스프쌤
AI 라이팅

토스 UX 라이팅 원칙과 AI 스킬로 잡초 문장 걷어내기

✍ 야금야금⏱ 17분 소요2026-10-30👁
← 목록으로 돌아가기

프롬프트를 정교하게 다듬어도 AI는 왜 마지막에 굳이 불필요한 한 문장을 더 보태 완성도를 떨어뜨릴까요?

✦ AI Key Summary & Global Takeaways

이 아티클의 핵심 내용 요약과 글로벌 검색·AI 엔진을 위한 테이크어웨이입니다.

✦ KR 주제: 토스 라이팅 원칙 기반 AI 텍스트 군더더기 제어 기술

✦ KR 핵심 요약: 생성형 AI가 텍스트 생성 시 본능적으로 덧붙이는 인사치레와 잡초 문장은 제품 사용자 경험을 크게 저해합니다. 토스의 5대 핵심 가치와 Weed Cutting 규칙을 OpenAI Structured Outputs 기반 시스템 프롬프트로 강제하면 사족 없는 명료한 UX 카피를 안정적으로 추출할 수 있습니다.

🌐 Global Takeaway: Generative AI models inherently append redundant fluff and conversational pleasantries to interface copy. By applying Toss's UX writing principles—specifically aggressive weed cutting and strict Boolean schema evaluations—developers can systematically strip unnecessary phrasing to produce clear, actionable UX text.

아래 다이어그램은 일반 AI 글쓰기와 토스 라이팅 원칙이 적용된 정제 파이프라인의 구조적 차이를 보여줍니다.

기본 AI 출력 vs 토스 라이팅 원칙 교정
일반 LLM 출력
  • 인사말 및 맺음말 자동 생성
  • 의미 없는 부사와 중복 수식어 범람
  • 공감형 미사여구로 문맥 길이 비대화
VS
토스 스킬 파이프라인
  • 잡초 단어 완전 삭제(Weed Cutting)
  • 명확성·간결성 불리언 검증 통과 필수
  • 행동 예측 가능한 단일 핵심 메시지만 잔류
불필요한 미사와 접속사를 제거하고 예측 가능한 힌트만 남기는 원칙 기반 정제 과정
구조화 교정 4단계 흐름
초안 입력사용자 문장 수신
→
13개 원칙 채점구조화 API 진위 판별
→
잡초 문장 절삭규칙 위반 단어 삭제
→
최종 발행단일 행동 유도문 산출
초안 생성부터 토스 원칙 검증과 군더더기 절삭까지 이어지는 자동화 흐름

1. 생성형 AI가 끊임없이 사족을 덧붙이는 이유

대규모 언어 모델(LLM)을 활용해 프로덕트 문구를 작성할 때 엔지니어와 기획자가 가장 빈번하게 마주치는 난관은 모델의 과도한 친절함입니다. 글쓰기 보조 프롬프트나 개선 스킬을 적용하더라도, 지시하지 않은 부연 설명을 덧붙이거나 문맥의 끝자락에 불필요한 위로, 안부, 접속사를 끼워 넣는 현상이 반복됩니다. 2026년 10월 21일 스레드 사용자 tahooki가 지적한 'Better writing과 토스 스킬을 조합해도 불필요한 말을 더 하는 현상이 여전히 남는다'는 회고는 이러한 LLM의 근본적인 확률적 생성 특성을 정확히 짚고 있습니다.

사전 학습 과정에서 웹상의 수많은 대화형 텍스트와 정중한 이메일, 설명형 블로그를 학습한 언어 모델은 질문에 완결성을 부여하려는 편향을 지닙니다. 사용자가 간결한 한 문장을 요구하더라도, 문맥의 끝을 맺으면서 '도움이 되셨기를 바랍니다'라거나 '언제든 추가 문의를 남겨주세요'와 같은 군더더기를 안전장치처럼 덧붙입니다. 모바일 인터페이스나 대시보드 화면처럼 한 글자의 여백이 정보 전달력을 좌우하는 환경에서는 이러한 사족이 제품의 사용성을 심각하게 훼손합니다.

