"논문 마감이 사흘 남았는데, Figure 3을 지웠더니 갑자기 뒤에 나오는 그림 번호가 전부 하나씩 밀렸어요. 본문에서 '그림 5 참조'라고 쓴 게 사실은 그림 4를 가리키고 있더라고요. 이걸 손으로 다 확인해야 하나요?"
— 어느 대학원생의 새벽 3시 메시지
LaTeX로 논문을 써 본 사람이라면 이 공포를 압니다. 그림 하나, 표 하나, 수식 하나를 옮기는 순간 \ref와 \label로 얽힌 상호참조가 도미노처럼 무너지죠. 문제는 이 결함이 컴파일 에러로 뜨지 않는다는 점입니다. PDF는 멀쩡하게 나옵니다. 다만 "그림 5"라고 쓴 자리에 조용히 "그림 4"가 박혀 나올 뿐이죠. 심사위원이 이걸 발견하면? 신뢰도는 바닥으로 떨어집니다.
그런데 여기 흥미로운 지점이 있습니다. 이 결함들은 PDF를 뽑기 전에, 소스 파일만 훑어도 100% 잡아낼 수 있습니다. 컴파일러가 굳이 그림을 렌더링하지 않아도, .tex와 .aux 텍스트만 분석하면 되거든요. 이 방식을 우리는 'ExactTeX 방식(정적 검수)'이라고 부릅니다. 그리고 이걸 자동으로 해주는 봇은 비전공자도 AI의 도움을 받아 만들 수 있습니다.
논문의 상호참조·오타 결함은 대부분 PDF 렌더링 없이 소스 텍스트만으로 진단 가능합니다. 이 '검수 봇'은 연구실·논문교정 대행사가 매달 돈 주고 쓸 만큼 반복적이고 고통스러운 작업을 대신합니다.
왜 이게 '월 100만원짜리' 문제인가
단순히 "편리해서"가 아닙니다. 이 작업은 반복적이고, 실수하면 치명적이며, 사람이 하면 지겹고 느린 삼박자를 완벽하게 갖췄습니다. 자동화 수익화의 정석 조건이죠.
논문교정 대행사는 매달 수십 편의 원고를 처리합니다. 교정자가 일일이 "그림 번호 맞나?", "이 \cite가 참고문헌에 실제로 있나?", "\label 오타 없나?" 확인하는 데 드는 인건비를, 봇이 초 단위로 압축해 줍니다. 그래서 대행사·연구실은 이런 도구에 기꺼이 월 구독료를 냅니다.
봇이 잡아내는 5가지 '조용한 결함'
5단계 실전 제작 가이드
1단계 — 소스 수집: PDF는 건드리지 않는다
봇은 그림을 렌더링하지 않습니다. 오직 텍스트 파일 세 종류만 읽습니다. 본문이 담긴 .tex, 참고문헌 원본인 .bib, 그리고 이전 컴파일이 남긴 상호참조 캐시 .aux입니다. 이 세 파일만 있으면 결함의 90%가 드러납니다. 무겁게 컴파일할 필요가 없으니 속도가 빠르고, 서버 비용도 거의 안 듭니다.
2단계 — 추출: 정규식으로 흩어진 참조를 긁어모으기
이 단계가 핵심 엔진입니다. AI에게 이렇게 요청하세요. "이 tex 파일에서 \label{...}, \ref{...}, \cite{...} 패턴을 전부 찾아 이름과 줄 번호를 표로 만들어줘." 그러면 파이썬 정규식 코드가 나옵니다. 각 참조가 몇 번째 줄에 있는지까지 기록해두는 게 나중에 리포트 품질을 좌우합니다.
코드를 직접 쓰지 마세요. AI에게 "정규식이 이 예외 케이스(주석 처리된
% \ref, 여러 참조 \cref{a,b,c})도 걸러야 해"라고 테스트 케이스를 계속 던지는 게 당신의 진짜 일입니다.
