숏폼의 AI 사용 공개 여부가 시청자의 지속적 시청 의지에 미치는 영향

Ⅰ. 서 론

생성형 인공지능(Generative AI) 기술의 발전으로 인해 인간의 전유물로 여겨졌던 창작 활동이 비인간 도구로도 구현될 수 있는 시대가 도래하였다. 텍스트를 입력하는 것만으로 고품질의 영상, 오디오 및 기타 멀티미디어 콘텐츠를 자동으로 생성하는 기술이 등장하면서, 콘텐츠 제작 방식뿐만 아니라 콘텐츠 소비자의 수용 방식에도 큰 변화가 일어나고 있다. 생성형 AI는 이미 세계 각지의 디자이너와 크리에이터에게 적극적으로 활용되고 있으며, 국내에서도 미디어 산업뿐만 아니라 일반 사용자들 사이에서도 폭넓게 사용되고 있다. 영화 및 광고 산업에서는 생성적 적대 신경망(GAN; Generative Adversarial Networks)을 활용한 디에이징(De-aging) 및 딥페이크(Deepfake) 기술이 활용되고 있으며, 시나리오 분석 및 후반 제작 과정에서도 AI 기술이 보조 도구로 도입됨으로써 제작비 절감과 효율성 향상이 가능해졌다[1],[2]. 그뿐만 아니라 ‘창의적 아이디어 제시(37.9%)’을 목적으로 생성형 AI를 활용하는 일반인 사용자가 늘어남에 따라 유튜브 쇼츠(Youtube Shorts), 인스타그램 릴스(Instagram Reels), 틱톡(TikTok) 등의 숏폼 플랫폼을 통해서도 AI 기반의 영상을 쉽게 접할 수 있게 되었다[3].

그러나 AI 생성 콘텐츠에 대한 시청자의 반응은 단순히 긍정적이거나 부정적이라고 단정 짓기에는 어려움이 있다. 기존 연구들은 AI 사용 여부가 콘텐츠 평가에 미치는 영향을 다양한 실험 방법을 통해 분석하고 있으며, 그 결과 시청자의 반응 역시 상반된 양상으로 관찰되는 것을 확인할 수 있다. NielsenIQ[4]는 AI 사용 여부를 공개하면 시청자가 해당 콘텐츠를 혁신적이고 신뢰할 만하다고 평가하는 경향이 있다고 보고하였다. Zhang과 Gosline[5]은 AI 사용 여부 공개와 상관 없이 AI가 만든 콘텐츠에 대해 긍정적으로 평가하였다고 보고하였다. 반면, Wang 외 5명[6]은 광고에서 AI 관여 사실이 공개되면 진정성이 낮게 평가되고 구매 의도와 브랜드 태도가 하락했다고 보고하였으며, Nah 외 4명[7]은 AI 기반 콘텐츠가 거짓 정보를 포함할 수 있어 정보를 완전히 신뢰하기 어렵다고 평가하는 경향이 있다고 보고하였다. 이처럼 AI 공개 여부가 콘텐츠 평가에 미치는 영향에 대해 일관된 결론을 볼 수 없으며, 연구 맥락과 방법론에 따라 다양한 결과를 보이고 있음을 알 수 있다. AI 생성 콘텐츠에 대한 시청자의 인식과 반응이 소비 유형, 소비 맥락, 개인적 특성 및 태도에 따라 다르게 나타날 가능성이 높은 만큼, AI 공개 여부가 콘텐츠 평가에 미치는 영향을 체계적으로 검증할 필요가 있다[8]. 특히, 이러한 콘텐츠 평가가 AI 공개 여부와 지속적 시청 의지의 관계에서 어떠한 역할을 하는지에 대한 연구 역시 부족한 실정이다. 이에 따라, 본 연구는 AI 공개 여부가 시청자의 인식 및 행동에 미치는 영향을 다각적으로 분석하고자 한다.

