생성형 AI 특성이 지속사용의도에 미치는 영향에 관한 연구: 생성형 AI 활용정도의 매개효과 비교분석
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 AI의 신뢰성, 상호작용성, 창의성이 활용정도를 매개로 지속사용의도에 미치는 영향을 규명하였다. 대학생을 대상으로 학기 초와 학기 말 두 차례 자료를 수집하여 회귀분석과 구조방정식 모형으로 검증한 결과, 학기 초에는 매개효과가 나타나지 않았으나 학기 말에는 신뢰성과 창의성이 활용정도를 매개로 지속사용의도에 유의한 영향을 미쳤다. 이는 사용자 경험의 축적이 수용 과정에서 핵심적 역할을 함을 보여준다. 학문적으로는 TAM과 VAM의 관점을 생성형 AI 맥락에 적용해 활용정도라는 매개를 통해 지속사용을 설명하는 틀을 제시하였으며, 실무적으로는 신뢰성과 창의성을 강화하는 경험설계가 장기적 활용을 촉진할 수 있음을 시사한다.
Abstract
This study explores how generative AI characteristics—reliability, interactivity, and creativity—shape continuous use intention through the mediating role of utilization. Data were collected from university students at the beginning and end of a semester and analyzed via regression and structural equation modeling. Findings indicate that the mediating role of utilization is insignificant at the beginning but that it becomes significant by the end. Reliability and creativity exert direct and indirect effects on continuous use intention via utilization, whereas interactivity shows no substantial influence. These findings underscore the importance of accumulated user experience in the adoption of generative AI. Furthermore, they suggest that accuracy and creativity are more critical than interaction frequency for sustaining long-term use. Theoretically, the study extends the TAM and VAM perspectives. Practically, it emphasizes the need to design reliable and creative user experiences to foster continuous engagement.
Keywords:
Generative AI, Generative AI Characteristics, Technology Acceptance Model (TAM), Utilization of Generative AI, Continuous Use Intention키워드:
생성형 AI, 생성형 AI 특성, 기술수용모델(TAM), 생성형 AI 활용정도, 지속사용의도Ⅰ. 서 론
최근 몇 년간 인공지능(Artificial Intelligence, AI) 기술은 전 세계적으로 가장 주목받는 기술적 혁신 중 하나로 자리매김하였다. 특히 기존의 AI 기술이 주로 분석과 예측, 분류와 같은 기능적 한계에 머물러 있었다면, 최근 등장한 생성형 AI(Generative Artificial Intelligence)은 그 범위를 한 단계 확장시키며 기술 진보의 새로운 전환점을 마련하였다. 생성형 AI는 기존의 데이터 기반 학습을 통해 단순히 결과를 도출하는 수준을 넘어, 새로운 텍스트·이미지·영상·음악 등을 스스로 창출하는 능력을 지니고 있으며, 이러한 특성은 정치, 경제, 교육, 과학 등 사회 전반에 걸쳐 지대한 영향을 미치고 있다[1].
특히 교육 분야에서의 생성형 AI 활용은 학습 환경의 변화를 가속화하고 있다. ChatGPT와 같은 생성형 AI 챗봇은 학생들이 필요로 하는 정보를 신속하게 제공하고, 다양한 학습 맥락에서 맞춤형 피드백과 학습 지원을 가능하게 한다[2],[3]. 이는 학습자가 단순히 지식을 수용하는 데서 그치지 않고, 자기주도적 학습과 비판적 사고를 확장할 수 있도록 돕는다는 점에서 긍정적인 교육적 의미를 지닌다. 나아가 생성형 AI는 사용자의 구체적 요구사항에 세밀하게 대응하고, 방대한 데이터 학습을 기반으로 개인화된 답변과 창의적 대안을 제시할 수 있다는 점에서 학습 혁신의 잠재력을 보여준다[4].
그러나 지금까지의 선행연구는 주로 ChatGPT와 같은 텍스트 기반 챗봇 서비스의 기능적 효과와 교육적 활용에 집중되어 왔다[5]-[9]. 즉, 학생들의 학습 지원이나 정보 검색, 맞춤형 피드백 제공 등과 같은 텍스트 중심의 대화 기능이 주요 분석 대상이었으며, 이를 통해 얻어지는 교육적 효과를 규명하는 데 연구가 한정되어 있었다. 반면, 최근의 생성형 AI는 단순히 텍스트 응답을 넘어 이미지·영상·음악 등 다양한 비텍스트적 산출물을 생성할 수 있는 단계로 진화하고 있음에도 불구하고, 이러한 다차원적 기능이 학습 과정이나 사용자경험에 미치는 영향에 대한 논의는 여전히 미흡하다.
더욱이 생성형 AI는 정치, 경제, 교육, 산업 등 사회 전반으로 빠르게 확산되며 새로운 패러다임을 만들어내고 있음에도, 사용자가 이러한 기술을 어떻게 경험하고, 그 경험이 어떻게 축적되며, 나아가 지속적인 활용 의도로 이어지는지에 대한 실증적 분석은 충분히 축적되지 않았다. 기존 연구들은 주로 단기적 효과나 기능적 효용에 주목했을 뿐, 시간의 흐름 속에서 사용자경험이 변화하고 어떤 특성이 장기적 수용과 활용을 결정하는 지에 대한 근본적 문제에는 체계적으로 접근하지 못하였다.
이에 따라 본 연구는 다양한 생성형 AI 활용 맥락에서, 생성형 AI가 갖는 특성이 이용자의 지속적 사용의도에 어떠한 영향을 미치는지를 실증적으로 규명하는 것을 목적으로 한다. 특히, 기존 연구에서 거의 다루지 않고 있는 ‘활용정도’의 매개효과를 검증함으로써, 생성형 AI 특성과 지속적 사용의도 간의 관계를 더욱 정교하게 설명하고자 한다. 즉, 생성형 AI의 신뢰성, 상호작용성, 창의성과 같은 특성이 직접적으로 지속사용의도에 영향을 미치는지 뿐만 아니라, 이러한 특성이 실제 활용경험을 매개로 하여 지속적 사용의도로 이어지는지를 규명하는 것이 본 연구의 핵심이다. 이를 위해 기존 연구에서 논의된 생성형 AI의 주요 특성과 수용 과정에 관한 이론적 기반을 고찰하고, 이를 토대로 연구모형을 제시한다. 또한 SPSS 29.0과 AMOS 29.0을 활용하여 신뢰성, 타당성, 상관관계, 인과관계, 모형적합도 검증을 체계적으로 수행한다.
