생성형 AI 기반 검색 엔진 사용에 영향을 미치는 요인 연구: 고등교육(석·박사) 사용자를 중심으로
Copyright ⓒ 2025 The Digital Contents Society
This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-CommercialLicense(http://creativecommons.org/licenses/by-nc/3.0/) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.
초록
본 연구는 생성형 AI 검색 엔진의 사용 요인을 분석하고, 고등교육 사용자를 중심으로 활용 방안을 제시하는 것을 목표로 한다. 기술수용모델(TAM)과 정보 시스템 성공 모델(ISSM)을 기반으로 연구모형을 설계하고, 정확성, 사용의 즐거움, 적시성, 만족도, 신뢰성이 사용 의도에 미치는 영향을 실증 분석하였다. 분석한 결과, 정확성과 신뢰성은 유용성과 사용 용이성에 유의한 영향을 미쳤으며, 적시성과 사용의 즐거움은 각각 유용성과 사용 용이성에 영향을 주었다. 만족도는 두 변수 모두에 긍정적인 영향을 미쳤다. AI 검색 엔진의 활용도를 높이기 위해 정확성과 신뢰성 강화를 위한 알고리즘 개선, 적시성 향상을 위한 실시간 데이터 업데이트, 직관적인 인터페이스 설계, 사용자 교육 및 홍보 전략이 필요하다.
Abstract
This study aims to analyze the factors influencing the use of generative artificial intelligence (AI) search engines and to suggest practical applications centered on higher education users. Based on the technology acceptance model (TAM) and information systems success model (ISSM), a research framework was developed to empirically examine the impacts of accuracy, enjoyment, timeliness, satisfaction, and reliability on usage intention. The results of this study revealed that accuracy and reliability significantly affected perceived usefulness and ease of use, whereas timeliness and enjoyment influenced perceived usefulness and perceived ease of use, respectively. Satisfaction positively influenced both variables. To enhance the adoption of AI search engines, improvements in algorithms for accuracy and reliability, real-time data updates for better timeliness, intuitive interface designs, and user education and promotion strategies are necessary.
Keywords:
Generative AI, Search Engine, Technology Acceptance Model (TAM), IS Success Model, Intention to Use키워드:
생성형 AI, 검색 엔진, 기술수용모델(TAM), 정보 시스템 성공 모델, 사용 의도Ⅰ. 서 론
인공지능(AI) 기술은 오늘날 다양한 분야에서 혁신적 변화를 가져오고 있으며, 특히 정보 검색 기술에서 중요한 진전을 이루고 있다[1],[2]. 생성형 AI 기반 검색 엔진(이하 AI 검색 엔진)은 전통적인 키워드 기반 검색 엔진의 한계를 극복하고, 사용자 맞춤형 정보 제공과 대화형 상호작용을 통해 새로운 검색 경험을 제공한다[3]. 이러한 AI 검색 엔진의 발전은 정보 과부하와 검색의 비효율성을 해결할 수 있는 강력한 도구로 주목받고 있다[4],[5].
그러나, AI 검색 엔진에 대한 높은 관심에도 불구하고 실제 사용률은 기대보다 낮은 상황이다[6]. 특히 석사 및 박사 과정의 고등교육 사용자들을 대상으로 AI 검색 엔진 활용 정도와 사용에 영향을 주는 요인을 분석하는 연구는 아직 미진하다. 본 연구는 AI 검색 엔진의 사용 의도가 실제 사용으로 이어지지 않는 요인을 분석하여, AI 검색 엔진의 낮은 활용률에 대한 근본적인 이유를 규명하고자 한다.
선행논문에서는 키워드 검색 엔진에서 정보-과업 적합성 부족과 정보 과부하로 인해 사용자들이 불만족을 느끼며 AI 검색 엔진으로 전환하려는 의도가 높은 반면, 정보의 적시성, 정확성, 유용성이 부족 등이 제한 요인으로 분석하였다[7]. 본 연구에서는 AI 검색 엔진을 사용하려는 의도가 정보 검색의 목적과 유형에 따라 다르게 나타날 가능성에 대해서 검토하려 한다. 예를 들어, 학술 논문이나 업무 관련 검색과 같은 전문적 요구에서는 AI 검색 엔진의 활용도가 높은 반면, 생활 정보나 일상적인 검색에서는 비교적 낮은 활용도를 보이는 경향이 있다. 이는 AI 검색 엔진의 효용성이 특정 상황이나 맥락에서만 두드러지며, 사용자 경험과 기대치 간의 간극이 존재함을 시사한다.
본 연구는 석사 및 박사 과정의 사용자들을 대상으로 설문조사를 수행하여, AI 검색 엔진을 자주 사용하고 거부감이 적은 사용자를 대상으로 하여 AI 검색 엔진 사용에 영향을 주는 요인들을 규명하고자 한다. 이를 통해, AI 검색 엔진의 낮은 사용률의 근본적인 원인을 밝히고, 향후 AI 검색 엔진의 활용도를 높이기 위한 전략적 제언을 제공하고자 한다.
Ⅱ. 이론적 배경
2-1 생성형 AI 기반 검색 엔진
정보 탐색은 사용자가 자신의 필요를 충족시키기 위해 정보 기술을 활용하여 적합한 정보를 발견하고 활용하는 과정을 의미한다[8]. 검색 엔진은 인터넷에서 정보를 찾는 강력한 도구이지만, 방대한 데이터를 제공하여 사용자가 관련 정보를 선별하는 데 시간과 노력이 필요하다[9]. 자연어 처리와 추천 시스템을 결합한 생성형 AI는 사용자와의 자연스러운 상호작용을 통해 단순화된 결과를 제공하며, 이를 통해 사용자 경험을 향상시키고 기존 검색 엔진에서 생성형 AI로의 전환을 용이하게 한다[10].