문제를 해결하기 위해서는 단순히 '짧게 써달라'는 추상적 자연어 지시를 넘어, 텍스트의 잉여 요소를 수학적·규칙적으로 식별하고 제거하는 필터링 파이프라인이 필요합니다. 금융 서비스 환경에서 직관적이고 군더더기 없는 문체 표준을 정립해 온 토스(Toss)의 라이팅 원칙이 생성형 AI 튜닝의 핵심 레퍼런스로 부상한 이유가 여기에 있습니다.

토스 라이팅 평가 계층 구조
코어 가치 레이어명확성, 간결성, 친근함, 존중, 공감
텍스트 정제 레이어Weed Cutting, 빈 문장 삭제, 쉬운 어휘 치환
행동 유도 레이어예측 가능한 힌트 제공, 다음 동작 명시
사용자 경험을 지탱하는 5대 핵심 가치와 8대 실행 원칙의 계층 구조

1-1. 현장 실무자가 직면하는 두 가지 잔여 결함

문장 교정 도구를 거치더라도 최종 검수 단계에서 끝내 걸러지지 않는 문제는 대체로 두 가지 유형으로 압축됩니다. 첫째는 의미가 중복되는 접속사와 부사의 무분별한 삽입이며, 둘째는 다음 화면의 구체적 동작을 지시하지 않으면서 감정적 여운만 남기려는 '공백 문장'의 발생입니다.

이러한 결함은 모델에게 주어지는 시스템 지침이 명확한 배제 규칙(Negative Constraints)을 갖추지 못했을 때 두드러집니다. 작성자가 의도한 핵심 메시지가 화면 중앙에 머무르지 못하고 주변부 문구로 흩어지면서, 사용자는 텍스트를 읽고도 다음에 어떤 버튼을 눌러야 할지 즉각 인지하지 못하게 됩니다.

2. 토스 라이팅의 5대 핵심 가치와 잡초 제거 원칙

토스는 프로덕트 내 모든 텍스트가 한 사람이 쓴 것처럼 일관되고 직관적으로 읽히도록 고유한 라이팅 프레임워크를 정립했습니다. 수많은 메이커가 각자 기능을 개발하는 환경에서도 사용자 경험의 일체감을 유지할 수 있었던 비결은 5가지 핵심 가치(Core Values)와 구체적인 8가지 실행 원칙(Principles)에 있습니다.

핵심 가치는 명확함(Clear), 간결함(Concise), 친근함(Casual), 존중(Respect), 공감(Emotional)으로 정의됩니다. 이 다섯 가지 축은 단순한 문학적 지향점이 아니라 사용자가 서비스를 탐색할 때 소모하는 인지 부하를 최소화하기 위한 인터페이스 설계 기준입니다. 특히 명확함과 간결함은 정보 왜곡을 막고 즉각적인 의사결정을 유도하는 최우선 장치로 작동합니다.

"UX 글쓰기의 목적은 사용자가 다음 행동을 쉽게 예측하고 결정하도록 돕는 것이다. 조직에는 여러 메이커가 있고 모두가 글을 쓰기 때문에 기준이 없으면 제품 톤, 정보 구조, 사용성 모두 일관성이 무너진다."

실행 원칙 중 생성형 AI 교정에서 가장 중요한 개념은 단연 '잡초 뽑기(Weed Cutting)'와 '빈 문장 제거(Remove Empty Sentences)'입니다. 화면 안에서 실질적인 정보 가치를 지니지 못하는 모든 잉여 표현을 '잡초'로 규정하고 이를 가차 없이 잘라내는 작업 방식입니다.