구체적으로는 2장에서 서술할 이론적 논의를 바탕으로 SMCRE 모델과 기술수용모델(TAM)을 적용하여 AI 기반 1인 미디어 콘텐츠 수용에의 매개 변수를 설정하였다. 본 연구의 실험 진행을 위해 생성형 AI를 활용한 30초 분량의 영상 1편을 제작하여, 이것이 생성형 AI로 제작된 것임을 사전고지 받고 시청한 집단과 AI 제작 관련 설명 없이 시청한 집단으로 나누어 실험군과 대조군으로 설정하였다. 실험은 서울 소재 D대에 재학 중인 130여 명의 학생을 대상으로 진행되었다. 시청 이후에는 5가지 분류의 29개 항목에 대한 설문을 진행하였다. 이를 통해 AI 기술이 기존 미디어 환경에서 어떻게 수용되는지를 실증적으로 분석하고, 향후 AI 기술의 미디어 적용과 관련한 실무적 시사점을 제시하고자 한다.

Ⅱ. 이론적 배경

Ⅲ. 연구 설계

3-2 연구 방법 및 실험 설계

1) 연구 대상 및 표본

본 연구는 생성형 AI로 제작된 영상 콘텐츠의 AI 사용 공개 여부가 콘텐츠 평가와 지속적 시청 의지에 미치는 영향을 검증하기 위해 미디어 콘텐츠 이용자를 연구 대상으로 선정하였다. 연구 대상자는 숏폼 및 1인 미디어 콘텐츠를 자주 소비하는 사용자로 한정하였으며, 실험 참여자는 숏폼 및 1인 미디어 콘텐츠의 주 소비층인 20대로 설정하였다. 구체적으로는 2025년 3월 한 달간 실험 및 조사를 진행하였으며, 실험 대상은 평소 미디어 콘텐츠에 대해 접할 가능성이 높은 미디어 콘텐츠 관련 학과 재학 중인 학생 132명이었다.

2) 실험 설계

본 연구는 실험 집단과 통제 집단을 설정하는 방식으로 진행되며, 실험 설계는 참가자가 동일한 콘텐츠를 시청하는 상황을 유지하면서 생성형 AI로 제작된 영상 콘텐츠의 AI 사용 공개 여부만을 조작하여 비교할 수 있도록 구성된다. 이를 통해 연구 대상 간의 개별적 차이를 통제하고, 생성형 AI로 제작된 영상 콘텐츠의 AI 사용 공개 여부가 미치는 영향을 비교적 정확하게 분석할 수 있게 한다. 실험 참가자들은 AI 사용 여부를 공개한 콘텐츠를 시청하는 실험 집단과 AI 사용 여부를 명시하지 않은 콘텐츠를 시청하는 통제 집단에 무작위로 배정된다. 실험 집단은 AI 사용이 공개된 콘텐츠를 시청하는 그룹으로 구성되며, 해당 콘텐츠에는 “이 영상은 생성형 AI 기술을 활용하여 제작되었습니다.”라는 안내 문구를 삽입하여 AI 사용 여부를 명확하게 공개한다. 반면, 통제 집단은 동일한 콘텐츠를 시청하지만, AI 사용 여부에 대한 정보가 제공되지 않는다. 실험 참가자들은 콘텐츠를 시청한 후 설문을 통해 신뢰성 인식, 몰입도, 지각된 유용성을 평가하게 된다. 이러한 설계를 통해, 생성형 AI로 제작된 영상 콘텐츠의 AI 사용 공개 여부가 시청자의 신뢰성 인식과 몰입도, 즉 콘텐츠 평가에 미치는 영향을 확인할 수 있다. 또한, AI 사용 여부가 지각된 유용성에 어떠한 영향을 미치는지를 실증적으로 분석함으로써, AI 기반 콘텐츠가 시청자에게 미치는 전반적인 영향을 평가할 수 있다.

3) 변수 정의

본 연구에서의 변수는 SMCRE 모델과 TAM에 기반해 설정되었다. 독립 변수는 생성형 AI로 제작된 영상 콘텐츠의 AI 사용 공개 여부로 설정하였다. 매개 변수는 신뢰성 인식, 몰입도로 설정하였다. 신뢰성 인식은 시청자가 콘텐츠를 신뢰할 수 있다고 인식하는 정도를 의미하며, 몰입도는 시청자가 콘텐츠에 집중하고 있는 정도를 의미한다. 종속 변수는 지각된 유용성으로 설정하였다. 지각된 유용성은 콘텐츠가 정보적, 실용적으로 가치가 있다고 인식되는 정도를 의미한다.

Table 1.

