아이템 검증 · 타르핏 아이디어 진단
AI가 칭찬한 아이디어일수록
위험합니다
실리콘밸리가 '타르핏(죽음의 늪)'이라 부르는 아이디어 함정의 구조와,
칭찬 대신 실패 이유를 뽑아내는 진단 프롬프트 4종을 정리했어요.
(2026년 7월 기준 · 본문의 [숫자]는 하단 참고 문헌 번호입니다)
45%p
AI는 사람보다
내 체면을 더 세워 줌 [8]
내 체면을 더 세워 줌 [8]
7배
AI 아이디어가 상위 10%
진입할 확률, 단 서로 겹침 [11]
진입할 확률, 단 서로 겹침 [11]
10.7%
생성형 AI 사용 시
결과물 간 유사도 증가 [9]
결과물 간 유사도 증가 [9]
🕳 핵심을 한 문장으로 풀면요
타르핏 아이디어는 '나쁜 아이디어'가 아니라 '모두가 좋다고 말해 주는 아이디어'입니다.그래서 "이거 괜찮아?"라고 물으면 함정을 못 봅니다. 질문을 "왜 아직 아무도 못 했어?"로 바꿔야 구조가 보입니다.
1 타르핏, 겉보기엔 멀쩡한 웅덩이
타르핏(tar pit)은 땅속 석유가 지표로 배어 나와 고인 웅덩이예요. 멀리서 보면 그냥 물웅덩이 같아서, 목마른 동물이 다가갔다가 발이 빠져 못 나옵니다. 더 고약한 건 그다음이에요. 갇힌 동물의 냄새를 맡고 다른 동물이 또 모여들어, 같은 자리에서 같은 일이 반복됩니다.
헷갈리기 쉬운 지점부터
Y Combinator의 마이클 세이벨과 달튼 콜드웰이 이 웅덩이를 창업 아이디어에 빗댔어요 [1]. 타르핏은 나쁜 아이디어가 아닙니다. 오히려 반대예요. 그럴듯해 보이고, 주변에서 "그거 해봐"라는 말을 많이 듣는 아이디어입니다. 여기에 조건이 하나 더 붙어요. 누가 반박하면 발끈해서 방어하게 되고, 그래서 쉽게 손을 못 뗀다는 것입니다. 이게 아니면 그냥 안 좋은 아이디어일 뿐이에요 [1].
한 줄로 정리하면
콜드웰은 "많은 사람이 뛰어들고, 잘 안 되고, 그런데도 제때 빠져나오지 못하는" 아이디어라고 말합니다. 아주 많은 회사가 여기서 죽는다는 거예요 [1]. 프리드먼의 설명은 더 구조적입니다. 많은 사람이 실제로 겪는 문제 위에 세워져서 "이거 창업으로 풀면 되겠는데" 싶게 만들지만 그게 착시이고, 풀기 어렵거나 아예 풀 수 없는 이유가 따로 있다는 겁니다 [3].
📌 흔한 오해 하나를 바로잡으면요
이 개념을 폴 그레이엄이 만들었다고 소개하는 글이 많은데, 그의 에세이에 'tarpit'이란 말은 나오지 않습니다. 다만 비슷한 개념인 '시트콤 아이디어'가 있고 증상을 짚는 문장이 정확히 겹쳐요. "이런 아이디어가 위험한 이유는, 친구들에게 말했을 때 '난 그거 안 쓸 것 같은데'라는 말이 안 나온다는 데 있다. 대신 이런 말이 돌아온다. '오, 그런 거면 나도 쓸 수도 있겠다'" [4].
이 개념을 폴 그레이엄이 만들었다고 소개하는 글이 많은데, 그의 에세이에 'tarpit'이란 말은 나오지 않습니다. 다만 비슷한 개념인 '시트콤 아이디어'가 있고 증상을 짚는 문장이 정확히 겹쳐요. "이런 아이디어가 위험한 이유는, 친구들에게 말했을 때 '난 그거 안 쓸 것 같은데'라는 말이 안 나온다는 데 있다. 대신 이런 말이 돌아온다. '오, 그런 거면 나도 쓸 수도 있겠다'" [4].
