* 본 블로그 포스트에서 사용된 표, 이미지 및 기타 관련 자료는 해당 논문에서 발췌한 것입니다. 이 자료들은 논문의 내용을 요약하고 이해를 돕기 위한 참고용으로 제공됩니다. 또한, 해석 과정에서 일부 오류가 있을 수 있으니 원 논문을 참고하여 확인하시기 바랍니다
1. Introduction
- 1950년대: 인공지능의 시작과 초기 한계
- 인공지능(AI)은 1950년대 중반에 처음 등장했으나, 데이터 처리 능력과 다양한 데이터 유형 처리, 인간 사고를 모방하는 데 있어서 기술적 한계로 인해 발전이 정체되었습니다. 초기 AI는 이러한 이유로 더 이상 진전을 보이지 않을 것처럼 보였습니다.
- 2019년: 현대 AI 도구 설계와 활용 연구
- Wang et al. (2019a, b): AI 도구는 사물인터넷(IoT) 및 빅데이터와 통합되면서 그 정의와 역할이 계속 확장되고 있습니다. Wang 등은 AI 도구 설계의 요구사항 도출 및 기술적 측면에 대해 연구하며, 이를 통해 다양한 환경(예: 공급망, 스마트 헬스케어 등)에서 도구의 활용 가능성을 탐구했습니다.
- Priore et al. (2019): AI 도구는 공급망 관리에서의 활용 사례를 통해 운영 효율성을 높이는 데 기여하고 있습니다.
- Kocheturov et al. (2019): 생물의학 분야에서 AI 도구는 데이터 분석과 모델링을 통해 의학적 연구와 진단의 혁신을 이루고 있습니다.
- Pan et al. (2019): 스마트 헬스케어 환경에서 AI 도구는 임상적 의사결정 지원에 중요한 역할을 하고 있으며, 의료 효율성을 향상시키는 데 기여합니다.
- AI 도구의 성능 평가와 편향 문제
- Razzaghi et al. (2019): AI 도구는 이전 알고리즘과 비교하여 성능이 뛰어남을 강조하며, 특히 의료 및 공급망 환경에서 이를 검증했습니다.
- Lambrecht and Tucker (2019): AI 모델은 학습 데이터의 편향성을 반영할 위험이 크며, 이는 결과적으로 AI 도구의 신뢰성과 공정성에 부정적인 영향을 미칠 수 있음을 지적했습니다.
- 조직 내 채택의 주요 문제
- AI 도구는 다른 많은 혁신 기술과 마찬가지로 채택과 사용에서 현실적인 어려움을 겪고 있습니다. Venkatesh et al. (2003)은 UTAUT(통합 기술 수용 및 활용 이론)를 통해 기술 채택을 설명하며, 이를 다양한 상황에서 성공적으로 적용해왔습니다.
- Brown et al. (2010)과 Hong et al. (2014)은 기술 채택이 기술 자체의 속성뿐만 아니라 맥락적 조건과 조직 문화에 의해 크게 영향을 받을 수 있음을 주장했습니다.
- 조직 수준에서는 인프라 구축, 적절한 교육 부족, 명확한 비즈니스 사례 부족 등이 주요 장애물로 나타났습니다. 이러한 문제는 새로운 기술 도입 시 흔히 발생하는 상황으로, AI 도구도 예외가 아닙니다.
- 직원 채택의 중요성과 문제
- 직원 채택은 조직 채택을 위한 필수적인 단계입니다. 그러나 AI 도구는 다른 기술과는 달리 독특한 장애 요인을 가지고 있습니다.
- Venkatesh et al. (2016)은 직원의 기술 채택이 성과 기대, 노력 기대 등 개인적 및 환경적 요인에 따라 달라질 수 있음을 설명합니다.
- Schuetz and Venkatesh (2020)은 아마존의 AI 기반 채용 도구 사례를 제시하며, AI 도구가 성별에 따른 편향을 드러낸 사례를 통해 직원 채택에 대한 부정적 영향을 경고했습니다.
- 직원 채택은 조직 채택을 위한 필수적인 단계입니다. 그러나 AI 도구는 다른 기술과는 달리 독특한 장애 요인을 가지고 있습니다.