마지막으로, 분석 결과를 토대로 학문적·실무적 시사점을 도출하고, 본 연구의 한계와 향후 연구 방향을 제시함으로써, 생성형 AI 관련 연구의 확장에 기여하고자 한다. 본 연구는 단순히 기술적 성과를 확인하는 차원을 넘어, 생성형 AI가 사회와 교육, 그리고 인간의 학습·창의 활동에 어떠한 변화를 가져올 수 있는지에 대한 통합적 이해를 제공하는 데 의의가 있다.
Ⅱ. 이론적 고찰
2-1 생성형 AI 특성에 관한 연구
생성형 AI에 관한 연구는 최근 기업, 정부, 개인의 높은 관심 속에서 활발히 이루어지고 있으며, 규제·보안, 교육, 산업·비즈니스 영역을 중심으로 확산되고 있다. 생성형 인공지능은 텍스트, 이미지, 영상 등 다양한 형태의 콘텐츠를 생성하며, 기존의 예측·분류 중심 AI를 넘어 사용자 맥락에 맞춘 응답과 창의적 산출을 제공한다[10]-[12]. 이러한 기술은 혁신성과 동시에 잠재적 위험성을 내포하는 것으로 평가된다[13].
교육 영역에서는 ChatGPT 활용이 학습 촉진과 교육 효율성 향상에 기여할 수 있다는 긍정적 효과와 함께, 개인정보 침해 및 부정확한 정보 제공이라는 위험이 공존한다는 점이 지적되었다[14]. 또한 교육 패러다임과 학습 평가 방식 변화 가능성에 대한 논의도 이루어졌다[15],[16]. 이어 기술수용모형(Technology Acceptance Model) 및 통합기술수용이론(Unified Theory of Acceptance and Use of Technology)을 적용한 연구들은 ChatGPT의 편리성과 유용성이 학습자의 긍정적 태도와 지속적 사용의도를 강화한다는 점을 실증적으로 확인하였다[17]-[19]. 이와 함께 이용 동기를 개인적, 사회적, 기술적 요인으로 구분하여, 자기효능감·혁신성향·즐거움, 집단 내 동조와 이미지, 편리성·개인화 서비스 등이 수용 태도와 만족을 매개한다는 점이 제시되었다[20]-[22].
한편 생성형 AI는 다양성, 설명성, 창의성, 불확실성이라는 특성을 지니며, 이는 곧 서비스품질 논의와 연결된다. AI 챗봇은 무형성·이질성·불가분성과 같은 전통적 서비스의 특성을 공유하므로, 서비스품질 측정 도구인 SERVQUAL 모형(Parasuraman et al.)을 적용할 수 있다[23]. SERVQUAL이 제시하는 신뢰성·유형성·확신성·공감성·대응성의 차원은 AI 서비스에도 반영될 수 있으며, 신뢰성과 확신성은 응답의 정확성, 투명성, 공감성, 대응성은 개인 맞춤화·상호작용성과 연결된다. 최근 연구들은 SERVQUAL 모형이 챗봇 서비스의 품질과 이용자 만족 및 행동의도를 설명하는 데 높은 설명력을 가진다고 보고하였다[24],[25].
2-2 생성형 AI 지속사용에 관한 연구
정보기술 수용 연구는 Davis et al.이 제안한 기술수용모델(Technology Acceptance Model, TAM)을 중심으로 발전해 왔으며, 현재까지 가장 널리 활용되는 이론적 틀로 자리 잡고 있다[26]. TAM은 지각된 유용성과 지각된 용이성이 기술수용의도를 결정하는 핵심 요인임을 제시하였고, 이후 태도 변수를 생략한 확장된 기술수용모델(ETAM)이 등장하여 설명력을 보완하였다. 나아가 Venkatesh et al.은 다양한 이론을 통합한 통합기술수용이론(UTAUT)을 제시하여 성과기대, 노력기대, 사회적 영향, 촉진조건을 핵심 요인으로 설정하고, 성별·연령·경험 등 조절변수를 통해 조직 차원의 기술수용을 설명하였다. 이어 개인 소비자 맥락을 반영하기 위해 쾌락적 동기, 가격 효용, 습관을 추가한 UTAUT2를 제안함으로써 연구 범위를 조직에서 개인 차원으로 확장하였다[27].
한편, TAM이 기술의 기능성과 편의성에 지나치게 치중한다는 한계를 보완하기 위해 Kim et al.은 Zeithaml의 지각된 가치 개념을 토대로 가치기반수용모델(VAM)을 제안하였다[28]. VAM은 사용자를 단순한 기술 이용자가 아닌 소비자로 간주하고, 지각된 혜택과 지각된 희생의 균형을 통해 기술수용의도를 설명한다. 지각된 혜택은 유용성과 즐거움이라는 기능적·정서적 측면을 포함하며, 지각된 희생은 시간·노력과 같은 기술적 부담과 금전적 비용을 아우른다. 이를 통해 VAM은 긍정적 요인과 부정적 요인을 동시에 고려하는 포괄적 접근을 제시하였고, 기술수용 연구의 설명력을 확장하였다.
Ⅲ. 연구모형 및 연구방법
3-1 연구모형
최근 생성형 AI는 사용자 맥락을 이해하고 개인화된 응답을 제공함으로써 높은 수준의 상호작용과 맞춤형 서비스를 가능하게 한다. 이러한 특성은 기존 연구에서 강조된 서비스 품질 요인[23]과 연결되며, 그 중에서도 이 논문에서는 신뢰성, 상호작용성, 창의성 등은 생성형 AI의 핵심 특성으로 분류하였다. 신뢰성은 지속사용의 전제조건, 상호작용성은 몰입과 만족을 매개하는 핵심 경험요소, 창의성은 기존 시스템과 구별되는 차별적 가치제공으로 각각 작용한다. 따라서 본 연구는 생성형 AI의 본질적 속성이자 사용자 지속사용의도를 가장 직접적으로 설명할 수 있는 요인으로 이 세 가지를 연구모형에 채택하였다[34],[35]. 첫째, 신뢰성(Reliability) 은 기술 수용과 지속사용의도의 핵심 요인으로 반복적으로 확인되었다[29]. 사용자가 AI의 결과를 신뢰할수록 서비스 품질에 대한 긍정적 평가가 강화되고, 이는 지속적인 사용을 이끄는 중요한 동기가 된다. 본 연구에서 신뢰성(Reliability)은 AI가 제공하는 결과가 타 자료와 일치하고, 사용자의 요구에 부합하며, 주어진 주제와 상황에 적합하게 제시되는 정도로 정의하였다.