2 왜 하필 그 아이디어에 끌리는가
1) 아이디어가 소비자용으로 쏠립니다
우리 모두가 소비자이고, 우리가 아는 창업 성공담도 죄다 소비자를 상대하는 회사니까요. 세이벨은 오라클이나 시스코처럼 기업에 데이터베이스나 네트워크 장비를 파는 회사에 반해서 창업하겠다는 사람은 거의 못 봤다고 말합니다 [1]. 창업을 떠올릴 때 그려지는 건 누구나 쓰는 앱이지, 눈에 잘 띄지도 않는 기업용 장비나 소프트웨어가 아니라는 거예요. 사람은 앞쪽에만 몰리고, 정작 자리가 비어 있는 쪽은 뒤쪽입니다.
2) 합격선이 얼마나 높은지 모릅니다
초창기 구글은 광고 한 번 없이 사람들이 주소를 직접 쳐서 찾아오게 만들었고, 초창기 페이스북은 문을 연 지 이틀 만에 하버드 학생 상당수가 쓰면서 하루 두 시간씩 붙잡고 있었습니다. 세이벨이 하려는 말은 하나예요. 이 회사들의 창업자는 제발 좀 써 달라고 사정하지 않았습니다 [1]. 소비자용 제품이 넘어야 하는 선이 원래 이 정도라는 겁니다.
3) 하겠다는 사람은 넘치는데 사겠다는 사람이 없습니다
콜드웰의 지적이 가장 날카롭습니다. 타르핏이란 결국 시장이 원하는 정도에 비해 창업하겠다는 사람이 가장 많이 몰린 아이디어라는 거예요 [1]. 좋아하는 밴드를 찾아 주는 앱은 만들고 싶은 사람이 넘칩니다. 일하면서 공연을 실컷 볼 수 있으니까요. 반대로 공장에서 쓰는 소프트웨어는 하겠다는 사람이 거의 없습니다. 수요 쪽은 더 냉정해요. 아직 나오지도 않았고 남들과 다를 것도 없는 소셜 앱을 기다리는 사람이 몇이나 될까요. 콜드웰의 답은 "0명"입니다 [1].
4) 문제는 진짜인데 답이 아예 없습니다
세이벨이 든 예가 이걸 잘 보여 줍니다. 오늘 밤 문을 연 식당의 수는 정해져 있고, 그게 전부입니다. 어딘가에 더 좋은 가게가 숨어 있기를 내가 바란다고 해서 그런 가게가 생기지는 않아요 [1]. 맛집 추천 앱이 계속 실패하는 건 추천 기술이 부족해서가 아니라, 애초에 추천할 후보가 그것뿐이어서일 수 있다는 뜻입니다. 사람들이 새 음악을 듣고 싶다고 말하면서 정작 늘 듣던 유명한 곡만 반복해 듣는 것도 같은 이야기죠 [1].
원전이 실제로 지목한 사례
맛집·행사·공연·음악을 찾아 주는 추천 앱 전반, 친구들과 오늘 뭐 할지 정하는 약속 조율 앱, 도박·베팅이나 개인 주식 거래 앱, 기존 서비스에 코인만 얹으면 된다는 식의 웹3 아이디어, 출시도 안 했고 차별점도 없는 소셜 앱 [1], [2], [3]. 속편은 두 가지를 더합니다. 하나는 세상이 지금과 다르게 굴러가야 한다고 믿는 유형이에요. 사람의 습관을 바꾸는 일은 생각보다 훨씬 어렵습니다. 다른 하나는 타이밍만 잘 잡으면 한 방에 부자가 된다고 믿는 유형입니다 [2].
맛집·행사·공연·음악을 찾아 주는 추천 앱 전반, 친구들과 오늘 뭐 할지 정하는 약속 조율 앱, 도박·베팅이나 개인 주식 거래 앱, 기존 서비스에 코인만 얹으면 된다는 식의 웹3 아이디어, 출시도 안 했고 차별점도 없는 소셜 앱 [1], [2], [3]. 속편은 두 가지를 더합니다. 하나는 세상이 지금과 다르게 굴러가야 한다고 믿는 유형이에요. 사람의 습관을 바꾸는 일은 생각보다 훨씬 어렵습니다. 다른 하나는 타이밍만 잘 잡으면 한 방에 부자가 된다고 믿는 유형입니다 [2].
3 AI 시대에 타르핏이 폭증하는 구조
흔히들 "AI가 내놓는 아이디어는 수준이 낮아서 위험하다"고 생각합니다. 그런데 데이터는 정반대를 말해요.
