The Generative Reasonable Person

이 논문은 **"생성적 합리적 사람 (Generative Reasonable Person)"**이라는 새로운 개념과 방법론을 제시하며, 대규모 언어 모델 (LLM) 을 활용하여 일반 대중의 '합리성 (reasonableness)' 판단을 추정하는 방식을 제안합니다. 저자 요나단 A. 아벨 (Yonathan A. Arbel) 은 기존 법학에서 '합리적 사람'의 기준이 판사의 직관에 의존하거나 비용이 많이 드는 설문조사에 국한되어 왔던 한계를 지적하고, 이를 해결하기 위한 실증적 도구를 개발했습니다.

다음은 논문의 주요 내용을 기술적 관점에서 요약한 것입니다.

1. 문제 제기 (Problem)

• 실증적 데이터의 부재: 법학에서 '합리적 사람 (Reasonable Person)' 표준은 200 년 넘게 논쟁의 대상이었습니다. 이 표준이 실제 대중의 인식 (기술적/기술적) 을 반영하는지, 아니면 법원의 규범적 이상 (Normative) 을 반영하는지 불분명했습니다.
• 측정의 어려움: 일반 대중의 판단을 파악하는 전통적인 방법 (陪審단, 설문조사, 모의 재판) 은 비용이 많이 들고, 시간이 오래 걸리며, 대규모로 수행하기 어렵습니다.
• 판사의 직관 의존: 이로 인해 법원은 종종 판사 개인의 직관이나 엘리트의 편향을 '일반적인 상식'으로 가장하여 판결을 내리는 경향이 있었습니다.
• LLM 의 잠재력 미확인: LLM 이 법적 도그마 (법리) 를 암기하는 수준을 넘어, 실제 인간이 가진 복잡한 사회적 판단 스키마 (Schema) 를 내면화했는지 여부는 검증되지 않았습니다.

2. 방법론: 실리콘 무작위 대조 시험 (S-RCT)

논문은 LLM 을 인간 피험자 대신 사용하여 사회과학 연구의 '황금 표준'인 무작위 대조 시험 (RCT) 을 적용하는 **실리콘 무작위 대조 시험 (Silicon Randomized Controlled Trials, S-RCT)**을 제안합니다.

• 상태 비저장성 (Statelessness) 활용: LLM 의 API 세션을 독립적인 실험 단위로 간주합니다. 각 세션은 이전 대화 기록이 없으므로 (Stateless), 서로 다른 실험 조건에 할당된 세션들이 서로의 답변을 알 수 없어 '조화 (Harmonization)'나 '일관성 유지' 편향을 방지합니다.
• 차이 측정 (Differential Measurement): 절대적인 점수 (예: 10 점 만점에 6 점) 의 일치를 검증하는 것이 아니라, 실험 조건이 변했을 때 LLM 의 판단이 인간과 **같은 방향 (Direction)**으로 변화하는지 확인합니다. 이는 모델이 법리를 암기했는지, 아니면 실제 판단 스키마를 학습했는지 구분하는 핵심입니다.
• 페르소나 할당 (Persona Assignment): 모델에게 구체적인 인구통계학적 배경 (나이, 성별, 정치적 성향, 직업 등) 을 가진 '메리 알바레즈'와 같은 페르소나를 부여하여, 엘리트적인 '도움되는 어시스턴트' 모드가 아닌 일반인의 관점에서 답변하도록 유도합니다.
• 실험 설계: 3 개의 기존 인간 대상 연구 (과실, 동의, 계약 해석) 를 7 개의 다양한 LLM(GPT-5, Claude, Gemini 등) 을 사용하여 약 10,000 건의 시뮬레이션으로 재현했습니다.

3. 주요 연구 결과 (Key Results)

LLM 은 법적 도그마 (법학 교과서) 가 가르치는 내용과 달리, 실제 일반 대중의 직관적 판단 패턴을 놀라운 정확도로 재현했습니다.

A. 과실 (Negligence) 판단

• 인간 연구 (Jaeger): 사람들은 비용 - 편익 분석 (Hand 공식) 보다 **사회적 동조 (Social Conformity)**를 더 중요하게 여깁니다. 즉, 90% 의 사람들이 예방 조치를 취했다면, 이를 취하지 않은 행위를 훨씬 더 과실로 판단했습니다.
• LLM 결과: LLM 들도 인간과 마찬가지로 사회적 규범을 경제적 효율성보다 우선시했습니다. 이는 법학 교과서가 강조하는 '비용 - 편익 분석' 중심의 판단과 정반대였으며, 모델이 실제 인간의 담론 패턴을 학습했음을 시사합니다.

