디자인 산업 AI 전환에 대한 디자인 실무자들의 인식 및 기대 조사

Period 2024.01 – 2024.12
Affiliation EXPC Lab
Collaborators Jaehyuk Oh, Yooryang Lee
Project Type Research
Topics Creativity Support, AI, AI Transformation, Design Practice

1 Overview

  • 디자인 산업의 AI 전환 준비를 위해 디자인 프로세스 내 AI와 빅데이터 활용 플랫폼 구축에 필요한 기초 자료를 수집하기 위해 진행된 프로젝트 입니다. 국내 디자인 산업계에서 생성형 AI와 빅데이터가 실제 디자인 프로세스 안에서 어떻게 활용되고 있는지, 실무자들이 어떤 기대와 우려를 가지고 있는지 대규모 설문조사로 조사하여 맥락적 이해를 높이고자 했습니다.
  • 약 3개월간 국내 디자인 실무자와 디자인 산업계 이해관계자를 대상으로 조사를 진행해 총 538건의 유효 응답을 확보하였고, 이를 바탕으로 데이터 활용 현황, 생성형 AI에 대한 기대와 우려, 디자인 프로세스의 병목, 미래 역량을 구조적으로 파악하였습니다.
  • 역할: 설문 문항 구성, 배포 전략 수립 및 배포, 응답 수집, 객관식 통계 분석, 주관식 주제 분석, 구조방정식 모형 분석.

설문조사 주요 결과 요약 설문조사 주요 결과 요약

2 Context

디자인 산업의 AI 전환을 위한 플랫폼을 논의하려면, 먼저 실제 현장에서 디자인 이해관계자들이 AI와 빅데이터에 대해 어떤 인식을 갖는지부터 파악할 필요가 있습니다. 디자이너의 창의성과 고유한 역할을 유지하면서 기술 변화에 대응할 수 있는 방안을 모색하기 위해 대규모 설문조사를 진행하여 국내 디자인 산업계에서 생성형 AI와 빅데이터의 활용 현황, 기대와 우려, 필요 역량 등에 대한 기초 자료를 수집하고자 했습니다.

3 Approach

3-1 설문조사 설계

설문은 기본 정보 10문항과 필수응답 40문항으로 구성했습니다. 필수응답은 객관식 34문항과 주관식 6문항으로 구성하였습니다.

  • 객관식
    • 디자인 프로세스와 데이터 환경 (6문항)
    • 데이터 기반 디자인 (6문항)
    • AI의 역할에 대한 이해 (7문항)
    • 병목 현상 해결 (9문항)
    • 미래 역량 (6문항)
  • 주관식 - 디자인 프로젝트에서의 AI 사용 경험, AI가 해결하지 못하는 문제, 데이터 공유와 수집에 필요한 기능, AI와 빅데이터 활용을 위한 정부와 KIDP의 역할, 미래 디자이너의 역량 등

또한 구조방정식 모형 분석을 통해 응답자들의 인식 사이의 관계를 더 면밀히 검증하고자 했습니다. 객관식 문항 중 Likert 5점 척도로 응답받는 문항들을 대상으로 했으며, 모든 변수와 가설은 기술수용모델(TAM)1에 부분적으로 기반하며 데이터 기반 의사결정, 데이터 공유, 디자인 프로세스 내 생성형 AI 활용과 관련된 선행 연구를 참고해 구성하였습니다.

구조방정식 모형 분석을 위한 주요 변수 정의 구조방정식 모형 분석을 위한 주요 변수 정의

구조방정식 모형 분석에 사용된 연구 가설 구조방정식 모형 분석에 사용된 연구 가설

3-2 배포 및 응답 수집

설문은 디자인 프로세스 이해관계자를 대상으로 하였습니다.