- 운영 관리(Operations Management)에서의 AI 도구
- AI 도구가 운영 관리에서 독특한 역할을 할 수 있음을 강조합니다. 운영 관리는 공급망과 물류를 포함하여 상류 및 하류 활동까지 포괄하는 광범위한 영역으로, 데이터의 복잡성과 다수의 이해관계자를 포함합니다.
- 수학적 모델과 알고리즘: 운영 관리 문제는 전통적으로 수학적 모델과 알고리즘으로 해결되어 왔으며, 최근에는 머신러닝 기반 AI 도구가 이를 대체하거나 보완하고 있습니다.
- 본 논문의 목표
- AI 도구의 일반적 문제와 운영 관리 맥락에서의 고유 문제를 식별: AI 도구가 직원 채택과 사용을 방해하는 요인을 중점적으로 탐구.
- UTAUT를 이론적 기반으로 한 연구 방향 제시: 운영 관리와 조직 전반에서 AI 도구 채택을 촉진하고, 직원과 조직이 AI 도구의 이점을 극대화할 수 있는 방법을 모색.
2. AI Tools and Operations Management
- 2.1 General Issues with AI Tools
- 모델의 불투명성 (Blackbox)
- Schuetz and Venkatesh (2020): AI 모델은 종종 불투명하게 작동하며, 사용자는 모델의 알고리즘이나 의사결정 과정을 파악하기 어렵다. 이는 결과에 대한 사용자 책임이 수반될 때 채택을 저해하는 주요 원인 중 하나로 작용한다.
- 모델 오류 (Model Errors)
- Lambrecht and Tucker (2019): AI 모델은 현실의 단순화된 표현이기 때문에 오류가 발생하기 쉽다. 공급망이나 물류처럼 동적인 환경에서는 데이터 부족 및 불확실성으로 인해 이러한 오류 가능성이 더욱 높아진다.
- 모델 학습 시간 (Model Learning Over Time)
- AI 모델은 시간이 지남에 따라 학습하면서 성능이 개선되지만, 초기 단계에서는 성능이 낮아 신뢰를 얻기 어려운 경우가 많다. Razzaghi et al. (2019)는 초기 학습 과정에서 발생하는 오류가 장기적으로 사용자 신뢰를 저해할 수 있음을 지적했다.
- 모델 편향성 (Model Bias)
- Schuetz and Venkatesh (2020): AI 모델이 편향된 데이터로 학습할 경우, 모델의 결과에 편향성이 반영될 위험이 크다. 아마존의 AI 채용 도구 사례에서, 여성 지원자에 불리한 결과를 초래한 사건은 이러한 편향 문제의 부정적 영향을 보여준다.
- 모델의 불투명성 (Blackbox)
- 2.2 General Challenges with Employees
- 인간의 편향과 신뢰 (Human Bias and Trust in Human Judgment)
- Venkatesh et al. (2016): 직원들은 AI보다 자신의 판단을 더 신뢰하는 경향이 있다. 이는 인간의 경험적 판단과 휴리스틱(Heuristics)에 의해 형성된 편향으로 인해 발생한다.
- 알고리즘 거부감 (Algorithm Aversion)
- Brown et al. (2010), Hong et al. (2014): 사용자는 AI 알고리즘 자체에 대한 불신으로 인해 도구를 거부할 수 있다. 이는 AI 도구가 올바르게 작동하는지 여부와는 별개로, 단순히 알고리즘을 사용하는 것에 대한 선호 부족에서 기인한다.
- 인간의 편향과 신뢰 (Human Bias and Trust in Human Judgment)
- 2.3 Unique Issues with AI Tools for OM
- 다수의 이해관계자 문제 (More Stakeholders)
- Priore et al. (2019): OM의 AI 도구는 공급망 및 물류 활동의 특성상 여러 이해관계자의 데이터와 정보를 통합해야 하므로 불확실성이 증가한다. 이는 오류와 편향 문제를 더욱 악화시킬 수 있다.
