생성형 인공지능 이용 경험에 대한 소비자 혁신성과 기술 수용도의 영향

1-1 연구 배경 및 문제 제기

최근 인공지능(AI; artificial intelligence) 기술은 제4차 산업혁명의 핵심 동력으로 자리매김하며 사회 전반에 걸쳐 혁신적인 변화를 일으키고 있다. 과거의 AI가 단순 반복 업무의 자동화에 국한되었다면, 오늘날의 생성형 AI(generative AI)는 문장, 이미지, 음성, 영상 등 창의적 산출물을 생성하는 단계에 이르렀을 뿐만 아니라, 서비스의 능동성과 정확도가 괄목할 만큼 신장됨에 따라 이용자 수 또한 단기간 내에 급증하고 있는 추세이다[1]. 이와 같은 기술의 발전과 관련 생태계의 변화는 기업들에게 생산성 향상을 통한 경쟁 우위 확보야말로 최우선 순위의 필수적인 전략으로 인식되고 있으며, AI는 고객 서비스, 마케팅, 재고 관리 등 다양한 비즈니스 영역에서 빠르게 도입되고 있다. 실제로 전 세계 기업의 77%가 비즈니스에서 AI를 사용하거나 활용을 모색하고 있으며, 83%가 AI를 향후 사업 계획 수립에 있어서 최우선 순위에 두고 있는 것으로 나타났다[2],[3].

하지만, AI 기술의 급속한 확산 속도와 달리, AI에 대한 소비자들의 수용 과정과 행동에 대한 심층적인 연구는 여전히 초기 단계에 머물러 있다. 기존의 정보기술(IT; information technology) 수용 연구들은 주로 사용성, 유용성 등 기능적 측면에 초점을 맞추었으나, AI는 단순한 도구를 넘어 인간과 상호작용하는 주체로 진화하고 있다는 점에서 기존 연구와는 다른 접근이 필요하다. AI는 의인화(anthropomorphism), 신뢰(trust), 그리고 프라이버시 염려(privacy concern)와 같은 기존 기술에는 없던 고유한 심리적 변수들을 내포하고 있기 때문이다[4].

따라서 본 연구에서는 AI 수용자 혹은 소비자의 내재적 특성인 혁신성(innovativeness)과 선행연구를 통해 드러난 기술 수용 동인(technology acceptance drivers)이 AI 이용 경험에 어떠한 영향을 미치는지 함께 살펴볼 필요가 있다고 본다[5],[6]. AI 기술의 확산이 단순히 기술의 우수성만으로 결정되는 것이 아니라, 기술을 받아들이는 주체인 소비자의 심리적 특성과 지각에 의해 좌우될 수 있다는 점을 고려했을 때, 소비자가 신기술을 얼마나 쉽게 받아들이는지에 대한 개인의 성향을 이해하고, AI 기술이 제공하는 가치를 소비자가 어떻게 인지하는지 분석하는 것은 AI 기술의 성공적인 시장 안착을 위해 필수적이다.

1-2 연구 목적 및 논문의 구성

본 연구는 이러한 문제의식에 기반하여, ‘소비자 혁신성’과 다양한 ‘기술 수용 요인’들이 AI 수용 여부 혹은 AI 이용 경험 형성에 어떤 영향을 미치는지 실증적 분석을 통해 확인해 보고자 한다.

본 연구의 결과는 AI 서비스 도입 및 개발 기업들에게 소비자 중심의 혁신 확산 및 마케팅 전략 수립에 대한 실질적인 통찰력을 제공하고, AI 기술 수용에 대한 학술적 논의를 확장하는 데 기여할 것으로 기대된다.

본 논문의 구성은 다음과 같다. Ⅱ장에서는 기존의 기술 수용 모델 및 확장 모델과 통합기술수용모델에서 활용된 핵심 개념들을 살펴보고, 소비자 혁신성에 관한 선행 연구 결과를 바탕으로 혁신성의 차원 및 주요 변수들을 고찰한 후, 연구 가설을 설정한다. Ⅲ장에서는 실증 분석 자료와 분석 방법에 관해 설명하고, Ⅳ장에서는 분석 결과를 기술하며, Ⅴ장에서는 연구의 최종 결과와 시사점에 대해 정리한다.