  • 디자인 실무자 (인하우스 디자이너, 프리랜서 디자이너, 디자인 전문회사 종사자, 디자인 연구 및 교육자 등)
  • 디자인 프로젝트 이해관계자 (기획자, 관리자, 디자인 구현 엔지니어 등)

설문 배포는 실제 도달 범위를 넓히는 방식으로 진행했습니다. KIDP DesignDB 회원 대상 메일과 뉴스레터, 산업디자인전문회사 홈페이지 팝업, 연구팀이 목록화한 535개 디자인 전문기업 대상 메일, KIDP 공식 SNS, 연구팀 자체 SNS, 인공지능디자인협회 내부 커뮤니티를 통해 배포하였습니다.

설문조사 홍보 이미지 중 일부 설문조사 홍보 이미지 중 일부

설문은 2024년 7월 25일부터 10월 31일까지 진행되었으며, 중복 응답 제외 등 자체 필터링을 거쳐 최종적으로 538명의 응답을 분석에 활용할 수 있었습니다. 설문 응답자들의 인구통계정보는 다음과 같습니다.

설문 응답자들의 인구통계정보 설문 응답자들의 인구통계정보

3-3 분석 과정

설문 결과의 분석은 전체 경향을 파악하는 객관식 통계 분석, 응답의 맥락을 더하는 주관식 답변, 변수 간 관계를 검증하는 구조방정식 분석으로 나뉘어 진행되었습니다.

  1. 객관식 통계 분석

    객관식 응답을 통해 다섯 주제별 전반적 경향을 정리했습니다. 디자인 프로세스 안에서 어떤 단계에 데이터가 가장 필요하다고 인식되는지, 실제로 데이터가 얼마나 자주 의사결정에 사용되는지, AI가 어느 단계에서 가장 큰 가치를 만들 수 있다고 여겨지는지, 어떤 병목이 반복적으로 경험되는지, 미래 디자이너에게 어떤 역량이 요구되는지 등을 기술통계 중심으로 정리하였습니다.

  2. 주관식 답변 주제 분석

    주관식 응답에 대해 문항별 주제 분석을 진행했습니다. 이를 통해 디자인 프로젝트 내 AI 활용의 장점과 한계, AI가 해결할 수 있을 것으로 기대되는 문제, 디자인 데이터 공유와 수집에 필요한 조건, 정부와 KIDP의 지원 방향, AI 시대 디자이너에게 필요한 역량과 덕목을 정리했습니다.

  3. 구조방정식 분석

    Likert 5점 척도로 응답받은 문항들에 대해 구조방정식 모형 분석을 수행했습니다. 설정된 변수들에 대해 확인적 요인분석과 구조방정식 모형을 통해 문항의 타당성과 변수 간 인과관계를 검증하고 해석하였습니다.

4 Outcome

4-1 객관식 응답 결과

디자인 프로세스와 데이터 환경

디자인 산업은 데이터 활용의 필요성을 강하게 인식하고 있었지만, 이를 뒷받침하는 조직 내 시스템은 충분하지 않습니다.

응답자들은 데이터 수집이 가장 필요한 단계로 사용자 조사 및 기초자료 조사(트렌드 분석, 사용자 분석 등)를 가장 많이 선택했습니다(58.7%). 반면 조직 내 데이터 수집 및 분석 시스템에 대한 평가는 평균 2.78로 중간 이하 수준이었으며, 동의하지 않거나 전혀 동의하지 않는다는 응답이 전체의 40%를 넘었습니다. 한편, 디자인 결과물 공유의 유익성(평균 3.96)과 공유 의향 (평균 3.79)은 비교적 긍정적으로 나타났습니다. 실무자들은 데이터 기반 프로세스의 필요성에 공감하면서도, 이를 안정적으로 가능하게 하는 시스템 환경이 아직 부족하다고 인식하고 있었습니다.

데이터 기반 디자인

데이터는 이미 디자인 의사결정의 핵심 자료로 자리 잡고 있으며, 그 가치는 ‘근거 제시’와 ‘관점 확장’에서 특히 크게 인식됩니다.