Variable definitions

모든 변수의 측정은 7점 리커트 척도를 사용하여 측정한 후, 수집된 응답을 통해 생성형 AI로 제작된 영상 콘텐츠의 AI 사용 공개 여부가 콘텐츠 신뢰성, 몰입도를 통해 지각된 유용성에 미치는 영향을 정량적으로 분석할 수 있도록 하였다. 분석 단계에서는 이를 바탕으로 기술수용모델(TAM)을 적용하여 지속적 시청 의지에 미치는 영향에 대해 간접적으로 해석한다.

4) 설문 구성

설문은 총 5개의 평가 항목(품질, 신뢰성 인식, 몰입도, 지각된 유용성, 지속적 시청 의지)으로 구분되며, 주요 변수에 대해 질문하는 3개 평가 항목 외에도 실험 자극에 대한 기본적인 수용 태도 및 인식적 기준을 파악하기 위해 시청자가 콘텐츠를 전반적으로 얼마나 고품질로 느끼는지를 평가하는 품질 인식 항목을 추가하였다. 품질 인식은 신뢰성, 몰입도, 지각된 유용성과 같은 주요 인식 변인에 영향을 줄 수 있기에 해당 문항에 대한 응답을 참고 지표로 활용하였다. 나아가 주요 변수에 대한 평가가 궁극적으로 지속적 시청 의지에 어떠한 영향을 미치는지 분석하기 위해 지속적 시청 의지 항목을 추가하였다. 또한 각각의 평가 항목에 영향을 미치는 시각적 변수가 AI가 생성한 영역에 해당하는지, 인간이 개입한 영역에 해당하는지 분명히 분석하기 위해 전체 영상(Overall video), 내용(Narrative), 배경 영상(Background visuals), 자막(Subtitles), 색감 및 무드(Color and mood), 장면 전환(Scene transitions)으로 세부 항목을 나누어 평가하였다.

Table 2.

Structure of survey items

5) 데이터 분석 방법

본 연구의 데이터 분석은 신뢰도 분석, 기술통계, 독립표본 t-검정, 상관분석, 회귀분석의 다섯 단계로 구성하였다. 첫째, 각 인식 변수를 구성하는 문항들의 내적 일관성을 검토하기 위해 실험 집단과 통제 집단의 데이터를 개별 적용하여 신뢰도를 분석한다. 구체적으로는 Cronbach's α 계수를 기준으로 수용 가능 수준(0.70 이상) 여부를 판단한다. 둘째, 각 집단의 응답 분포를 이해하고 표본의 일반적 특성을 파악하기 위해 기술통계(평균, 표준편차)를 산출한다. 셋째, 실험 집단과 통제 집단 간 주요 변수들의 평균 및 표준편차의 차이가 통계적으로 유의한지 검증하기 위해 두 집단의 응답 데이터를 통합하여 독립표본 t-검정을 수행한다. 넷째, 연구 모형에 포함된 주요 변수 사이의 선형 관계를 파악하기 위해 Pearson의 상관계수를 산출한다. 다섯째, 콘텐츠 평가(신뢰성 인식, 몰입도)가 시청자의 지각된 유용성에 미치는 영향을 설명하기 위한 분석 절차로, 다중 회귀모형을 구성하여 각 독립 변수의 상대적 영향력과 설명력을 검토한다. 종속 변수는 ‘지각된 유용성’으로 설정하며, 독립 변수로는 신뢰성 인식, 몰입도를 포함한다. 모든 통계 분석은 IBM SPSS Statistics 28을 활용하여 수행되었으며, 유의수준은 일반적으로 사용되는 0.05를 기준으로 한다.

3-3 연구 모형

아래 그림은 본 연구의 연구 모형을 나타낸 것이다. AI 사용 공개 여부를 독립 변수로 설정하고, 신뢰성 인식과 몰입도를 매개 변수로, 지각된 유용성을 종속 변수로 설정하였다.

Fig. 1.