3단계 — 대조: 집합 연산으로 결함 판정
추출이 끝나면 판정은 의외로 단순합니다. '참조된 이름의 집합'에서 '정의된 라벨의 집합'을 빼면 → 유령 참조가 남습니다. 반대로 빼면 → 미사용 라벨이 남죠. \cite 이름을 .bib 항목과 대조하면 인용 누락이 잡힙니다. 그림이 본문에 등장하는 순서를 라벨 정의 순서와 비교하면 순서 역전까지 판정됩니다. 여기까지는 순수 규칙 기반이라 오탐이 거의 없습니다.
4단계 — AI 판독: 규칙이 못 잡는 '문맥 오타'
규칙 기반이 못 잡는 게 있습니다. 예를 들어 \label{fig:reslut}처럼 'result'를 'reslut'로 오타 냈는데, 본문에서도 \ref{fig:reslut}로 똑같이 틀렸다면? 짝은 맞으니 규칙은 통과시킵니다. 이때 LLM에게 "라벨 이름 중 오타로 의심되는 것"을 물으면 사람처럼 잡아냅니다. 규칙 엔진으로 90%, AI로 나머지 10%를 채우는 하이브리드가 정답입니다.
5단계 — 리포트 발행: 이게 돈이 되는 지점
고객이 돈을 내는 건 '검사'가 아니라 '리포트'입니다. 결함마다 ① 어느 파일 몇 번째 줄인지 ② 무슨 문제인지 ③ 어떻게 고치는지를 담아 표로 뽑아주세요. 대학원생은 이 리포트를 들고 5분 만에 수정을 끝냅니다. 이 '시간 절약'이 곧 당신의 청구 근거입니다.
수동 vs 봇 검수, 무엇이 다른가
누구에게, 어떻게 팔 것인가
타깃은 명확합니다. ①이공계 대학원 연구실은 학기마다 논문·학위논문이 쏟아지고, ②논문교정 대행사는 처리량이 곧 매출이며, ③저널 편집 보조는 투고 원고의 형식 오류를 걸러야 합니다. 이들에게 "편당 1~2만원" 또는 "연구실 단위 월 정액"으로 제안하세요.
주변 연구실 논문 한 편을 무료로 검수해 리포트를 보여주세요. "그림 7 참조가 실제로는 그림 6을 가리키고 있었어요"라는 한 줄이, 백 마디 영업보다 강합니다. 결함을 눈에 보이게 증명하는 순간 지갑이 열립니다.
코드를 몰라도 시작할 수 있는 이유
여기까지 읽고 "그래도 결국 프로그래밍이잖아"라고 느꼈다면, 정확합니다. 하지만 오늘의 핵심은 당신이 코드를 '쓰는' 사람이 아니라 '설계하고 검증하는' 사람이 된다는 것입니다. 정규식은 AI가 짜고, 당신은 "이 예외는 어떻게 처리할까?"를 묻습니다. 결함 판정 로직도 AI가 구현하고, 당신은 실제 논문으로 테스트합니다. 이게 지금 시대의 '비전공자 AI 부업'의 실체입니다.
중요한 건 문제를 쪼개서 AI에게 정확히 요청하는 능력과, 돌아온 결과가 진짜 맞는지 검증하는 감각입니다. 이 두 가지는 강의 몇 개 듣는다고 생기지 않고, 실제로 하나를 만들어 끝까지 굴려봐야 몸에 붙습니다.
투더제이(TTJ) 코딩클래스 정규반에서는 오늘 소개한 것처럼 '실제로 돈이 되는 자동화 봇'을 기획부터 수익화까지 직접 완성하는 과정을 다룹니다. 비전공자가 AI를 조수처럼 부려 문제를 해결하고, 그 결과물을 시장에 내놓는 흐름 전체를 함께 굴려봅니다. "만들 수 있을까?"가 "이걸로 얼마 받지?"로 바뀌는 경험을, 정규반에서 시작해보세요.
논문 마감 3일 전의 그 공포는, 사실 누군가에게는 월 100만원짜리 시장입니다. 남들이 밤새 손으로 그림 번호를 세고 있을 때, 당신은 8초 만에 리포트를 뽑아 건넬 수 있습니다. 그 8초의 가치를 아는 사람들이, 기꺼이 당신의 고객이 됩니다.