반전 1. AI 아이디어는 오히려 수준이 높습니다. 그게 문제예요
와튼스쿨 연구진이 학생이 낸 아이디어 200개와 GPT-4가 낸 아이디어 100개를 비교했더니, AI 쪽이 평균 점수가 더 높았고 상위 10%에 들 확률은 약 7배였습니다 [11]. 대신 아이디어끼리 내용이 많이 겹쳤어요. AI는 형편없는 아이디어를 주지 않습니다. 그럴듯한데 남들과 똑같은 아이디어를 줍니다.
반전 2. 겹치는 건 나 혼자가 아니라 우리 모두입니다
생성형 AI는 개인의 창의성은 끌어올리면서, 결과물끼리 닮은 정도를 약 10.7% 높여 전체 다양성을 떨어뜨립니다 [9]. ChatGPT를 쓴 팀의 아이디어 다양성은 45개 비교 가운데 37개에서 뚜렷하게 낮았고, 서로 모르는 참가자 여러 명이 똑같은 아이디어 이름을 내놓기도 했어요 [10]. 이 현상은 한 사람 안에서가 아니라 서로 다른 사용자들 사이에서 벌어집니다 [12].
반전 3. 게다가 듣기 좋게 말해 줍니다
사람의 선호를 학습시키는 과정(RLHF)은 사용자 말에 맞장구치는 답변에 점수를 주게 되어 있습니다 [6]. OpenAI는 2025년 4월 지나치게 비위를 맞추는 업데이트를 내놨다가 며칠 만에 되돌렸다고 직접 밝혔고 [7], 정답이 정해지지 않은 조언을 구할 때 AI가 사람보다 상대의 체면을 세워 주는 쪽으로 답하는 경우가 약 45%p 더 많았습니다 [8]. 사용자가 아니라고 우기면 입장을 바꾸는 비율도 꽤 높고 [13], 틀린 전제를 던져 주면 성능이 가장 좋은 모델조차 약 29%는 그 틀린 내용을 맞는 것처럼 '증명'해 냅니다 [14].
두 가지를 겹치면
AI에게 "내 아이디어 어때?"라고 묻는 건 가장 흔한 답을 가장 듣기 좋은 말투로 받아 오는 일이에요. 그런데 타르핏의 정의 자체가 '누구나 그럴듯하다고 여기고 칭찬해 주는 아이디어'입니다. 그러니까 지금 우리가 묻는 방식은 타르핏을 걸러 내는 장치가 아니라, 오히려 타르핏을 만들어 내는 장치에 가깝습니다.
ℹ️ 다만 "AI가 어떤 창업 아이디어에나 후한 점수를 준다"를 직접 측정한 연구는 아직 없습니다. 위 결론은 아부 성향 연구와 다양성 감소 연구를 겹쳐서 끌어낸 추론이므로, 정설처럼 인용하면 안 됩니다.
4 질문을 바꾸는 진단 프롬프트 4종
해법은 의외로 단순합니다. 프리드먼은 이렇게 말해요. "일단 검색부터 해 보세요. 자기 아이디어를 검색해서 예전에 누가 이걸 했는지 확인조차 안 하는 창업자가 놀랄 만큼 많습니다. 먼저 해 본 사람을 찾아내고, 가능하면 직접 만나서 이야기를 들으세요" [3]. 콜드웰은 덧붙입니다. "먼저 뛰어든 사람들이 실패한 건 그들이 멍청해서가 아닙니다" [1].
아래 넷은 이 조언을 AI 대화로 옮긴 거예요. 순서대로 쓰세요. 1번으로 걸러 내고 → 2번으로 뜯어보고 → 3번으로 빠져나갈 길을 확인하고 → 4번으로 AI가 말을 무르지 못하게 조입니다.
아래 넷은 이 조언을 AI 대화로 옮긴 거예요. 순서대로 쓰세요. 1번으로 걸러 내고 → 2번으로 뜯어보고 → 3번으로 빠져나갈 길을 확인하고 → 4번으로 AI가 말을 무르지 못하게 조입니다.
프롬프트 1. 10초 판별 (칭찬을 실패로 뒤집기)
내 아이디어는 이거야: [아이디어 한 줄] 이 아이디어가, 과거에 수많은 창업자가 똑같이 시도했다가 실패한 '타르핏 아이디어'인 이유 3가지를 말해 줘. 장점, 가능성, 개선안은 절대 쓰지 마. 실패 이유만 써.