둘째, 상호작용성(Interactivity)은 ChatGPT와 같은 대규모 언어모델의 차별적 가치로, 실시간 응답과 문맥 유지, 개인화된 피드백을 통해 사용자경험을 향상시킨다[30]. 선행연구에서는 상호작용성이 사용자의 태도와 전환의도에 긍정적 영향을 주며, 대화 품질과 몰입도를 높여 충성도 형성에도 기여한다고 분석하였다. 본 연구에서 상호작용성은 선행연구를 토대로, 사용자의 요구에 신속히 응답하고 개인화된 방식으로 대응하는 정도로 정의하였다.
셋째, 창의성(Creativity)은 생성형 AI의 고유한 속성으로, 기존 데이터를 단순히 재조합하는 것을 넘어 새로운 콘텐츠와 해결책을 창출하는 능력을 의미한다[31]. 다양한 형식과 맥락에서 창의적 결과물을 생성하는 특성은 사용자에게 차별적 가치를 제공하며, 이는 즐거움과 유용성 인식을 통해 수용과 활용정도(Utilization Level)를 강화한다. 이 논문에서는 창의성을 단순한 기존 지식의 조합을 넘어, 새로운 아이디어와 독창적 산출물을 생성하는 능력으로 정의된다.
또한 TAM과 VAM은 지각된 유용성·용이성, 그리고 혜택과 비용이 사용자의 수용의도와 지속사용의도에 영향을 준다고 제시해 왔다[28]. 확장된 기술수용이론(UTAUT) 또한 성과기대, 사회적 영향, 쾌락적 동기 등이 지속사용에 중요한 요인임을 밝혔다[27]. 이러한 이론적 맥락은 생성형 AI의 특성을 활용정도라는 매개 변수를 통해 지속사용의도와 연결하는 논리적 근거가 된다. 본 연구에서 활용정도란 생성형 AI를 텍스트, 이미지, 음악, 영상 등 다양한 산출물 생성에 적용하여 기획, 문구 제작, 프로그래밍, 디자인, 음악, 쇼츠 제작 등 여러 업무에 활용하는 정도로 정의하였다.
따라서 본 연구는 선행연구들을 종합하여, 생성형 AI의 신뢰성, 상호작용성, 창의성이라는 핵심 특성이 학습자의 활용정도에 영향을 미치며, 이는 다시 지속사용의도로 이어진다는 연구모형을 설정하였다. 이는 기존 기술수용이론의 확장적 적용이자, 생성형 AI 맥락에서 사용자경험과 태도 변화를 설명하는 새로운 분석 틀을 제공한다(그림 1 참조). 그에 따른 가설은 다음과 같다.
Research model
- H1. 생성형 AI의 특성이 활용정도의 매개효과로 지속사용의도에 긍정적 영향을 미칠 것이다.
- H1-1: 생성형 AI의 신뢰성은 활용정도에 긍정적인 영향을 미칠 것이다.
- H1-2: 생성형 AI의 상호작용성은 활용정도에 긍정적인 영향을 미칠 것이다.
- H1-3: 생성형 AI의 창의성은 활용정도에 긍정적인 영향을 미칠 것이다.
- H1-4: 활용정도는 지속사용의도에 긍정적인 영향을 미칠 것이다.
- H2. 생성형 AI의 특성이 지속사용의도에 긍정적 영향을 미칠 것이다.
- H2-1: 생성형 AI의 신뢰성은 지속사용의도에 긍정적인 영향을 미칠 것이다.
- H2-2: 생성형 AI의 상호작용성은 지속사용의도에 긍정적인 영향을 미칠 것이다.
- H2-3: 생성형 AI의 창의성은 지속사용의도에 긍정적인 영향을 미칠 것이다.
3-1 연구방법
본 연구는 생성형 AI 교과목을 수강하는 대학생 242명을 대상으로, 학기 초(3월 말)와 학기 말(6월 초) 두 차례에 걸쳐 온라인 설문을 실시하였다. 학기 초에는 수강 초기의 인식과 제한된 활용경험을 파악하였는데, 학생들은 주로 텍스트 기반의 단순한 기능만을 경험한 상태였다. 반면 학기 말에는 이미지 생성, 코딩, 데이터 시각화, 영상 제작, 음악 생성 등 보다 폭넓고 심화된 생성형 AI 기능을 학습한 후 설문에 참여하여, 학습경험의 확장과 축적이 인식과 활용 수준 및 지속적 사용 의도에 미치는 영향을 비교·분석할 수 있도록 하였다.
응답 자료는 242부 중에서 불성실한 설문을 제외하고, 최종 학기 초 184부와 학기 말 233부를 분석에 활용하였다. 본 연구는 동일 학생을 학기 초와 학기 말 두 차례에 걸쳐 추적 조사하였다. 모든 응답은 학번 기반의 식별자를 통해 매칭되었다. 이를 통해 동일 교과목을 수강한 집단의 시계열적 변화를 반영할 수 있었으며, 생성형 AI 활용경험의 진전이 학습자 태도와 지속사용 의도에 미치는 차이를 검증하는 데 중요한 근거가 된다. 구체적 자료는 아래 표 1과 같다.
