당신의 취향이 AI에게 학습되고 있다

AI가 이미지를 열 개 만들어준다.
당신은 그중 하나를 고른다.
자연스러운 행동이다. 그런데 이 선택 안에 당신이 모르는 루프가 하나 숨어 있다.

데이터 루프, AI가 자기 그림자를 먹는다

AI 이미지 생성기를 쓰면 이미지가 나온다. 그 이미지는 블로그에 올라가고, 소셜 미디어에 퍼지고, 웹을 채운다. 다음 세대 AI 모델은 웹에서 데이터를 수집해 학습한다. 그 데이터 안에 당신이 AI로 만든 이미지가 섞여 있다.

AI가 AI의 결과물을 먹고 자란다.

이걸 데이터 루프(Data Loop)라고 부른다. 처음엔 별문제가 없어 보인다. 그런데 이 루프가 반복될수록 무언가가 조용히 사라지기 시작한다.

모델 붕괴, 꼬리가 먼저 잘린다

데이터에는 꼬리가 있다.

흔한 것들은 가운데에 몰려 있고, 드물고 특이한 것들은 양쪽 끝, 즉 꼬리에 분포한다. 낯선 색 조합, 비서구권 시각 문화, 비정형적인 구도, 실험적인 타이포그래피. 이런 것들이 꼬리에 있다.

AI는 처음 학습할 때 이 전체 분포를 흡수한다. 꼬리까지 포함해서.

그런데 AI 생성 데이터로 재학습이 반복되면, 꼬리가 먼저 사라진다. 통계적으로 드문 것들이 데이터에서 지워진다. 남는 것은 가운데, 즉 평균이다.

2024년 7월, 옥스퍼드대학교 일리아 슈마일로프 연구팀은 AI가 AI 생성 데이터를 재귀적으로 학습할 때 이 현상이 발생한다는 것을 실험으로 증명했다. 연구팀은 이를 ‘모델 붕괴(Model Collapse)’라고 명명했고, 이 변화는 “비가역적(irreversible)”이라고 표현했다.

돌아올 수 없다는 뜻이다.

비주얼 엘리베이터 뮤직, 등대와 성당만 남는다

텍스트 AI만의 얘기가 아니다. 이미지도 같은 방향으로 흐른다.

2025년 12월, 스웨덴 달라르나 대학교와 미시건주립대학교 연구팀은 이미지 생성 AI와 이미지 설명 AI를 서로 연결해 자율 루프를 구성했다. 다양한 시작점을 가진 700개의 루프를 100번씩 반복한 결과, 모든 루프가 12개의 패턴으로 수렴했다.

폭풍우 속 등대. 고딕 성당. 궁전 같은 실내. 도시 야경. 비 오는 유럽 거리.

어딘가 본 것 같은 것들이다.

연구팀은 이 결과를 ‘비주얼 엘리베이터 뮤직(Visual Elevator Music)’이라고 불렀다. 엘리베이터 안의 배경음악처럼, 거슬리지 않고, 기억에도 남지 않고, 상업적으로 무난하게 흘러가는 이미지들.

한 가지 더 있다. 이 수렴은 추가 학습 없이도 일어났다. AI 모델들이 서로의 출력을 반복 참조하는 것만으로도, 다양성은 자동으로 줄어들었다.

이 이야기는 웹 디자인에도 똑같이 적용된다. 2026년 3월, AI 연구자 라몬 크리스티안 부스타만테는 디자이너와 개발자가 AI 프롬프트로 웹사이트를 만드는 Vibe Coding 환경에서 서구적 미학 관습으로의 디자인 균질화가 발생한다는 것을 논문으로 발표했다.

등대와 성당은 웹에도 있다.

심미적 편향, 루프를 가속하는 사람이 있다

다시 처음으로 돌아간다.
AI가 이미지를 열 개 만들어준다. 당신은 그중 하나를 고른다.
그때 당신이 사용한 기준은 무엇인가.

깔끔해 보여서. 세련돼 보여서. 완성도가 높아 보여서.

그 기준 자체가, AI 이미지를 반복적으로 보면서 형성된 것일 수 있다. AI가 반복 생산하는 스타일에 눈이 익숙해지면, 그 스타일이 ‘좋은 것’처럼 느껴지기 시작한다.

당신의 눈이 AI에게 학습됐다. 그 눈으로 AI 결과물을 다시 선택한다. 선택된 이미지는 웹에 올라가고, AI의 다음 세대 학습 데이터가 된다.

이것이 심미적 편향(Aesthetic Bias)의 루프다.

이 루프 안에 있을 때, 당신은 좋은 이미지를 고른 게 아니다. 특정 시각 언어를 강화하고, 나머지를 지우는 데 참여한 것이다. 의도하지 않았더라도.

디자이너가 루프를 가속하는 사람이 될 수 있다. 반대로, 루프에 저항하는 사람이 될 수도 있다.

감별 스킬, AI 리터러시의 실체

AI 리터러시를 “AI를 잘 쓰는 것”으로 정의하면 절반만 맞다.

나머지 절반은 이것이다. AI가 만든 것의 편향을 감별하는 눈, 그리고 루프에 자기 언어를 주입하는 능력.

두 가지 실천이 있다.

첫 번째는 편향 감별이다.

AI 결과물을 볼 때, “왜 이게 매력적으로 보이는가”를 먼저 물어보는 것이다. AI가 반복 생산하는 클리셰를 알아보는 것이기도 하다. 폭풍우 속 등대, 도시 야경, 고딕 건물, 차가운 파란빛 조명. 이것들이 눈에 들어오기 시작하면, 감별이 시작된 것이다.

두 번째는 독창적 샘플 주입이다.

AI가 학습하지 않은 시각 언어를 레퍼런스로 직접 넣는 것이다. 당신이 직접 찍은 사진, 손으로 그린 스케치, 한국 전통 문양, 아프리카 직물 패턴, 1970년대 일본 잡지 레이아웃. AI가 평균으로 수렴하려는 힘에 맞서, 당신 고유의 시각적 노이즈를 집어넣는 것이다.

프롬프트를 작성할 때 기준도 달라진다. “세련돼 보이는가”가 아니라 “이게 내 시각 언어인가”로.

노이즈가 많아야 꼬리가 살아남는다.

AI는 평균으로 수렴하는 강이다. 혼자 두면 결국 같은 바다로 흘러간다.

당신이 AI 이미지를 선택할 때마다, 그 흐름에 합류하는 것인지 아니면 새로운 지류를 만드는 것인지, 알고 있는 것만으로도 달라진다.

당신의 다음 AI 프롬프트는 어디서 출발하나요?

FAQ