효과는 질문의 방향을 뒤집는 데 있어요. "어때?"라고 물으면 AI는 평가자 자리에 앉고, 평가자 자리에 앉은 AI는 듣기 좋은 말을 하려는 성향에 그대로 노출됩니다 [6], [8]. 반면 "실패 이유 3가지"는 AI를 검사관 자리에 앉히고, 답변의 형식까지 미리 정해 버립니다.
프롬프트 2. 정밀 진단 (선행 부검 + 판별 6문항)
역할: 너는 초기 투자 심사역이자, 실패한 스타트업을 해부하는 분석가야. 칭찬, 격려, 완충 표현을 쓰지 마. 확실하지 않으면 "확인 불가"라고 써. 아이디어: [아이디어] 대상 고객: [누구] 현재 그들이 쓰는 대안: [무엇] 아래 순서대로 답해 줘. ① 선행 시도: 같은 문제를 풀려 한 회사·제품 5개. 각각 이름, 시기, 현재 상태(폐업/피벗/정체), 실패했다면 그 원인. 모르면 "확인 불가". ② 타르핏 판별 6문항. 각 문항에 예/아니오와 근거 한 줄: 1) 이미 많은 사람이 똑같이 시도했는가 2) 이 아이디어를 말하면 대부분 "오, 괜찮은데?"라고 하는가 3) 일반 소비자를 대상으로 하는가 4) 이 일을 하고 싶어 하는 사람이, 이 일을 할 수 있는 사람보다 많은가 5) 문제는 진짜인데 해답 자체가 존재하지 않을 가능성이 있는가 6) 이 아이디어에 반박당하면 내가 방어적으로 변할 것 같은가 ③ 구조적 실패 원인 3가지. 개인의 실행력 부족이 아니라, 누가 해도 반복될 구조적 이유로만 써. ④ 최종 판정: 타르핏 / 흔한 아이디어 / 희소한 아이디어 중 하나와 근거. ②의 6문항 중 4개 이상이 '예'면 타르핏으로 판정해.
6문항은 원전이 말한 신호를 그대로 옮긴 거예요. 1·2번은 "많은 사람이 뛰어들고 칭찬을 많이 받는다"는 정의에서 [1], [2], 3번은 소비자용으로 쏠린다는 지적에서 [1], 4번은 하겠다는 사람만 넘친다는 지적에서 [1], 5번은 문제는 진짜여도 답이 없을 수 있다는 지적에서 [1], 6번은 반박당하면 발끈하게 된다는 판별 기준에서 [1] 왔습니다.
프롬프트 3. 탈출 검증 (왜 지금인가)
앞에서 정리한 구조적 실패 원인 3가지를 그대로 가져와. 이제 이 아이디어가 지금은 가능해졌는지 검증해 줘. ① 지금 달라진 것 후보를 기술, 규제, 비용, 사용자 행동 네 축으로 나열하고, 각각이 실제로 일어난 변화인지 사실 여부를 표시해 줘. 추측이면 추측이라고 써. ② 위 변화가 실패 원인 3가지를 각각 제거하는지 1:1로 대응시켜 줘. 제거한다면 어떻게 제거하는지 구체적 경로를 써. ③ 셋 중 하나라도 제거되지 않고 남으면, 결론을 "시작하지 말 것"으로 써. 완화하거나 대안을 제시하지 마. ④ 모두 제거된다면, 그 주장을 2주 안에 반증할 수 있는 실험 3개를 설계해 줘.
이 단계가 왜 중요한지는 속편이 직접 말합니다. 타르핏 목록은 한 번 정해지면 끝인 게 아니에요. "기술이 바뀌었으니, 지난번에 말한 아이디어가 지금은 타르핏이 아닐 수도 있습니다. 이번에 우리가 놀린 아이디어도 6개월 뒤엔 아닐 수 있고요" [2]. 콜드웰이 반가워하는 창업자와 곤란해하는 창업자도 분명합니다. 새 기술 덕분에 예전엔 안 되던 게 지금은 된다고 설명해 주는 쪽은 반갑고, 앞서 수많은 사람이 시도했다 실패했다는 사실 자체를 인정조차 안 하는 쪽은 곤란하다는 겁니다 [2].