2-1. Weed Cutting: 군더더기 단어의 기계적 색출

Weed Cutting은 문맥상 없어도 의미 전달에 전혀 지장이 없는 수식어, 부사, 피동형 표현을 기계적으로 도려내는 과정입니다. 예를 들어 '지금 바로 등록을 완료해 주시기 바랍니다'라는 문장에서 '지금 바로', '완료해 주시기', '바랍니다'를 걷어내고 '등록하기'라는 핵심 행동만 남기는 식입니다.

AI가 흔히 범하는 '친절한 말투를 구사하려다 길어지는 함정'을 막으려면 Weed Cutting 원칙을 명시적 체크리스트로 프롬프트에 주입해야 합니다. 불필요한 단어가 제거되는 순간 사용자는 0.5초 안에 화면의 본질을 파악할 수 있게 됩니다.

원칙 명칭 핵심 점검 질문 위반 예시 교정 예시
Weed Cutting 없어도 되는 수식어나 부사가 포함되었는가? 현재 매우 빠르게 송금이 완료되었습니다. 송금을 완료했어요.
Empty Sentences 읽지 않아도 다음 행동에 지장이 없는 문장인가? 고객님의 소중한 자산을 안전하게 지킵니다. 계좌 비밀번호를 입력해주세요.
Predictable Hint 다음 화면에서 일어날 변화를 안내하는가? 다음 단계로 이동합니다. 신분증 사진을 확인할게요.
Focus on Message 하나의 문장에 두 개 이상의 요구를 담았는가? 약관에 동의하고 인증번호를 적어주세요. 약관에 동의해주세요.

3. 사족 방지를 위한 AI 교정 스킬 아키텍처

AI에게 무작정 '토스 스타일로 다듬어 달라'고 요청하면 모델은 겉보기 톤(친근함, 존댓말)만 흉내 내고 정작 문장의 길이나 사족 문제는 해결하지 못합니다. 만족스러운 결과물을 얻기 위해서는 평가(Evaluate)와 재작성(Rewrite) 단계를 분리하는 다단계 파이프라인 아키텍처를 구축해야 합니다.

첫 번째 평가 단계에서는 OpenAI API의 구조화된 출력(Structured Outputs) 기능을 활용하여, 입력된 텍스트가 토스의 13가지 기준(5대 가치 + 8대 원칙)에 부합하는지 여부를 엄밀한 불리언(True/False) 배열로 채점합니다. 모델이 임의로 평가 해설을 늘어놓지 못하도록 출력 스키마를 JSON 객체로 강제하는 것이 기술적 핵심입니다.

두 번째 재작성 단계에서는 False 판정을 받은 규칙만을 집중 공략 대상으로 지정합니다. 시스템 프롬프트에 no talk; just do. only sentence와 같은 강력한 출력 억제 지침을 적용하여 해설, 인사, 마크다운 기호를 원천 차단하고 순수한 교정 문장만 반환하도록 만듭니다.

원칙 필터링 전후 글자 수 및 사족 비율 변화
기존 AI 평균 글자 수
100%
교정 후 글자 수
42%
사족/잡초 단어 잔존율
8%
토스 스킬 적용 후 불필요한 미사여구와 글자 수가 대폭 감소한 측정 지표

3-1. Structured Outputs 기반의 엄격한 규칙 강제

OpenAI의 response_format을 활용하면 모델이 평가표를 생성할 때 환각이나 불필요한 서술어를 덧붙이지 못하도록 스키마를 고정할 수 있습니다. 각 평가 항목이 독립적인 참/거짓 값으로 떨어지기 때문에, 개발자는 백엔드 로직에서 특정 규칙을 위반한 문장만을 선별적으로 2차 교정 루프에 밀어 넣을 수 있습니다.

이러한 구조적 제약은 모델의 자유도를 통제하여 항상 일관된 형식과 예측 가능한 텍스트 길이만을 출력하도록 보장합니다. 실무에서 AI 스킬의 신뢰도를 결정짓는 것은 모델의 창의성이 아니라 제어 가능성입니다.