이와 같이, AI 검색 엔진은 대규모 언어 모델(LLM)을 기반으로 자연어 상호작용을 통해 사용자의 정보 탐색 요구를 이해하고 간결하고 맥락화된 답변을 제공하여 직관적이고 효율적인 정보 획득을 지원하는 시스템이다[2],[11]. 최근 다양한 생성형 AI 기반 검색 엔진이 등장하고 있으며, 대표적인 예로 Perplexity.ai, ChatGPT, Microsoft Copilot이 있다.
검색과 AI 챗봇 기능을 결합한 서비스로, 사용자의 질문에 대해 신뢰할 수 있는 출처를 기반으로 정보를 요약하여 제공한다. 검색 과정에서 출처를 명시하며, 실시간 웹 검색을 활용하여 최신 정보를 반영하는 것이 특징이다.
OpenAI에서 개발한 대규모 언어 모델 기반 챗봇으로, 자연어 이해와 생성 능력을 활용하여 질의응답, 텍스트 요약, 코드 생성 등 다양한 기능을 수행한다. 기본적으로 훈련된 데이터에 기반한 응답을 제공하지만, 최신 버전에서는 웹 검색 및 플러그인 기능을 통해 실시간 정보도 제공할 수 있다.
Bing 검색과 통합된 AI 기반 검색 도구로, GPT 모델을 활용하여 사용자의 질의에 대한 상세한 답변과 맥락을 반영한 정보를 제공한다. 또한, Microsoft 365와 연계되어 문서 작성, 데이터 분석, 업무 지원 등의 기능을 강화한다.
이러한 AI 기반 검색 엔진은 기존 키워드 중심 검색에서 벗어나, 보다 직관적이고 개인화된 정보 탐색 경험을 제공하며, 향후 검색 기술의 발전을 주도할 것으로 예상된다.
2-2 기술수용모델(TAM)
기술수용모델(TAM)은 Fred D. Davis가 제안한 연구모델로, 새로운 정보 시스템이 사용자에게 수용되는 과정을 이해하고, 수용에 영향을 미치는 주요 요인을 설명하기 위해 설계되었다[12]. TAM의 성공은 이론적 개선과 심리측정학적 원칙에 따라 지각된 유용성(Perceived Usefulness)과 지각된 사용 용이성(Perceived Ease of Use)을 핵심 요소로 식별, 개발, 측정함으로써 사용자 수용의 주요 요인을 효과적으로 설명하고 예측할 수 있는 모델로 자리 잡았으며, 이를 뒷받침하는 많은 후속 연구들이 이어지고 있다[13].
특히, AI 검색 엔진과 같은 새로운 정보 검색 기술의 경우, 사용자가 해당 기술을 유용하고 쉽게 사용할 수 있다고 인식하는 정도가 사용 의도(Intention to Use)에 직접적인 영향을 미칠 가능성이 크다. 생성형 AI 기반 검색 엔진은 기존 검색 방식과 차별화된 정보 제공 방식을 가지므로, TAM을 활용하여 사용자들이 AI 검색 엔진을 수용하는 과정과 핵심 영향을 분석하는 것이 적절하다.
2-3 정보 시스템 성공 모델(IS Success Model)
정보 시스템 성공 모델(IS Success Model)은 DeLone과 McLean[14],[15]이 제안한 이론적 프레임워크로, 정보 시스템의 성과를 평가하기 위해 개발되었다. 초기 모델에서는 정보 시스템의 성공을 정보 품질(Information Quality), 시스템 품질(System Quality), 사용(Use), 사용자 만족(User Satisfaction), 개인적 영향(Individual Impact), 조직적 영향(Organizational Impact)의 6가지 차원으로 정의하였다[14].
이후 2003년 개정 모델에서는 조직적 영향을 포함한 개념을 보다 포괄적으로 통합하여 순이익(Net Benefits)이라는 개념을 도입하였다. 또한, 정보 시스템의 성과를 더욱 정확하게 반영하기 위해 서비스 품질(Service Quality)을 추가하였다[15]. 개정된 모델은 정보 시스템의 성공을 다음 6가지 핵심 요인으로 설명한다.
- • 정보 품질(Information Quality): 제공되는 정보의 정확성, 완전성, 적시성 등을 평가
- • 시스템 품질(System Quality): 시스템의 성능, 사용 편의성, 응답 속도 등을 측정
- • 서비스 품질(Service Quality): 시스템 운영 및 유지보수 서비스의 질을 평가
- • 사용(Use): 정보 시스템의 실제 사용 정도
- • 사용자 만족(User Satisfaction): 사용자 경험 및 만족 수준
- • 순이익(Net Benefits): 정보 시스템이 조직 및 개인에게 제공하는 가치
이 모델은 다양한 분야에서 정보 시스템의 성과를 평가하는 데 활용되었으며, 특히 정보 검색 시스템 및 AI 기반 서비스 평가 연구에서 유용하게 적용되고 있다[16],[17].
2-4 독립변수 개요
본 연구에서는 IS 성공 모델을 기반으로 하여 정확성(Accuracy), 사용의 즐거움(Enjoyment), 적시성(Timeliness), 만족도(Satisfaction), 신뢰성(Reliability)을 주요 독립변수로 설정하였다. 이 변수들은 기존 정보 시스템 평가 모델과 기술 수용 모델(TAM)을 혼합한 연구에서 중요한 역할을 하였으며, AI 검색 엔진의 사용 의도를 분석하는 데 필수적인 요소로 고려된다[16],[18].
정확성은 제공되는 정보가 얼마나 신뢰할 수 있고 오류 없이 사용자에게 전달되는지를 나타내는 개념이다[15]. 정보 검색 시스템에서 정확성은 정보 품질의 중요한 하위 요인 중 하나이며, 사용자의 지각된 유용성(Perceived Usefulness)에 직접적인 영향을 미치는 요소로 작용한다[16]. 선행연구에서는 정확성이 높을수록 사용자의 검색 경험이 향상되고, AI 검색 엔진의 신뢰도가 증가한다고 보고하고 있다[19].