B. 동의 (Consent) 와 기만

• 인간 연구 (Sommers): '본질적 기만 (Essential Lie, 예: 자전거를 카메라로 속임)'보다 '물질적 기만 (Material Lie, 예: 포인트 적립 불가 속임)'이 피해자에게 더 중요하게 여겨지지만, 동시에 물질적 기만 상황에서 동의가 더 유효하다고 판단하는 역설이 존재했습니다.
• LLM 결과: 8 개의 모델 중 7 개가 이 역설적인 패턴을 성공적으로 재현했습니다. 이는 모델이 법적 도그마 (물질적 기만이 동의를 무효화한다) 가 아닌, 실제 대중의 복잡한 동의 인식 구조를 학습했음을 보여줍니다.

C. 계약 해석 (Contract Interpretation)

• 인간 연구 (Sommers & Furth-Matzkin): 일반인은 숨겨진 수수료에 대해 '공정성 (Fairness)'은 낮게 평가하지만, 법원이 이를 '집행 (Enforceability)'할 것이라고 믿는 계약 형식주의 (Contract Formalism) 경향을 보입니다.
• LLM 결과: 모델들은 법학 전문가 (로펌 변호사 등) 보다 일반 대중 (소비자) 의 판단에 더 가깝게 반응했습니다. 특히 페르소나를 부여했을 때 모델의 판단이 일반 대중의 기준에 더 근접했습니다.

4. 핵심 기여 (Key Contributions)

1. 방법론적 혁신: LLM 을 사회과학적 실험 도구로 활용하는 S-RCT 방법론을 정립하여, LLM 이 단순한 '도그마 암기'가 아닌 '사회적 스키마 내면화'가 가능함을 입증했습니다.
2. 실증적 기준의 확립: '합리적 사람'의 기준이 무엇인지에 대한 추상적 논쟁을 넘어, 대규모로 저비용에 일반 대중의 판단을 측정할 수 있는 실증적 기준 (Baseline) 을 제공했습니다.
3. LLM 의 법적 적합성 입증: LLM 이 법적 도그마와 다른 '민간 법학 (Folk Jurisprudence)' 패턴을 포착할 수 있음을 보여주어, AI 가 법학 연구와 실무에서 새로운 역할을 할 수 있음을 시사합니다.

5. 의의 및 시사점 (Significance)

• 사법적 투명성: 판사가 '일반인의 상식'을 명분으로 내세울 때, 그것이 실제 대중의 인식과 일치하는지 AI 를 통해 검증할 수 있게 되어, 사법 재량의 남용을 방지하고 판결의 정당성을 높일 수 있습니다.
• 규제 및 정책: 규제 기관 (예: FTC) 이 새로운 고지 사항이나 광고가 소비자에게 어떻게 받아들여질지 저비용으로 시뮬레이션하여, 실제 설문조사 전에 정책의 효과를 예측할 수 있습니다.
• 접근성 향상: 모의 재판이나 소비자 설문조사가 비싸서 소외되었던 소송 당사자들이 AI 를 통해 '가상의 배심원' 피드백을 얻을 수 있어 사법 접근의 형평성을 높입니다.
• 한계와 주의점:
  • 정량적 정확도 부족: LLM 은 판단의 '방향성 (Direction)'은 잘 맞추지만, 절대적인 수치 (Magnitude) 에서는 편향 (과대평가 또는 과소평가) 이 있을 수 있습니다.
  • 주류 편향 (Majoritarian Bent): 모델은 훈련 데이터의 주류 의견을 반영하므로, 소수자나 취약 계층의 관점이 누락될 수 있습니다.
  • 보조 도구: AI 는 최종 판단을 대체하는 것이 아니라, 인간 판사의 직관을 검증하는 '사전 점검 도구 (Adjunct)'로 사용되어야 합니다.

결론

이 논문은 생성형 AI 가 '합리적 사람'이라는 법리적 개념의 실증적 기반을 재구성할 수 있음을 보여줍니다. 이제 법원은 일반 대중의 인식을 직관이나 고비용 조사에 의존할 필요가 없으며, AI 를 통해 더 투명하고 민주적인 '합리성'의 기준을 설정할 수 있는 시대가 열렸음을 주장합니다.