검사 정확도가 99%라면 양성 결과는 곧 99% 확률로 병에 걸렸다는 뜻일까? 면접에서 매우 인상적인 답변을 한 지원자는 실제로도 높은 성과를 낼 가능성이 클까? 이런 질문에서 우리가 자주 놓치는 것이 바로 기저율 무시 편향이다.
기저율 무시 편향은 어떤 사건이나 사람에 대한 생생한 정보가 주어졌을 때, 전체 집단에서 그 일이 얼마나 자주 일어나는지에 관한 기본 통계를 과소평가하거나 건너뛰는 경향을 말한다. 사람은 숫자보다 스토리에 빨리 반응한다. 그래서 확률 판단의 출발점이 되어야 할 기준율을 잊고, 눈앞의 사례가 주는 인상만으로 결론을 내리기 쉽다.
기저율 무시 편향이란 무엇인가
기저율은 어떤 일이 특정 집단에서 원래 얼마나 자주 일어나는지를 나타내는 기본 확률이다. 예를 들어 어떤 산업에서 스타트업이 5년 안에 크게 성장할 확률, 특정 직무 지원자가 1년 뒤 높은 성과 평가를 받을 비율, 어떤 질병의 유병률이 모두 기저율에 해당한다. 기저율은 판단의 결론이 아니라 출발점이다.
문제는 개별 정보가 등장하는 순간이다. 말투가 자신감 있어 보인다, 과거 성공담이 인상적이다, 검사 결과가 양성이다, 차트 모양이 좋아 보인다 같은 정보는 매우 구체적이고 생생하다. 반면 기저율은 건조하고 추상적인 숫자처럼 느껴진다. 이때 사람은 전체 통계보다 사례의 분위기에 더 큰 무게를 둔다.
The Decision Lab은 base rate fallacy를 사건 특유의 정보에 필요 이상으로 무게를 두고 때로는 기저율을 완전히 무시하는 경향으로 설명한다. 한국어로는 기저율 오류, 기준율 무시, 기저율 무시 편향 등으로 부른다. 편향은 이런 방향으로 마음이 기울어지는 심리적 경향이고, 오류는 그 결과 잘못된 확률 판단이 만들어진 상태라고 이해하면 쉽다.
기저율은 왜 판단의 출발점인가
새로운 증거가 아무리 중요해 보여도 그 증거가 의미를 갖는 방식은 출발점에 따라 달라진다. 드문 사건에서는 좋은 단서가 나와도 실제 발생 확률이 제한될 수 있고, 매우 흔한 사건에서는 약한 단서도 충분한 의미를 가질 수 있다. 따라서 확률적 사고는 항상 ‘이 일이 원래 얼마나 흔한가?’라는 질문에서 시작한다.
왜 우리는 전체 통계보다 생생한 사례에 끌리는가
기저율 무시 편향은 대표성 휴리스틱과 깊게 연결된다. 대표성 휴리스틱이란 어떤 대상이 특정 범주의 전형적인 이미지와 얼마나 닮았는지를 기준으로 가능성을 판단하는 마음의 지름길이다. 프로그래머처럼 말하고 행동하는 사람을 보면 실제 전공 분포나 직업 비율보다 ‘프로그래머다움’에 끌리는 식이다.
휴리스틱 자체가 항상 나쁜 것은 아니다. 제한된 시간과 정보 속에서 빠르게 판단해야 할 때는 그럴듯한 단서가 도움이 된다. 다만 그럴듯함은 확률이 아니다. 어떤 이야기가 잘 맞아떨어지고, 인물이 고정관념에 부합하고, 최근에 본 사례와 비슷하다고 해서 그 사건의 실제 빈도가 높아지는 것은 아니다.
특히 스토리는 통계를 덮어쓴다. 투자 성공담 하나는 장기 평균 수익률보다 강렬하고, 한 명의 불만 고객은 전체 고객 만족도 조사보다 더 크게 느껴지며, 면접장에서 나온 매끄러운 답변은 과거 데이터보다 설득적으로 들린다. 인간의 뇌는 생생한 개별 사례를 기억하기 쉽게 처리하기 때문에, 무미건조한 기저율은 뒷전으로 밀린다.
카네만과 트버스키의 예측 연구가 보여준 것
대니얼 카네만과 아모스 트버스키의 예측 연구는 사람들이 객관적 기준율보다 인물 묘사에 얼마나 쉽게 끌리는지를 보여준다. 흔히 소개되는 Tom W 사례에서 참가자들은 전공별 학생 수 같은 기준 정보보다, 한 인물의 성격 묘사가 특정 전공의 전형과 얼마나 닮았는지에 더 반응했다. The Decision Lab은 이 사례를 설명하며 참가자의 상당수가 교육·인문학보다 컴퓨터과학을 더 그럴듯하게 판단한 결과를 소개한다.