사용의 즐거움은 시스템을 사용하는 과정에서 경험하는 심리적 만족감을 의미하며, 이는 확장된 기술 수용 모델(ETAM, Extended TAM)에서 주요한 동기 요인으로 고려된다[20]. AI 검색 엔진의 경우, 대화형 인터페이스나 개인화된 검색 결과가 사용자 경험을 더욱 향상시킬 수 있다[16]. 연구에 따르면, 사용의 즐거움이 높은 검색 시스템은 사용자들이 더 자주 사용하고, 기술 채택 의도가 증가하는 경향을 보인다[21].
적시성은 사용자가 필요로 하는 시점에 정확한 정보를 제공할 수 있는 능력을 의미한다[22]. AI 검색 엔진에서는 응답 속도뿐만 아니라, 최신 정보 제공 여부도 중요한 평가 요소로 작용한다. 기존 연구에서는 적시성이 높을수록 사용자 만족도(User Satisfaction)와 검색 효율성이 증가하며, 이는 사용자의 지속적 사용 의도에 영향을 미친다고 보고하고 있다[17].
2-5 사용자 목적에 따른 인터넷 검색의 패턴
인터넷 검색은 사용자의 목적에 따라 크게 세 가지 패턴으로 구분할 수 있다. 업무 관련 정보 검색, 일상생활 정보 검색, 학문적 목적의 정보 검색, 이러한 구분은 각기 다른 정보 요구와 행동 양식을 반영하며, 이를 이해하는 것은 사용자 경험 개선과 정보 시스템 설계에 중요한 역할을 한다[24]-[26]. 업무와 관련된 정보 검색은 직무 수행에 필요한 자료를 찾는 활동으로, 신뢰성과 정확성이 핵심이라 할 수 있다[24]. 직장인들은 업무 효율성을 높이기 위해 전문 데이터베이스, 산업 보고서, 기업 내부 자료 등을 활용한다[27]. 일상생활 정보 검색은 개인의 일상적인 필요를 충족하기 위한 활동으로, 뉴스, 건강, 쇼핑 등 다양한 주제를 포함한다[28]. 이러한 검색은 주로 편의성과 접근성을 중시하며, 사용자들은 블로그, 소셜 미디어, 온라인 커뮤니티 등을 통해 정보를 획득한다[29],[30]. 학문적 정보 검색은 연구나 학습을 위한 자료를 찾는 활동으로, 정확성, 신뢰성 등이 중요한 요소로 작용한다[31]. 학생들은 학술 데이터베이스, 전자 저널, 도서관 자료를 활용한 검색 활동을 통해 과제와 논문 작성을 지원하며, 이는 학문의 발전과 지식 축적에 기여한다[32].
이러한 세 가지 검색 패턴은 사용자의 다양한 정보 요구를 반영하며, 각 패턴에 맞는 검색 전략과 도구의 개발이 요구된다. 이를 통해 사용자들은 자신의 목적에 부합하는 정보를 효율적으로 찾을 수 있을 것이다.
Ⅲ. 연구모형 및 설계
3-1 연구모형
본 연구는 인공지능(AI) 기반 검색 엔진의 사용 의도와 실제 사용에 영향을 미치는 요인을 규명하기 위해 연구모형을 설계하였다. 연구모형은 기술수용모델(TAM, Technology Acceptance Model)을 기반으로, 지각된 유용성(Perceived Usefulness)과 지각된 사용 용이성(Perceived Ease of Use)을 중심으로 한 태도와 사용 의도의 관계를 분석한다[13]. TAM은 정보 시스템 사용 의도를 설명하는 대표적인 이론으로, 다양한 기술 분야에서 광범위하게 활용되고 있다.
본 연구에서는 TAM을 확장하여 정보 시스템 성공 모델(IS Success Model)을 결합하여 연구모형을 구성하였다. IS Success Model에서 강조하는 정보 품질, 시스템 품질, 서비스 품질, 사용자 만족 등의 요인을 포함하여 AI 검색 엔진의 사용 의도와 실제 사용 간의 관계를 더욱 명확히 분석하고자 한다. 특히, 정확성(Accuracy), 적시성(Timeliness), 신뢰성(Reliability), 사용의 즐거움(Enjoyment), 만족도(Satisfaction) 등의 변수들이 AI 검색 엔진의 활용도에 미치는 영향을 탐색한다.
연구모형은 아래의 그림 1과 같이 설계되었다.
Research model
3-2 연구가설
본 연구는 AI 검색 엔진의 사용 의도에 영향을 미치는 요인들을 규명하기 위해 다음과 같은 연구가설을 설정하였다. 연구모형은 TAM(Technology Acceptance Model)을 기반으로, 확장된 요인들인 정확성, 사용의 즐거움, 적시성, 만족도, 신뢰성을 포함하고, 이 요인들이 지각된 유용성과 지각된 사용 용이성을 통해 태도와 사용 의도로 이어지는 과정을 설명한다.
- H1:정확성은 지각된 유용성에 긍정적인 영향을 미칠 것이다
- H2:정확성은 지각된 사용 용이성에 긍정적인 영향을 미칠 것이다
AI 검색 엔진이 제공하는 정보가 정확할수록 사용자는 해당 시스템이 유용하다고 인식할 가능성이 높다[3]. 정보의 정확성은 사용자가 검색 과정을 간단하고 편리하게 느끼는 데 기여한다[33].
