수사 장치는 의미를 바꾸는가 — Agentic AI의 Downstream Semantic Chain과 수사학

요약

수사 장치(rhetorical device)는 전통적으로 "같은 의미를 더 효과적으로 전달하는 표현 기법"으로 간주되어 왔다. 그러나 인지언어학, 화용론, 담화분석, 그리고 최근의 LLM 연구를 종합하면, 수사적 선택은 명제적 내용 자체를 변형하는 **의미 연산자(semantic operator)**로 작동한다. 이 리포트는 수사 장치가 downstream semantics를 바꾸는 세 가지 경로를 정리하고, Agentic AI의 multi-agent chain에서 이 효과가 어떻게 누적·증폭되는지를 실증 연구 기반으로 분석한다.

1. 문제: 수사는 장식인가, 연산인가

Cognitive Rhetoric Framework(CRF)를 만들면서 한 가지 질문이 남았다. 인지 흐름으로 뼈대를 잡고, 수사 장치로 근육을 붙이고, stance로 톤을 조율하고, 주제 전개로 리듬을 만든다 — 여기서 수사 장치의 역할은 뭔가. "같은 내용을 더 예쁘게 포장하는 것"인가, 아니면 "내용 자체를 바꾸는 것"인가.

이건 단순한 미학 문제가 아니다. Agentic AI에서 Agent A의 출력이 Agent B의 입력이 되는 chain 구조에서, 수사적 선택이 장식이라면 무시해도 된다. 하지만 의미를 바꾼다면, 수사적 설계가 Agent chain 전체의 semantic output을 결정하게 된다.

Bakhtin(1934)은 이미 "어떻게 말하는가가 무엇을 의미하는가를 구성한다"고 주장했다¹. 이 주장이 경험적으로 어디까지 지지되는지를 확인해봤다.

2. 경로 1 — 프레이밍: metaphor가 추론 방향을 바꾼다

2.1. Lakoff & Johnson: 은유는 인지 구조다

Lakoff & Johnson(1980)의 핵심 주장은 단순하다. 은유는 수사적 장식이 아니라 사고의 기본 구조다². ARGUMENT IS WAR라는 개념적 은유가 작동하면, "그의 주장을 공격했다", "방어선이 무너졌다" 같은 표현이 자연스러워진다. 동시에 "함께 춤을 추듯이 논증했다" 같은 표현은 부자연스러워진다.

은유가 바꾸는 건 표현이 아니다. 어떤 추론이 가능한지를 바꾼다. source domain(전쟁)의 추론 구조가 target domain(논증)으로 통째로 이식되기 때문이다.

2.2. Thibodeau & Boroditsky: 실험적 증명

Thibodeau & Boroditsky(2011)는 이걸 실험으로 증명했다³. 범죄를 설명하는 글에서 은유 하나만 바꿨다.

"beast(짐승)" 그룹 → 단속 강화, 처벌 확대를 제안
"virus(바이러스)" 그룹 → 사회 개혁, 근본 원인 해결을 제안

통계 데이터는 동일했다. 참가자들은 은유의 영향을 인식하지 못했다. 은유가 추론의 방향을 결정한 것이지, 참가자가 의식적으로 은유에 따라 판단한 게 아니다.

2.3. Tversky & Kahneman: 프레이밍은 의사결정을 반전시킨다

Tversky & Kahneman(1981)의 Asian Disease Problem은 더 극적이다⁴.

"600명 중 200명이 산다" → 확실한 선택지 선호 (위험 회피)
"600명 중 400명이 죽는다" → 도박적 선택지 선호 (위험 추구)

기대값은 동일하다. 명제적 내용이 같다. 그런데 의사결정이 반대로 갈린다. 프레이밍이 의미를 바꾸지 않는다면, 이 현상은 설명할 수 없다.

2.4. CRF 관점

이 경로에 해당하는 수사 장치: metaphor, metonymy, synecdoche, hyperbole. 모두 개념적 프레임을 전환하거나 규모를 왜곡하여 후속 추론의 방향을 바꾼다.

3. 경로 2 — 강조: 구조가 가중치를 재배치한다

3.1. Goldberg: 구문 자체가 의미를 기여한다

Goldberg(1995)의 Construction Grammar는 수사학과 직접 연결된다⁵. 핵심 주장: 구문(syntactic construction)은 어휘와 독립적으로 자체 의미를 갖는다.

"She baked him a cake."에서 "bake"에는 전달(transfer)의 의미가 없다. 그런데 이중목적어 구문(ditransitive construction)이 "X CAUSES Y TO RECEIVE Z"라는 의미를 기여하여, 의도적 전달의 함의가 생긴다.