핵심은 사람들이 전공별 실제 분포를 모르는 상태에서 판단한 것이 아니라, 기준율 정보가 있어도 개별 묘사의 힘이 그것을 압도했다는 점이다. 이는 기저율 무시 편향이 단순한 정보 부족이 아니라 정보 가중치의 문제임을 말해 준다. 우리는 알고 있는 숫자도 마음속에서 충분히 크게 반영하지 못할 수 있다.
베이지안 사고로 보면 무엇이 위험한가
베이지안 사고에서 기저율은 사전확률에 해당한다. 사전확률은 새 증거를 보기 전, 어떤 가설이 얼마나 그럴듯한지에 대한 기본 판단이다. 새 증거가 들어오면 우리는 그 증거가 각 가설 아래에서 얼마나 잘 나타날 수 있는지를 따진다. 이것을 우도라고 부른다. 그 다음 사전확률과 우도를 결합해 갱신한 값이 사후확률이다.
수식은 복잡하게 외울 필요가 없다. 직관적으로는 ‘처음 가능성 × 증거의 힘 = 업데이트된 가능성’에 가깝다. 만약 처음 가능성, 즉 기저율을 0처럼 취급하면 사후 판단은 크게 흔들린다. 반대로 기저율만 보고 새 증거를 무시해도 문제다. 좋은 판단은 기본 확률과 새 정보를 함께 놓고 비중을 조정하는 과정이다.
같은 증거도 출발점에 따라 의미가 달라진다. 어떤 회사의 신규 서비스가 초기 사용자 20명에게 좋은 반응을 얻었다고 하자. 기존에 유사 서비스의 시장 안착률이 매우 낮다면 이 반응은 희망적인 신호일 수는 있어도 성공 확률을 단번에 높여 주지는 않는다. 반면 이미 강한 수요가 확인된 시장에서 같은 반응이 나왔다면 의미가 더 클 수 있다. 증거는 혼자 말하지 않고, 언제나 기준 집단과 함께 해석된다.
의료 검사 예시로 보는 기저율의 힘
의료 검사 해석은 기저율 무시 편향을 이해하기 좋은 교육용 예시다. 단, 아래 숫자는 확률 개념을 설명하기 위한 단순 예시이며 실제 건강 판단이나 진단은 반드시 의료 전문가와 상담해야 한다.
어떤 질병의 유병률이 1%라고 가정해 보자. 1,000명 중 실제 환자는 10명이고 비환자는 990명이다. 검사 민감도가 90%라면 환자 10명 중 약 9명이 양성으로 나온다. 특이도가 95%라면 비환자 990명 중 약 5%, 즉 약 50명도 위양성으로 나올 수 있다. 그러면 양성 결과는 총 59명가량이고, 그중 실제 환자는 9명이다.
이 예시에서 양성 결과가 의미 없다는 뜻은 아니다. 양성 결과는 분명 추가 확인이 필요한 중요한 신호다. 다만 양성 결과의 의미는 검사 성능만으로 정해지지 않고, 질병의 유병률이라는 사전확률에 크게 영향을 받는다. NCBI Bookshelf의 Sensitivity, Specificity, and Predictive Value 장도 진단 검사 결과를 해석할 때 검사 전 질병 가능성, 민감도, 특이도, 예측도를 함께 봐야 하며 예측도는 유병률에 따라 달라진다고 설명한다.
일상 의사결정에서 나타나는 기저율 무시 사례
채용에서는 인상적인 면접 답변이 기저율을 밀어낼 수 있다. 어떤 지원자가 자신감 있게 말하고 회사 문화와 잘 맞아 보이면 높은 성과를 낼 것처럼 느껴진다. 그러나 해당 직무에서 과거 채용자의 1년 후 성과 분포, 유사 경력자의 적응률, 면접 점수와 실제 성과의 상관 정도를 함께 봐야 한다. 면접 인상은 정보지만, 전체 기준율을 대체하지는 못한다.
투자에서는 성공 사례 하나가 평균을 가린다. 특정 종목이나 자산으로 큰 수익을 낸 사람의 이야기는 강렬하다. 하지만 유사한 전략을 시도한 전체 집단의 성과, 손실 사례, 생존자 편향, 기간별 변동성을 보지 않으면 확률을 과대평가하기 쉽다. 이 글의 투자 예시는 사고 방식 설명을 위한 것이며 특정 자산의 매수나 매도 조언이 아니다.