- H3:사용의 즐거움은 지각된 유용성에 긍정적인 영향을 미칠 것이다
- H4:사용의 즐거움은 지각된 사용 용이성에 긍정적인 영향을 미칠 것이다
사용 중 즐거운 경험은 기술이 실질적으로 유용하다는 인식을 강화한다[34]. 즐거운 경험은 시스템을 사용하는 심리적 부담을 낮추어, 용이성을 높이게 된다[7].
- H5:적시성은 지각된 유용성에 긍정적인 영향을 미칠 것이다
- H6:적시성은 지각된 사용 용이성에 긍정적인 영향을 미칠 것이다
AI 검색 엔진이 정보를 적시에 제공할수록 사용자는 해당 기술이 유용하다고 인식할 가능성이 높다[4]. 신속한 정보 제공은 사용자 경험을 간소화하여 사용 용이성을 강화한다[34].
- H7:만족도는 지각된 유용성에 긍정적인 영향을 미칠 것이다
- H8:만족도는 지각된 사용 용이성에 긍정적인 영향을 미칠 것이다
이전에 긍정적인 검색 경험을 가진 사용자는 해당 시스템을 유용하다고 평가할 가능성이 크다[7]. 검색 경험에서 높은 만족도를 경험한 사용자는 시스템을 더 쉽게 사용할 수 있다고 인식할 것이다[33].
- H9:신뢰성은 지각된 유용성에 긍정적인 영향을 미칠 것이다
- H10:신뢰성은 지각된 사용 용이성에 긍정적인 영향을 미칠 것이다
신뢰할 수 있는 정보를 제공하는 시스템은 유용성에 대한 인식을 강화한다[4]. 신뢰할 수 있는 시스템은 사용자가 시스템을 더욱 간편하게 사용할 수 있다고 느끼게 한다[34].
- H11:지각된 유용성은 태도에 긍정적인 영향을 미칠 것이다
시스템이 유용하다고 인식될수록 사용자는 긍정적인 태도를 형성할 것이다[13].
- H12:지각된 용이성은 태도에 긍정적인 영향을 미칠 것이다
시스템이 사용하기 쉽다고 느껴질수록 사용자는 긍정적인 태도를 형성할 가능성이 크다[13].
- H13:태도는 사용 의도에 긍정적인 영향을 미칠 것이다
AI 검색 엔진에 대한 긍정적인 태도를 가진 사용자는 해당 기술을 사용할 가능성이 높다[13].
위 가설들은 연구모형에 근거하여 설정되었으며, 설문조사를 통해 실증적으로 검증될 예정이다. 이를 통해 AI 검색 엔진 사용 의도에 영향을 미치는 주요 요인과 그 상호작용을 분석하고, AI 검색 엔진 활용률 향상을 위한 전략적 시사점을 도출하고자 한다.
Ⅳ. 실증 분석
4-1 자료수집 및 분석방법
본 연구는 AI 검색 엔진 사용 의도와 실제 사용 간의 차이를 분석하고, 검색 유형(논문, 업무, 생활)별 사용 패턴을 비교하기 위해 설문조사를 실시하였다. 설문조사는 직장에 재직 중이면서 석사 및 박사 과정을 수료하였거나 재학 중인 고등교육자 중 실제 AI 검색 엔진을 사용한 사용자를 대상으로 진행하였으며, 설문 응답자들은 AI 검색 엔진 사용 경험 및 인식에 대한 다양한 문항에 응답하였다. 직장에 재직 중인 석·박사급 인력을 설문 대상으로 선정한 이유는 이들이 연구, 업무, 일상생활 전반에서 AI 검색 엔진을 폭넓게 활용하고 있어 사용 요인을 다각적으로 분석하기에 적합하다고 판단하여 선정하였다. 자료 수집은 2024년 11월부터 12월까지 약 두 달간 온라인 설문조사를 통해 이루어졌으며, 설문 항목은 선행 연구[13],[16],[35]를 바탕으로 수정 및 보완하여 작성되었다.
총 407개의 응답이 수집되었으며, 응답 데이터는 결측치 및 불성실 응답을 제외한 343개의 자료를 최종 분석에 사용하였다. 분석은 SPSS, R 통계 소프트웨어를 활용하여 진행하였으며, 기술통계분석, 요인분석, 신뢰도 분석, 그리고 구조방정식 모델(SEM)을 사용하여 자료를 검증하였다. 기술통계분석을 통해 응답자의 인구통계학적 특성과 기본적인 설문 문항에 대한 분포를 파악하였으며, 그 결과는 표 1과 같다.
Demographic characteristics
4-2 타당성 및 신뢰성 검증
본 연구에서는 AI 검색 엔진 사용 의도 및 실제 사용 간의 관계를 검증하기 위해 신뢰성과 타당성 분석을 실시하였다. 신뢰성은 동일한 문항을 반복 측정했을 때 결과가 일관되게 나오는지를 평가하는 척도이며, 타당성은 설문 문항이 본래 측정하고자 하는 개념을 얼마나 정확하게 반영하는지를 나타낸다[36]. 타당성을 검증하기 위해 탐색적 요인분석(EFA)을 수행하여 관측 변수들이 내재하고 있는 요인 간의 구조를 분석하였다. 요인분석은 주성분분석(PCA) 방식을 사용하였으며, 베리멕스(Varimax) 직각회전 방법을 적용하였다. 요인 추출 기준으로는 고유값(Eigenvalue) 1.0 이상을 설정하였으며, 요인 적재량(Factor Loading)이 0.5 이상인 문항을 유의한 것으로 판단하였다[37]. 분석 결과, 모든 문항은 설계 의도에 부합하는 요인으로 적재되었으며, 9개의 요인이 추출되었다. 이는 AI 검색 엔진 사용에 영향을 미치는 다양한 요인들이 명확하게 구분됨을 시사한다.