Research model

3-4 실험용 영상 제작

본격적인 실험에 앞서 실험에 활용할 영상을 제작하였다. 해당 영상은 정보 전달 포맷을 차용한 오락 콘텐츠로 구성되었으며, 사전 기획 단계에서 스토리보드를 작성하여 제작에 반영하였다. 영상의 초반부는 일상생활에서 유용하게 쓰일 만한 정보를 전달하는 형식을 취하였고, 결말부에는 의도적인 반전 요소를 삽입하여 정보의 신뢰성을 전복시키는 내러티브로 구성되었다. 이러한 구성은 콘텐츠의 전체적인 신뢰도를 낮춤으로써, 참여자의 인지가 내용에 치우치지 않고 배경 영상(시각 요소)에 대한 인식으로 유도될 수 있도록 설계된 실험 조건이다. 특히, AI Disclosure의 효과가 시각 요소의 신뢰성 평가에 어떻게 영향을 미치는지를 탐색하는 본 연구의 목적에 비추어, 콘텐츠 내용이 주는 신뢰성 기대를 사전에 무력화하는 구성은 내용과 배경에 대한 인식을 분리하고 혼동 변수를 통제하기 위한 전략적 장치로 기능한다. 두 집단 모두에게 동일한 영상이 제공되기 때문에, 내용에 대한 신뢰도가 절대적으로 낮더라도 AI 사용 공개 여부에 따른 집단 간 상대 비교는 여전히 유효하다. 영상 제작에는 Kling AI를 활용하였으며, 구체적으로는 ‘Text to Image’ 기능과 ‘Image to Video – Frames’ 기능을 활용하였다. 동영상 생성 과정 전반에 걸쳐 직접 촬영한 사진을 첨부해 영상을 생성하였고, 참고용 사진이 마땅하지 않은 경우에만 Text to Image로 첫 프레임이 될 이미지를 생성하였다. 부자연스러운 부분 혹은 색감에 대한 보정 과정은 AI가 생성한 영역에 대한 침범의 우려가 있어 특별히 거치지 않았으며, 후편집에는 Adobe Premiere Pro 2025를 활용하였다. 본 연구의 세부 평가 항목인 배경 영상(Background visuals), 색감 및 무드(Color and mood)를 AI가 생성한 영역으로, 내용(Narrative), 자막(Subtitles), 장면 전환(Scene transitions)을 인간이 개입한 영역으로 분류하여 실험 및 설문을 진행한다.

Fig. 2.

Visual output of the experimental video*Korean subtitles are included in the stimulus as the sample consists of Korean participants.*From left to right, each background visual was generated using prompts (A), (B), (C), and (D) from Table 3.

Table 3.

Key prompts used for the experimental video

Ⅳ. 연구 결과

4-1 측정 도구의 신뢰도 검증

본 연구의 측정 문항이 내적 일관성을 가지는지 확인하기 위해 두 집단의 응답으로 Cronbach’s α 값을 각각 산출한 결과, 모든 변수의 α 값이 .75 이상으로 나타나, 신뢰도가 높은 문항으로 구성되었음을 확인할 수 있었다.

Table 4.

Reliability analysis of each measurement factor

Table 5.

Descriptive statistics by group

4-2 인식 변수에 대한 기술통계량

두 집단의 응답을 바탕으로 본 분석에서는 콘텐츠 내 AI가 생성한 시각적 요소, 즉 배경 영상, 색감 및 무드에 대한 평가에 초점을 맞추어 해석하였다. 그 결과, 실험 집단과 통제 집단 모두 해당 요소들에 대해 전반적으로 낮거나 중간 이하 수준의 평가를 보였다. 배경 영상의 몰입도에 대한 기여도는 실험 집단 M=4.36, 통제 집단 M=4.24로 비교적 높게 평가되었으나, 품질 인식(M=3.74(실험)/ 3.35(통제)) 및 유용성 인식(M=3.66(실험)/ 3.90(통제))은 모두 중간 이하 수준에 그쳤다. 색감과 무드의 품질에 대한 인식은 실험 집단 M=2.66(SD=1.21), 통제 집단 M=2.44(SD=1.11)로 낮았고, 색감의 몰입도에 대한 기여도는 실험 집단 M=3.49, 통제 집단 M=3.37로 중간 이하 수준이었다. 지각된 유용성에 대한 색감의 기여도 역시 M=2.93(실험), M=3.02(통제)로 큰 차이 없이 낮은 수준을 보였다. 이러한 결과는 AI 생성 요소가 전반적으로 시청자에게 보수적인 평가를 받고 있음을 보여주며, 이는 AI 사용 고지 여부와 무관하게 나타난 일관된 경향으로 해석할 수 있다.

Table 6.

