Threads digest · @edutrend_
일·연구의 변화AI 혁신은 노동시장의 성별 격차를 어떻게 다시 쓰고 있을까?
AI의 영향은 성별과 직종, 숙련도와 임금에 따라 다르게 나타날 수 있습니다. 두 AI 유형의 노출 차이에서 도입률과 보상, 알고리즘 편향까지 따라가며 성별 노동 격차를 줄이기 위한 조건을 살펴봅니다.

AI 혁신은 노동시장의 성별 격차를 어떻게 다시 쓰고 있을까?
AI가 노동시장을 흔들고 있지만, 그 파장이 남성과 여성에게 미치는 방식은 같지 않습니다.
미국 직종별 AI 노출을 분석한 연구는 직종 분리와 AI 기술의 특성이 결합할 때, 기존의 구조적 성별 불평등이 증폭될 수 있는 경로를 짚습니다. 어떤 직종에서 일하는지에 따라 마주하는 기술과 위험도 달라집니다.
남성 다수 직종은 광범위한 AI, 여성 다수 직종은 LLM
연구진은 특허 기반 지표인 AII와 Claude 실사용을 반영한 Anthropic Index를 직종별 성비와 교차 분석했습니다.
남성 다수 직종은 로봇 등을 포함하는 광범위한 AI 혁신에, 여성 다수 직종은 대형 언어 모델(LLM)에 상대적으로 더 많이 노출되어 있었습니다.
문서 작업, 행정, 고객 지원처럼 여성 인력이 많이 종사하는 업무와 텍스트 기반 LLM의 접점에 주목해야 하는 이유입니다.
숙련도와 임금 사다리에서 드러난 비대칭
숙련도와 임금을 함께 반영한 SW 점수로 직종을 나누면 또 다른 차이가 드러납니다.
남성 다수 직종에서는 AI 노출이 고임금·고숙련 직종에 더 집중됐습니다. 반면 여성 다수 직종에서는 저임금·저숙련부터 고임금·고숙련까지 노출도가 상대적으로 고르게 분포했습니다.
여성 다수 직종의 변화는 상위 전문직만의 문제가 아닙니다. 노동시장에서 더 취약한 저임금·저숙련 직종까지 함께 살펴야 합니다.
보조 도구의 기회와 대체의 위험
같은 AI 노출이라도 직종에 따라 의미는 달라질 수 있습니다. 여기서 노출은 업무가 AI의 영향을 받을 가능성이며, 실제 해고나 임금 하락을 측정한 값은 아닙니다.
연구진은 노출도 분석을 선행 연구와 연결해, 고임금·고숙련 남성 다수 직종에서는 AI가 복잡한 의사결정을 돕고 생산성을 높이는 보조 도구로 쓰일 가능성에 주목합니다.
반면 여성 인력이 밀집한 저임금 사무·행정·서비스 직종에서는 반복 업무의 자동화와 직무 재편이 일자리 대체, 임금 하락, 경력 기회 축소의 위험으로 이어질 수 있습니다.
AI 도입률과 보상의 젠더 갭
도구를 활용하고 그 성과를 얻는 과정에서도 격차가 생깁니다. 논문이 검토한 선행 연구에서는 남성의 생성형 AI 이용률이 더 높았고, 학술 연구자를 대상으로 한 조사에서는 남성이 더 자주 사용하며 더 큰 효율성 향상을 보고했습니다.
여성의 상대적으로 낮은 도입률에는 기술에 대한 지식 격차가 주요하게 관련됐으며, 신뢰와 개인정보 우려도 함께 작용했습니다.
이러한 활용과 생산성의 차이가 성과 평가와 성과급에 반영된다면, 기존의 성별 임금 격차를 더 벌릴 수 있습니다.
알고리즘 속에 숨겨진 젠더 편향
AI가 채용, 승진, 연봉 협상 등 인사 의사결정의 보조 도구로 자리 잡으면서 또 다른 문제가 발생합니다.
논문이 인용한 연봉 협상 조언 실험에서는 직무와 경력 수준 등 조건을 맞춰도, 여성이라는 단서를 준 사용자에게 더 낮은 희망 연봉을 권하는 편향이 보고됐습니다.
과거의 불평등한 고용 데이터를 학습한 AI가 채용·승진·임금 결정에서 기존 격차를 재생산할 위험도 있습니다. 겉으로 중립적인 도구라도 공정성을 별도로 점검해야 합니다.
젠더 관점의 노동 안전망이 필요한 이유
저임금·저숙련 여성 다수 직종은 자동화와 직무 재편 위험에 더해, 재교육과 경력 전환 기회에 접근하기 어려운 조건이 겹칠 수 있습니다.
단순히 AI 기술을 보급하는 정책을 넘어, 직종 분리와 성별 취약성을 고려한 맞춤형 재교육 지원과 공정한 평가 가이드라인이 필요합니다.
누가 AI를 쓰는지뿐 아니라 누가 혜택을 얻고 누가 전환의 부담을 지는지 함께 살펴야 합니다. 그렇지 않으면 AI는 오랜 성별 노동 격차를 더 굳힐 수 있습니다.
이 글에서 소개한 원문
When AI Enters the Workplace, Who Faces Greater Risks? A Gendered Analysis
Miriam Fernandez, Ángel Pavón Pérez, Damiano Giallongo, Davide Ghia, Maryam Yaqub, Daniele Quercia, Tania Cerquitelli (2026)
arXiv 프리프린트 · AIES 2026 채택(등록정보) · arXiv:2609.21756v1
연구 원문 보기 ↗