2-1 기술 수용 모델(TAM; Technology Acceptance Model) 및 확장 모델

기술 수용 모델은 합리적 행동이론(TRA; theory of reasoned action)을 기반으로, 사용자들이 정보기술을 수용하는 과정을 설명하기 위해 데이비스(Fred D. Davis)에 의해 1989년 제시된 이론이다[7].

TAM(technology acceptance model)은 기술 수용의 핵심적인 예측 변수로 지각된 유용성(PU; perceived usefulness)과 지각된 용이성(PEOU; perceived ease of use) 두 가지를 제시한다. 지각된 유용성은 ‘특정 기술이 개인의 업무 성과나 생산성 및 효율성을 향상시키는 데 도움이 된다고 믿는 정도’를 의미하며, 시간 혹은 경제적 이익을 포함하는 개념이다. 지각된 용이성은 ‘사용자가 해당 기술을 사용하는 데 필요한 정신적, 물리적 노력을 많이 기울이지 않아도 쉽게 혹은 편리하게 활용할 수 있다고 믿는 정도’를 나타낸다. 이 두 변수는 이용 태도(attitude)에 긍정적인 영향을 미치고, 이는 다시 실제 사용 의도(behavioral intention)로 이어진다고 가정한다[7].

TAM은 모델의 단순성에 비해 꽤 높은 설명력을 지닌 것으로 알려졌으며, 덕분에 지난 수십 년간 수많은 연구에서 기술 수용을 설명하는 준거 이론으로 활용되어 왔다. 하지만, 후속 연구들을 통해 TAM이 기술 수용에 영향을 미치는 다양한 외부 요인들을 충분히 고려하지 못한다는 한계가 지적되었고, 이를 극복하기 위해 많은 연구자들이 외부 변수들을 추가한 확장 모델을 제시했다.

TAM2는 사회적 영향 요인으로서 주관적 규범(subjective norm)과 사회적 이미지(image)를 외부 변수로 추가하였고, 인지적 요인으로는 업무 관련성(job relevance), 결과 품질(output quality) 등의 외부 변수를 추가하여 지각된 유용성의 결정 요인을 구체화하였다[8].

TAM3에서는 컴퓨터 자기 효능감(computer self-efficacy), 외부지원 인식(perception of external control), 컴퓨터 불안(computer anxiety), 인지된 즐거움(perceived enjoyment) 등의 외부 변수를 추가하여 지각된 용이성에 영향을 미치는 요인들을 보강하였다[9]. 이처럼 TAM의 확장 모델들은 기술 수용 과정을 더 명확하게 이해하는 데 기여했다.

2-2 통합기술 수용모델(UTAUT; Unified Theory of Acceptance and Use of Technology)

통합기술 수용모델은 TAM의 한계를 개선하기 위해 벤카테시(Venkatesh) 등이 2003년에 제시한 모델로, 기존의 8가지 기술 수용 이론들을 종합하여 제시되었으며[10], 이후 UTAUT는 신기술 수용 및 확산과 관련된 다양한 분야에서 가장 강력하고 광범위하게 활용되는 이론 중 하나로 자리 잡았다고 보여진다.

기존에 제시된 이론이나 모델과 마찬가지로 외부 요인에 의해 사용자의 사용 의도가 영향을 받게 되는데, UTAUT에서는 핵심적인 외부 요인으로 성과기대(PE; performance expectancy), 노력기대(EE; effort expectancy), 사회적 영향(SI; social influence), 촉진 조건(FC; facilitating conditions), 네 가지를 제시하고 있다. 각각의 개념을 요약하자면 다음과 같다[11] .