Independent samples t-test and effect size

4-4 변수 간 상관관계 분석

변수 간의 관련성을 파악하기 위해 Pearson의 상관분석을 실시하였다. 분석 결과, 모든 인식 변수 간에 유의미한 정적 상관관계(p<.01)가 나타났으며, 구체적으로는 모두 .6 이상의 상관계수를 보였다. 이는 각 인식 변수가 독립적으로 작용하기보다는 상호 밀접하게 연결되어 있음을 의미하며, 인식 구조가 단일 차원이 아닌 복합적인 상호작용 속에서 형성된다는 점을 시사한다. 특히 지각된 유용성과 지속적 시청 의지 간의 상관계수는 r=.758로, 분석에 포함된 모든 변수 쌍 중 가장 높은 값을 기록하며 높은 상관관계를 보였다. 각 인식 변수 간의 인과적 관계는 이후 다중 회귀분석을 통해 알아보도록 한다.

한편, 품질 인식은 본 연구에서 신뢰성, 몰입도, 지각된 유용성과 같은 주요 인식 변인에 영향을 줄 수 있는 요인이라 판단하여 해당 문항에 대한 응답을 참고 지표로 활용하기 위해 추가한 변수였으나, 주요 인식 변수 및 종속 변수와 모두 유의미한 상관관계를 보이며 중요한 역할을 하는 것으로 나타났다. 구체적으로, 품질 인식은 신뢰성 인식과 r=.735, 몰입도와 r=.665, 지각된 유용성과 r=.693, 그리고 지속적 시청 의지와는 r=.625의 상관관계를 나타냈다. 이는 시청자가 콘텐츠를 얼마나 고품질로 인식하느냐가 단순한 부가 요소가 아닌, 콘텐츠에 대한 전반적인 인식 경험과 상호 밀접한 관계에 있음을 의미한다. 따라서 품질 인식은 단순히 콘텐츠의 외형적 완성도를 반영하는 지표를 넘어서, 신뢰성 인식, 몰입도, 지각된 유용성과 같은 주요 인식 변수를 매개하거나 강화하는 역할로 해석해야 한다.

Table 7.

Pearson correlation coefficients among measurement factor

4-5 지각된 유용성에 대한 예측력 분석

콘텐츠 평가(신뢰성 인식, 몰입도)가 지각된 유용성에 미치는 상대적 영향력을 파악하기 위해 종속 변수를 지각된 유용성으로, 독립 변수를 신뢰성 인식과 몰입도로 설정하여 다중 회귀분석을 실시하였다. 분석 결과, 회귀모형은 통계적으로 매우 유의하였으며(F=136.598, p<.001), 결정계수는 R²=.679, 수정된 R²=.674로 나타나 약 67.9%의 높은 설명력을 보였다. 각 변수의 회귀계수를 살펴보면, 신뢰성 인식(β=.431, t=6.394, p<.001)과 몰입도(β=.470, t=6.978, p<.001) 모두 유의미한 예측 변수로 확인되었으며 몰입도가 신뢰성 인식보다 지각된 유용성에 조금 더 강한 영향을 미치는 것으로 나타났다. 따라서 시청자의 콘텐츠 평가가 지각된 유용성에 영향을 미칠 것이라는 가설(H3)은 채택되었으며, H1과 H2의 기각 사실을 포함하여 종합적으로 판단한 결과, 시청자가 콘텐츠의 정보적‧실용적 가치를 높게 평가하도록 유도하기 위해서는 콘텐츠에 활용된 기술에 주목하기보다 신뢰감을 주는 내용 내지는 몰입형 콘텐츠로 구성해야 한다고 해석할 수 있다.

Table 8.

Regression analysis on perceived usefulness

Ⅴ. 결 론

본 연구는 생성형 인공지능(Generative AI)으로 제작된 숏폼 영상 콘텐츠에서 AI 사용 공개 여부가 시청자의 콘텐츠 평가와 지속적 시청 의지에 어떤 영향을 미치는지를 실증적으로 분석하고자 하였다. 이를 위해 SMCRE 모델과 기술수용모델(TAM)을 이론적 틀로 삼고, 독립 변수인 AI 사용 공개 여부가 신뢰성 인식과 몰입도에 미치는 영향을 검증하였으며, 이 두 매개 변수가 지각된 유용성, 나아가 지속적 시청 의지와 어떤 관계인지 규명하였다.