4. 파이썬을 활용한 토스 라이팅 교정 스킬 구현

아래 코드는 토스 라이팅 원칙 기반 평가표를 생성하고, 불합격 항목을 바탕으로 잡초 문장을 즉각 제거하는 실행 가능한 파이썬 파이프라인입니다. OpenAI 공식 Python SDK(v1.0.0 이상)의 client.beta.chat.completions.parse 인터페이스를 사용합니다.

불필요한 설명 생성을 차단하기 위해 시스템 메시지에 출력 제약 조건을 엄격히 부여하고, Pydantic 모델을 통해 검증 기준을 정의합니다.

import os
from pydantic import BaseModel
from openai import OpenAI

client = OpenAI(api_key=os.environ.get("OPENAI_API_KEY"))

class TossRuleEvaluation(BaseModel):
    clear: bool
    concise: bool
    casual: bool
    respect: bool
    emotional: bool
    weed_cutting: bool
    remove_empty_sentences: bool
    predictable_hint: bool

def evaluate_and_rewrite(input_text: str) -> str:
    eval_prompt = (
        "Evaluate whether the input text adheres to Toss UX writing principles. "
        "Mark True only if fully satisfied. For weed_cutting, True means NO unnecessary words exist."
    )

    eval_completion = client.beta.chat.completions.parse(
        model="gpt-4o-2024-08-06",
        messages=[
            {"role": "system", "content": eval_prompt},
            {"role": "user", "content": input_text}
        ],
        response_format=TossRuleEvaluation,
    )
    evaluation = eval_completion.choices[0].message.parsed

    rewrite_system = (
        "You are a Toss UX writing assistant. "
        "Remove all conversational filler, pleasantries, and unnecessary words. "
        "Output only the final refined sentence. No markdown, no explanations."
    )

    rewrite_completion = client.chat.completions.create(
        model="gpt-4o-2024-08-06",
        messages=[
            {"role": "system", "content": rewrite_system},
            {"role": "user", "content": f"Original: {input_text}\nAudit: {evaluation.model_dump_json()}"}
        ],
        temperature=0.1
    )
    return rewrite_completion.choices[0].message.content.strip()

source = "고객님께서 요청하신 계좌 이체 건이 정상적으로 완료되었음을 안내해 드립니다. 이용해 주셔서 진심으로 감사드립니다."
print(evaluate_and_rewrite(source))

위 코드를 실행하면 장황한 수식어와 의례적인 감사 표현이 배제된 채 간결한 단일 문장으로 압축된 결과가 반환됩니다. temperature를 0.1 이하로 극단적으로 낮춤으로써 모델이 확률적 변형을 시도하지 않고 최단 경로의 단어 조합을 선택하도록 강제합니다.

5. 정량 지표로 확인하는 잡초 제거 전후 대비

실제 프로덕트 알림 문구와 팝업 텍스트 50건을 대상으로 해당 교정 스킬을 교차 검증했을 때, 텍스트의 가독성과 정보 밀도에서 뚜렷한 정량적 개선이 관측됩니다. 평균 78자 수준이던 안내 문구는 핵심 동사와 목적어 중심의 32자 내외로 약 58%가량 축소되었습니다.

특히 '안내해 드립니다', '확인 부탁드립니다', '이용에 참고하시기 바랍니다'와 같은 전형적인 관용적 종결어미의 발생 빈도는 100% 빈도로 발생하던 패턴에서 8% 미만으로 억제되었습니다. 글자 수가 절반 이하로 줄어들었음에도 불구하고 문장이 전달하는 필수 정보(누가, 무엇을, 어떻게 해야 하는가)의 누락은 발생하지 않았습니다.

이러한 결과는 사용자의 시선이 머무는 시간을 단축시키고 액션 버튼(CTA)으로 시선이 즉각 이동할 수 있도록 시각적 위계를 정리하는 효과를 낳습니다. 모바일 화면의 제한된 뷰포트 내에서 잡초 단어를 걷어내는 작업은 심미적 선택이 아닌 사용성 최적화의 필수 과정입니다.