Sample characteristics
설문에서 신뢰성문항은 타자료와의 일치여부, 사실과 부합 여부, 정확성 여부로 구성하였고, 상호작용성문항은 즉각응답 여부, 대화느낌 여부, 맥락이해 여부, 창의성 문항은 새로운 아이디어 제공 여부, 독창적 여부, 활용정도 문항은 ‘다양한 활동, 문제해결, 학습자료 생성, 콘텐츠제작 시 사용 여부, 지속사용의도 문항은 재사용의도, 반복사용, 장기사용의도 여부로 구성하였다. 본 연구의 설문지는 총 19문항으로, 주요 변수(신뢰성, 상호작용성, 창의성, 활용정도, 지속사용의도)를 측정하는 15문항과 인구통계학적 특성(나이, 전공, 직업, 사용 빈도)을 묻는 4문항으로 구성되었다. 모든 문항은 리커트 척도 7점을 사용하였다.
Ⅳ. 분석결과 및 논의
4-1 분석결과
상관관계 분석은 측정된 변수들 간의 선형적 관계의 정도를 확인하는 기법으로, 특정 변수가 다른 변수와 어떤 연관성을 가지고 변화하는지를 파악하는 데 활용된다. 본 연구의 상관관계 분석 결과는 표 2에 제시하였다. 5개 변수의 상관관계에 대한 유의확률(P값)이 모두 0.05 이하로 나타나 통계적으로 유의한 수준임을 확인할 수 있었으며, 이를 통해 전체 변수에서 상호 관련성이 존재함을 알 수 있었다.
Correlation analysis
본 연구에서는 Cronbach’s α 계수를 활용하여 측정 도구의 신뢰성을 검증하였다. 일반적으로 알파 값이 0.8 이상이면 높은 신뢰도로 간주되며, 신뢰성을 저해하는 항목은 식별 후 제거하였다. 분석 결과, 표 3에서 제시된 바와 같이 활용정도(Utilization Level), 신뢰성(Reliability), 상호작용성(Interaction), 창의성(Creativity), 지속사용의도(Continuous Use Intention이나 표에서는 Reuse로 표기)의 Cronbach’s α값이 모두 0.878 이상으로 나타나 측정 도구의 내적 일관성이 충분히 확보되었음을 확인할 수 있었다. 또한, 사용된 변수들이 각 구성 개념을 타당하게 반영하는지를 검토하기 위해 탐색적 요인분석을 실시하였다. 요인 추출에는 정보 손실을 최소화하기 위해 주성분 분석(Principal Component Analysis)을 적용하였으며, 요인 간 독립성을 유지하면서 해석력을 높이기 위해 베리맥스(Varimax) 회전 방식을 활용하였다.
Reliability and validity analysis
학기 초(3월 말)에 실시된 가설검증에 대하여 회귀분석 결과는 다음 표 4와 같이 신뢰성(β=.162, t=1.725, p=.086), 상호작용성(β=.165, t=1.723, p=.087), 창의성(β=.060, t=.630, p=.530)은 활용정도에 유의한 영향을 미치지 않는 것으로 나타났으며, 활용정도(β=.255, t=3.555, p=<.001)는 지속사용의도에 유의한 영향을 미치는 것으로 나타나 H1-1, H1-2, H1-3은 기각되었으며, H1-4는 채택되었다. 또한 신뢰성(β=.256, t=4.168, p=<.001)과, 창의성((β=.542, t=8.675, p=<.001)은 지속사용의도에 유의한 영향을 미치는 것으로 밝혀졌으며, 상호작용성(β=.092, t=1.472, p=.143)은 유의한 영향을 미치지 않는 것으로 나타나 H2-1과 H2-3은 채택되었으나 H2-2는 기각되었다.
Results of hypothesis testing at the beginning of the semester
학기 말(6월 초)에 실시된 가설검증에 대하여 회귀분석 결과는 다음 표 5와 같이 상호작용성(β=-.025, t=-.360 p=.719)은 활용정도에 유의한 영향을 미치지 않는 것으로 나타났다. 반면, 신뢰성(β=.152, t=2.022, p=.044)과 창의성(β=.672, t=10.956, p=<.001)은 활용정도에 유의한 영향을 미치지 않는 것으로 나타났으며, 활용정도(β=.772, t=18.468, p=<.001)도 지속사용의도에 유의한 영향을 미치는 것으로 나타나 H1-2는 기각되었으나 H1-1, H1-3, H1-4는 채택되었다. 또한 상호작용성(β=.152, t=2.022, p=.044)과 창의성((β=.972, t=10.956, p=<.001)은 지속사용의도에 유의한 영향을 미치는 것으로 밝혀졌으며, 신뢰성(β=-.025, t=-.381, p=.703)은 유의한 영향을 미치지 않는 것으로 나타나 H2-2와 H2-3은 채택되었으나 H2-1은 기각되었다.
Results of hypothesis testing at the end of the semester
본 연구에서 제시한 연구모형의 구조적 적합도검증을 위해 AMOS 29.0을 이용하였다. 모형의 적합도 지수는 표 6과 같이 χ2=422.524(d.f.=109, p=.000), GFI=.910, CFI=.956, RMSEA=.071로 산출되었으며, 이는 일반적인 적합도 기준치와 비교할 때 전반적으로 수용가능한 수준으로 평가할 수 있다[32].
Goodness-of-fit test
본 연구에서 제시한 연구모형의 구조적 적합도검증을 위해 AMOS 29.0을 활용하였다. 분석 결과, 생성형 AI의 신뢰성과 창의성은 활용정도를 향상시키며, 향상된 활용정도는 다시금 생성형 AI의 지속사용을 촉진하는 것으로 나타났다. 또한 생성형 AI의 특성(신뢰성, 창의성)이 직접적으로 지속사용의도를 높이는 효과도 확인되어, 활용정도가 부분매개효과를 갖는다는 사실이 규명되었다.
4-2 논의
생성형 AI는 대규모 언어 데이터를 기반으로 텍스트, 이미지, 음성, 영상 등 다양한 형태의 콘텐츠를 생성하는 데 활용된다. 본 연구는 학기 초와 학기 말의 두 시점에서 활용정도의 매개효과를 비교 분석하였다.
