취준생에게 공포를 파는 사람들

들어가며

구독자님, “AI가 당신의 이력서를 걸러내고 있어요.” 지난 한 달간 링크드인과 커리어 커뮤니티에서 가장 많이 공유된 문장이에요. 출처는 스탠퍼드 대학교 연구진이 발표한 논문 한 편이고요. 논문은 진짜예요. 420만 건의 실제 채용 데이터를 분석한, 이 분야 최대 규모의 실증 연구예요. 그런데 이 논문이 SNS를 타고 퍼지면서, 한 줄씩 맥락이 떨어져 나갔어요. 결론부터 말씀드리면, 논문이 발견한 건 게임 기반 채용 도구 하나의 결함이었고, 인터넷이 만든 건 “AI 채용 시스템 전체가 당신을 거부한다”는 공포 서사였어요.

제가 이 논문과 이번 뉴스레터를 준비하면서 정말 기가 차다고 생각했던 것은 소위 “취업 컨설팅”, “커리어 컨설턴트”라고 하는 이들이 이런 공포를 팔고 있었다는 거에요.(당연히 모든 이들이 그런건 아니겠지만) 더욱 웃긴건 이들은 그런 직군과 산업에 대한 전문적 지식이 없고, 심지어 취업 경험도 없는 경우가 대부분이였어요. 그냥 취업이 절실한 사람들에게 공포 마케팅을 하고 있는 거였던거죠.

논문이 진짜 발견한 것

지난 5월, 스탠퍼드 HAI 연구진이 FAccT¹​ 2026에서 발표한 논문 《Algorithmic Monocultures in Hiring》의 핵심은 알고리즘 모노컬처²​라는 개념이에요. 여러 회사가 같은 채용 AI 벤더를 쓰면, 한 모델의 편향이 시장 전체로 퍼질 수 있다는 가설이에요.

이 가설을 검증하기 위해 연구진이 확보한 데이터는 인상적이에요. 420만 건의 지원, 340만 명의 지원자, 156개 기업, 1,746개 직무. 하나의 채용 벤더가 처리한 실제 데이터를 4년치(2018~2022년) 확보했어요.

그런데 그 벤더가 뭔지를 알면, 이야기의 성격이 달라져요.

pymetrics라는 도구예요. 이력서를 분석하는 시스템이 아니에요. 지원자가 12~16개의 온라인 게임을 플레이하면, 위험 감수 성향이나 처리 속도, 계획 능력 같은 특성을 측정하고 “추천” 또는 “비추천” 둘 중 하나를 내놓아요. 게임의 대부분은 직무와 무관하게 동일해요. 창고 관리직이든 재무 분석가든 같은 게임을 하고, 약 42%의 지원자가 “비추천”을 받아요.

이 도구의 학습 방식이 진짜 문제예요. 각 기업에서 현재 그 직무에 재직 중인 직원 최소 50명을 “좋은 사례”로, 무작위 인물들을 “나쁜 사례”로 놓고 모델을 학습시켜요. “좋은 사례”는 성과가 뛰어난 직원이 아니에요. 그냥 지금 그 자리에 앉아 있는 사람이에요. “나쁜 사례”는 그 일을 못한 사람이 아니라, 아무 관계도 없는 임의의 프로필이고요. 결국 이 도구가 배우는 건 “기존 직원과 얼마나 닮았는가”이지, “이 직무를 잘 수행할 수 있는가”가 아니에요.

pymetrics는 이전까지 회사 전체 지원자를 한꺼번에 묶어서 공정성 감사를 했어요. 전체를 묶으면 흑인 지원자 합격률 52.5%, 백인 58.3%로, 미국 고용법상 불리한 영향³​ 기준을 통과해요.

연구진은 이걸 정확히 짚었어요. 미국 고용법(Title VII)은 회사 전체가 아니라 각 직무별로 평가하도록 요구해요. 그래서 1,746개 직무를 하나씩 뜯어봤더니, 약 11%의 직무가 흑인 지원자에게 불리하게 작동하고 있었어요. 흑인 지원자 전체 지원 건수의 약 26%가 바로 그 직무들에 몰려 있었고요.

이건 유효한 발견이에요. 평균이 차별을 숨길 수 있다는 걸 420만 건의 실제 데이터로 실증한 거예요. 뉴욕시의 AI 채용 감사법(Local Law 144)⁴​조차 감사 시 데이터를 통합하라고 안내하는데, 이건 논문이 지적한 것과 정확히 같은 함정이에요. 채용 도구를 운영하는 기업이라면, 직무별 감사로 전환해야 한다는 교훈은 분명해요.

여기까지는 좋아요. 문제는 그다음이에요.