AI가 채용 서류를 심사하고, 대출 한도를 산정하고, 복지 대상자를 가려내는 시대가 이미 성큼 다가와 있습니다.
그런데 이 판단들이 성별에 따라 다르게 작동할 수 있다는 우려도 함께 커지고 있습니다.

이른바 'AI 성별 편향(AI Gender Bias)'이란,
AI가 학습한 데이터나 알고리즘 설계 과정에서 특정 성별에게 불리하거나 유리한 결과를 반복적으로 산출하는 현상을 말합니다.
해외에서는 AI 채용 시스템이 여성 지원자의 이력서를 낮게 평가한 사례가 논란이 된 바 있고,
국내 실증 연구에서도 LLM 기반 AI가 고도화되는 것과 별개로 젠더 편향은 쉽게 사라지지 않는다는 결과가 나온 바 있습니다.
AI 개발자 대다수가 남성이고, AI가 상정하는 사용자 집단 역시 도시 중산층 남성에 가까운 경우가 많다는 점이 그 배경으로 지목됩니다.
게다가 개발 이후 편향을 검증하는 방식조차 단순하다는 지적도 있습니다. 기획과 설계, 검증에 이르는 전 과정에서 편향이 스며들기 쉬운 구조라는 것입니다.

이런 문제의식 위에서, 피앰아이(PMI)는 만 20~59세 생성형 AI 사용 경험자 1,000명을 대상으로
「AI 공정성과 성별 편향에 관한 인식 조사 2026」을 실시했습니다.
그 결과, 국민 다수는 AI의 공공 영역 도입과 성별 편향 문제에 대해 신중한 접근을 요구하고 있는 것으로 나타났습니다.

공공기관의 AI 도입 속도, 응답자는 '검증'을 먼저 요구했다

가장 먼저 눈에 띈 것은 속도에 대한 태도였습니다.
공공기관의 AI 도입 방식에 대해 확인해본 결과, 응답자의 68.1%가 '시간이 걸리더라도 충분한 검증을 거쳐야 한다'고 답했습니다.
'편의성과 효율성을 위해 빠른 도입이 중요하다'는 응답(20.7%)의 세 배가 넘는 수치입니다.
이는, AI를 거부하는 것이 아니라, 다만 그 도입의 순서를 신중하게 밟아가길 원한다는 뜻으로 읽힙니다.

이 신중론은 성별과 연령에 따라 온도 차를 보였습니다.
여성(72.6%)이 남성(63.6%)보다 검증을 우선해야 한다는 응답이 9%포인트 높았고, 연령이 높아질수록 신중한 태도는 더 뚜렷해졌습니다.
50대의 검증 우선 응답은 75.4%로, 20대(60.6%)와는 확연한 차이를 보였습니다.

다만 여기서 흥미로운 반전이 하나 있습니다.
AI를 업무에 매일 활용하는 '헤비 유저' 집단에서는 빠른 도입에 대한 수용도(35.8%)가 라이트 유저(17.4%)의 두 배 수준으로 나타났습니다.
AI를 자주, 깊이 써본 사람일수록 그 효율성에 대한 기대 역시 함께 커지고 있다는 뜻입니다.
신중함과 기대감은 서로 반대되는 감정이 아니라, 경험의 깊이에 따라 자리를 바꾸는 감정이었던 셈입니다.

'한국형 AI 편향 점검 기준', 응답자 64%가 필요하다고 답한 이유

이번 조사에서 가장 눈에 띄는 대목은 따로 있었습니다.
응답자의 63.8%가 '한국 사회에 맞는 AI 성별 편향 점검 기준이 별도로 필요하다'고 답한 것입니다.

여기서 '한국형 점검 기준'이란, 해외에서 만들어진 AI 규제·평가 체계를 그대로 들여오는 대신,
한국어 표현 방식과 국내 성역할 인식, 노동시장 관행 등 한국 사회 고유의 맥락을 반영해 편향 여부를 판단할 수 있는 별도의 기준을 뜻합니다.
같은 알고리즘이라도, 그것이 작동하는 사회적 맥락에 따라 편향의 양상은 다르게 나타날 수 있다는 문제의식이 그 바탕에 있습니다.