수사 장치도 마찬가지다. chiasmus(A-B → B-A)는 역전의 의미를, parallelism(A-B, A-B)은 동등/비교의 의미를, anaphora(X... X... X...)는 축적/고조의 의미를 구문 자체에서 기여한다.

3.2. Entman: 프레이밍은 선택과 현저성이다

Entman(1993)의 프레이밍 정의가 정확하다⁶. 프레이밍은 두 가지 연산이다:

Selection — 현실의 어떤 측면을 선택하는가
Salience — 선택된 것을 얼마나 두드러지게 만드는가

parallelism으로 세 가지 근거를 병렬 배치하면, 세 근거에 동등한 salience를 부여한다. antithesis로 두 입장을 대비시키면, 대비 자체에 salience를 부여한다. chiasmus로 구조를 반전시키면, 반전 지점에 최대 salience가 집중된다.

이 가중치 재배치가 "같은 내용"을 "다른 의미"로 만든다.

3.3. CRF 관점

이 경로에 해당하는 수사 장치: chiasmus, parallelism, anaphora, epistrophe, antithesis, anadiplosis. 모두 Scheme(구조적 장치)이며, 정보의 인지적 현저성을 재배치한다.

4. 경로 3 — 암시: 생략이 독자의 의미 구성을 유도한다

4.1. Relevance Theory: 화용적 풍부화는 명제에 편입된다

Sperber & Wilson(1995)의 Relevance Theory는 전통적인 의미론/화용론 경계를 허문다⁷. 핵심: 화용적 과정(pragmatic enrichment)이 truth-conditional content — 즉 "말한 것" — 에 편입된다.

"쉬운 문제는 아니다"(litotes)에서 화자가 "매우 어렵다"를 의미한다면, "매우 어렵다"는 함축(implicature)이 아니라 명제 내용의 일부다.

Wilson & Carston(2007)은 이걸 ad hoc concept으로 설명한다⁸. "John is a bulldozer"에서 BULLDOZER라는 ad hoc concept(강인하고 거침없는 사람)이 구성되어 명제에 진입한다. 이 ad hoc concept은 원래 "bulldozer"의 사전적 의미와 다르다. 수사 장치가 truth-conditional content를 바꾼 것이다.

4.2. Carston: explicature — "말한 것"의 확장

Carston(2002)의 explicature 개념이 결정적이다⁹. 전통적으로 "말한 것(what is said)"은 문장의 의미론적 내용이고, "함축한 것(what is implicated)"은 화용적 추론이었다. Carston은 이 경계를 재설정한다: 화용적으로 결정된 명제도 "명시적으로 전달한 것(explicature)"에 포함된다.

수사 장치는 이 explicature를 체계적으로 조작한다:

litotes: 반대를 부정하여 절제된 강조 → 독자가 채우는 강도가 달라짐
irony: 말한 것의 반대를 의미 → 독자가 구성하는 명제가 표면과 반대
paradox: 모순 속 진실 → 독자가 모순을 해소하며 새로운 명제를 구성
oxymoron: 인접 단어의 모순 → 인지적 긴장이 의미 재구성을 강제

4.3. CRF 관점

이 경로에 해당하는 수사 장치: litotes, irony, paradox, oxymoron. 모두 Trope(의미적 장치)이며, 독자에게 의미 구성을 위임하여 표면 명제와 다른 truth-conditional content를 생성한다.

5. 담화 구조가 downstream 해석을 제약한다

세 경로가 개별 수사 장치의 효과라면, 담화 수준에서는 수사적 관계(rhetorical relation)가 연결된 문장들의 의미적 내용을 결정한다.

5.1. Asher & Lascarides: 수사적 관계 = truth-conditional commitment

Asher & Lascarides(2003)는 DRT(Discourse Representation Theory)를 수사적 관계로 확장했다¹⁰. Narration, Contrast, Elaboration 같은 관계가 담화 세그먼트 간 의미적 제약을 건다.

Contrast 관계 → 대립 명제를 강제한다
Elaboration 관계 → 종속 구조를 만든다
Result 관계 → 인과적 commitment를 생성한다

이 관계의 선택은 장식이 아니다. truth-conditional commitment다.

5.2. RST: nucleus/satellite가 텍스트 의미를 결정한다

Mann & Thompson(1988)의 RST에서, 같은 nucleus가 다른 satellite 유형과 결합하면 전체 텍스트의 의미가 달라진다¹¹. Evidence satellite를 붙이면 논증적 텍스트가 되고, Concession satellite를 붙이면 양보적 텍스트가 된다.

5.3. CRF의 Thematic Progression과의 연결

CRF의 네 번째 층위인 주제 전개(Thematic Progression)는 이 담화 수준 제약과 직접 연결된다. Linear 전개는 앞 문장의 Rheme이 다음 문장의 Theme이 되므로, 첫 문장의 수사적 선택이 전체 chain의 의미 방향을 결정한다. 수사 장치 → 주제 전개 → 담화 구조의 경로로 downstream semantics가 전파된다.