응답자의 77%는 디자인 작업에서 데이터를 자주 또는 항상 활용한다고 답했으며, 수집된 데이터가 의사결정에 도움을 준다는 응답은 평균 4.18로 매우 높았습니다. 데이터 활용의 가장 큰 장점으로는 사용자 조사 결과를 바탕으로 한 디자인 근거 제공 (33.5%)과 문제를 넓고 깊게 바라보는 시각 제공(26.8%)이 꼽혔습니다. 디자인 관련 데이터 수집을 위해 31.7%는 디자이너 및 연구원을 통한 자체 조사 를 가장 많이 사용한다고 답했으며, 28.5%는 소셜 미디어 분석 도구 를 사용한다고 응답하였습니다. 반면 데이터 신뢰성 평가는 평균 3.20으로 상대적으로 보통 정도로 나타났습니다. 데이터가 이미 중요한 실무 자원으로 받아들여지고 있는 만큼, 데이터의 신뢰성을 높이고 데이터 활용을 극대화하기 위한 다양한 접근 방식을 모색할 필요가 있음을 보여줍니다.

AI의 역할에 대한 이해

AI는 디자인 실무에서 이미 널리 경험되고 있지만, 여전히 인간의 창의성을 대체하기보다 초기 단계의 보조 도구로 인식되고 있습니다.

응답자들이 경험한 생성형 AI는 거대 언어 모델(40.0%)과 이미지 생성 모델(36.6%)이 중심이었고, AI가 가장 큰 가치를 창출할 수 있는 단계로는 아이디어 발상(32.7%), 사용자 조사 및 기초자료 조사(26.8%), 아이디어 시각화(26.0%)가 선택되었습니다. 반면 디자인 프로세스에서 인간의 창의성을 대체할 수 있는지에 대해서는 평균 3.17로 중립적 태도가 강했고, AI가 생성한 아이디어의 독창성 평가는 평균 2.83으로 창의성 평가(평균 3.14)보다 낮았습니다. 실무자들은 AI를 창의적 발산을 도울 수 있는 도구로 받아들이면서도, 디자인 고유의 판단과 독창성을 대신할 수 있는 존재로는 보지 않습니다.

병목 현상 해결

실무자들이 가장 크게 체감하는 병목은 아이디어 발상, 커뮤니케이션 및 의사결정, 사용자 조사 단계에 집중되어 있으며, AI는 이 구간의 핵심 보조 수단으로 기대됩니다.

현재 디자인 프로세스의 가장 큰 병목으로는 아이디어 발상(21.4%), 커뮤니케이션 및 의사결정(20.6%), 사용자 조사 및 기초자료 조사(20.4%)가 상위를 차지했습니다. AI와 빅데이터가 병목 해결에 도움이 될 것이라는 기대는 평균 3.95로 높게 나타났습니다. 단계별로 보면, 사용자 조사 단계에서는 실시간 트렌드 분석(31.3%)과 데이터 수집 자동화(30.6%), 아이디어 발상 단계에서는 과거 사례 분석(28.8%)과 브레인스토밍 지원(24.8%), 아이디어 시각화 단계에서는 다양한 디자인 시안 생성(40.1%)이 주요한 해결 방식으로 선택되었습니다. 이 결과는 AI가 디자인 프로세스 각 단계에서 다른 종류의 병목을 완화하는 방식으로 기대되고 있음을 보여줍니다. AI와 빅데이터 활용의 가장 큰 장점으로는 디자인 효율성 향상(47.2%)이 압도적으로 높았습니다. AI는 이미 실무 현장에 들어와 있으며, 특히 속도와 효율을 높이는 도구로 우선 기능하고 있었습니다.

미래 역량

업계는 AI와 빅데이터가 새로운 인사이트와 혁신을 만들 것이라고 강하게 기대하지만, 이를 뒷받침하는 교육 체계는 아직 충분하지 않습니다.