첫째, 성과기대란 ‘신기술을 사용함으로써 개인이 업무를 수행하는 데 도움이 되고 작업성과가 향상될 것이라고 믿는 정도’이다. TAM의 지각된 유용성과 유사한 개념으로 볼 수 있다. 둘째로 노력기대는 ‘사용자가 기술 사용이 쉽고 편리할 것이라고 믿는 정도’를 말하며, TAM의 지각된 용이성과 유사한 개념이다. 셋째, 사회적 영향은 ‘주변의 중요한 타인들(가족, 친구, 동료)이 해당 기술을 사용해야 한다고 믿는 정도’이다. 이는 기술 수용에 대한 규범적 압력이나 권유에 해당하며, TAM2에서 제시되었던 주관적 규범과도 유사하다. 마지막으로, 촉진 조건은 ‘기술 사용을 위한 기술적, 조직적 인프라가 충분히 갖추어져 있다고 믿는 정도’이다[12].

UTAUT는 이 네 가지 핵심 변수 외에도 성별, 연령, 경험, 자발성 등 다양한 조절 변수들을 추가하여 모델의 설명력을 높였다[10]. 특히, 금융소비자들의 인공지능 수용 의도에 관한 연구에서는 신뢰나 개인 혁신성(personal innovativeness)과 같은 외부 변수를 통합하여 분석하기도 하고[12], AI 스피커나 공항의 셀프서비스 기술과 같은 신기술 수용 연구에서는 기존의 UTAUT 변수 외에 쾌락적 동기(HM; hedonic motivation)나 개인 혁신성 같은 외부 변수를 추가 분석하는 등 다양한 시도가 활발하게 이루어지고 있다[13],[14].

본 연구의 주제와 관련하여, UTAUT의 ‘성과기대, 노력기대, 사회적 영향’ 변수와 Chat-GPT 서비스 이용 의도 간의 관계를 고찰한 박우승 외 연구에서는, 사회적 영향이 성과기대, 노력기대 변수에 긍정적 영향을 미치는 것으로 파악되었다[15].

2-3 소비자 혁신성의 차원

소비자 혁신성(consumer innovativeness)이란 ‘사회체계 내에서 한 개인이 새로운 정보나 기술과 같은 혁신(innovation) 요소를 다른 구성원보다 상대적으로 먼저 수용하고 채택하려는 개인적 성향 혹은 수용의 정도’를 의미한다[16].

이는 AI와 같은 신기술 수용 연구에서 중요한 선행 변수로 다루어져 왔으며, 개인의 혁신적 성향이 AI 서비스에 대한 수용 의도에 긍정적인 영향을 미친다는 연구 결과들이 존재한다[17]. 혁신성이 높은 개인은 새로운 기술에 대해 쉽게 이해하고 수용하며, 때로는 주변 사람들에게 조언을 제공하는 오피니언 리더의 역할을 수행하기도 한다[18].

소비자 혁신성은 단순히 기술 수용에 직접적인 영향을 미치는 것을 넘어, 다른 변수들의 영향력을 조절하는 중요한 역할을 한다. 예를 들어, UTAUT 모델을 적용한 공항의 셀프서비스 기술 수용 연구에서는 개인 혁신성이 쾌락적 동기, 행동 의도와 같은 변수들 사이의 관계를 조절하는 중요한 변수임이 확인되었다[13]. 이러한 발견은 소비자 혁신성이 단순히 사용 의도를 높이는 독립 변수가 아니라, 기술의 쾌락적 가치와 같은 특정 동인이 행동 의도로 이어지는 과정에서 상황에 따라 그 강도를 변화시킬 수 있는 맥락적 변수(contextual variables)임을 시사한다. 즉, 혁신적인 소비자는 AI가 제공하는 즐거움이나 유희성과 같은 쾌락적 가치를 더 크게 인식하며, 이러한 인식이 실제 사용 의도로 이어지는 경향이 더 강하다고 볼 수 있다. 이것은 AI와 같은 혁신적 기술에 대한 소비자 반응이 단일 요인에 의해서가 아니라, 개인의 성향과 기술적 특성 간의 복합적인 상호작용에 의해 결정됨을 의미한다.

