# AI로 이력서를 거르면 어떤 사람이 계속 떨어질까?

_비슷한 AI를 여러 회사가 쓰면 채용 판단도 비슷해질 수 있다_

> AI 10개를 비교한 실험에서 후속 학습 모델의 나이 많은 지원자 연락 확률은 평균 3.6% 낮았다. 모든 AI에게 떨어지는 비율도 5.6%에서 17.3%로 늘었다.

- 종류: 칼럼
- 주소: https://aisitekorea.com/column/same-ai-hiring-screen-rejects-older-applicants
- 발행: AI사이트코리아 (https://aisitekorea.com)
- 작성일: 2026-10-01

AI로 이력서를 먼저 거르는 회사가 늘고 있다. 문제는 여러 회사가 비슷한 AI를 쓰면 같은 사람이 여러 곳에서 탈락할 수 있다는 점이다. 한 연구에서는 후속 학습을 마친 AI 10개 가운데 8개가 나이 많은 지원자에게 연락할 확률을 낮췄다.

AI 하나의 판단보다 여러 회사의 판단이 같은 방향으로 모이는 것이 더 큰 문제다.

## AI가 이력서를 보면 무엇을 보고 고를까?

연구진은 미국 구인 공고 6억 건 이상과 경력 프로필 약 1억 건을 바탕으로 실제와 비슷한 채용 공고와 지원자를 만들었다. 대상은 학사 학위가 필요한 사무직 76개였다.

지원자의 이름과 대학 졸업 연도를 바꿨다. 이름으로 인종과 성별을 드러내고, 졸업 연도로 나이를 드러내는 방식이다. 나이는 35세 미만과 45세 초과로 나눴다.

같은 조건을 20번씩 물어 결과가 우연히 달라지는지도 확인했다. AI 10개를 기본 모델과 대화용으로 다듬은 후속 학습 모델로 나눠 비교했다.

| 항목 | 내용 |
|---|---|
| 조사 주체 | 옥스퍼드대·버닝글래스 연구소·UCL |
| 공개 | 2026년 8월(arXiv) |
| AI 수 | 10개(엔비디아·IBM·구글·앨런AI·알리바바·즈푸·바이두·문샷·미스트랄·TII), 140억~350억 매개변수 |
| 비교 방식 | 같은 AI의 기본 모델 vs 후속 학습(대화용 다듬기)을 마친 모델 |
| 직업 | 학사 학위가 필요한 사무직 76개 |
| 질문 구성 | 직업마다 10개 × 인종·성별·나이 8조합 × 20회 |
| AI 1개당 호출 | 12만 1,600회 |
| 바탕 데이터 | 구인 공고 6억 건 이상·경력 프로필 약 1억 건 |

## AI를 다듬으면 채용 판단도 좋아질까?

후속 학습을 마친 AI는 경력과 기술을 더 많이 반영했다. 면접 연락 여부를 경력과 기술로 설명할 수 있는 비율은 기본 모델의 9.3%에서 후속 학습 모델의 16.5%로 높아졌다.

고용주 입장에서는 좋은 변화처럼 보인다. 그런데 다른 문제가 생겼다. AI끼리 같은 지원자를 고르는 정도가 높아졌다.

AI끼리 같은 사람을 고르는 상관은 0.377만큼 높아졌다. 같은 방향으로 치우치는 상관도 0.092만큼 높아졌다. 즉 AI가 각자 다른 기준으로 판단하기보다 비슷한 기준으로 판단하는 경향이 강해졌다.

| 지표 | 기본 모델 | 후속 학습 모델 |
|---|---|---|
| 연락 여부를 경력·기술로 설명하는 비율 | 9.3% | 16.5% |
| 연락 여부를 인종·성별·나이로 설명하는 비율 | 1.5% | 1.6% |
| AI끼리 같은 사람을 고르는 상관 | 기준 | +0.377 |
| AI끼리 같은 방향으로 치우치는 상관 | 기준 | +0.092 |
| 모든 AI에게 떨어지는 지원자(전체) | 5.6% | 17.3% |
| 집단별 「모두에게 탈락」 비율 범위 | 2.9~8.3% | 12.2~21.7% |

## 그래서 어떤 지원자가 밀려났을까?

인종과 성별에서는 결과가 한쪽으로 뚜렷하게 모이지 않았다. 후속 학습 뒤 흑인과 여성 지원자에게 연락할 확률은 평균 1.1~1.5% 올랐다.

나이는 달랐다. 10개 AI 가운데 8개에서 나이 많은 지원자에게 연락할 확률이 낮아졌고, 평균 변화는 −3.6%였다. 가장 큰 변화는 IBM의 Granite 4로 0.0%에서 −10.0%로 내려갔다.