AI와 빅데이터가 디자인 산업에 긍정적 혁신을 가져올 것이라는 기대는 평균 4.02로 가장 높았고, 공개된 AI와 디자인 빅데이터가 새로운 기회를 창출할 것이라는 기대도 평균 3.96에 달했다. 자신의 조직이 새로운 기술 도입 준비가 되어 있다고 보는 응답도 45.9%였다. 그러나 조직 차원의 교육 방식으로는 “교육 없음”이 36.6%로 가장 높았고, 다음이 유튜브 등 온라인 플랫폼(26.9%)이었다. 미래 디자이너에게 요구되는 가장 중요한 역량으로는 AI와 디자인을 접목한 새로운 프로세스를 설계할 수 있는 수행 능력(33.6%)이 선택되었다. 기대는 높지만, 이를 역량으로 연결하는 조직 차원의 지원은 아직 뒤따르지 못하고 있다는 점이 분명하게 드러났다.

4-2 구조방정식 모형 분석 결과

객관식 통계가 경향을 보여준다면, 구조방정식 분석은 그 경향을 만드는 변수들이 서로 어떻게 연결되어 있는지를 검증합니다. 10개 가설 중 7개가 통계적으로 유의미하게 채택되었으며, 주요 결과는 다음과 같습니다.

가설 검증 결과 가설 검증 결과

첫째, 데이터 수집·분석 시스템 환경이 좋을수록 데이터 사용을 더 유용하게 느끼고, 그 유용성은 실제 데이터 사용 행동으로 이어집니다.

분석 결과는 데이터 수집·분석 시스템 환경이 데이터 사용 유용성에 유의한 영향을 미쳤고(β=0.137), 데이터 사용 유용성은 실제 데이터 사용 행동을 강하게 촉진했다고 설명합니다. 이는 실무자가 데이터를 다룰 수 있는 환경이 갖춰져 있을 때 실제 활용이 촉진된다는 뜻입니다.

둘째, 데이터 신뢰도는 직접적으로도 중요하지만, 더 크게는 ‘유용하다고 느끼게 만드는 조건’으로 작동합니다.

데이터 신뢰도는 데이터 사용 유용성에 긍정적 영향을 미쳤고(β=0.180), 이 유용성은 다시 실제 사용 행동을 촉진합니다. 또한 데이터 신뢰도는 데이터 사용 유용성을 매개로 산업 내 AI 활용 기대를 간접적으로 높였습니다(β=0.083). 신뢰는 단순한 태도 문제가 아니라, 실제 활용과 미래 기대를 이어주는 핵심 조건입니다.

셋째, 업무 내 AI 사용 경험은 산업 내 AI 활용 기대를 강화하는 직접적 요인입니다.

디자인 업무에서 AI를 적극적으로 활용할수록 산업 내 AI 활용 기대가 높아졌고 (β=0.233), 업무 내 AI 사용은 AI 산출물에 대한 인식을 통해서도 간접적으로 기대를 높입니다(β=0.072). 이는 실무에서의 경험이 막연한 기대를 만드는 것이 아니라, “써보니 가치가 있다”는 판단을 통해 기대를 더 공고하게 만든다는 점을 보여줍니다.

넷째, AI 결과물에 대한 긍정적 인식은 산업 전체의 활용 기대를 높이는 중요한 매개입니다.

AI 산출물에 대한 인식은 디자인 산업 내 AI 활용 기대에 유의한 영향을 미쳤으며 (β=0.346), 이는 AI 도입의 확대가 단순히 도구 보급만으로 가능하지 않음을 시사합니다. 결과물이 실질적 가치를 가진다고 인식될 때 비로소 산업 차원의 수용 기대도 함께 올라갑니다.

반대로, 실제 데이터 사용 행동이 데이터 공유 태도나 산업 내 AI 활용 기대에 직접 영향을 미친다는 일부 가설은 유의하지 않았습니다. “많이 쓰고 있다”는 사실만으로 공유 문화나 산업적 기대가 자동으로 형성되지는 않는다는 뜻입니다. 디자인 산업의 AI 전환은 사용 빈도의 문제가 아니라 신뢰 가능한 데이터, 잘 설계된 환경, 실제로 유용하다는 경험, 그리고 결과물에 대한 긍정적 평가가 맞물릴 때 비로소 강화될 수 있습니다.