신뢰성 분석은 Cronbach's Alpha 계수를 통해 측정 변수들의 내적 일관성을 평가하였다. 분석 결과, 모든 요인의 Cronbach's Alpha 값이 0.7 이상으로 나타나 신뢰성이 확보되었다[38]. 이는 본 연구에서 사용된 설문 문항들이 일관된 결과를 도출할 수 있는 신뢰할 수 있는 측정 도구임을 의미한다.
4-3 모형의 적합도 및 확인적 요인분석
본 연구에서는 탐색적 요인분석을 통해 추출된 측정 변수들에 대해 확인적 요인분석(CFA)을 실시하여 측정 도구의 타당성과 신뢰성을 검증하였다. 분석에는 R 통계 소프트웨어의 lavaan 패키지가 사용하였으며, 측정 모형의 적합도를 평가하기 위해 다양한 적합도 지표를 활용하였다.
확인적 요인분석은 사전에 설정된 요인 구조에 대한 검증을 목적으로 하며, 본 연구에서는 측정 항목들이 해당 요인에 적절하게 적재되는지를 평가하였다. 분석 결과, 표준화 추정치(standardized estimate)가 0.7 이상인 문항들은 모두 수용 가능한 수준으로 나타났으며, 이는 측정 항목들이 해당 요인을 잘 설명하고 있음을 시사한다[39]. 다만, 태도(Attitude) 요인에서 0.7 기준에 미달하여 제외하고 분석을 진행하였다.
적합도 지수는 χ2= 933.309(p = 0.056), χ2/df =933.309 / 866 ≈ 1.08, RMSEA= 0.015, RMR = 0.040, GFI = 0.895, AGFI = 0.880, PGFI = 0.783, NFI = 0.954, CFI = 0.997, IFI = 0.997 으로 측정되었으며 기준을 충족하는 것으로 확인되었다[40]-[42].
따라서, 본 연구에서 사용된 측정 모형은 데이터에 대해 적합하며, 신뢰할 수 있는 측정 도구임이 확인되었다. 이를 바탕으로 후속 분석에서는 요인 간 관계 및 구조적 모형에 대한 검증을 진행하였다.
4-4 가설검증
본 연구에서는 AI 검색 엔진 사용에 영향을 미치는 요인을 검증하기 위해 구조 방정식 모델(SEM)을 활용하여 가설 검증을 실시하였다. 분석 결과는 표 2에 제시되어 있으며, 각 경로의 추정치(Estimate), 표준 오차(S.E.), 임계 비율(C.R.), 유의확률(p-value)을 통해 가설의 채택 여부를 판단하였다.
Hypothesis testing results
분석 결과, 총 13개의 가설 중 11개 가설이 채택되었다. 구체적으로, 정확성(ACC)은 지각된 유용성(USE) 및 지각된 용이성(EAS)에 유의한 영향을 미친다(p < 0.000, p < 0.025). 검색 엔진의 정확성이 높으면 사용자는 정보를 정확하게 받아 유용성을 높게 느끼며, 검색 과정을 원활하게 해 사용의 편리함을 증진시킨다. 검색 알고리즘의 정확성을 지속적으로 개선하고 오류를 최소화해야 하며, 이는 검색 엔진이 사용자 요구에 부응하고 사용자 경험을 극대화하는 데 기여한다.
사용의 즐거움(ENJ)은 지각된 용이성(EAS)에는 유의한 영향을 미치는(p < 0.000) 반면, 지각된 유용성(USE)에 미치는 영향은 유의하지 않은 것으로 나타났다(p < 0.438). 이는 사용자가 AI 검색 엔진을 사용할 때 즐거움이 검색 활동의 편리함을 증진시키지만, 실질적인 작업 수행이나 목표 달성에 기여하는 요소로는 인식되지 않을 수 있다는 것을 의미한다. 즉, 사용자는 AI 검색 엔진을 즐겁게 사용하고 있으나 이러한 즐거움이 검색 엔진의 유용성, 즉 실제적인 성과나 생산성 향상에 직접적으로 연결되지 않는다고 느낄 수 있다.
적시성(TIM)은 지각된 유용성(USE)에는 유의한 영향을 미치는(p < 0.001) 반면, 지각된 용이성(EAS)에 미치는 영향은 유의하지 않은 것으로 나타났다(p < 0.245). 사용자는 검색 결과의 신속한 제공을 유용성의 중요한 지표로 평가하며, 이는 작업 효율성과 목표 달성에 중요하다고 인식한다. 그러나 검색 엔진 사용의 용이성 평가에서는 결과의 신속성보다 사용자 인터페이스의 직관성이나 상호작용의 용이성과 같은 다른 요소가 더 중요할 수 있다. 이는 개발자들이 검색 엔진의 효율성과 사용성을 모두 고려해야 함을 시사하며, 사용자 경험을 향상시키기 위해 인터페이스 개선과 사용자 지원 강화가 필요함을 의미한다.
만족도(SAT)는 지각된 유용성(USE) 및 지각된 용이성(EAS)에 유의한 영향을 미친다(p < 0.004, p < 0.000). 만족도는 사용자가 검색 엔진의 유용성과 용이성을 평가하는 데 중요한 역할을 합니다. 사용자가 높은 만족도를 느낄 때, 그들은 검색 엔진의 기능을 더 유용하고 사용하기 쉽다고 평가하는 경향이 있습니다.
신뢰성(REL)는 지각된 유용성(USE) 및 지각된 용이성(EAS)에 유의한 영향을 미친다(p < 0.000, p < 0.030). 검색 엔진의 신뢰성 향상은 사용자 만족도와 검색 엔진 평가를 개선하는 데 중요하다. 정확하고 일관된 검색 결과를 제공하는 기술적 개선은 검색 엔진의 신뢰성을 높이고, 이는 검색 엔진의 유용성과 용이성을 증진시켜 성공에 결정적인 영향을 미친다.