소비자 혁신성에 관한 연구의 기원을 찾자면, 1960년대 초기 혁신 확산(diffusion of innovation) 연구로까지 거슬러 올라갈 수도 있다. 하지만, 앞서 언급한 바와 같이 이 개념의 의미를 ‘사회 구성원으로서 개인의 성향 혹은 특성’으로 이해하고, 선행 연구 성과를 기반으로 ‘동기 기반 혁신성(MCI; the motivated consumer innovativeness)’척도를 개발·검증·체계화한 것은 반테카스틸(Bert Vandecasteele)과 지엔스(Maggie Geuens)의 연구(2010)가 그 시발점이다[19]. 이들은 소비자 혁신성을 네 가지 차원으로 구분하였으며, 각각의 개념을 요약하자면 다음과 같다.

첫째, 기능적 혁신성(FINN; functional innovativeness)이란 소비자가 새로운 기술이나 서비스의 실용적 가치와 효율성을 중시하며, 성능 향상이나 문제 해결에 도움이 될 것이라는 기대에서 혁신을 수용하는 성향을 의미한다. 이는 TAM의 지각된 유용성 개념과 직접적으로 연결된다. 둘째, 쾌락적 혁신성(HINN; hedonic innovativeness)은 새로운 제품·서비스의 사용 과정에서 즐거움, 호기심, 오락적 경험을 추구하는 성향을 가리킨다. 이러한 차원은 기술 자체의 성과보다는 경험적 즐거움에 의해 혁신 채택이 이루어진다는 점에서 내재적 동기(intrinsic motivation)와 밀접하게 연관되어 있다. 셋째, 사회적 혁신성(SINN; social innovativeness)은 혁신적 제품이나 서비스를 통해 타인의 인정과 사회적 차별화를 추구하려는 성향을 의미한다. 이는 새로운 기술을 먼저 사용함으로써 트렌드 리더로서의 이미지를 형성하거나, 사회적 지위 혹은 평판을 강화하려는 동기와 밀접히 관련된다. 넷째, 인지적 혁신성(CINN; Cognitive Innovativeness)은 신기술의 작동 원리, 구조, 지식적 탐구 자체에 대한 호기심과 학습 욕구에서 비롯되는 성향으로, 새로운 개념을 이해하고 실험하는 과정에서 만족을 얻는 특징을 가진다[19].

이와 같이 MCI의 네 가지 차원은 혁신 수용을 단순한 성향이 아닌 다차원적 동기 구조로 설명할 수 있는 이론적 틀을 제공하며, 다양한 기술 수용 연구에서 핵심적인 설명 변수로 활용되고 있다. 특히 생성형 AI와 같이 빠르게 진화하는 신기술의 이용 경험을 설명하는 데 있어서, 다양한 동기적·심리적 요인에 의해 결정되는 다차원적 과정과 이용자의 후속 행동을 이해하는 데 중요한 분석틀을 제공한다.

2-4 연구 가설

이론적 배경 및 선행 연구 검토 결과를 바탕으로, 본 연구는 소비자 혁신성과 기술 수용도가 인공지능 이용 경험에 미치는 영향 요인들에 대한 탐색적 고찰을 하고자 하며, 통합기술 수용 모델과 동기 기반 소비자 혁신성 차원들을 기반으로, AI 이용 경험 유무에 영향을 미치는 요인들을 예측하고 그 방향성을 탐색하는데 구체적인 목표를 둔다.

본 연구에서는 연구 가설 설정을 위해, 한국미디어패널조사의 개인용 설문 문항 중에서 ‘소비자 혁신성 및 기술 수용도’에 관한 항목들을 독립변수로, ‘생성형 인공지능 서비스’ 이용 경험 유무에 관한 항목을 종속변수로 선정하여 사전 검증을 실시하였다[20]. 요인분석을 통해 해당 설문 문항들의 요인 적재량(factor loading)을 확인한 결과, 소비자 혁신성(4개 항목)과 기술 수용도(4개 항목) 모두 요인적재량 0.6 이상인 것으로 확인되었으며, 이를 바탕으로 다음과 같은 가설을 수립하였다(표 3, 표 4 참조).