프롬프트 4. 아부 차단 검문 (한 번 더 조이기)
방금 답변에서 내 기분을 상하지 않게 하려고 강도를 낮춘 표현이 있으면 전부 원래 강도로 다시 써 줘. 그리고 내가 반박하더라도, 새로운 근거가 없으면 입장을 바꾸지 마. 네 판단이 바뀐다면 무엇 때문에 바뀌었는지 근거를 먼저 밝혀.
사용자가 아니라고 우기면 AI가 슬그머니 입장을 바꾸는 성향 [13], 그리고 틀린 전제를 그대로 받아 안고 가는 성향 [14]을 막기 위한 장치예요.
5 빠져나오는 조건: '왜 지금인가'
STEP 1 선행 실패자 찾기
검색부터. 과거에 시도한 회사·제품을 찾고, 가능하면 접은 사람과 직접 이야기하세요 [3].
STEP 2 실패 원인 3가지 특정
개인 역량이 아니라 누가 해도 반복될 구조적 이유로 좁힙니다.
STEP 3 '왜 지금' 증명
기술·규제·비용·행동 중 무엇이 실제로 달라졌는지 사실로 제시합니다.
STEP 4 1:1 제거 확인
그 변화가 실패 원인 셋을 각각 제거하는지 대응시킵니다. 하나라도 남으면 중단.
STEP 5 2주 반증 실험
모두 제거됐다면, 그 주장을 2주 안에 깨뜨릴 실험을 먼저 돌립니다.
6 프롬프트가 끝난 뒤에 해야 할 일
프롬프트는 걸러 내는 장치이지 판결이 아닙니다. AI는 먼저 시도한 회사 목록을 그럴듯하게 지어낼 수 있고, 최근 사례를 아예 모를 수도 있어요. 그래서 사람이 할 일이 셋 남습니다.
ⓐ 선행 사례 목록을 직접 검색해서 대조하기
원전이 강조한 게 바로 이겁니다 [3]. AI가 준 회사 이름이 실제로 있는지, 정말 그 이유로 접었는지 확인하세요.
ⓑ 하다가 접은 사람에게 직접 물어보기
왜 접었는지에 대한 그 사람의 한 문장이, AI가 쓴 세 문단보다 정확합니다.
ⓒ "사람들이 원할까"는 사람에게 묻기
롭 피츠패트릭의 원칙대로, 믿을 수 있는 건 "살 것 같다"는 말이 아니라 이미 일어난 행동입니다 [5].
BizGRABIT ↗BizGRABIT의 고객 시뮬레이션은 그다음을 맡습니다. 타르핏 진단이 '왜 실패했는지'를 과거에서 캐낸다면, 고객 시뮬레이션은 '지금 이 사람들이 반응하는지'를 앞당겨 봅니다. 아이디어를 실제 고객층에 던졌을 때 지갑을 여는지 그냥 지나치는지를, 내놓기 전에 확인하는 방식이에요.
ℹ️ 시뮬레이션도 내놓기 전에 걸러 내는 장치일 뿐입니다. 최종 판정은 언제나 실제 고객의 행동이 내립니다.
⚠️ 오해하지 마세요, 손대면 안 되는 목록이 아닙니다
원전도 분명히 선을 긋습니다. 타르핏이라고 해서 반드시 불가능한 건 아니고, 언젠가 누군가는 친구들 약속 잡아 주는 앱을 성공시킬 수도 있다는 거예요. 다만 "보기보다 훨씬 어려운, 흔한 아이디어"로 보는 편이 정확하다는 것입니다 [3].1편의 결론도 같아요. 이 분야에서 만들지 말라는 게 아니라, 두 눈 똑바로 뜨고 들어가라는 겁니다. 자기가 어떤 판에 뛰어드는지는 알고 하라는 뜻이죠 [1].
💡 칭찬은 검증이 아닙니다
"이거 괜찮아?"라고 물으면 칭찬이 돌아오고, 칭찬은 타르핏의 증상입니다.
"왜 아직 아무도 못 했지?"라고 물으면 구조가 보이고, 구조를 봐야 빠져나갈 길도 보입니다.
참고 문헌 (References)
[1] M. Seibel and D. Caldwell, "Tarpit Ideas: What Are Tarpit Ideas and How to Avoid Them," Y Combinator Library, 2022.
[2] M. Seibel and D. Caldwell, "Tarpit Ideas: The Sequel," Y Combinator Library, Jul. 19, 2024.