본 연구 결과는 AI 검색 엔진의 사용률을 향상시키기 위해, 각 사용 맥락에 맞는 맞춤형 기능 개발과 사용자 교육 프로그램이 필요하다는 점을 강조한다.
Ⅴ. 결 론
5-1 연구결과 및 시사점
본 연구는 생성형 AI 기반 검색 엔진의 사용에 영향을 미치는 요인을 분석하고, AI 검색 엔진의 활용도를 높이기 위한 시사점을 도출하였다. 연구 결과, 정확성(Accuracy), 사용의 즐거움(Enjoyment), 적시성(Timeliness), 만족도(Satisfaction), 신뢰성(Reliability) 등이 AI 검색 엔진 사용 의도에 중요한 영향을 미치는 것으로 나타났다.
구체적으로, 정확성과 신뢰성이 높을수록 AI 검색 엔진의 유용성이 높게 평가되었으며, 이는 사용 의도에도 긍정적인 영향을 미쳤다. 또한, 적시성은 유용성에 직접적인 영향을 미쳤지만, 사용 용이성과의 관계는 유의하지 않았다. 이는 검색 속도가 빠를수록 사용자가 해당 기술을 유용하다고 인식하지만, 검색 시스템의 사용 용이성과는 직접적인 연관성이 크지 않음을 의미한다. 한편, 사용의 즐거움은 사용 용이성에 영향을 미쳤지만, 유용성에는 유의한 영향을 미치지 않는 것으로 나타났다. 이는 사용자가 AI 검색 엔진을 이용하는 과정에서 편리함을 느낄 수 있지만, 해당 기술이 본질적으로 업무나 학술적 성과를 향상시키는 데 반드시 도움이 되지는 않을 수 있음을 시사한다.
본 연구는 다음과 같은 실무적 및 학문적 시사점을 제공한다.
- • AI 검색 엔진의 신뢰성을 높이기 위해 지속적인 알고리즘 개선과 정보 검증 프로세스가 요구된다.
- • 특히 학술 정보 검색이나 업무 관련 검색에서는 높은 정확성이 요구되므로, 신뢰할 수 있는 데이터 소스를 활용한 검색 기능 강화가 필요하다.
- • 실시간으로 정보가 제공될 수 있도록 최적화된 검색 알고리즘이 필요하다.
- • 최신 정보를 빠르게 반영할 수 있는 업데이트 시스템이 도입된다면, AI 검색 엔진의 활용도가 더욱 증가할 것이다.
- • 사용의 즐거움이 검색 엔진의 사용 용이성에 긍정적인 영향을 미친다는 점을 고려할 때, 직관적인 인터페이스 디자인과 상호작용 요소를 강화하는 것이 중요하다.
- • 사용자 맞춤형 검색 결과 제공, 음성 및 시각적 인터페이스 개선 등을 통해 AI 검색 엔진의 접근성을 높일 필요가 있다.
- • AI 검색 엔진의 유용성을 보다 명확하게 인식할 수 있도록 사용자 교육이 필요하다.
- • AI 검색 엔진을 효과적으로 활용할 수 있도록 관련 가이드라인과 사례 연구를 제공하는 것도 한 가지 방안이 될 수 있다.
5-2 연구의 한계 및 연구과제
본 연구는 AI 검색 엔진 사용 의도에 영향을 미치는 요인을 규명하고 실증 분석을 통해 주요 변수를 도출하였다. 그러나 연구 진행 과정에서 다음과 같은 한계가 존재하며, 향후 연구에서 보완될 필요가 있다.
- • 본 연구는 고등교육(석·박사 과정) 사용자를 대상으로 진행되었기 때문에, 일반 사용자나 산업 현장에서의 AI 검색 엔진 사용 패턴을 반영하는 데 한계가 있다.
- • 향후 연구에서는 직장인, 대학생, 일반 대중 등 다양한 사용 계층을 포함하여 보다 포괄적인 분석이 필요하다.
- • 본 연구는 설문 기반의 자기보고식(Self-report) 데이터를 활용하였으므로, 실제 검색 엔진 사용 데이터(Log data)와의 비교 분석이 이루어지지 않았다.
- • 향후 연구에서는 사용자의 실제 검색 기록을 기반으로 한 실증적 데이터 분석을 병행하여 보다 정밀한 연구 결과를 도출할 필요가 있다.
- • 본 연구에서는 독립 변수들이 개별적으로 사용 의도에 미치는 영향을 분석하였으나, 변수들 간의 상호작용 효과(Interaction Effect)는 고려되지 않았다.
- • 예를 들어, 신뢰성과 정확성이 함께 높을 경우 유용성에 미치는 복합적인 영향을 분석하는 연구가 추가적으로 필요하다.
- • 본 연구는 특정 시점에서의 사용자 인식을 분석한 단면 연구(Cross-sectional study) 방식으로 진행되었다.
- • 향후 연구에서는 장기간에 걸친 패널 데이터 분석을 통해 AI 검색 엔진 사용 행태의 변화와 지속적 사용 의도에 대한 심층적인 연구가 이루어질 필요가 있다.
이러한 한계를 고려할 때, 후속 연구에서는 다양한 사용자 계층을 대상으로 실험 연구 및 데이터 마이닝 기법을 활용한 분석을 시도하는 것이 유용할 것이다. 또한, AI 검색 엔진의 지속적 사용을 유도하는 전략을 도출하기 위해, 사용자 맞춤형 서비스 제공과 개인화 검색 기능이 사용 의도에 미치는 영향을 보다 심층적으로 연구할 필요가 있다.
References
-
H. S. Yoo, B. S. Yoon, and H. S. Choi, Artificial Intelligence Ethics: Strategies for Harmonious Coexistence of Humans and Artificial Intelligence, Korea Institute of Science and Technology Information, Daejeon, KISTI Issue Brief No. 68, May 2024.
