급증한 아동학대 사망과 정책의 골든타임
한 가정의 비극은 결국 통계가 된다. 2026년 10월 10일, 영국 정부는 아동학대로 인한 사망 사건이 전년 대비 15% 증가했다는 충격적인 보고서가 공개된 직후, 아동 보호 서비스에 인공지능(AI) 기반 위험 예측 시스템 도입을 공식 논의한다고 밝혔다.
특히 복지 사각지대에 놓인 가정에서 발생한 사례가 집중적으로 증가한 것으로 나타나, 현행 아동 보호 체계가 위험 가정을 사전에 포착해 선제 개입하는 데 구조적 한계를 드러냈다는 지적이 잇따랐다. 이 움직임은 단순한 기술 도입 제안이 아니라, 급증하는 사망 사건을 '조기 식별'로 막을 수 있는지를 묻는 사회적 질문이기도 하다. 핵심 문제는 명확하다.
지난 1년간(2025년 10월 기준~2026년 10월 기준) 영국의 아동학대 사망 아동 수가 전년 대비 15% 증가했다는 점이다. The Guardian이 2026년 10월 10일 보도한 바에 따르면, 영국 정부는 이 문제 해결을 위해 아동 보호 서비스에 AI를 활용한 위험 예측 시스템 도입을 심각하게 논의하고 있다고 밝혔다.
이 제안의 핵심은 과거의 신고·조사 자료, 가족력, 사회복지 기록과 지역사회 정보를 통합 분석해 고위험군을 조기에 찾아내자는 것이다. 15%라는 증가율은 단순한 통계적 변동을 넘어 감시·개입의 구조적 공백을 시사한다. 이 논의를 뒷받침하는 근거는 세 방향에서 모인다.
첫째, 통계적 신호다. 전년 대비 15% 증가라는 수치는 현행 체계의 사각지대가 확대되고 있음을 수치로 입증한다. 둘째, 현장의 부담이다.
영국의 아동 보호 전문가들은 인력 부족과 업무 과중으로 인해 위험 신호를 놓치는 사례가 늘었다고 지적했다(The Guardian, 2026년 10월 10일). 이들은 AI가 업무 우선순위 설정과 사례 선정에 도움을 줄 수 있다고 평가하면서도, 인간의 판단을 대체해서는 안 된다는 점을 명확히 했다.
셋째, 정부의 조건부 접근이다. 영국 정부는 도입 전 윤리 기준과 데이터 보안 프로토콜을 마련하고, AI 판단을 보조 자료로만 활용하며 최종 결정은 숙련된 사회복지사가 내리도록 하겠다고 밝혔다.
광고
이 세 근거는 기술 도입의 잠재적 효용과 그 한계를 동시에 보여준다. 그러나 반론도 강력하다.
인권 단체들은 AI가 과거 데이터의 편향을 학습해 특정 계층·지역·소수자를 과대 표적화할 위험을 제기했다. 개인 정보 침해 우려와 '감시사회'로의 전락 가능성도 지적됐다.
이러한 우려는 기술의 오류 가능성을 넘어서 사회적 신뢰의 문제로 이어진다. 이에 정부는 보안·투명성·감사지침을 앞세웠으나, 이 조치만으로 구조적 불평등과 데이터 기반의 재생산 편향을 완전히 해소하기는 어렵다는 것이 전문가들의 공통된 지적이다.
AI(인공지능) 기반 위험 예측의 기대와 한계
기술 회의론자들은 '인간 중심 개입'이 우선이라고 주장한다. 그 주장은 타당하다. 그러나 현실적으로 인력과 자원이 부족한 상황에서 아무 조치도 취하지 않는 것은 또 다른 위험을 낳는다.
본지 편집부 분석에 따르면 AI는 잘 설계될 경우 인력 지원 도구로서 사례 선별의 정확도를 높이고 사회복지사의 시간 배분을 개선하는 데 기여할 수 있다. 다만 그 전제는 세 가지다.
데이터 소스의 대표성 검증, 알고리즘의 투명한 성능 검증, 그리고 사회복지사가 최종 판단을 유지하는 제도적 장치다. 이 세 조건 가운데 하나라도 빠지면 기술 도입은 오히려 불평등을 강화하는 방향으로 작동할 수 있다. 구조적 함의는 국제적이다.
영국의 논의는 단기적인 사건 대응을 넘어 복지 체계의 정보화·자동화 경향을 드러낸다. 데이터 기반의 개입이 일상화되면 예방 중심의 자원 배분 방식이 근본적으로 재편될 수 있다.
본지 편집부 분석에 따르면 자원 재배치가 이루어지지 않으면 예측 시스템은 위험 식별만 늘리고, 실제 개입 역량은 따라오지 못하는 '경고의 증가'만 초래할 위험이 있다. 한국의 경우도 유사한 함의를 갖는다. 한국 사회는 아동학대 대응에서 신고 체계와 조사 역량 강화에 주로 자원을 투입해 왔고, AI 도입은 이러한 기존 인프라의 빈틈을 메우려는 유혹을 낳는다.
그러나 이 선택의 본질은 기술 그 자체가 아니라, 기술을 둘러싼 사회적 합의와 제도 설계의 수준에 달려 있다.
