[Lobsters 요약] 브라우저에서 AI 텍스트 자동 감지: Deckard 크롬 확장 프로그램
27
설명
2026년 9월 8일, Sean Goedecke는 브라우저에서 AI로 생성된 텍스트를 자동으로 감지하는 새로운 도구인 Deckard를 소개했습니다.
현재 AI 텍스트 감지 분야는 Pangram이 독점하고 있지만, 경쟁 부족으로 인해 개선의 여지가 많습니다.
Deckard는 로컬에서 실행되는 모델을 활용하여 사용자 개인 정보 보호를 강화하면서 AI 콘텐츠를 식별하는 것을 목표로 합니다.
### 배경 설명
AI 텍스트 생성 기술의 발전은 콘텐츠의 진위 여부를 판별하는 새로운 과제를 제기하고 있습니다. 특히 소셜 미디어 플랫폼이나 뉴스 기사 등에서 AI가 생성한 텍스트가 인간이 작성한 것처럼 보일 수 있어, 정보의 신뢰성에 대한 우려가 커지고 있습니다. 현재 시장에는 Pangram과 같은 AI 텍스트 감지 서비스가 존재하지만, 이는 주로 웹 기반으로 작동하며 사용자가 직접 텍스트를 제출해야 하는 방식입니다. 또한, 모든 텍스트를 제3자 서비스로 전송하는 것에 대한 개인 정보 보호 문제도 제기됩니다. 이러한 배경 속에서, 사용자의 브라우저에서 직접 작동하며 AI 텍스트를 자동으로 감지하는 로컬 솔루션에 대한 필요성이 대두되고 있습니다. 이는 사용자가 AI 콘텐츠를 미리 인지하고 소비를 조절할 수 있도록 돕는 동시에, 개인 정보 유출 위험을 최소화할 수 있는 방안으로 주목받고 있습니다.
### AI 텍스트 감지의 현황과 과제
현재 AI 텍스트 감지 시장은 Pangram이 선두 주자로 자리 잡고 있으며, 99.66%의 높은 탐지율과 0.004%의 낮은 오탐율을 자랑합니다. 하지만 Pangram은 단독으로 시장을 점유하고 있어 경쟁이 부족한 상황입니다. Sean Goedecke는 향후 몇 년 안에 주요 소셜 네트워크가 AI 콘텐츠를 식별하고 태그를 지정하거나 제거하는 기능을 도입할 것으로 예상합니다. 그는 Pangram을 통해 의심스러운 텍스트의 진위를 확인할 수 있지만, AI 생성 텍스트를 사전에 피할 수 있는 기능의 필요성을 강조합니다. 현재의 웹 기반 솔루션은 모든 텍스트를 제3자 서비스로 전송해야 하는 개인 정보 보호 문제를 안고 있습니다.
### 로컬 AI 모델의 가능성과 성능
이러한 문제를 해결하기 위해 Sean Goedecke는 로컬에서 실행 가능한 AI 모델에 주목했습니다. 그는 다양한 소규모 로컬 모델을 대상으로 AI 텍스트 감지 데이터셋을 사용하여 성능을 벤치마킹했습니다. 벤치마킹 결과, Gradient — MLX 4-bit (52.35% 탐지율), EditLens RoBERTa-large — community INT8 (56.06% 탐지율), Vanguard (44.92% 탐지율) 등이 포함되었습니다. 이러한 모델들은 Pangram의 성능에는 미치지 못하지만, 텍스트의 일부만으로도 AI 생성 가능성을 의심할 수 있을 만큼 유용하며, 약 2%의 오탐율을 인지한다면 AI 사용의 확실한 증거로 삼지 않고 참고할 수 있습니다. 특히, Pangram의 자체 모델인 EditLens 3B는 로컬에서 실행하기에는 너무 크지만, 이러한 소규모 모델들은 개인적인 용도로 활용하기에 충분한 성능을 보여줍니다.