학기 초에 실시된 분석 결과, 생성형 AI의 특성(신뢰성, 상호작용성, 창의성)이 활용정도를 매개로 지속사용의도에 유의미한 영향을 미치지 않는 것으로 나타났다. 이는 선행연구에서 기술 수용의도에 영향을 미치는 핵심 요인으로 논의된 기술적 특성이, 초기 수용 단계에서는 매개 변수를 통한 간접적 영향력을 발휘하기 어렵다는 점을 시사한다. 본 연구는 이러한 결과를 사용자의 경험부족과 기술 활용의 제한적 수준에서 기인한 것으로 해석한다. 구체적으로, 학기 초의 설문 참여자들은 생성형 AI를 주로 텍스트 기반의 단순한 기능에 한정하여 경험한 상태였다. 이 시점에서 학생들은 신뢰성과 창의성과 같은 생성형 AI의 잠재적 가치를 충분히 체감할 만큼 깊이 있고 다양한 경험을 축적하지 못하였다. 따라서 기술의 특성이 지속사용의도에 직접적으로 미치는 영향은 존재하나, 활용경험이 매개 변수로서의 역할을 수행할 만큼 충분히 활성화되지 않았던 것으로 판단된다. 즉, 초기 수용 단계에서는 기술의 내재적 특성이 사용자의 의도에 직접적으로 작용하며, 활용정도는 아직 매개효과를 발휘할 만큼의 임계점(threshold)에 도달하지 않았다고 볼 수 있다. 이는 단순한 기능적 접촉만으로는 기술의 잠재적 가치를 완전히 인식하고 장기적인 사용 의도로 전환하기 어렵다는 점을 보여준다.
반면, 학기 말에 실시된 분석 결과는 학기 초와는 확연히 다른 양상을 나타냈다. 이 시점의 사용자들은 텍스트 기반의 단순한 질의응답을 넘어 이미지, 음악, 영상 등 다양한 콘텐츠 생성에 생성형 AI를 활용하며 사용경험의 깊이와 폭을 확장하였다. 신뢰성과 창의성은 활용정도를 통한 간접경로에서는 유의한 매개효과가 확인되었다. 이는 신뢰성이 곧바로 지속사용의도를 강화하기보다는, 생성형 AI 활용경험을 통해 간접적으로 작용함을 의미한다. 본 연구의 결과는 긍정적인 사용자경험이 반복적으로 축적될 때, 사용자는 생성형 AI의 기능적 유용성과 창의적 가능성을 더욱 신뢰하게 되며, 이는 단순한 도구적 인식을 넘어 학습, 업무, 창작 등 일상적 활동에 필수적인 자원으로 수용하게 됨을 의미한다. 다시 말해, 긍정적 경험의 누적은 단순한 만족감을 넘어 기술에 대한 심리적 친숙성과 의존성을 강화하여, 장기적인 차원에서 생성형 AI의 지속적 활용 의도를 유의하게 고양시키는 핵심요인으로 작용하는 것이다.
생성형 AI는 방대한 언어 데이터를 학습하여 텍스트, 이미지, 음성, 영상 등 다양한 형태의 콘텐츠를 생성할 수 있다. 특히 ChatGPT와 같은 시스템은 문맥을 이해하고 실시간으로 반응하며 맞춤형 학습을 지원함으로써 사용자에게 보다 자연스럽고 일관성 있는 대화경험을 제공하는 특성을 지닌다. 그러나 학기 초 분석결과, 상호작용성은 지속사용의도에 통계적으로 유의한 영향을 미치지 않는 것으로 나타났다. 생성형 AI가 제공하는 상호작용적 경험이 초기 단계에서는 사용자의 지속사용 의도를 직접적으로 강화하기에는 충분하지 않음을 시사한다.
반면, 학기 초 신뢰성과 창의성은 지속사용의도에 긍정적인 영향을 주는 주요 변수로 확인되었다. 즉, 사용자가 생성형 AI의 산출물이 신뢰할 만하다고 판단하고, 기존 자료를 단순히 반복하는 수준을 넘어 창의적으로 새로운 아이디어와 해결책을 제시한다고 인식할 때, 장기적인 활용 의도가 강화됨을 알 수 있다. 이러한 결과는 생성형 AI의 지속적 사용을 유도하기 위해 단순히 상호작용성이나 대화의 용이성을 높이는 것보다, 정확하고 일관된 정보 제공을 통한 신뢰 확보, 그리고 창의적 산출을 통한 새로운 가치창출이 보다 중요한 요인임을 시사한다. 특히 교육이나 업무와 같은 전문적인 환경에서는 사용자가 생성형 AI를 단순한 소통 도구가 아닌, 실질적인 문제 해결과 가치 생산에 기여하는 '유용한 자원'으로 인식할 때 지속적으로 활용한다는 점을 명확히 보여준다.
그러나, 학기 말에는 신뢰성은 지속사용의도에 통계적으로 유의한 영향을 미치지 않는 것으로 나타났다. 반면, 상호작용성과 창의성은 지속사용의도에 긍정적인 영향을 주는 주요 변수로 확인되었다. 즉, 사용자가 생성형 AI와 소통하는 과정이 자연스럽고 원활하다고 느끼며, 기존 자료를 단순히 반복하는 수준을 넘어 창의적으로 새로운 아이디어와 해결책을 제시한다고 인식할 때, 장기적인 활용 의도가 강화됨을 알 수 있다. 이러한 결과는 생성형 AI의 지속적 사용을 유도하기 위해 정확하고 일관된 정보 제공을 통한 신뢰 확보보다 상호작용성과 창의성이 보다 중요한 요인임을 시사한다. 특히 교육이나 업무와 같은 전문적인 환경에서는 사용자가 생성형 AI를 실질적인 문제 해결과 가치 생산에 기여하는 '유용한 자원'으로 인식할 때 지속적으로 활용한다는 점을 명확히 보여준다.
Ⅴ. 결 론
본 연구는 생성형 AI의 주요 특성(신뢰성, 상호작용성, 창의성)이 활용정도와 지속사용의도에 어떠한 영향을 미치는지를 학기 초와 학기 말 시점에서 비교·분석하였다. 연구 결과, 학기 초에는 신뢰성, 상호작용성, 창의성이 활용정도를 매개로 지속사용의도에 영향을 미치지 않는 것으로 나타났으며, 이는 사용자의 경험부족으로 인해 활용정도의 매개효과가 제한적으로 작용했음을 의미한다. 반면 학기 말에는 생성형 AI가 텍스트뿐 아니라 이미지, 음악, 영상 등 다양한 영역에서 활용되면서 신뢰성과 창의성이 활용정도를 매개로 지속사용의도에 긍정적 영향을 미치는 것으로 확인되었다. 이는 단순히 생성형 AI 특성이 곧바로 지속사용으로 이어지는 것이 아니라, 사용자가 얼마나 적극적으로 AI를 실제 과업(텍스트, 이미지, 음악, 영상 등)에 적용여부가 장기적 수용을 설명하는 핵심 경로임을 보여준다.
