비교가 출시 주장의 숫자보다 더 중요할 것이다.

둘째, Pangram Image가 연구 프리뷰에서 빠르게 널리 제공되는 단계로 넘어가는지, 그리고 편집되었거나 압축되었거나 재게시된 이미지에 얼마나 잘 버티는지 봐야 한다. 합성 이미지 탐지는 분포 변화에 특히 민감하다.

셋째, 이름 확인을 넘어 고객 증거를 주시해야 한다. Substack이 Pangram 사용을 더 확대하거나, Quora, 대학, 출판사가 더 넓은 도입을 공개한다면 그것은 자금 조달 라운드보다 시장 견인력을 더 잘 보여줄 것이다.

마지막으로 정책 변화도 눈여겨봐야 한다. 더 많은 저널, 학교, 마켓플레이스, 소셜 플랫폼이 AI 공개 규정을 추가한다면 Pangram 같은 도구는 선택적 오버레이가 아니라 제출 및 모더레이션 시스템에 내장될 수 있다.

Creati.ai 관점

Pangram의 자금 조달은 단일 탐지기보다, 생성형 AI를 둘러싼 새로운 제어 계층의 등장에 더 가깝다. AI 제품의 첫 물결은 생성 속도에 초점을 맞췄다. 다음 물결은 점점 검증, 공개, 신뢰를 중심으로 움직이고 있다. 이는 Pangram 같은 회사에게 공간을 만들어 준다. 특히 일회성 스캔만 제공하는 것이 아니라 실제 워크플로에 통합될 수 있다면 더욱 그렇다.

어려운 것은 합성 콘텐츠가 존재한다는 것을 증명하는 일이 아니라, 과도하게 나가지 않으면서 탐지를 유용하게 만드는 일이다. 개발자와 구매자에게 Pangram 4와 Pangram Image의 가치는, 이들이 정량화된 불확실성을 바탕으로 의사결정을 지원할 수 있는지에 달려 있다. 엔터프라이즈 AI에서 이 카테고리의 승자는 탐지를 법정식 판결 엔진이 아니라 확률적 인프라로 취급하는 업체가 될 수 있다.