남자가 말하면 거짓말 취급받는다?
"주요 LLM은 전부 남성에게 비밀리에 편향돼 있다."
2026년 8월 16일, X 계정 How To Prompt(@HowToPrompt__)가 올린 이 주장이 8만 2천 회 넘게 조회되며 퍼졌다.
같은 문장을 화자의 성별만 바꿔서 AI에게 진위를 판정시켰더니, 남성이 말했다고 표시된 진술이 더 자주 "거짓"으로 분류됐다는 내용이다.
실제 논문은 6개 모델을 테스트했다
이 주장의 근거가 된 논문은 실제로 존재한다.
Razieh Chalehchaleh, Reza Farahbakhsh, Noel Crespi가 쓴 "Unequal Verdicts: Investigating Gender Bias in LLM-Based Fake News Detection"이다. 2026년 8월 4일 arXiv에 공개됐다.
연구진은 가짜뉴스 판별용 벤치마크 LIAR의 화자 정보를 성별 중립·남성·여성 세 버전으로 바꿔 6개 모델에 각각 물었다.
같은 문장인데도 화자 성별 표시만 바꾸면 진위 판정이 흔들렸다.
남성-여성 버전을 비교했을 때 판정이 뒤집힌 비율(flip rate)은 최대 23.6%에 달했다.
방향성도 뚜렷했다. 같은 주장이라도 남성이 말했다고 표시되면 모델이 더 회의적이고 엄격하게 판단하는 "male-skeptic" 패턴이 나타났다.
테스트한 모델은 13개가 아니라 6개
다만 바이럴 트윗의 "13개 모델을 테스트했다"는 표현은 정확하지 않다.
논문에서 실제로 평가한 모델은 6개다.
연구 자체의 핵심 결론 — 모든 모델이 성별에 민감하게 반응했고, 남성 화자 진술에 더 회의적이었다는 부분 — 은 논문 내용과 일치한다.
하지만 숫자를 부풀린 인용은 원문 확인 없이 그대로 옮기면 안 되는 대표적인 사례다.
채용에서도 비슷한 패턴이 나왔다
공교롭게도 비슷한 시기에 발표된 또 다른 연구도 성별에 따른 AI 판정 차이를 보고했다.
David Rozado의 "Gender and Positional Biases in LLM-Based Hiring Decisions"는 앤트로픽·구글·메타·오픈AI 등 22개 모델에 70개 직군별 이력서 쌍을 동일 스펙으로 주고 채용 적합도를 판정시켰다.
결과는 모든 모델이 여성 이름이 붙은 이력서를 일관되게 더 높게 평가했다. 이 논문은 PeerJ Computer Science에 게재됐다.
두 연구는 서로 다른 과제(진위판별 vs 채용 평가)를 다루지만, 공통적으로 "성별 표시만 바꿔도 AI 판정이 달라진다"는 사실을 보여준다.
성별 필드부터 지워야 하는 이유
두 논문 모두 같은 시사점을 가리킨다. 이력서 심사·콘텐츠 검수·팩트체크처럼 AI에 판단을 맡기는 업무에서는, 성별이 결과에 영향을 주지 않아야 할 항목이라면 애초에 프롬프트나 입력 데이터에서 성별 정보를 제거하는 편이 안전하다.
Rozado 논문은 이름을 "지원자 A" "지원자 B" 같은 중립 표기로 바꾸자 일부 모델의 편향이 줄어드는 것도 함께 확인했다.
소속 기관과 심사 여부는 미확인
두 논문의 저자 소속 기관은 이번 확인 과정에서 명확히 확인되지 않았다.
가짜뉴스 판별 논문은 게재 학술지가 아직 확인되지 않았고(2026년 8월 4일 arXiv 프리프린트 단계), 정식 동료 심사(peer review) 완료 여부도 확인되지 않았다.