실험 결과, AI 사용 공개 여부가 콘텐츠 평가(신뢰성 인식, 몰입도, 지각된 유용성, 지속적 시청 의지)에 유의미한 영향을 미치지 않았다는 결론이 도출되었다. 이는 콘텐츠 제작 과정에 있어 생성형 AI를 활용했다는 점을 공개하는 것이 시청자의 인식에 실질적인 영향을 주지 못했음을 보여준다. 다시 말해, 단순한 AI 사용 공개 자체는 신뢰도 또는 몰입감 형성에 특별한 영향을 미치지 않았으며, 오히려 콘텐츠 자체의 품질이나 시청각적 구성 요소가 콘텐츠 평가에 더 크게 작용했을 가능성이 있다고 해석할 수 있다. 특히 AI가 생성한 배경 영상에 대한 품질 인식을 묻는 문항에 대해 두 집단 모두 M=2.66(실험), M=2.44(통제)로 중간 이하 수준의 평균을 보였다는 점이 이러한 해석을 뒷받침한다.

콘텐츠 평가 변수 중 신뢰성 인식과 몰입도는 지각된 유용성에 강한 예측력을 가지는 변수로 나타났으며, 특히 몰입도가 콘텐츠의 유용성 인식에 더 큰 영향을 미치는 것으로 나타났다. 이 결과는 시청자가 콘텐츠에 몰입할수록 이를 정보적‧실용적 가치가 높은 것으로 평가할 가능성이 크다는 기존 TAM 기반 논의와 일치하며, AI 기반 콘텐츠 역시 ‘얼마나 몰입할 수 있었는가’가 ‘얼마나 유용하다고 느꼈는가’로 직결될 수 있음을 보여준다.

콘텐츠 평가 변수와 지각된 유용성 간의 관계를 파악하는 것을 넘어 전체 변수가 지속적 시청 의지와 어떠한 관계에 놓여 있는지 분석한 결과, 지속적 시청 의지와 유의미한 상관관계를 보였으며, 그중에서도 지각된 유용성이 가장 높은 연관성을 갖는 핵심 변수임이 확인되었다. 이는 콘텐츠가 유용하다고 느껴질수록, 사용자가 해당 콘텐츠를 다시 시청하거나 유사한 콘텐츠에 관심을 가질 가능성이 높다는 점을 시사하며, 이러한 결과는 TAM의 핵심 개념인 ‘지각된 유용성’이 1인 미디어 및 숏폼 콘텐츠 수용 과정에서도 유효하게 작동함을 보여주는 간접적 근거로 해석할 수 있다.

그러나 본 연구에는 다음과 같은 한계점이 존재한다. 첫째, 실험에 사용된 AI 콘텐츠의 품질이 전반적으로 낮거나 중간 이하의 평가를 받은 점에서 보이듯, 영상 자체의 완성도가 결과에 영향을 미쳤을 가능성을 배제하기 어렵다. 작금의 생성형 AI 기술로는 문맥 및 인간 감성이 충분히 반영된 영상을 생성하기에 한계가 있으며, 영상의 품질 저하로 인해 AI 사용 공개 여부의 영향이 결과적으로 희석되었을 가능성이 있다. AI 사용 공개 여부가 시청자의 지속적 시청 의지에 미치는 영향을 보다 엄밀히 분석하기 위해서는 생성형 AI 기술의 향상이 요구된다. 둘째, 실험용 영상 제작 과정에 있어 생성형 AI의 개입을 허용한 영역의 범위가 ‘시각적 표현’에 국한되었다. 영상 콘텐츠는 시각적 요소뿐만 아니라 청각적 요소 역시 중요한 구성 요소이므로, 향후 연구에서는 생성형 AI를 활용해 음성이나 배경음악 등 청각적 표현까지 포함하여 포괄적인 콘텐츠를 제작함으로써 AI 개입의 영향을 다각도로 분석할 필요가 있다. 셋째, 본 연구의 표본은 숏폼 콘텐츠 주 소비층인 20대 성인 남녀에 국한되었다. 이는 생성형 AI 관련 기술 수용도나 미디어 활용 습관이 상대적으로 높은 집단으로, 일반화 가능성을 제한할 수 있다. 연령대, 미디어 이용 성향, AI 친숙도 등에 따라 AI 사용 공개 여부에 따른 영향이 다르게 나타날 수 있으므로, 후속 연구에서는 보다 다양한 인구통계학적 특성을 반영한 교차 분석이 필요하다.