• H1: 소비자 혁신성은 인공지능(AI) 이용 경험 여부에 정(+)의 영향을 미칠 것이다.
• H1a: 기능적 혁신성은 인공지능 이용 경험 여부에 정(+)의 영향을 미칠 것이다.
• H1b: 쾌락적 혁신성은 인공지능 이용 경험 여부에 정(+)의 영향을 미칠 것이다.
• H1c: 사회적 혁신성은 인공지능 이용 경험 여부에 정(+)의 영향을 미칠 것이다.
• H1d: 인지적 혁신성은 인공지능 이용 경험 여부에 정(+)의 영향을 미칠 것이다.
• H2: 기술 수용도는 인공지능 이용 경험 여부에 정(+)의 영향을 미칠 것이다.
• H2a: 성과 기대는 인공지능 이용 경험 여부에 정(+)의 영향을 미칠 것이다.
• H2b: 노력 기대는 인공지능 이용 경험 여부에 정(+)의 영향을 미칠 것이다.
• H2c: 사회적 영향은 인공지능 이용 경험 여부에 정(+)의 영향을 미칠 것이다.
• H2d: 촉진 조건은 인공지능 이용 경험 여부에 정(+)의 영향을 미칠 것이다.

위 연구 가설은 개인의 내재적 성향과 함께 사회 구성원으로서의 개인에게 직간접적으로 영향을 미칠 수 있는 다차원적 특성들이 AI 서비스 이용 경험이라는 행동(태도) 변화를 초래할 수 있다는 사실에 기반하고 있다.

3-1 자료 수집 및 표본의 특성

본 연구에서 활용한 원시자료는 ‘2024 한국미디어패널조사(통계청국가승인통계 제405001호)’이며, 전국의 4,537 가구 및 가구 내 만 6세 이상 가구원 10,800명을 대상으로, 2024년 5월에서 2024년 8월 사이에, 개별 면접 및 자기기입식 설문 조사 방식으로 실시되었다[21].

응답자(N=8,693)의 일반적인 특성을 살펴보면, 남성과 여성 비율이 각각 49.6%, 50.4%로 비슷한 분포를 보이고 있으며, 지역, 연령, 소득, 학력 등 인구통계학적 변인들의 경우, 할당표집방식을 적용했기 때문에 상대적으로 고른 분포를 보이고 있다[21].

본 연구의 종속변수인 ‘생성형 인공지능 서비스’ 관련 응답 중에서 인공지능 서비스 인지 정도를 살펴보면, ‘전혀 모른다’ 비율이 18.6%로 나타났고, 이는 다수 국민들이 AI 서비스에 대해 인지하고 있음을 시사한다. 특기할만한 사항으로는 20대와 30대가 다른 연령대에 비해 서비스 인지도가 높은 편이며, 50대의 경우 들어본 적은 있지만 잘 알고 있지는 않은 것으로, 70대 이상의 경우 ‘전혀 모른다’ 비율이 63.6%로 나타나 인지 수준이 상대적으로 낮았다. 세대 간 인식 격차가 존재하는 것으로 보인다[22].

AI 서비스를 직접 이용해 본 적이 있다는 응답 비율(11.1%)과 전혀 없다는 응답 비율(88.9%) 간에 상당한 차이가 나타났으며, 이는 AI 서비스 수용이 아직 초기 단계에 있음을 보여 준다. 20대와 30대 응답자들의 AI 서비스 이용율이 상대적으로 높았으며, 60대 이상에서 이용하는 비율은 2% 미만으로 나타나 고령층의 기술 수용도가 현저하게 낮음을 알 수 있다[22].

따라서, 본 연구에서는 10대 이하 및 60대 이상 응답자를 제외하고, 인공지능 서비스를 어느 정도 알고 있거나 잘 알고 있다고 응답한 30대에서 50대까지 응답자(N=2,275)를 대상으로 분석을 실시하였다. 이와 관련된 세부 분석 내용은 본 연구의 가설 검증 과정을 통해서 보다 상세히 논의한다.