[https://doi.org/10.22810/2024KIB068]
-
W. Hersh, “Search Still Matters: Information Retrieval in the Era of Generative AI,” Journal of the American Medical Informatics Association, Vol. 31, No. 9, pp. 2159-2161, September 2024.
[https://doi.org/10.1093/jamia/ocae014]
-
R. W. White, “Advancing the Search Frontier with AI Agents,” Communications of the ACM, Vol. 67, No. 9, pp. 54-65, September 2024.
[https://doi.org/10.1145/3655615]
-
E. Agichtein, R. W. White, and S. T. Dumais, “Search, Interrupted: Understanding and Predicting Search Task Continuation,” in Proceedings of the 35th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR ’12), Portland: OR, pp. 315-324, August 2012.
[https://doi.org/10.1145/2348283.2348328]
-
R. W. White, “Tasks, Copilots, and the Future of Search,” in Proceedings of the 46th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR ’23), Taipei, Taiwan, pp. 5-6, July 2023.
[https://doi.org/10.1145/3539618.3593069]
- Digital Insight. AI Search Era: Why Google Remains Dominant [Internet]. Available: https://ditoday.com/ai-%EA%B2%80%EC%83%89-%EC%8B%9C%EB%8C%80%EC%97%90%EB%8F%84-%EA%B5%AC%EA%B8%80%EC%9D%B4-%EA%B5%B3%EA%B1%B4%ED%95%A0-%EC%88%98%EB%B0%96%EC%97%90-%EC%97%86%EB%8A%94-%EC%9D%B4%EC%9C%A0/, .
-
T. Zhou and S. Li, “Understanding User Switch of Information Seeking: From Search Engines to Generative AI,” Journal of Librarianship And Information Science, April 2024.
[https://doi.org/10.1177/09610006241244800]
-
G. Marchionini and R. White, “Find What You Need, Understand What You Find,” International Journal of Human-Computer Interaction, Vol. 23, No. 3, pp. 205-237, 2007.
[https://doi.org/10.1080/10447310701702352]
- N. Pharo, “A New Model of Information Behaviour Based on the Search Situation Transition Schema,” Information Research, Vol. 10, No. 1, October 2004.
- H.-S. Seung, J.-Y. Park, D.-H. Woo, and S.-M. Oh, “Recommender System for Web Search Based on NLP to Improve User Search Environment,” in Proceedings of Annual Conference of KIPS 2021 (ACK 2021), Yeosu, pp. 1168-1171, November 2021.
-
R. W. White, “Opportunities and Challenges in Search Interaction,” Communications of the ACM, Vol. 61, No. 12, pp. 36-38, December 2018.
[https://doi.org/10.1145/3195180]
- F. D. Davis Jr., A Technology Acceptance Model for Empirically Testing New End-User Information Systems: Theory and Results, Ph.D. Dissertation, Massachusetts Institute of Technology, Cambridge, MA, 1986.
-
F. D. Davis, “Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology,” MIS Quarterly, Vol. 13, No. 3, pp. 319-340, September 1989.
[https://doi.org/10.2307/249008]
-
W. H. DeLone and E. R. McLean, “Information Systems Success: The Quest for the Dependent Variable,” Information Systems Research, Vol. 3, No. 1, pp. 60-95, March 1992.
[https://doi.org/10.1287/isre.3.1.60]
-
W. H. DeLone and E. R. McLean, “The DeLone and McLean Model of Information Systems Success: A Ten-Year Update,” Journal of Management Information Systems, Vol. 19, No. 4, pp. 9-30, 2003.
[https://doi.org/10.1080/07421222.2003.11045748]
-
B. H. Wixom and P. A. Todd, “A Theoretical Integration of User Satisfaction and Technology Acceptance,” Information Systems Research, Vol. 16, No. 1, pp. 85-102, March 2005.
[https://doi.org/10.1287/isre.1050.0042]
-
S. Petter, W. DeLone, and E. R. McLean, “Information Systems Success: The Quest for the Independent Variables,” Journal of Management Information Systems, Vol. 29, No. 4, pp. 7-62, 2013.
[https://doi.org/10.2753/MIS0742-1222290401]
-
P. Bharati and A. Chaudhury, “An Empirical Investigation of Decision-Making Satisfaction in Web-Based Decision Support Systems,” Decision Support Systems, Vol. 37, No. 2, pp. 187-197, May 2004.
[https://doi.org/10.1016/S0167-9236(03)00006-X]
-
D. H. McKnight, V. Choudhury, and C. Kacmar, “Developing and Validating Trust Measures for e-Commerce: An Integrative Typology,” Information Systems Research, Vol. 13, No. 3, pp. 334-359, September 2002.
[https://doi.org/10.1287/isre.13.3.334.81]
-
V. Venkatesh, “Determinants of Perceived Ease of Use: Integrating Control, Intrinsic Motivation, and Emotion into the Technology Acceptance Model,” Information Systems Research, Vol. 11, No. 4, pp. 342-365, December 2000.
[https://doi.org/10.1287/isre.11.4.342.11872]
-
V. Venkatesh, C. Speier, and M. G. Morris, “User Acceptance Enablers in Individual Decision Making about Technology: Toward an Integrated Model,” Decision Sciences, Vol. 33, No. 2, pp. 297-316, March 2002.
[https://doi.org/10.1111/j.1540-5915.2002.tb01646.x]
-
P. Bharati and A. Chaudhury, “An Empirical Investigation of Decision-Making Satisfaction in Web-Based Decision Support Systems,” Decision Support Systems, Vol. 37, No. 2, pp. 187-197, May 2004.
[https://doi.org/10.1016/S0167-9236(03)00006-X]
-
A. Bhattacherjee, “Understanding Information Systems Continuance: An Expectation-Confirmation Model,” MIS Quarterly, Vol. 25, No. 3, pp. 351-370, September 2001.