그럼에도 불구하고 본 연구는 학문적 및 실무적으로 다음과 같은 의의가 있다. 첫째, 기존 생성형 AI 콘텐츠 수용 연구들이 주로 콘텐츠에 대한 단편적 평가나 태도 수준에서 머물렀던 것과 달리, 이를 지속적 시청 의지라는 실제 행동 결과까지 확장하여 분석함으로써 수용자 인식–행동 연계 구조를 실증적으로 규명하였다. 특히 기술수용모델(TAM)의 핵심 변수인 지각된 유용성을 중심으로, 신뢰성과 몰입도를 매개로 한 콘텐츠 평가가 행동 의도로 어떻게 이어지는지를 검증함으로써, AI 기반 영상 콘텐츠 수용 과정에 대한 정교한 설명 틀을 제시하였다는 점에서 학문적 기여가 있을 것으로 예상한다. 이는 기존 TAM이 주로 기술 사용자의 수용 의지를 설명하는 데 활용되었던 것과 달리, 본 연구는 이를 단순 소비자인 미디어 시청자의 행동 분석에까지 확장 적용하였다는 점에서 이론 적용 범위의 확장을 시도한 것으로 볼 수 있다. 또한 수용자의 반응을 단일 콘텐츠 특성만이 아니라 ‘AI 사용 공개’라는 메타 정보를 조작한 실험 설계를 통해 분석하였다는 점에서, 생성형 AI 수용 연구의 방법론적 확장 가능성도 함께 보여주었다.

둘째, 이론적 측면에서도 본 연구는 기존의 커뮤니케이션 모델인 SMCRE와 기술 수용에 초점을 둔 TAM을 통합적으로 적용하여, AI 콘텐츠 수용 과정을 ‘정보 전달–기술 인식–행동 반응’으로 이어지는 복합적 구조로 해석할 수 있는 분석 틀을 구축하였다. 이를 통해 생성형 AI 기반 콘텐츠 또는 1인 미디어 영상 환경에서, 수용자 반응에 영향을 미치는 다양한 인지적‧정서적 변수들을 통합적으로 조망할 수 있는 실증 기반의 이론적 기반을 제공하였다는 데 학문적 의의가 있다.

셋째, 실무적 측면에서는 생성형 AI 기술을 콘텐츠 제작에 활용하면서도, 그 사실을 공개하는 것이 반드시 부정적인 수용 반응을 초래하지는 않는다는 점을 실증적으로 보여줌으로써, 제작자와 플랫폼 운영자들에게 실질적인 인사이트를 제공한다. 실험 결과, AI 사용 여부의 공개는 신뢰성 인식이나 몰입도에 통계적으로 유의한 부정적 영향을 미치지 않았으며, 오히려 콘텐츠의 품질, 감성적 몰입, 메시지의 의미성이 더 큰 영향을 미치는 것으로 나타났다. 이는 AI 사용 사실을 공개함으로써 신뢰성이 하락하거나, ‘기계가 만든 콘텐츠’라는 이유로 부정적 평가를 받을 것이라는 우려를 불식시킬 수 있는 연구 결과이다. 특히 최근 TikTok, YouTube 등 주요 플랫폼은 생성형 AI 콘텐츠에 대해 고지를 의무화하는 방향으로 정책을 강화하고 있으나, 많은 제작자들은 ‘AI 사용을 밝히면 오히려 역효과가 날 것’이라는 불안감으로 인해 공개를 주저하는 경향이 있다. 본 연구는 그러한 제작자들에게, AI 사용을 투명하게 공개하더라도 수용자 인식에 부정적 영향을 주지 않으며, 오히려 플랫폼 정책을 준수하면서도 인간의 감성을 건드릴 수 있는 콘텐츠 구성 전략을 통해 경쟁력을 유지할 수 있음을 입증한다는 점에서 실용적 의미가 크다.

더 나아가, 본 연구는 AI 기술에 대한 수용자 반응이 단일 변수에 의해 결정되는 것이 아니라, 시대적 맥락과 기술 수용 경험에 따라 점차 진화하고 있음을 시사한다. AI 사용 여부가 더 이상 콘텐츠 평가의 결정적 기준이 되지 않는다는 점은, 수용자들이 생성형 AI 기술에 대해 점차 익숙해지고 있으며, 기술의 존재보다는 전달되는 ‘경험’과 ‘감성적 연계’가 콘텐츠 수용의 핵심 평가 기준으로 이동하고 있음을 보여주는 정황적 증거다. 이는 향후 AI 콘텐츠 시대에는 제작 주체의 정체성보다 콘텐츠가 유발하는 몰입, 공감, 유용성 인식이 지속 소비를 이끄는 중요한 요소가 될 수 있음을 예고하며, 기술 중심 설계에서 경험 중심 설계로의 전환 필요성을 강조한다.