이 요구에는 성별을 가리지 않는 폭넓은 공감대가 형성돼 있었습니다.
남성(62.0%)과 여성(65.6%) 모두 60%를 웃도는 동의율을 보였습니다.
다만 연령대별로는 온도 차가 존재했는데, 50대(72.8%)의 동의율이 가장 높았고 30대(57.0%)가 가장 낮았습니다.

AI 사전 점검이 시급한 분야, 성별에 따라 우려 지점이 갈렸다

AI 도입에 앞서 정부의 사전 점검이 필요하다고 본 분야를 물었을 때,
'범죄 예방 및 치안'(남성 50.0%, 여성 47.5%)과 '의료 진단'(남녀 각 44.0%)이 성별 차이 없이 나란히 최상위권에 올랐습니다.
두 분야는 AI 판단의 오류가 개인의 신체와 안전에 직결된다는 공통점을 지니고 있습니다.

반면 그 아래 순위에서는 성별에 따른 차이가 뚜렷해졌습니다.
'복지 대상자 선정'은 여성(46.6%)이 남성(41.2%)보다 5.4%포인트 높았고,
반대로 '채용'에 대해서는 남성(39.6%)이 여성(34.8%)보다 4.8%포인트 높게 나타났습니다.
어느 영역의 AI 판단을 더 걱정하는지가 성별에 따라 갈린 셈입니다.
이는 하나의 기준을 일괄 적용하기보다, 분야와 대상에 따라 세분화된 정책 접근이 필요하다는 점을 보여주는 결과입니다.

AI 공정성을 높이려면? '설명 가능성'과 '사람의 최종 검토'

그렇다면 AI의 공정성을 확보하기 위해 가장 필요한 것은 무엇일까요?
응답자들은 'AI 판단 근거를 설명해주는 기능'(21.6%)을 1위로 꼽았고, '사람이 최종 검토하는 절차'(17.6%)가 그 뒤를 이었습니다.

두 응답을 나란히 놓고 보면 하나의 그림이 그려집니다.
AI가 어떤 근거로 그런 판단을 내렸는지 투명하게 드러내는 장치, 그리고 그 판단을 사람이 한 번 더 확인하는 이중의 안전장치.
국민들이 AI에게 요구하는 것은 결국 '보이는 판단'과 '검증 가능한 절차'였습니다.

핵심 요약 Q&A

Q. AI 성별 편향이란 무엇인가요?
A. AI가 학습한 데이터나 알고리즘 설계 과정에서 특정 성별에게 불리하거나 유리한 결과를 반복적으로 산출하는 현상을 말합니다.
채용, 대출 심사, 복지 대상자 선정 등 AI가 사람에 대한 판단을 내리는 영역에서 주로 문제가 됩니다.

Q. '한국형 AI 편향 점검 기준'이 왜 필요한가요?
A. 해외에서 만들어진 AI 규제·평가 체계는 한국어 표현 방식, 국내 성역할 인식, 노동시장 관행 등 한국 사회 고유의 맥락을 충분히 반영하지 못할 수 있기 때문입니다. 이번 조사에서도 응답자의 63.8%가 별도 기준의 필요성에 공감했습니다.

Q. AI 도입 시 사전 점검이 가장 필요한 분야는 어디인가요?
A. 범죄 예방 및 치안, 의료 진단 분야가 성별 관계없이 가장 시급한 점검 대상으로 꼽혔습니다.
복지 대상자 선정과 채용 분야는 성별에 따라 우려하는 정도에 차이가 있었습니다.

Q. AI 공정성을 높이기 위해 가장 필요한 장치는 무엇인가요?
A. 'AI 판단 근거를 설명해주는 기능'과 '사람이 최종 검토하는 절차'가 가장 많은 응답을 받았습니다.
판단 과정의 투명성과 인간의 이중 검토가 핵심 요건으로 확인됐습니다.

이번 조사는 피앰아이가 만 20~59세 생성형 AI 사용 경험자 1,000명을 대상으로 2026년 6월 24일부터 25일까지 온라인으로 진행했습니다.