- 불완전하거나 누락된 데이터 (Incomplete or Missing Data)
- Kocheturov et al. (2019): 모델은 종종 불완전하거나 누락된 데이터를 기반으로 작동하며, OM 맥락에서는 외부 조직의 데이터까지 포함되면서 이러한 문제가 더 두드러질 수 있다.
- 알 수 없거나 잘못된 가정 (Unknown or Incorrect Assumptions)
- OM 환경에서 AI 모델은 수많은 가정을 기반으로 설계되지만, 이러한 가정이 부정확하거나 명확히 정의되지 않을 수 있다. 이는 모델 오류로 이어질 가능성이 높다.
- 변화하는 환경 (Changing Landscape)
- Pan et al. (2019): OM은 복잡하고 긴 공급망을 포함하며, 환경이 끊임없이 변화한다. 이러한 변화는 모델 설계에 즉각적으로 반영되기 어렵고, 이는 모델 오류와 같은 문제를 야기할 수 있다.
- 다수의 이해관계자 문제 (More Stakeholders)
3. Research Agenda
- 3.1 UTAUT의 구성 요소와 선행 조건 (Antecedents/Determinants)
- UTAUT의 네 가지 주요 구성 요소 (Venkatesh et al., 2003)
- 성과 기대 (Performance Expectancy): 시스템이 업무 성과를 향상시킬 것이라는 개인의 믿음.
- 노력 기대 (Effort Expectancy): 시스템 사용이 쉬울 것이라는 기대.
- 사회적 영향 (Social Influence): 중요한 사람들이 새로운 시스템을 사용해야 한다고 생각하는 개인의 인식.
- 지원 조건 (Facilitating Conditions): 시스템 사용을 지원하는 기술적 및 조직적 인프라에 대한 믿음.
- 조정 변수 (Moderators)
- 조정 변수 (Moderators): 성별, 연령, 경험, 자발성(Voluntariness) 등.
- 기술 채택 연구와 UTAUT의 적용 사례 (2011~2016)
- Venkatesh et al. (2011): UTAUT는 초기 채택에서부터 후속 활용까지 모든 단계를 다룰 수 있는 강력한 이론적 틀로 활용되었다.
- Venkatesh et al. (2016): 다양한 문화와 기술 맥락(예: 민첩한 시스템, 디지털 도서관, 모바일 데이터 서비스 등)에서 UTAUT가 성공적으로 검증되었다.
- 개인적 특성과 환경적 요인
- Venkatesh and Bala (2008): 개인적 특성(리스크 감수성, 불확실성 허용도, 학습 의지 등)이 기술 채택에 중요한 영향을 미친다고 지적.
- Thong (1999): 기술적 특성과 환경적 요인(예: 조직의 혁신 문화)이 UTAUT 요소와 직접적으로 연관됨을 설명.
- 개입 방안
- Venkatesh (1999): 교육, 게이미피케이션 등 혁신적인 훈련 방식이 기술 채택에 중요한 역할을 한다고 주장.
- UTAUT의 네 가지 주요 구성 요소 (Venkatesh et al., 2003)
- 3.2 조정 변수와 새로운 예측 변수 (Moderators and New Predictors)
- 조정 변수 (Moderators)
- Morris and Venkatesh (2000), Brown et al. (2008): 개인적 특성(예: 불확실성 허용도)이 성과 기대와 같은 UTAUT 요소에 조정적 역할을 할 수 있음을 제안.
- Venkatesh et al. (2016): 조직 환경(예: 혁신 문화)이 사회적 영향과 같은 구성 요소에 미치는 조정 효과를 탐구.
- 새로운 예측 변수 (New Predictors)
- Venkatesh et al. (2012): UTAUT 2로의 발전을 통해 소비자 맥락에 적합한 새로운 예측 변수(예: 습관)를 추가.
- Maruping et al. (2017): 기존 UTAUT 모델에 새로운 변수 추가를 통해 의도와 사용에 직접적인 영향을 미칠 수 있는 가능성을 강조.
- 조정 변수 (Moderators)
- 3.3 AI 도구의 설계와 환경적 특성
- 기술적 특성
- Venkatesh and Davis (1996): AI 도구의 투명성과 같은 설계 특성이 성과 기대 및 노력 기대와 같은 요소에 영향을 미칠 수 있음.