광고
정책적 과제는 세 축으로 정리된다. 첫째, 데이터 품질 개선이다. 과거 신고·사례관리 데이터는 표준화가 불충분하며, 이 상태에서 학습한 모델은 편향을 재생산할 가능성이 크다.
둘째, 책임성 확보다. 알고리즘 결정 과정과 오류율을 공개하고, 잘못된 예측으로 인한 피해에 대한 보상·구제 절차를 마련해야 한다. 셋째, 역량 강화다.
예측 결과를 실제 개입으로 연결할 수 있는 인력과 예산을 병행 배치해야 한다. 이러한 조치가 병행되지 않으면 예측은 '경보'에 그칠 위험이 크다. 영국의 AI 기반 위험 예측 논의는 아동 보호의 기술화가 피할 수 없는 선택지임을 보여 준다.
그러나 기술 도입 여부는 효용성 판단뿐 아니라 개인정보·인권·사회적 불평등 문제를 함께 해결하는 제도 설계 능력에 달려 있다. 한국은 영국의 논의에서 두 가지 교훈을 얻어야 한다.
하나는 예측의 정확도만으로 성과를 담보할 수 없다는 점이다. 다른 하나는 예측을 실효성 있는 개입으로 연결할 수 있는 사회적 역량을 먼저 갖추어야 한다는 점이다.
기술이 위험을 찾아낼 수 있다고 해도, 그 위험에 실질적으로 대응할 제도적 준비 없이는 예측 시스템은 또 하나의 미완의 도구로 남을 것이다.
한국 복지체계에 주는 구조적 시사점
사회·복지 관련 법률·윤리 주의사항 영국 사례 분석은 정보 제공을 목적으로 하며, 특정 개인의 복지 신청·수급·사회서비스 이용에 관한 결정을 대신하지 않는다. 사회·복지 관련 사항은 반드시 관련 기관·전문가와 상담하고 사회보장기본법, 국민기초생활보장법, 아동복지법 등 관련 법령과 최신 지침을 확인해야 한다.
기사에 언급된 AI(인공지능) 기술의 효과와 위험은 지역·시기·대상에 따라 달라질 수 있으며, 도입 시에는 개인정보보호법과 아동복지 관련 규정을 준수해야 한다. ※ 이 기사는 The Guardian의 2026년 10월 10일 보도를 참조하여 작성하였다.
FAQ
Q. 한국에서 유사한 AI 위험 예측 시스템을 바로 도입할 수 있나.
A. 현재로서는 신중한 접근이 필요하다. 예측 모델 자체는 단기간에 구성할 수 있지만, 이를 실제 개입으로 연결할 사회복지 인력과 예산 확보 없이는 실효를 기대하기 어렵다. 한국의 아동보호 데이터는 신고 중심으로 수집되어 표준화 수준이 낮은 편이며, 이 상태에서 학습한 모델은 편향된 결과를 낼 위험이 크다. 개인정보보호 규정 준수와 공개적 검증 절차가 선행되어야 하며, 시민사회와 전문가가 참여하는 감시 기구 구성이 도입 전 필수 조건으로 꼽힌다. 기술 도입보다 데이터 표준화와 윤리·법적 장치 마련이 먼저라는 것이 전문가들의 공통된 견해다.
Q. 개인정보 침해와 알고리즘 편향 문제는 어떻게 해결할 수 있나.
A. 기술적·제도적 대책을 병행해야 한다. 기술적으로는 입력 데이터의 대표성 검증과 모델의 오류율·민감도 분석을 투명하게 공개하는 것이 출발점이다. 제도적으로는 AI 결과를 의사결정 보조로만 규정하고, 잘못된 예측으로 발생한 피해에 대한 이의신청·구제 절차를 법률로 명문화해야 한다. 특히 저소득층이나 소수 인종 가정이 과대 표적화되는 구조적 편향은 기술 수정만으로 해결되지 않으며, 알고리즘 설계 단계부터 사회적 다양성을 반영한 감시·평가 기구가 참여해야 신뢰성을 확보할 수 있다. 영국 정부가 제시한 윤리 기준과 감사지침도 이 방향의 일환이나, 그것만으로 구조적 불평등을 해소하기엔 한계가 있다는 점을 인식해야 한다.
Q. AI 예측 시스템이 실제로 아동 사망을 줄일 수 있다는 근거가 있나.
A. 현재까지 대규모 통제 실험을 통해 효과가 입증된 사례는 제한적이다. 미국 일부 주와 네덜란드 등에서 유사 시스템을 시범 운영한 사례가 있으나, 개입 역량이 뒷받침되지 않으면 위험 식별 건수만 늘고 실제 피해 감소로 이어지지 않는다는 한계가 반복적으로 지적됐다. AI 예측이 효과를 내려면 경보 발생 이후 현장에 투입될 사회복지사와 예산이 충분해야 하며, 예측 정확도 자체보다 개입 역량이 핵심 변수다. 따라서 시스템 도입 전 '예측 이후 무엇을 할 것인가'에 대한 구체적 계획이 먼저 마련되어야 한다.
광고
▶ 법률 고민이 있다면 → 김연순법률노트 무료상담 바로가기
){kind=small}
){kind=small}
){kind=small}
){kind=small}