비즈니스 판단에서도 작은 표본이 시장 전체처럼 보일 때가 많다. 초기 고객 몇 명이 열광적인 반응을 보였다는 사실은 중요하다. 그러나 그들이 전체 시장의 대표인지, 유입 경로가 특수했는지, 비슷한 반응이 더 큰 표본에서도 반복되는지 확인해야 한다. 소수의 생생한 피드백은 가설을 만들게 해 주지만, 시장 확률을 확정해 주지는 않는다.
기저율 무시 편향을 줄이는 실전 방법
기저율 무시 편향을 완전히 제거하기는 어렵다. 하지만 판단 절차를 바꾸면 충분히 완화할 수 있다. 핵심은 사례를 보기 전에 출발점을 적고, 새 증거가 정말 차별적인지 따져 본 뒤, 확률 판단과 행동 결정을 분리하는 것이다.
- 기준 집단을 먼저 정한다. 이 사람은 모든 지원자 중 한 명인가, 같은 경력의 지원자 중 한 명인가? 이 서비스는 모든 앱과 비교해야 하는가, 같은 가격대의 B2B 도구와 비교해야 하는가? 기준 집단이 바뀌면 기저율도 바뀐다.
- 사례를 보기 전에 기본 확률을 적는다. 면접을 보기 전, 보고서를 읽기 전, 차트를 보기 전 ‘이 일이 원래 얼마나 자주 일어나는가’를 적어 둔다. 나중에 인상적인 정보가 들어와도 출발점을 잃지 않게 해 준다.
- 자연빈도로 바꾼다. 1%, 95%, 99% 같은 비율만 보면 직관이 흔들린다. 1,000명 중 몇 명, 100개 프로젝트 중 몇 개처럼 절대 인원으로 바꾸면 위양성, 실패 사례, 예외 사례가 더 잘 보인다.
- 반대 가설에서도 같은 증거가 흔한지 묻는다. 성공할 회사도 초기 고객이 좋아할 수 있지만, 실패할 회사도 초기 열성 고객 몇 명은 가질 수 있다. 좋은 지원자도 말을 잘하지만, 실제 성과가 낮은 지원자도 면접을 잘 볼 수 있다. 증거가 양쪽에서 모두 흔하면 우도는 생각보다 약하다.
- 확률 판단과 행동 기준을 분리한다. 어떤 일이 30% 가능하다는 판단과 그 일에 투자하거나 채용하거나 치료 결정을 내리는 기준은 다르다. 비용, 위험, 되돌릴 수 있는지, 추가 정보를 얻는 비용을 따로 계산해야 한다.
강한 사례와 낮은 기저율이 충돌할 때
가장 어려운 순간은 사례가 매우 강렬한데 기저율은 낮을 때다. 이때 곧바로 한쪽을 버리기보다 순서대로 점검하는 것이 좋다. 첫째, 내가 선택한 기준 집단이 너무 넓거나 좁지 않은지 확인한다. 둘째, 새 증거가 실제로 예측력이 있는지 묻는다. 셋째, 같은 증거가 실패 사례에서도 얼마나 자주 나타나는지 비교한다. 넷째, 판단을 숫자 범위로 표현한다. ‘거의 확실하다’보다 ‘기본 5%에서 증거를 반영해 15~25% 정도로 본다’가 더 점검하기 쉽다.
기저율을 존중한다는 것은 차갑게 평균만 믿는다는 뜻이 아니다. 개별 정보는 중요하다. 다만 개별 정보가 얼마나 중요한지는 전체 빈도와 결합될 때 비로소 제대로 보인다. 기저율 무시 편향을 줄이는 사람은 확신이 강해지는 순간에도 ‘내가 출발점을 잊은 것은 아닌가’를 묻는다. 그 질문 하나가 의료 검사 해석, 채용, 투자, 사업 판단에서 과도한 낙관과 불필요한 공포를 줄여 준다.
결국 좋은 의사결정은 직관을 버리는 일이 아니라 직관을 업데이트 절차 안에 넣는 일이다. 생생한 사례를 보되, 먼저 기준 집단을 정하고, 사전확률을 확인하고, 증거의 차별성을 따진 다음 행동 기준을 세워야 한다. 이것이 기저율 무시 편향을 완화하는 가장 현실적인 확률적 사고법이다.