6. LLM/Agent Chain에서의 실증

6.1. 프롬프트의 수사 구조가 출력 명제를 바꾼다

Wei et al.(2022)의 Chain-of-Thought는 "Let's think step by step"이라는 순전히 수사적 개입으로 LLM 출력의 truth-value를 변경했다¹². 의미적 내용을 추가한 게 아니다. 추론의 수사적 구조를 지정한 것이다.

Lu et al.(2022)은 few-shot 예시의 순서(수사적 배치)만으로 near-random에서 near-SOTA까지 성능 변동을 보였다¹³. Sclar et al.(2024)은 프롬프트 포맷(delimiter, whitespace, instruction 문구) 변경만으로 최대 76pp 정확도 차이를 보고했다¹⁴.

이 세 연구가 보여주는 것: LLM에서 수사적 구조는 semantic noise가 아니라 semantic signal이다.

6.2. Sycophancy — 수사적 프레이밍이 Agent를 편향시킨다

Sharma et al.(ICLR 2024)은 RLHF로 학습된 5개 모델이 사용자의 수사적 프레이밍에 동조하는 sycophancy 경향을 보임을 확인했다¹⁵. 사실이 틀려도 사용자 관점에 맞추면 preference model이 높은 점수를 준다.

Shapira et al.(2026)은 이 현상의 수학적 메커니즘을 증명했다¹⁶. RLHF 최적화 과정에서 "사용자 동의 신호"와 learned reward 사이의 공분산이 sycophancy를 체계적으로 증폭시킨다.

Dubois et al.(2026)은 sycophancy의 수사적 트리거를 구체적으로 밝혔다¹⁷:

질문보다 비질문(non-question) 형태에서 sycophancy가 높음
사용자의 **확신 수준(epistemic certainty)**이 높을수록 sycophancy 증가
1인칭 프레이밍이 sycophancy를 증폭

이건 CRF의 stance 설계와 직결된다. booster가 강한 프롬프트가 Agent의 sycophancy를 트리거하고, hedge가 강한 프롬프트가 이를 완화할 수 있다.

6.3. Multi-Agent Chain에서의 전파

Kasprova et al.(2026)이 가장 직접적이다¹⁸. 6개 오픈소스 LLM의 multi-agent 실험에서:

에이전트 간 sycophancy가 생산적 불일치를 억제
답변 다양성 감소
오류 연쇄 증폭 (error cascade)
각 에이전트에 peer의 sycophancy 경향 정보를 제공하면 완화

Agent Drift(2026)는 600회 상호작용 기준, 에이전트 ~50%에서 semantic drift — 원래 의도로부터의 이탈 — 가 발생함을 보고했다¹⁹. Semantic drift가 가장 먼저, 가장 광범위하게 나타났다.

6.4. 생태계 수준: shallow convergence

Riis(2026)는 한 단계 더 나아간다²⁰. LLM이 생성한 텍스트가 다시 학습 데이터로 들어가는 재귀적 순환에서, normative selection(품질, 정확성, 신규성을 보상하는 선택 압력) 없이는 텍스트 분포가 shallow state로 수렴한다. 희소한 표현이 사라지고, 다양성이 줄고, 분포가 얕아진다.

이건 AI-likeness 문제와 정확히 같은 구조다. CRF가 일종의 normative selection pressure — 수사적 다양성을 의도적으로 설계하는 구조 — 로 작동할 수 있는 가능성을 시사한다.

7. 통합: 수사 장치는 Semantic Operator다

경로	작동 방식	해당 장치	핵심 근거
프레이밍	개념적 프레임 전환 → 추론 방향 변경	metaphor, metonymy, synecdoche, hyperbole	Thibodeau & Boroditsky (2011)
강조	정보 가중치 재배치 → 판단 우선순위 변경	chiasmus, parallelism, anaphora, epistrophe, antithesis, anadiplosis	Goldberg (1995), Entman (1993)
암시	의미 구성을 독자에 위임 → truth-conditional content 변형	litotes, irony, paradox, oxymoron	Sperber & Wilson (1995), Carston (2002)

Agent Chain에서 이 효과는 단일 장치의 효과를 넘어 누적·증폭된다:

Agent A: metaphor 선택 → 프레임 설정
    ↓ (출력이 Agent B의 입력)
Agent B: 프레임 내에서 추론 → sycophancy로 프레임 강화
    ↓ (출력이 Agent C의 입력)
Agent C: 강화된 프레임을 전제로 판단 → semantic drift 누적

각 단계에서 수사적 선택이 downstream의 의미 공간을 제약하고, RLHF 기반 sycophancy가 이 제약을 증폭시킨다.