후속 학습을 마친 AI 10개의 나이 편향은 모두 마이너스였다. 범위는 −12.7%에서 −1.2%였다.

| AI(후속 학습 전→후) | 나이 많은 지원자 연락 확률 변화 |
|---|---|
| Granite 4(IBM) | 0.0% → −10.0% |
| 하락한 8개의 중간값 | −4.7% |
| 10개 평균 | −3.6% |
| Falcon H1(TII) | +1.2% |
| Qwen 3.5(알리바바) | +1.7% |
| 후속 학습 모델의 나이 편향 범위 | −12.7% ~ −1.2% |

## 여러 회사에서 계속 떨어지는 일이 생길까?

연구에서 눈여겨볼 숫자는 「모두에게 탈락」 비율이다. 후속 학습 전에는 전체 지원자의 5.6%가 10개 AI 대부분에게 떨어졌지만, 후속 학습 뒤에는 17.3%로 늘었다.

나이에 따른 차이도 있었다. 40세 이상은 평균 20.1%가 10개 AI 대부분에게 떨어졌고, 40세 미만은 14.5%였다. 두 집단의 차이는 5.6%포인트였다.

이것이 AI 하나의 문제와 다른 점이다. 사람이 채용할 때도 회사마다 판단이 다를 수 있다. 한 회사에서 떨어져도 다른 회사에서 기회를 얻을 수 있다. 여러 회사가 비슷한 AI를 쓰면 그 차이가 줄어들 수 있다.

| 집단 | 「모두에게 탈락」 비율(후속 학습 모델) |
|---|---|
| 40세 이상 평균 | 20.1% |
| 40세 미만 평균 | 14.5% |
| 차이 | 5.6%포인트 |
| 가장 높은 집단 | 21.7% |
| 가장 낮은 집단 | 12.2% |

## 작은 회사는 AI를 어디까지 써야 할까?

이 연구만으로 AI 채용을 하지 말아야 한다고 볼 수는 없다. 다만 AI가 서류를 정리하는 것과 사람을 탈락시키는 것은 나눠서 생각할 필요가 있다.

예를 들어 AI에게 이력서의 경력과 기술을 정리하게 할 수 있다. 최종 탈락 여부는 사람이 확인하는 방식이다. 특히 AI가 떨어뜨린 서류를 다시 사람이 보는 절차를 두면 한 번의 AI 판단으로 끝나는 일을 막을 수 있다.

졸업 연도처럼 나이를 짐작하게 하는 정보도 주의할 필요가 있다. 연구진은 졸업 연도만 바꿔 같은 사람의 평가가 달라지는지 확인했다. 작은 회사도 AI를 쓰기 전에 이런 정보를 가리고 결과를 비교해 볼 수 있다.

| 할 일 | 근거가 된 숫자 |
|---|---|
| AI에게 맡기기 전에 졸업 연도·나이를 가린다 | 연구진은 졸업 연도만 바꿔 나이 신호를 줬다 · 후속 학습 모델 10개 모두 나이 편향 마이너스 |
| AI는 요약·정리까지만, 탈락은 사람이 정한다 | 「모두에게 탈락」 5.6→17.3% |
| AI가 떨어뜨린 서류도 사람이 다시 본다 | 40세 이상 20.1% vs 40세 미만 14.5% |
| 같은 이력서의 졸업 연도만 바꿔 여러 번 넣어 본다 | 연구진도 조합마다 20번 반복 |
| 지원자에게 AI 사용을 알린다 | 한국 사전 고지 위반 500만 원·뉴욕 10영업일 전 고지 |

## 법도 확인해야 할까?

한국 AI기본법은 2026년 1월 22일부터 시행됐다. 채용은 고영향 AI 영역에 포함된다. 고영향 AI를 쓰는 사업자는 AI 사용 사실을 미리 알리고 위험 관리와 설명 방법, 사람의 감독을 갖춰야 한다.

사전 고지를 하지 않으면 1차 과태료가 500만 원이다. 다만 정부는 1년 이상 사실조사와 과태료를 미루겠다고 밝혔다. 이것은 행정 방침이며 법에 정해진 유예는 아니다.

작은 회사가 챗GPT 같은 AI 창에 이력서를 붙여 넣는 경우까지 이 의무가 적용되는지는 아직 분명하지 않다. 채용 AI를 직접 만들어 판매하는 회사와 단순히 AI를 사용하는 회사의 상황도 같다고 볼 수 없다.