본 연구는 학문적 측면에서 다음과 같은 시사점을 제공한다. 첫째, 본 연구는 생성형 AI의 수용을 설명함에 있어 기존의 기술수용모델(TAM)과 가치기반수용모델(VAM) 등 대표적 이론적 틀을 토대로 단순히 기존 요인을 재검증하는 데 그치지 않고, 생성형 AI가 지닌 신뢰성·상호작용성·창의성이라는 고유한 특성을 반영하여 연구모형을 재구성하였다. 이를 통해 본 연구는 기존 TAM이 강조한 인지적 요인과 VAM이 제시한 가치 판단 구조를 생성형 AI라는 새로운 기술 패러다임에 적합하게 확장하였으며, 나아가 전통적 기술수용 이론이 신기술의 특수성을 포괄할 수 있는 확장 가능성을 실증적으로 제시하였다는 점에서 학문적 의의를 갖는다.
둘째, 기술수용모델(TAM)과 가치기반수용모델(VAM) 등 과 연결하여, 활용정도가 가지는 매개효과를 실증적으로 규명하였다는 점에서 중요한 의의를 지닌다. 이는 단순히 생성형 AI의 수용 의도를 확인하는 차원을 넘어, 기술 특성과 사용자 경험이 축적되어 지속적 사용의도를 형성하는 과정을 구체적으로 보여주었다는 점에서 학문적 기여가 크다.
셋째, 기술수용 과정이 정적인 현상이 아니라, 사용자경험의 누적에 따라 영향 요인의 구조가 변화하는 동적인 과정임을 증명하였다. 특히, 기술수용의 초기 단계(학기 초)에서는 기술의 내재적 특성이 지속사용의도에 직접적으로 영향을 미치나, 사용경험이 축적되는 단계(학기 말)에서는 활용정도가 중요한 매개 변수로 작용함을 밝혀내었다. 이는 향후 기술 수용 연구에서 시간적 변화와 경험축적의 역할을 고려해야 할 필요성을 시사한다.
넷째, 상호작용성이 지속사용의도에 유의미한 영향을 미치지 않는다는 결과는 지금까지 긍정적 요인으로만 간주되어 온 상호작용성에 대한 비판적 재검토를 촉발한다[33]. 이는 생성형 AI 맥락에서 단순한 대화의 빈도나 응답성보다, 정확성·일관성(신뢰성)과 새로운 산출의 가능성(창의성)이 지속사용을 결정하는 주요 요인임을 의미한다. 이러한 결과는 생성형 AI 특성 연구를 기술적 속성에서 가치 기반 속성으로 확장할 수 있는 이론적 가능성을 제시하며, 향후 연구에서 특성별 차별적 영향력을 정밀하게 분석해야 함을 시사한다.
본 연구는 실무적 측면에서 기업과 교육기관이 생성형 AI를 효과적으로 도입하고 운영하기 위한 실질적 지침을 제시하며, 그 내용은 다음과 같다. 첫째, 생성형 AI의 장기적인 사용을 유도하기 위해서는 단순히 상호작용 기능이나 사용 편의성을 강조하는 데 그치지 않고, 신뢰성과 창의성을 강화하는 방향으로 서비스 전략을 재정립해야 한다. 사용자에게 신뢰할 수 있는 정보와 창의적인 산출물을 제공하는 것이 지속적인 사용을 촉진하는 핵심 전략이다. 이는 기업이 고객 서비스나 콘텐츠 제작 과정에서 생성형 AI를 적용할 때, 기술적 편의성뿐 아니라 정보의 신뢰성과 결과물의 창의성을 우선적으로 확보해야 함을 의미한다.
둘째, 사용자들이 기술에 대한 긍정적인 활용경험을 축적할 수 있도록 유도하는 사용자경험(UX) 설계의 중요성을 강조한다. 학기 초와 학기 말의 결과 차이는 초기 사용자가 기술의 잠재력을 완전히 인식하지 못함을 보여준다. 따라서 기업이나 교육기관은 사용자가 텍스트 기반의 단순한 활용을 넘어, 이미지, 음악, 영상 등 다양한 분야에서 깊이 있고 성공적인 경험을 할 수 있도록 체계적인 가이드라인이나 교육 프로그램을 제공해야 한다. 이러한 경험의 누적은 단순한 만족감을 넘어 기술에 대한 심리적 친숙성과 의존성을 강화하여 장기적인 지속 활용 의도를 고양시키는 핵심 동인이 될 것이다.
셋째, 이러한 시사점은 단순한 서비스 차원을 넘어 생성형 AI를 둘러싼 정책적·사회적 논의에도 적용될 수 있다. 기술 발전이 사용자의 지속적인 참여와 신뢰 형성으로 이어질 수 있도록 다층적인 노력이 병행되어야 함을 시사한다. 특히 초기 학습환경에서의 경험설계는 사용자의 태도와 기대를 결정짓는 중요한 단계이므로, 체계적인 지원 프로그램과 피드백 시스템을 마련하는 것이 필요하다.
본 연구는 학기 초와 학기 말이라는 특정 시점에서 대학생 집단만을 대상으로 분석을 수행하였기에, 연구결과의 해석에 있어 표본 특성 및 시점의 제한을 고려할 필요가 있으며, 연구결과를 전체 인구집단으로 일반화하는 데 한계가 있다. 그러나 이러한 설계는 생성형 AI 활용경험이 시간의 흐름에 따라 어떻게 변화하는지를 탐색하는 데 의의가 있으며, 향후 연구에서는 다양한 연령대와 직업군(예: 직장인, 전문직 종사자, 일반인)을 포함하는 표본 확장을 통해 연구의 일반화를 높일 수 있을 것이다. 또한, 장기적인 추적 연구를 통해 사용자의 경험변화와 기술 수용 행태를 보다 정교하게 분석하는 연구가 필요하다.