3-2 주요 변인의 측정

1) 소비자 혁신성

선행 연구를 통해 살펴본 바와 같이, 혁신성은 기능적, 쾌락적, 사회적, 인지적 혁신성 4개 차원으로 측정했으며, 2024년 한국미디어패널조사의 측정 문항을 사용하였다.

기능적 혁신성은 ‘내가 현재 사용하는 제품에 없는 새로운 기능이 추가된 신제품이 나오면 바로 구매하는 편이다’ 등 4개 문항으로 측정하였고, 쾌락적 혁신성은 ‘전에 알지 못했던 새롭고 신기한 제품을 발견하면 즐겁고 재미있어진다’ 등 4개 문항으로 측정했다. 사회적 혁신성은 ‘다른 사람들과 나를 구별해주는 제품을 좋아한다’ 등 4개 문항으로, 인지적 혁신성은 ‘제품 사용에 많은 지식을 필요로하는 신제품이 출시되면 즉시 구매하는 편이다’ 등 4개 문항으로 측정했다. 모든 문항은 ‘전혀 그렇지 않다’에서부터 ‘매우 그렇다’까지 5점 리커트 척도로 측정했다(표 1 참조).

Table 1.

Results of reliability analysis on questions related to consumer innovativeness

2) 기술 수용도

응답자의 AI 서비스 이용 경험에 영향을 미칠 수 있는 외부 요인들을 살펴보기 위해, 통합기술수용모델에서 활용해온 노력 기대, 성과 기대, 사회적 영향 및 촉진 조건, 4가지 개념을 활용했으며, 2024년 한국미디어패널조사의 관련 문항을 사용하였다.

성과 기대는 ‘새로운 디지털 미디어 제품/서비스의 사용은 내 생활/업무에 유용할 것이다’ 등 2개 문항을 사용했고, 노력 기대는 ‘나는 새로운 디지털 미디어 제품/서비스 사용에 쉽게 익숙해지는 편이다’ 등 2개 문항으로, 사회적 영향은 ‘내게 중요한 사람들은 내가 새로운 디지털 미디어 제품/서비스를 사용해야 한다고 생각한다’ 등 2개 문항으로, 촉진 조건은 ‘새로운 디지털 미디어 제품/서비스 사용 문제에 대해 도움을 줄 수 있는 특정인(또는 그룹)이 있다’ 등 2개 문항으로 측정했다. 모든 문항은 ‘전혀 그렇지 않다’부터 ‘매우 그렇다’까지 5점 리커트 척도로 측정되었다(표 2 참조).

Table 2.

Results of reliability analysis on questions related to technical acceptance

3-3 신뢰도 및 타당도 검증

소비자 혁신성에 관한 각각의 문항 간에 내적 일관성이 있는지를 살펴본 결과, 기능적 혁신성(M=3.00, α=.895), 쾌락적 혁신성(M=3.29, α=.853), 사회적 혁신성(M=3.08, α=.870), 인지적 혁신성(M=2.94, α=.906) 네 가지 차원 모두 신뢰도 계수 α=.70 이상이었으며, 평가 항목의 신뢰도는 양호한 것으로 판단하였다(표 1 참조).

기술 수용도에 관한 각각의 문항 간에 내적 일관성이 있는지 살펴본 결과, 성과 기대((M=3.57, α=.806), 노력 기대(M=3.57, α=.766), 사회적 영향(M=3.27, α=.735), 촉진 조건(M=3.28, α=.817) 모두 신뢰도 계수 α=.70 이상으로 나타났고, 평가 항목 간의 신뢰도는 양호한 것으로 판단했다(표 2참조).