- Razzaghi et al. (2019): 모델 오류에 대한 사용자의 인식이 채택 의도에 미치는 영향을 분석.
- 환경적 특성
- Hong et al. (2001), Venkatesh et al. (2014): 데이터 부족, 이해관계자 수 증가, 편향 등의 환경적 특성이 UTAUT 구성 요소에 중요한 영향을 미침을 설명.
- 기술적 특성
- 3.4 결과와 결과 변수 (Outcomes and Consequences)
- 직원 성과 및 조직적 결과
- Bala and Venkatesh (2013): AI 도구가 직무 특성, 직무 만족도, 스트레스 수준, 성과에 미치는 영향을 연구.
- Sykes and Venkatesh (2017): 사회적 네트워크와 기술 지원이 기술 채택 후 직무 성과에 미치는 영향 분석.
- 사용 의도와 행동 결과
- Robert and Sykes (2017): 행동 의도와 실제 사용 간의 관계를 연구하여 채택 성공 요인을 분석.
- 직원 성과 및 조직적 결과
- 주요 연구 방향 요약
- 선행 요인과 결정 요인 탐구
- 개인적, 기술적, 환경적 특성을 UTAUT와 연결하여 AI 도구 채택의 주요 요인을 규명.
- 조정 변수와 새로운 예측 변수 제안
- UTAUT 모델을 확장하여 더 나은 예측 정확도를 확보.
- 결과 변수 분석
- AI 도구가 조직과 직원 수준에서 미치는 영향을 구체적으로 평가.
- 설계와 개입 전략 탐구
- 투명성과 혁신적 훈련 방식을 포함한 설계 특성을 채택 전략에 반영.
- 선행 요인과 결정 요인 탐구
4. Conclusion
AI 도구 채택과 활용에 있어 개인적, 기술적, 환경적 요인이 주요한 역할을 하며, 이를 해결하기 위한 연구가 필요하다. UTAUT는 이러한 문제를 분석하고 해결 방안을 제시하는 데 강력한 도구로 활용될 수 있다.
AI 도구의 설계와 조직적 개입이 개선되면 채택이 촉진되고, 이를 통해 조직은 AI 도구의 잠재적 이점을 극대화할 수 있다.
총평
Viswanath Venkatesh의 본 논문은 AI 도구의 채택 및 활용을 체계적으로 분석하며, UTAUT 모델을 기반으로 연구 방향을 제시하고 있다. 이 논문은 AI 기술이 조직과 개인에게 제공할 수 있는 이점을 중심으로 하면서도, 이러한 기술 채택을 방해하는 주요 요인을 깊이 있게 논의한다. AI 도구의 불투명성, 데이터 부족, 편향 문제, 그리고 조직과 직원의 저항은 채택의 주요 장애물로 강조된다.
논문은 또한 운영 관리(OM) 맥락에서의 독특한 문제를 다루며, 복잡한 공급망과 다수의 이해관계자가 연루된 상황에서 AI 도구의 설계와 데이터 활용 방식을 개선해야 함을 제안한다. OM에서의 AI 도구 채택은 기존 기술 채택보다 더 많은 불확실성과 데이터 불완전성을 다루어야 하므로, 이를 해결하기 위한 다각적인 접근이 필요하다.
특히, 본 논문은 UTAUT를 중심으로 개인적, 기술적, 환경적 요인이 어떻게 AI 도구의 채택에 영향을 미치는지 명확히 설명한다. 예를 들어, 모델의 투명성을 높이고, 조직 내 혁신 문화를 조성하며, 직원 훈련과 같은 개입 방안을 제안한다. 이러한 요인들은 직원의 성과 기대와 노력 기대를 강화하여 AI 도구 채택을 촉진할 수 있다.
결론적으로, 본 논문은 이론적 견고함과 실질적 적용 가능성을 모두 갖춘 연구로, AI 도구의 채택 및 활용에 대한 명확한 지침을 제공한다. 이는 AI 도구가 다양한 조직 맥락에서 성공적으로 사용될 수 있도록 돕는 중요한 기여로 평가할 수 있다.