[https://doi.org/10.2307/3250921]
- I. Nonaka, “The Knowledge-Creating Company,” Harvard Business Review, July-August 2007.
-
A. J. Head and M. B. Eisenberg, “How College Students Use the Web to Conduct Everyday Life Research,” First Monday, Vol. 16, No. 4, April 2011.
[https://doi.org/10.5210/fm.v16i4.3484]
- S. Salehi, J. T. Du, and H. Ashman, “Use of Web Search Engines and Personalisation in Information Searching for Educational Purposes,” Information Research, Vol. 23, No. 2, 788, June 2018.
-
S. H. Kim and Y. W. Seo, “A Study on the Effect of Organizational Justice and Information System Quality of SMEs on Decision Quality through Absorption Capacity,” Journal of the Korea Contents Association, Vol. 21, No. 8, pp. 163-176, August 2021.
[https://doi.org/10.5392/JKCA.2021.21.08.163]
-
S.-J. Kim, “Analyzing Patterns in Users’ Information Seeking Behavior on the Web,” Journal of the Korean Society for Information Management, Vol. 23, No. 4, pp. 197-214, December 2006.
[https://doi.org/10.3743/KOSIM.2006.23.4.197]
-
S. Choi and S. Oh, “Everyday Life Information Behaviors of College Students on Online Communities: A Case Study of Everytime,” Journal of Korean Library and Information Science Society, Vol. 52, No. 3, pp. 239-266, September 2021.
[https://doi.org/10.16981/kliss.52.3.202109.239]
-
S. Lee, “A Study on the Effect of Social Media on Information Sharing,” Journal of the Korean Society for Library and Information Science, Vol. 49, No. 1, pp. 297-317, February 2015.
[https://doi.org/10.4275/KSLIS.2015.49.1.297]
-
S.-H. Lee, Y.-J. Park, J.-S. Han, D.-J. Choi, J.-T. Lim, K.-S. Bok, and J. Yoo, “Academic Expert Search Method Using Importance and Quality of Papers,” Journal of the Korea Contents Association, Vol. 16, No. 12, pp. 458-467, December 2016.
[https://doi.org/10.5392/JKCA.2016.16.12.458]
-
H.-Y. Rhee, “A Study on Paper Writing Education in Academic Library,” Journal of Korean Library and Information Science Society, Vol. 42, No. 1, pp. 369-395, March 2011.
[https://doi.org/10.16981/kliss.42.1.201103.369]
-
Z. Chen, K. Liu, Q. Wang, J. Liu, W. Zhang, K. Chen, and F. Zhao, “MindSearch: Mimicking Human Minds Elicits Deep AI Searcher,” arXiv:2407.20183, , July 2024.
[https://doi.org/10.48550/arXiv.2407.20183]
-
V. Venkatesh, M. G. Morris, G. B. Davis, and F. D. Davis, “User Acceptance of Information Technology: Toward a Unified View,” MIS Quarterly, Vol. 27, No. 3, pp. 425-478, September 2003.
[https://doi.org/10.2307/30036540]
-
V. Venkatesh and F. D. Davis, “A Theoretical Extension of the Technology Acceptance Model: Four Longitudinal Field Studies,” Management Science, Vol. 46, No. 2, pp. 186-204, February 2000.
[https://doi.org/10.1287/mnsc.46.2.186.11926]
-
E. A. Drost, “Validity and Reliability in Social Science Research,” Education Research And Perspectives, Vol. 38, No. 1, pp. 105-123, June 2011.
[https://doi.org/10.70953/ERPv38.11005]
- H. Y. Lee, Statistical Package for the Social Sciences, 2nd ed. Seoul: Chungram, 2013.
- K. S. Kim, AMOS 18.0 Structural Equation Model Analysis, Seoul: Hannarae Academy, 2010.
-
C. Fornell and D. F. Larcker, “Evaluating Structural Equation Models with Unobservable Variables and Measurement Error,” Journal of Marketing Research, Vol. 18, No. 1, pp. 39-50, February 1981.
[https://doi.org/10.2307/3151312]
-
S. Taylor and P. A. Todd, “Understanding Information Technology Usage: A Test of Competing Models,” Information Systems Research, Vol. 6, No. 2, pp. 144-176, June 1995.
[https://doi.org/10.1287/isre.6.2.144]
-
D. Gefen, D. W. Straub, and M.-C. Boudreau, “Structural Equation Modeling and Regression: Guidelines for Research Practice,” Communications of the Association for Information Systems, Vol. 4, 7, October 2000.
[https://doi.org/10.17705/1CAIS.00407]
-
A. J. Tomarken and N. G. Waller, “Potential Problems with “Well Fitting” Models,” Journal of Abnormal Psychology, Vol. 112, No. 4, pp. 578-598, 2003.
[https://doi.org/10.1037/0021-843X.112.4.578]
저자소개
2023년：성균관대학교 경영대학원 (경영학석사)
1999년～2001년: ㈜한국신용평가정보
2001년～2019년: ㈜우리은행
2019년～2020년: ㈜우리금융지주
2020년～현 재: ㈜우리은행
2024년～현 재: 숭실대학교 일반대학원 IT정책경영학과 박사과정
※관심분야：인공지능(Artificial Intelligence, AI), 정보보호(Personal Information), 디지털저작권(DRM) 등
1999년：성신여자대학교 교육대학원 (교육학석사)
2025년：숭실대학교 일반대학교 (공학박사)
1999년～2010년: 성신여자대학교 컴퓨터정보학부 강사
2018년～현 재: 신한대학교 소프트웨어 융합학과 겸임교수
2023년～현 재: 숭실대학교 베어드교양대학 겸임교수
※관심분야：인공지능(Artificial Intelligence, AI), 정보보호(Personal Information), 디지털저작권(DRM) 등