[3] J. Friedman, "How to Get and Evaluate Startup Ideas," Y Combinator Startup School, Nov. 17, 2022.
[4] P. Graham, "How to Get Startup Ideas," paulgraham.com, Nov. 2012.
[5] R. Fitzpatrick, The Mom Test: How to Talk to Customers and Learn If Your Business Is a Good Idea When Everyone Is Lying to You. Scotts Valley, CA: CreateSpace, 2013.
[6] M. Sharma et al., "Towards Understanding Sycophancy in Language Models," in Proc. Int. Conf. Learning Representations (ICLR), 2024. arXiv:2310.13548.
[7] OpenAI, "Sycophancy in GPT-4o: What Happened and What We're Doing About It," OpenAI Blog, Apr. 29, 2025.
[8] M. Cheng et al., "Social Sycophancy: A Broader Understanding of LLM Sycophancy (ELEPHANT)," arXiv preprint arXiv:2505.13995, 2025.
[9] A. R. Doshi and O. P. Hauser, "Generative AI Enhances Individual Creativity but Reduces the Collective Diversity of Novel Content," Science Advances, vol. 10, no. 28, 2024.
[10] L. Meincke, G. Nave, and C. Terwiesch, "Using Large Language Models for Idea Generation Reduces the Diversity of Generated Ideas," Nature Human Behaviour, 2025.
[11] K. Girotra, L. Meincke, C. Terwiesch, and K. T. Ulrich, "Ideas are Dimes a Dozen: Large Language Models for Idea Generation in Innovation," SSRN Working Paper No. 4526071, 2023.
[12] B. Anderson, J. Shah, and M. Kreminski, "Homogenization Effects of Large Language Models on Human Creative Ideation," in Proc. ACM Creativity and Cognition (C&C), 2024.
[13] "SycEval: Evaluating LLM Sycophancy," arXiv preprint arXiv:2502.08177, 2025.
[14] "BrokenMath: Evaluating Sycophancy in Mathematical Reasoning," arXiv preprint arXiv:2510.04721, 2025.
[2] M. Seibel and D. Caldwell, "Tarpit Ideas: The Sequel," Y Combinator Library, Jul. 19, 2024.
[3] J. Friedman, "How to Get and Evaluate Startup Ideas," Y Combinator Startup School, Nov. 17, 2022.
[4] P. Graham, "How to Get Startup Ideas," paulgraham.com, Nov. 2012.
[5] R. Fitzpatrick, The Mom Test: How to Talk to Customers and Learn If Your Business Is a Good Idea When Everyone Is Lying to You. Scotts Valley, CA: CreateSpace, 2013.
[6] M. Sharma et al., "Towards Understanding Sycophancy in Language Models," in Proc. Int. Conf. Learning Representations (ICLR), 2024. arXiv:2310.13548.
[7] OpenAI, "Sycophancy in GPT-4o: What Happened and What We're Doing About It," OpenAI Blog, Apr. 29, 2025.
[8] M. Cheng et al., "Social Sycophancy: A Broader Understanding of LLM Sycophancy (ELEPHANT)," arXiv preprint arXiv:2505.13995, 2025.
[9] A. R. Doshi and O. P. Hauser, "Generative AI Enhances Individual Creativity but Reduces the Collective Diversity of Novel Content," Science Advances, vol. 10, no. 28, 2024.
[10] L. Meincke, G. Nave, and C. Terwiesch, "Using Large Language Models for Idea Generation Reduces the Diversity of Generated Ideas," Nature Human Behaviour, 2025.
[11] K. Girotra, L. Meincke, C. Terwiesch, and K. T. Ulrich, "Ideas are Dimes a Dozen: Large Language Models for Idea Generation in Innovation," SSRN Working Paper No. 4526071, 2023.
[12] B. Anderson, J. Shah, and M. Kreminski, "Homogenization Effects of Large Language Models on Human Creative Ideation," in Proc. ACM Creativity and Cognition (C&C), 2024.
[13] "SycEval: Evaluating LLM Sycophancy," arXiv preprint arXiv:2502.08177, 2025.
[14] "BrokenMath: Evaluating Sycophancy in Mathematical Reasoning," arXiv preprint arXiv:2510.04721, 2025.
© 2026 Demian Park. All rights reserved. VentureLabs (BizGRABIT)