LLM이 개인화될 때

LLM 기반 검색은 사용자 맥락에 따라 달라질 수 있지만, 그렇다고 답변이 완전히 제각각으로 흩어지지는 않는다. 저자는 개인화가 있어도 모델의 공유된 priors, 겹치는 retrieval 영역, 같은 디코딩 제약이 작동하기 때문에 답변에는 여전히 안정적인 공통 구조가 남는다고 본다.

핵심은 토큰 수준의 변동이 아니라 의미 수준의 차이다. 같은 질문에 대한 답변은 사용자마다 예시, 강조점, 순서, 지역적 디테일은 달라질 수 있지만, 실제로 중요한 부분에서는 shared core를 공유하고 주변부만 달라지는 variable margin 형태로 수렴할 가능성이 크다.

글은 먼저 몇 가지 오해를 정리한다. 개인화가 모든 답변을 완전히 다르게 만든다는 주장, 확률적 시스템이라면 패턴을 모델링할 수 없다는 주장, 개인화 때문에 최적화 자체가 불가능하다는 주장을 반박하며, 자연어 답변에도 충분히 반복 가능한 아키텍처와 확률 질서가 있다고 설명한다. 그래서 LLM 검색을 SEO 이전의 세계로 되돌려 보거나, 반대로 완전히 새로운 게임으로만 보는 극단 모두가 부족하다고 결론낸다.