더불어 본 연구는 생성형 AI의 특성을 신뢰성, 상호작용성, 창의성이라는 세 가지 요인에 초점을 맞추어 분석하였다. 그러나 생성형 AI 사용에는 정보성, 프라이버시 보호, 윤리적 수용성 등 다양한 요인들이 영향을 미칠 수 있다. 따라서 앞으로의 연구에서는 정보의 정확성 및 유용성, 프라이버시 보호에 대한 인식, 그리고 윤리적 수용성과 같은 추가적인 요인들을 모형에 포함시켜 생성형 AI의 지속사용의도를 보다 종합적으로 이해할 수 있는 연구가 진행될 수 있다.
마지막으로, 본 연구는 설문 조사를 통한 정량적 분석을 중심으로 진행되었다. 이는 변수 간의 통계적 관계를 규명하는 데는 유용하지만, 사용자의 심층적인 경험과 행태변화의 맥락적 요인을 포착하는 데는 한계가 있다. 향후에는 인터뷰, 포커스 그룹 인터뷰, 사례 연구와 같은 질적 연구를 병행하여 사용자들이 생성형 AI를 활용하며 겪는 구체적인 경험, 감정, 그리고 인지적 변화를 탐색한다면 연구의 깊이를 한층 더 강화할 수 있을 것으로 기대된다. 이를 통해 정량적 분석만으로는 파악하기 어려운 미묘한 요인들을 밝혀낼 수 있을 것이다.
References
-
H. Luan, P. Geczy, H. Lai, J. Gobert, S. J. H. Yang, H. Ogata, ... and C.-C. Tsai, “Challenges and Future Directions of Big Data and Artificial Intelligence in Education,” Frontiers in Psychology, Vol. 11, pp. 1-11, 2020.
[https://doi.org/10.3389/fpsyg.2020.580820]
-
C. D. Duong, T. N. Vu, and T. V. N. Ngo, “Applying a Modified Technology Acceptance Model to Explain Higher Education Students’ Usage of ChatGPT: A Serial Multiple Mediation Model with Knowledge Sharing as a Moderator,” The International Journal of Management Education, Vol. 21, No. 3, pp. 1-15, 2023.
[https://doi.org/10.1016/j.ijme.2023.100883]
-
A. Strzelecki and S. ElArabawy, “Investigation of the Moderation Effect of Gender and Study Level on the Acceptance and Use of Generative AI by Higher Education Students: Comparative Evidence from Poland and Egypt,” British Journal of Educational Technology, Vol. 55, No. 3, pp.1209-1230, 2024.
[https://doi.org/10.1111/bjet.13425]
- X. Cheng, J. Cohen, and J. Mou, “AI-Enabled Technology Innovation in e-Commerce,” Journal of Electronic Commerce Research, Vol. 24, No. 1, pp.1-6, 2023.
-
J. Wang and F. Wenxiang, “The Effect of ChatGPT on Students’ Learning Performance, Learning Perception, and Higher Order Thinking: Insights from a Meta Analysis,” Humanities and Social Sciences Communications, Vol. 12, pp.1-21, 2025.
[https://doi.org/10.1057/s41599-025-04787-y]
-
R. Deng, M. Jiang, X. Yu, Y. Lu, and S. Liu, “Does ChatGPT Enhance Student Learning? A Systematic Review and Meta-Analysis of Experimental Studies,” Computers & Education, Vol. 227, pp. 1-35, 2025.
[https://doi.org/10.1016/j.compedu.2024.105224]
-
J. Dempere, “The Impact of ChatGPT on Higher Education,” Frontiers in Education, Vol. 8, pp. 1-23, 2023.
[https://doi.org/10.3389/feduc.2023.1206936]
-
C. Stöhr, A. W. Ou, and H. Malmström, “Perceptions and Usage of AI Chatbots Among Students in Higher Education Across Genders, Academic Levels and Fields of Study,” Computers and Education: Artificial Intelligence, Vol. 7, pp. 1-12, 2024.
[https://doi.org/10.1016/j.caeai.2024.100259]
-
J. E. Chukwuere and B. L. Handoko, “The Future of Generative AI Chatbots in Higher Education,” Journal of Educational Technology, Vol. 4, No. 1. pp. 36-44, 2024.
[https://doi.org/10.32388/UE841K]
-
A. Bandi, P. V. S. R. Adapa, and Y. E. V. P. K.Kuchi, “The Power of Generative AI: A Review of Requirements, Models, Input-Output Formats, Evaluation Metrics, and Challenges,” Future Internet, Vol. 15, No. 8, pp.2-60, 2023.
[https://doi.org/10.3390/fi15080260]
-
S. Fuerriegel, J. Hartmann, C. Janiesch, and P. Zschech, “Generative AI,” Business & Information Systems Engineering, Vol. 66, No. 1, pp. 111-126, 2024.
[https://doi.org/10.1007/s12599-023-00834-7]
-
C. Ferraro, V. Demsar, S. Sands, M. Restrepo, and C. Campbell, “The Paradoxes of Generative AI-Enabled Customer Service,” Business Horizons, Vol. 67, No. 5, pp. 549-559, 2024.
[https://doi.org/10.1016/j.bushor.2024.04.013]
- H.-Y. Chen, H.-J. Oh, and S. J. Lee, “ChatGPT for Smart Tourism Innovation: A Study on Service Quality Improvement Using Generative AI,” Journal of Information Technology and Architecture, Vol. 20, No. 4, pp. 313-327, 2023.
-
B.-A. David, and L. O. Ansah, “Education in the Era of Generative Artificial Intelligence (AI): Understanding the Potential Benefits of ChatGPT in Promoting Teaching and Learning,” Journal of AI, Vol. 7, No 1, pp. 52-62, 2023.
[https://doi.org/10.61969/jai.1337500]
-
W. M. Lim, A. Gunasekara, J. L. Pallant, J. I. Pallant, and E. Pechenkina, “Generative AI and the Future of Education: Ragnarök or Reformation? A Paradoxical Perspective from Management Educators,” International Journal of Management Education, Vol. 21, No. 2, pp. 1-10, 2023.
