대부분의 인공지능(AI) 이메일 작성 도구는 '당신의 목소리를 학습한다'고 주장하지만, 실제로는 사용자의 개성을 반영하기보다 정형화된 전문적인 이메일을 생성하는 데 그칩니다. 사용자가 AI가 작성한 초안을 아무리 수정해도, 다음 초안은 여전히 개선되지 않는 문제가 반복됩니다. 이는 대부분의 도구가 사용자의 편집 내용으로부터 학습하는 피드백 루프가 없기 때문입니다. 포스라이트(ForthWrite)는 이러한 간극을 메우기 위해 사용자의 모든 편집 내용을 학습하여 개인의 고유한 이메일 스타일을 반영하는 AI 이메일 비서를 개발했습니다.
포스라이트는 사용자의 이메일 스타일을 학습하기 위해 세 가지 핵심 기술을 활용합니다. 첫째, 검색 증강 생성(RAG) 방식을 사용해 사용자의 Gmail 보낸 편지함에서 실제 이메일 수백 개를 가져와 스타일 코퍼스(corpus)를 구축합니다. 이 데이터는 pgvector에 임베딩되어 저장되며, 새로운 이메일을 작성할 때마다 사용자의 과거 이메일 중 가장 유사한 예시들을 검색해 프롬프트에 주입합니다. 이때 MMR(Maximal Marginal Relevance) 재순위화 기법을 적용해 중복을 피하고 다양한 스타일을 반영합니다. 둘째, 사용자가 AI 초안을 수정한 후 발송할 때마다 원본 초안과 수정된 최종본 간의 편집 거리(edit-distance) 점수를 계산합니다. 이 점수가 낮으면(많이 수정했으면) AI가 잘못 작성한 것으로 판단하여 시스템 프롬프트 업데이트에 활용하고, 점수가 높으면(거의 수정하지 않았으면) AI가 잘 작성한 것으로 간주하여 미래 RAG 검색 시 긍정적인 신호로 사용합니다. 셋째, '문구 채굴기(phrasing miner)'를 통해 사용자가 자주 수정하는 미묘한 표현들을 찾아냅니다. 예를 들어, AI가 'circle back'이라고 썼을 때 사용자가 '다시 논의하다'로 바꾸는 패턴이 반복되면, 이를 시스템 프롬프트에 '피해야 할 표현'으로 추가합니다. 이 모든 과정은 클로드(Claude)와 같은 대규모 언어모델(LLM)을 기반으로 하며, Supabase의 Postgres와 pgvector를 데이터베이스로 활용합니다.
포스라이트의 접근 방식은 단순히 프롬프트 엔지니어링이나 비용이 많이 드는 미세조정(fine-tuning)을 넘어, 사용자의 글쓰기 스타일이 진화함에 따라 AI도 함께 발전할 수 있는 동적인 피드백 루프를 제공한다는 점에서 중요합니다. 이는 AI가 개인의 고유한 '목소리'를 모방하는 것을 넘어, 마치 개인 비서처럼 사용자의 습관과 선호도를 능동적으로 학습하고 반영할 수 있음을 보여줍니다. 이러한 기술은 비즈니스 커뮤니케이션에서 개인의 브랜드 일관성을 유지하고, AI의 활용도를 높이는 데 기여할 것입니다. 궁극적으로 AI가 단순한 도구를 넘어 사용자의 확장된 자아가 될 수 있는 가능성을 제시하며, AI 개인화의 새로운 지평을 열 것으로 기대됩니다.