6. 프로덕션 환경 프롬프트 튜닝 시 주의점과 한계

모든 상황에서 극단적인 간결성만을 추구할 경우 또 다른 사용자 경험 결함이 발생할 수 있습니다. 텍스트를 지나치게 절삭하다 보면 사용자를 배려하는 존중(Respect) 가치가 훼손되거나 시스템 에러 상황에서 기계적이고 차가운 인상을 줄 위험이 있습니다.

첫째, 오류 안내 문구에서는 원인과 해결책이 명확해야 하므로 무조건적인 Weed Cutting을 경계해야 합니다. '오류가 발생했습니다'라는 단문보다는 '네트워크 연결이 끊겼어요. 와이파이 상태를 확인하고 다시 시도해주세요'처럼 다음 행동을 안내하는 예측 가능성(Predictable Hint)이 우선시되어야 합니다.

둘째, 친근함(Casual)을 강조하려다 비표준어, 지나친 구어체, 과도한 이모지가 난립하는 부작용을 통제해야 합니다. 존중을 담은 일상어와 경박한 어조 사이의 경계를 명확히 긋기 위해, 시스템 프롬프트 내에 허용 가능한 어미 목록(~했어요, ~해주세요, ~확인할게요)을 명시적으로 제한해 주는 작업이 병행되어야 합니다.

7. AI 카피라이팅이 제품 경험에 던지는 시사점

토스 라이팅 원칙을 AI 스킬로 변환하는 시도는 단순히 좋은 문장을 작성하는 차원을 넘어, 제품 철학과 조직의 언어 표준을 알고리즘적으로 규정하는 과정입니다. 아무리 성능이 뛰어난 대규모 언어 모델이라 할지라도 명확한 규칙 기반의 평가 틀이 제공되지 않으면 잡초 문장을 스스로 걸러내지 못합니다.

메이커 개인의 감각에 의존하던 글쓰기 검수를 시스템화하고, Structured Outputs와 다단계 정제 파이프라인을 통해 기계적으로 제어할 때 비로소 일관된 사용자 경험이 완성됩니다. 사족을 덜어내고 핵심만을 남기는 기술은 인터페이스를 마주하는 사용자의 시간을 가장 진정성 있게 존중하는 방법입니다.

자주 묻는 질문

Q. AI가 글을 쓸 때 불필요한 사족을 자꾸 붙이는 근본적인 원인은 무엇인가요?
A. 사전 학습 데이터에 포함된 대화형 텍스트와 정중한 메일 문체 편향 때문입니다. LLM은 답변의 완결성을 확보하려는 확률적 경향이 있어 지시하지 않아도 의례적인 인사나 부연을 덧붙이게 됩니다.

Q. 토스의 Weed Cutting 원칙을 프롬프트에 어떻게 반영해야 효과적인가요?
A. 단순히 짧게 쓰라는 자연어 지시 대신, 불필요한 부사·수식어·의례적 종결어미를 명시적으로 규정하고 Structured Outputs를 활용해 해당 요소의 포함 여부를 불리언 값으로 엄격히 평가해야 합니다.

Q. 문장을 지나치게 줄이면 정보가 누락되거나 불친절해지지 않나요?
A. 간결성(Concise)과 함께 예측 가능한 힌트(Predictable Hint) 및 존중(Respect) 가치를 상호 보완적으로 적용해야 합니다. 단순한 단어 삭제가 아니라 사용자가 취해야 할 다음 행동을 명확히 보존하는 것이 핵심입니다.

원본

https://www.threads.com/@tahooki/post/Dev0x-Bmvyw

https://www.gpters.org/ai-writing/post/everyone-likes-toss-creating-EJy7lIT7oDsoxkR

https://velog.io/@flowmap_/%EB%B6%80%ED%8A%B8%EC%BA%A0%ED%94%84-17%EC%9D%BC%EC%B0%A8-UX-writer

함께 보면 좋은 글

댓글 0개