### Deckard: 로컬 AI 텍스트 감지 크롬 확장 프로그램
벤치마킹 결과를 바탕으로 Sean Goedecke는 Deckard라는 Chrome 확장 프로그램을 개발했습니다. Deckard는 로컬에서 실행되는 AI 모델과 통신하며, 별도의 웹 서버 없이도 네이티브 메시징을 통해 모델을 필요에 따라 시작하고 통신할 수 있습니다. 이 확장 프로그램은 활성 상태에서 약 400MB~1.2GB의 메모리를 사용하며, 5분 동안 사용하지 않으면 자동으로 종료되어 리소스를 절약합니다. Deckard는 YouTube의 AI 요약 기능이나 사용자의 게시물에 포함된 AI 스니펫과 같이 AI가 생성한 텍스트를 성공적으로 감지했습니다. 이 확장 프로그램은 가볍고 효율적이어서 MacBook Pro에서 눈에 띄는 발열이나 배터리 수명 감소 없이 지속적으로 실행할 수 있습니다. Deckard는 아직 Pangram과 같은 서비스에 비해 성능이 떨어지지만, 자동 AI 텍스트 검사에 관심 있는 사용자에게는 충분히 유용하며 향후 개선될 가능성이 높습니다.
### 가치와 인사이트
Deckard는 사용자가 개인 정보 보호를 유지하면서 브라우저에서 직접 AI 생성 텍스트를 감지할 수 있는 실용적인 솔루션을 제공합니다. 이는 AI 콘텐츠의 확산에 대한 우려가 커지는 가운데, 정보 소비의 투명성을 높이고 사용자의 통제권을 강화하는 데 기여합니다. 로컬에서 실행되는 모델을 활용함으로써 제3자 서비스에 대한 의존도를 줄이고, 잠재적인 데이터 유출 위험을 낮춘다는 점에서 중요한 가치를 지닙니다. 또한, 개발자가 비교적 익숙하지 않은 기술(예: C++에서의 추론, 네이티브 메시징)을 활용하여 프로젝트를 완성하는 과정을 보여줌으로써, LLM의 도움을 받아 새로운 기술 스택을 탐색하고 적용하는 방법을 제시합니다.
### 기술·메타
* **기술 스택:** Chrome 확장 프로그램, 로컬 AI 모델 (C++ 추론), 네이티브 메시징
* **모델 성능 (벤치마킹 결과):**
* Gradient — MLX 4-bit: 2.712% 인간 오탐, 52.35% AI 텍스트 탐지
* EditLens RoBERTa-large — community INT8: 2.484% 인간 오탐, 56.06% AI 텍스트 탐지
* Vanguard: 2.267% 인간 오탐, 44.92% AI 텍스트 탐지
* Desklib: 3.008% 인간 오탐, 45.04% AI 텍스트 탐지
* Raschka DistilBERT: 2.598% 인간 오탐, 39.01% AI 텍스트 탐지
* Raschka Qwen3-0.6B: 2.028% 인간 오탐, 28.67% AI 텍스트 탐지
* Raschka ModernBERT: 1.698% 인간 오탐, 21.58% AI 텍스트 탐지
* TMR / Oxidane — INT8: 1.595% 인간 오탐, 19.35% AI 텍스트 탐지
* **출시일:** 2026년 9월 8일 (기사 게시일)
### 향후 전망
AI 텍스트 감지 기술은 앞으로도 지속적으로 발전할 것입니다. Pangram이 현재 시장을 선도하고 있지만, 더 작고 효율적인 로컬 모델들이 등장하면서 경쟁은 심화될 것입니다. Sean Goedecke는 Deckard에 사용되는 로컬 모델을 현재보다 2배 또는 10배 더 나은 성능을 가진 모델로 교체할 수 있을 것으로 기대하고 있습니다. AI 모델 자체가 더욱 인간과 유사한 글쓰기 스타일을 갖게 되더라도, AI 개발사들은 Pangram과 같은 탐지 도구를 무력화하는 데 큰 동기를 갖지 않을 것이며, AI 모델에 내재된 고유한 글쓰기 스타일은 여전히 탐지의 단서가 될 수 있습니다. 이러한 기술 발전은 AI 생성 콘텐츠의 투명성을 높이고, 사용자가 정보를 더 신뢰할 수 있도록 하는 데 기여할 것입니다.
📝 원문 및 참고
- Source: Lobsters
- 토론(Lobsters): [lobste.rs](https://lobste.rs/s/wvb8wg/automatically_detecting_ai_text_my)
- 원문: [링크 열기](https://www.seangoedecke.com/deckard/)
---
출처: Lobsters · [원문 링크](https://www.seangoedecke.com/deckard/)
이 글에 대한 한 줄 의견
신고 · 불법·유해·아동 안전(CSAE) 관련 콘텐츠
댓글 0
아직 댓글이 없습니다. 로그인하면 바로 의견을 남길 수 있습니다.