LLM에게 추론을 시키면 번역의 품질이 더 떨어지는 까닭

작업의 종류와 상관없이 대형언어모델(LLM)이 더 깊이 생각하게 만들면 결과물도 반드시 향상될 것이라 믿기 쉽다. 그러나 한 언어에서 다른 언어로 번역할 때는 정반대의 현상이 일어난다.

문제는 범용 LLM이 전문 번역가처럼 사고하지 않는다는 점에 있다. 연구진의 분석에 따르면 모델의 추론 경로는 대부분 선형적이다. 문장을 순서대로 훑어가며 조각조각 번역할 뿐, 앞서 내린 결정을 다시 검토하거나 대안을 모색하는 경우가 드물다. 이는 고난도 번역이 이루어지는 통상적인 방식과 거리가 멀다. 인간 번역가는 한 가지 표현을 시도해 본 뒤 너무 직역투라는 판단이 들면 폐기하고, 어조를 조정하거나 문장 구조를 바꾼 뒤 원래의 의미가 제대로 보존되었는지 다시 점검한다. 중요한 것은 과거에 내린 번역 선택에 대한 끊임없는 수정 작업이지만, LLM은 번역문을 추론하는 과정에서 이러한 되짚기를 전혀 수행하지 않는 것으로 보인다. 모델의 추론 과정 자체가 번역 작업에 맞춰 훈련되지 않았기 때문에 번역에 제대로 들어맞지 않는 셈이다.

수많은 LLM 활용 체계가 생각 사슬(CoT) 추론을 추가하면 무조건 더 나은 시스템이 구축될 것이라 전제한다. 그러나 번역은 훌륭한 반례가 된다. 번역 품질은 최종 표층 표현에 크게 좌우되며, 중간 과정의 텍스트가 늘어날수록 논점 이탈, 과도한 생각, 지나친 직역, 불필요한 변형이 발생할 위험이 커지기 때문이다. 장황한 내적 설명보다는 매끄러운 최종 결과물이 훨씬 더 중요하다.

이는 최종 결과물의 품질을 판별하는 데 적지 않은 비용이 들고 통상 인간의 개입이 필수적인 분야에 LLM을 적용할 때 특히 중요하다. 모델에게 자체 검토를 맡기거나 인간의 사고 흐름과 일치하도록 사고 구조를 보다 명시적으로 설계한다면, 결과물의 품질을 훨씬 쉽게 해석하고 신뢰할 수 있게 되어 LLM의 활용 가치도 더욱 높아질 것이다. Zan, S. (2026, July 5). Reasoning makes translations worse. Sara Zan’s Blog. https://www.zansara.dev/posts/2026-07-05-reasoning-makes-translations-worse/