Acknowledgments

이 논문은 2025년도 정부(산업통상자원부)의 재원으로 한국산업기술진흥원의 지원을 받아 수행된 연구입니다(RS-2024-00415520, 2025년 산업혁신인재성장지원사업).

References

• Y. H. Lim, “The Present and Future of AI-Based Filmmaking Techniques,” The Korean Journal of Animation, Vol. 20, No. 2, pp. 277-296, June 2024. [https://doi.org/10.51467/asko.2024.06.20.2.277]
• Korea Communications Agency. AI-Powered Video Content Beyond Reality [Internet]. Available: https://www.kca.kr/Media_Issue_Trend/vol56/KCA56_22_domestic.html, .
• Incross. IAM Report 2024 [Internet]. Available: https://www.incross.com/ko/insight/report.asp?mode=view&page=1&pagesize=12&serboardsort=&searchstr=iam&idx=10181, .
• NielsenIQ. Will AI-Generated Advertising Disrupt the Creative Industry? [Internet]. Available: https://nielseniq.com/global/en/insights/education/2024/will-ai-generated-advertising-disrupt-the-creative-industry/, .
• Y. Zhang and R. Gosline, “Human Favoritism, Not AI Aversion: People’s Perceptions (and Bias) Toward Generative AI, Human Experts, and Human-GAI Collaboration in Persuasive Content Generation,” Judgment and Decision Making, Vol. 18, e41, November 2023. [https://doi.org/10.1017/jdm.2023.37]
• T. Wang, X. Cheng, S. Lei, Y. Li, X. Zhang, and P. Wang, “Investigating the Impact of Disclosing Generative AI’s Involvement in Video Advertising,” in Proceedings of the 58th Hawaii International Conference on System Sciences, Hawaii, pp. 667-675, January 2025. [https://doi.org/10.24251/hicss.2025.078]
• F. Nah, R. Zheng, J. Cai, K. Siau, and L. Chen, “Generative AI and ChatGPT: Applications, Challenges, and AI-Human Collaboration,” Journal of Information Technology Case and Application Research, Vol. 25, No. 3, pp. 277-304, July 2023. [https://doi.org/10.1080/15228053.2023.2233814]
• Y. Yang and G. Cho, “The Influence of Purchase Type, Purchase Context, and Self-Construal on Consumer Happiness,” The Korean Journal of Consumer and Advertising Psychology, Vol 16, No. 1, pp. 83-104, 2015.
• X. Zhang, “Media Characteristics of Internet Live Broadcasting in the SMCRE Model,” Trans-, Vol. 10, pp. 51-72, 2021.
• T. H. Kim, The Impact of Using Generative AI on Advertising Evaluation: Focusing on the Moderating Effect of Message Type, Master’s Thesis, Korea University, Seoul, 2024.
• B. J. Bae and H. S. Park,“Effect of Artificial Intelligence Virtual Assistant Service Characteristics on Consumer Intention to Use: Mediating Effect of Immersion,” Journal of Next-generation Convergence Technology Association, Vol. 6, No. 9, pp. 1539-1553, September 2022. [https://doi.org/10.33097/jncta.2022.06.09.1539]
• J. O. Lee and S. B. Park, “A Case Study on Generative AI Design Content Based on Emotional Language - Focusing on the Ad Campaign,” Journal of Cultural Product & Design, Vol. 77, pp. 219-230, June 2024. [https://doi.org/10.18555/kicpd.2024.77.019]
• C. S. Kim, “Exploring the Relationship between Media Use and Negative Feelings toward the Press : Focusing on the Motivation for Using Media, the Exposure of Political News and Information by Media and the Recognition of its Importance, and the Evaluation of Political News snd Information by the Media,” Journal of Political Communication, Vol. 73, pp. 5-38, June 2024. [https://doi.org/10.1108/oir-03-2024-0140/v2/review1]