뉴욕에서는 자동 채용도구에 대해 외부 편향 감사와 사용 전 고지 규칙을 시행하고 있다. 미국에서는 워크데이의 채용 시스템을 둘러싼 40세 이상 구직자들의 집단 소송도 진행됐다.

| 제도·사건 | 핵심 숫자 | 사장님이 볼 점 |
|---|---|---|
| 한국 AI기본법 | 2026.1.22 시행·채용 포함 10개 영역·사전 고지 위반 1차 500만 원·계도 1년 이상 | 채용에 AI를 쓴다는 사실을 알리는 것부터 |
| 뉴욕시 자동 채용도구 규칙 | 2023.7.5 단속 시작·매년 외부 편향 감사·사용 10영업일 전 고지·하루 500~1,500달러 | 판매사가 아닌 외부 감사인이 검사 |
| 미국 워크데이 소송 | 40세 이상·2025.5.16 집단 소송 허가·원고 100회 이상 탈락 | AI 판매사도 책임질 수 있다는 판단(2024.7.12) |
| 국내 기업 조사 | 206개사 중 AI 도입 기업의 31.3% 채용 축소·3.1% 확대 | 채용 문이 좁아지는 중 |

## 결국 사람이 마지막에 봐야 할까?

이 연구의 핵심은 AI 한 개가 얼마나 정확한가에만 있지 않다. 여러 회사가 비슷한 AI를 사용하면 비슷한 기준으로 같은 사람을 탈락시킬 가능성이 커질 수 있다는 데 있다.

연구에는 한계도 있다. 미국 데이터를 사용했고, 학사 학위가 필요한 사무직 76개만 대상으로 했다. 실험한 AI도 140억~350억 매개변수의 공개 모델 10개였고, 실제 기업이 사용하는 유료 AI 서비스는 포함되지 않았다.

인종 신호도 미국식 흑인·백인 이름을 사용했다. 따라서 이 결과를 한국 채용에 그대로 적용할 수는 없다. 두 명 가운데 한 명을 고르는 실험이라는 점도 실제 채용과 다르다.

그래도 나이와 관련한 결과는 10개 AI 가운데 8개가 같은 방향으로 움직였다. 작은 회사가 AI를 채용에 쓴다면 AI에게 판단을 전부 맡기기보다 정리와 비교에 활용하고, 탈락은 사람이 다시 확인하는 방식이 현실적인 대응이 될 수 있다.

요점 ① AI 10개 가운데 후속 학습 모델 8개에서 나이 많은 지원자 연락 확률이 낮아졌고, 10개 평균은 −3.6%였다. ② 모든 AI에게 떨어지는 지원자는 5.6%에서 17.3%로 늘었고, 40세 이상은 20.1%였다. ③ 40세 미만의 「모두에게 탈락」 비율은 14.5%로, 40세 이상보다 5.6%포인트 낮았다. ④ 한국 AI기본법은 2026년 1월 22일 시행됐고, 채용 관련 사전 고지 위반 1차 과태료는 500만 원이다.

## 같이 읽을 글

 

- AI에게 물어볼수록 가게가 비슷해질까?

- 똑똑한 AI를 같이 쓰면 가게들이 같은 실수를 할까?

- AI 홈페이지 점수는 어떤 AI가 매겼는지도 봐야 할까?

- AI를 잘 쓰는 직원에게 월급을 더 줘야 할까?
 

## 자료 출처

 

- Monocultural Biases: Correlated biases in large language models lead to unequal systemic exclusion rates in hiring(옥스퍼드대·버닝글래스 연구소·UCL, arXiv 2609.22169, 2026년 8월 제출, AI 10개·AI당 12만 1,600회)

- Correlated Errors in Large Language Models(코넬대 등, arXiv 2506.07962, 2025년 6월, AI 350개 이상)

- AI Screening Tools Under Scrutiny: Federal Court Preliminarily Certifies ADEA Collective Action(데이비스 라이트 트레메인, 2025년 5월, Mobley v. Workday)

- Federal Court Allows Collective Action Lawsuit Over Alleged AI Hiring Bias(홀랜드 앤 나이트, 2025년 5월)

- AI 채용프로그램의 리스크, Workday 판결(법률신문·법무법인 린)

- AI기본법 시행 6개월 — 계도기간이 끝나기 전에 우리 회사가 확인할 의무들(데이터법 해설, 2026년)

- 인공지능기본법 시행과 기업의 대응 전략: HR 중심의 실무 시사점(노동법률)

- Automated Employment Decision Tools 규칙(뉴욕시 소비자·노동자보호국)

- AI 도입기업 셋 중 한 곳은 채용 줄였다(이데일리·인크루트, 2026년 6월 23~26일, 기업 206개사)