[https://doi.org/10.1016/j.ijme.2023.100790]
-
J. Rudolph, M. F. bin Mohamed Ismail, and S. Popenici, “Higher Education’s Generative Artificial Intelligence Paradox: The Meaning of Chatbot Mania,” Journal of University Teaching and Learning Practice, Vol. 21, No. 6, pp. 14-48, 2024
[https://doi.org/10.53761/54fs5e77]
-
C. D. Duong, T. N. Vu, and T. V. N. Ngo, “Applying a Modified Technology Acceptance Model to Explain Higher Education Students’ Usage of ChatGPT: A Serial Multiple Mediation Model with Knowledge Sharing as a Moderator,” International Journal of Management Education, Vol. 21, No. 3, pp. 1-18, 2023.
[https://doi.org/10.1016/j.ijme.2023.100883]
-
A. Strzelecki, “Students’ Acceptance of ChatGPT in Higher Education: An Extended Unified Theory of Acceptance and Use of Technology,” Innovative Higher Education, Vol. 49, pp. 223-245, 2024.
[https://doi.org/10.1007/s10755-023-09686-1]
-
C. Yu, J. Yan, and N. Cai, “ChatGPT in Higher Education: Factors Influencing ChatGPT User Satisfaction and Continued Use Intention,” Frontiers in Education, Vol. 9, pp.1-11, 2024.
[https://doi.org/10.3389/feduc.2024.1354929]
-
A. Haasio and E. Kannasto, “Motivational Factors of Online Learning in Higher Education,” European Journal of Applied Sciences, Vol. 12, No. 1, pp. 405-419, 2024.
[https://doi.org/10.14738/aivp.121.2024]
-
T. E. Ruggiero, “Uses and Gratifications Theory in the 21st Century,” Mass Communication & Society, Vol. 3, No. 1, pp. 3-37, 2000.
[https://doi.org/10.1207/S15327825MCS0301_02]
-
N. Wilson, P. H. P. Tan, and K. Keni, “The Role of Perceived Usefulness and Perceived Ease-of-Use Toward Satisfaction and Trust which Influence Computer Consumers’ Loyalty in China,” Gadjah Mada International Journal of Business, Vol. 23, No. 3, pp. 262-294, 2021.
[https://doi.org/10.22146/gamaijb.32106]
- A. Parasuraman, V. A. Zeithaml, and L. L. Berry, “A Multiple-Item Scale for Measuring Consumer Perceptions of Service Quality,” Journal of Retailing, Vol. 64, No. 1, pp. 12-37, 1988.
-
S. Jeon and H. Yoo, “A Study on the Effect of Chatbot Service Quality on Intention to Use and a Comparative Study Between Industries,” Journal of Service Management Society, Vol. 24, No. 3, pp. 395-418, 2023.
[https://doi.org/10.15706/jksms.2023.24.3.017]
- Y. J. Kang, “The Influence of Anthropomorphism and Service Quality of Public Library AI Chatbot on Continuous Use Intention,” Journal of Korean Society for Library and Information Science, Vol. 59, No. 1, pp. 517-545, 2025.
-
F. D. Davis, R. P. Bagozzi, and P. R. Warshaw, “User Acceptance of Computer Technology: A Comparison of Two Theoretical Models,” Management Science, Vol. 35, No. 8, pp. 903-1028, 1989.
[https://doi.org/10.1287/mnsc.35.8.982]
-
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, 2003.
[https://doi.org/10.2307/30036540]
-
H.-W. Kim, H. C. Chan, and S. Gupta, “Value-Based Adoption of Mobile Internet: An Empirical Investigation,” Decision Support Systems, Vol. 43, No. 1, pp. 111-126, 2007.
[https://doi.org/10.1016/j.dss.2005.05.009]
-
J. Riegelsberger, M. A. Sasse, and J. D. McCarthy, “The Mechanics of Trust: A Framework for Research and Design,” International Journal of Human-Computer Studies, Vol. 62, No. 3, pp. 381-422, 2005.
[https://doi.org/10.1016/j.ijhcs.2005.01.001]
-
H. Jo, “From Concerns to Benefits: A Comprehensive Study of ChatGPT Usage in Education,” International Journal of Educational Technology in Higher Education, Vol. 21, 35, 2024.
[https://doi.org/10.1186/s41239-024-00471-4]
-
A. R. Doshi and O. P. Hauser, “Generative Artificial Intelligence Enhances Creativity but Reduces the Diversity of Novel Content,” Science Advances, Vol. 10, No. 28, pp. 1-9, 2024.
[https://doi.org/10.1126/sciadv.adn5290]
- H. S. Lee and J. H. Lim, Structural Equation Modeling and Analysis, Seoul, JipHyunJae, 2017.
-
W. Kang, B. Shao, and Y. Zhang, “How Does Interactivity Shape Users’ Continuance Intention of Intelligent Voice Assistants? Evidence from SEM and fsQCA,” Psychology Research and Behavior Management, Vol. 17, pp. 867-889, 2024.
[https://doi.org/10.2147/PRBM.S438465]
-
M. T. Huynh and T. Aichner, “In Generative Artificial Intelligence We Trust: Unpacking Determinants and Outcomes for Cognitive Trust,” AI & Society, 2025.
[https://doi.org/10.1007/s00146-025-02378-8]
- A. Pyae, “Understanding Student Acceptance, Trust, and Attitudes Toward AI-Generated Images for Educational Purposes,” arXiv:2411.15710, 2024. https://arxiv.org/abs/2411.15710
저자소개
2002년：전남대학교 경영대학(경영학석사-경영정보시스템)
2006년：전남대학교 경영대학(경영학박사-경영정보시스템)
2007년 9월～2011년 8월: 경북대학교 경제경영연구소 Post-Doc. 연구원
2011년 9월～2015년 2월: 전남대학교 경영연구소 전임연구원
2015년 3월～2019년 2월: 호남대학교 초빙교수
2019년 3월～현 재: 호남대학교 교양학부 조교수
※ 관심분야：경영정보시스템(MIS), 빅데이터, 생성형 AI, AI 프로그래밍, 디지털 리터러시, AI 윤리