소비자 혁신성과 기술 수용도 관련 항목들을 대상으로 탐색적 요인분석(EFA; exploratory factor analysis)을 통해 타당도 검증을 실시하였다. 소비자 혁신성의 경우, 변수 분포에서 정규성 가정이 일부 충족되지 않아 요인 추출 방법으로 임의추출(ULS)을 사용하였다. 요인분석 결과는 KMO=0.947, Bartlett 구형성 검정 χ²= 26422.385, p<.001로 나타나 요인분석에 적합하였다. 고유값(eigenvalue) 1 이상을 기준으로 총 4개의 요인이 추출되었으며, 누적 설명 분산률(cumulative variance explained)은 74.3%로 나타나 사회과학 연구에서 권장되는 수준을 충족하였다. 또한 모든 문항의 공통성 값은 0.6 이상으로 나타나 각 문항이 요인에 의해 충분히 설명되고 있음을 확인하였다. Varimax 회전을 실시한 결과, 모든 문항의 요인적재량(factor loadings)은 0.5 이상으로 나타나 수렴타당성이 확보되었으며, 각 문항은 특정 요인에만 높은 적재값을 보여 판별타당성도 확보되었다(표 3 참조).

Table 3.

Validity analysis results of consumer innovativeness

기술 수용도의 경우에도 임의추출 방법을 사용했으며, KMO=0.880, Bartlett 구형성 검정 χ²= 8965.964, p<.001, 누적 설명 분산율 82.71%, 공통성 값 0.7 이상으로 나타나 고유값 1 이상을 기준으로 추출된 4개의 요인 모두 요인구조에 적합한 것을 확인했다. Varimax 회전을 실시한 결과, 모든 문항의 요인적재량은 0.60 이상으로 나타나 수렴타당성 및 판별 타당성이 확보된 것으로 판단했다(표 4 참조).

Table 4.

Validity analysis results of technology acceptance

4-1 소비자 혁신성 변인의 영향

첫 번째 가설(H1), 소비자 혁신성이 생성형 인공지능(AI) 이용 경험에 어떻게 영향을 주는지 여부를 확인하기 위하여, 기능적 혁신성, 쾌락적 혁신성, 사회적 혁신성, 인지적 혁신성 네 가지를 독립변수로 하고 ‘3개월 내 AI 서비스 이용 경험 유무’를 종속변수로 하는 이항 로지스틱 회귀 분석을 실시했다(표 5 참조).

Table 5.

Binary logistic regression results for hypothesis 1

Hosmer–Lemeshow 검정 결과, χ²=8.860 (df=8, p=.354)로 나타나 유의확률이 .05 이상이므로 가설 H1모형은 통계적으로 적합한 것으로 확인되었다. 또한, 설명력 지표인 Cox & Snell R²=.018, Nagelkerke R²=.025로, 전체 변동을 설명하는 정도는 다소 낮지만, 독립변수들이 종속변수에 일정 부분 영향을 미치고 있음을 보여준다.

하위 가설을 검증한 결과, 가설 H1a의 경우, 기능적 혁신성(FINN)은 통계적으로 의미 있는 영향을 미치지 못하였다(B=-.056, Exp(B)=.945, p=.201). 이는 실용적 가치와 효율성을 중시하는 소비자의 성향이 생성형 AI 서비스 이용 여부에 직접적으로 유의미한 영향을 미치지 않았음을 의미한다.

가설 H1b의 경우, 쾌락적 혁신성(HINN)은 AI 서비스 이용 경험에 통계적으로 유의미한 정(+)의 영향을 미치는 것으로 확인되었다(B=.167, Exp(B)=1.182, p=.001). 이는 새로운 기술을 사용함에 있어서 즐거움, 재미, 오락적 경험을 추구하는 성향이 강할수록 실제 이용 행동으로 이어질 가능성이 높다는 점을 실증적으로 지지한다.

가설 H1c의 경우, 사회적 혁신성(SINN)은 통계적으로 유의한 부(-)의 영향을 미치는 것으로 나타났으며(B=-.144, Exp(B)=.866, p=.001), 가설 H1d, 인지적 혁신성(CINN) 역시 유의한 부(-)의 영향을 미치는 것으로 나타났다(B=-.167, Exp(B)=.847, p=.001). 이는 타인의 인정이나 사회적 차별화를 추구하는 성향(사회적 혁신성) 및 기술의 작동 원리나 지적 탐구를 중시하는 성향(인지적 혁신성)이 생성형 AI 서비스의 실제 이용 경험을 촉진하는 요인으로 작용하지 않고, 오히려 이용 경험의 확률을 감소시키는 결과로 이어질 수 있음을 보여준다.