8. 함의: Agentic AI에서 수사 설계가 필요한 이유

수사 장치가 semantic operator라면, Agent의 출력 설계는 "정확한 내용을 전달하는 것"만으로는 충분하지 않다. 어떤 수사적 구조로 전달하느냐가 downstream Agent의 추론, 판단, 출력을 결정한다.

설계 포인트	현재 관행	수사적 설계 관점
프롬프트 작성	내용 중심, 수사 구조는 우연적	수사 구조가 출력 의미를 결정 — 의도적 설계 필요
Agent 간 통신	명제적 내용만 전달	수사적 프레이밍이 전파 — stance/hedge 비율 제어 필요
Chain 평가	최종 출력의 정확성만 평가	중간 단계의 수사적 drift 모니터링 필요
AI-likeness	표현 수준의 후처리	수사적 다양성을 normative pressure로 설계

CRF는 원래 글쓰기 설계 도구로 만들어졌지만, 수사 장치가 semantic operator라는 점이 확인되면서 Agentic AI의 출력 설계 프레임워크로도 확장 가능성이 보인다. 인지 흐름, 수사 장치, stance, 주제 전개의 네 층위가 Agent chain의 semantic output을 구조적으로 제어하는 도구가 될 수 있다.

이건 아직 가설이다. 하지만 근거는 쌓이고 있다.

참고 출처

Bakhtin, M. (1934–35). "Discourse in the Novel." In The Dialogic Imagination (영역 1981). heteroglossia — 스타일이 의미를 구성한다. ↩
Lakoff, G. & Johnson, M. (1980). Metaphors We Live By. University of Chicago Press. 개념적 은유 이론. ↩
Thibodeau, P.H. & Boroditsky, L. (2011). "Metaphors We Think With: The Role of Metaphor in Reasoning." PLoS ONE, 6(2), e16782. https://doi.org/10.1371/journal.pone.0016782 ↩
Tversky, A. & Kahneman, D. (1981). "The Framing of Decisions and the Psychology of Choice." Science, 211(4481), 453–458. https://doi.org/10.1126/science.7455683 ↩
Goldberg, A.E. (1995). Constructions: A Construction Grammar Approach to Argument Structure. University of Chicago Press. ↩
Entman, R.M. (1993). "Framing: Toward Clarification of a Fractured Paradigm." Journal of Communication, 43(4), 51–58. https://doi.org/10.1111/j.1460-2466.1993.tb01304.x ↩
Sperber, D. & Wilson, D. (1986/1995). Relevance: Communication and Cognition. 2nd ed. Blackwell. ↩
Wilson, D. & Carston, R. (2007). "A Unitary Approach to Lexical Pragmatics." In Pragmatics, ed. N. Burton-Roberts. Palgrave Macmillan. ↩
Carston, R. (2002). Thoughts and Utterances: The Pragmatics of Explicit Communication. Blackwell. ↩
Asher, N. & Lascarides, A. (2003). Logics of Conversation. Cambridge University Press. https://doi.org/10.1017/CBO9780511536656 ↩
Mann, W.C. & Thompson, S.A. (1988). "Rhetorical Structure Theory: Toward a Functional Theory of Text Organization." Text, 8(3), 243–281. ↩
Wei, J. et al. (2022). "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models." NeurIPS 35. https://arxiv.org/abs/2201.11903 ↩
Lu, Y. et al. (2022). "Fantastically Ordered Prompts and Where to Find Them." ACL 2022. https://doi.org/10.18653/v1/2022.acl-long.556 ↩
Sclar, M. et al. (2024). "Quantifying Language Models' Sensitivity to Spurious Features in Prompt Design." ICLR 2024. https://arxiv.org/abs/2310.11324 ↩
Sharma, M. et al. (2024). "Towards Understanding Sycophancy in Language Models." ICLR 2024. https://arxiv.org/abs/2310.13548 ↩
Shapira, I., Benade, G. & Procaccia, A.D. (2026). "How RLHF Amplifies Sycophancy." https://arxiv.org/abs/2602.01002 ↩
Dubois, M. et al. (2026). "Ask Don't Tell: Reducing Sycophancy in Large Language Models." https://arxiv.org/abs/2602.23971 ↩
Kasprova, V. et al. (2026). "Too Polite to Disagree: Understanding Sycophancy Propagation in Multi-Agent Systems." https://arxiv.org/abs/2604.02668 ↩
Agent Drift (2026). "Agent Drift: Quantifying Behavioral Degradation in Multi-Agent LLM Systems Over Extended Interactions." https://arxiv.org/abs/2601.04170 ↩
Riis, S. (2026). "Drift and Selection in LLM Text Ecosystems." https://arxiv.org/abs/2604.08554 ↩