이상의 결과를 종합하면, 하위 가설 H1a는 통계적으로 유의미하지 않았고, H1c와 H1d는 부(-)의 영향을 주는 것으로 확인되어 기각되었다. 따라서, 소비자 혁신성이 생성형 AI 서비스 이용 경험에 영향을 미친다는 가설 H1은 H1b의 경우에만 부분적으로 지지되었다. 이러한 결과는 소비자 혁신성의 세부 차원이 생성형 AI 서비스 경험에 각기 상이한 방향으로 작용함을 시사한다.

4-2 기술 수용도 변인의 영향

두 번째 가설(H2), 기술 수용도가 생성형 인공지능 이용 경험에 영향을 미치는지 여부를 확인하기 위하여, 노력 기대,성과 기대, 사회적 영향 및 촉진 조건 네 가지를 독립변수로 하고 ‘3개월 내 AI 서비스 이용 경험 유무’를 종속변수로 하는 이항 로지스틱 회귀 분석을 실시했다(표 6 참조).

Table 6.

Binary logistic regression results for hypothesis 2

모형 적합성을 검증한 Hosmer–Lemeshow 검정 결과는 χ²=37.232(df=8, p=.001)로 나타나 유의확률이 .05 미만으로 확인되었으며, 이는 모형의 적합성에 일정한 한계가 존재함을 시사한다. 그러나 Cox & Snell R²와 Nagelkerke R² 값이 각각 .032와 .043으로 나타나, 독립변수들이 종속변수의 변화를 설명하는 정도가 낮은 편이기는 하지만 일정 부분 영향을 미치고 있음은 확인 되었다.

모형의 적합성이 통계적으로 부족함을 시사하고 있지만, 본 연구의 목표가 AI 서비스 이용 경험 유무에 영향을 미치는 요인들을 예측하고 그 방향성을 탐색하는데 두어져 있기 때문에, 회귀 계수(B)와 유의성(p)을 통해 개별 독립변수의 영향을 해석하는 데 집중하고자 한다. 물론, 하위 예측변수들의 결과 해석에는 신중한 접근이 필요하다.

하위 가설에 연관된 예측변수별 분석 결과, 촉진조건(FC)은 B=-.130, Exp(B)=.878, p=.004로 나타나 종속변수에 부(-)의 영향을 미쳤으며, 성과기대(PE)는 B=.153, Exp(B)=1.166, p=.001로 유의한 정(+)의 영향을 미치는 것으로 확인되었다. 또한 노력기대(EE)는 B=.282, Exp(B)=1.326, p=.001로 가장 강력한 설명력을 보이며 종속변수에 정(+)의 긍정적 영향을 주는 것으로 나타났다. 반면 사회적 영향(SI)은 B=-.164, Exp(B)=.849, p=.001로 부(-)의 영향을 미치는 것으로 분석되었다.

즉, 성과기대와 노력기대는 이용 경험을 강화하는 요인으로 작용한다고 볼 수 있는 반면, 촉진조건과 사회적 영향은 오히려 이용 경험을 저해하는 방향으로 작용하였다. 특히 노력기대는 가장 강한 영향력을 보임으로써 생성형 AI 이용 경험을 설명하는 핵심 요인임이 확인되었다.

이러한 결과를 종합하면, 기술 수용 요인이 생성형 AI 서비스 이용 경험에 영향을 미친다는 가설 H2는 H2a와 H2b의 경우에만 부분적으로 지지되었고, H2c와 H2d는 기각되었다. AI 서비스의 채택이 외부의 사회적 압력이나 인프라 지원보다는 개인의 유용성에 대한 기대(성과기대)와 사용의 용이성(노력 기대)이라는 내적 동인에 의해 주로 결정됨을 시사한다고 볼 수 있다. 특히, AI 서비스 이용 경험에 있어 '쉽게 사용할 수 있을 것이라는 기대'가 가장 강력한 촉진 요인으로 작용함을 보여준다.