구조방정식 모형 분석 결과 구조방정식 모형 분석 결과

4-3 주관식 응답 결과

주관식 응답은 실무자들이 AI를 효율의 도구로 받아들이면서도, 통제 가능성과 저작권 문제에서는 여전히 강한 긴장을 느끼고 있음을 보여줍니다.

디자인 프로젝트 내 AI 활용 경험의 장점으로는 효율성과 비용 절감, 다양한 아이디어와 시각화 콘셉트 탐색이 반복적으로 언급되었습니다. 반면 한계로는 AI 도구 제어의 어려움, 디테일 구현의 한계와 일관성 부족, 저작권 문제가 주요 주제로 나타났습니다. 특히 “프롬프트를 제대로 이해하지 못하거나 복잡한 구조물 생성에서 오차 범위가 넓어지면 사용하기 어렵다”거나 “저작권 문제로 회사 내에서 AI 관련 디자인을 아직 적용하지 못하고 있다”는 응답처럼, 도구 자체의 가능성을 인정하면서도 실무에 완전히 통합하지 못하는 구체적인 이유들이 드러났습니다.

디자인 데이터 공유와 수집을 위해서는 플랫폼 구축, 교육과 기술 개발 지원, 보안과 저작권 우려 완화, 오픈소스와 비용 효율적 자원이 필요하다는 응답이 제시되었고, 정부와 KIDP에 대해서는 교육 프로그램 제공, 공공 데이터 플랫폼 구축, 보조금 지원, 인식 제고 캠페인을 기대하는 목소리가 높았습니다. 미래 디자이너에게 필요한 역량으로는 AI 및 데이터 리터러시, 도구 숙련도, 기술 적응력과 지속적 학습, 커뮤니케이션 능력, 비판적 사고와 판단력이 중요하게 언급되었습니다.

5 Reflection

  • 기술 도입의 문제는 기능의 문제가 아니라 구조의 문제라는 점을 알 수 있었습니다. 실무자들은 이미 데이터를 적극적으로 활용하고 있었고, AI 역시 어느 정도 경험하고 있었습니다. 그러나 실제 확산을 가로막는 것은 도구의 부재만이 아니라 데이터 신뢰성, 수집 및 분석 환경, 저작권과 보안, 교육과 가이드 같은 조건이었습니다. 어떠한 새로운 서비스나 기술 도입을 설계할 때는 기능보다 그것이 의도한 대로 동작할 수 있는 환경과 신뢰 구조가 먼저 잘 자리잡아야 함을 알게 되었습니다.
  • 창의적 작업에서의 AI의 기여가 특정 단계에 집중되는 경향이 있다는 것을 알 수 있었습니다. 응답자들은 아이디어 발상, 초기 조사, 시각화, 피드백 정리 같은 발산 단계에서 AI의 가치를 높이 평가했습니다. 이들 단계의 공통점은 불확실성과 반복성이 크다는 것입니다. 반면 인간 창의성 대체 가능성에는 중립적이었고, AI 아이디어의 독창성은 창의성보다 훨씬 낮게 평가했습니다. 이는 AI를 창작을 대체하는 주체가 아닌 탐색과 판단의 보조 시스템으로 포지셔닝하는 것이 훨씬 적절할 수 있습니다. 다만 AI 기술의 빠른 발전을 고려할 때, 향후 새로운 서비스와 기능이 등장하면 이러한 인식이 변할 가능성도 있다고 생각합니다.
  • 대규모 설문조사가 가능하게 해 준 구조방정식 분석이 좋은 경험이 되었다고 생각합니다. 상관관계를 넘어 인과관계까지 파악할 수 있다는 점에서 이 분석법은 시스템적 이해에 매우 적절합니다. 소규모 연구에서는 시도하기 어려운 방법론을 실제로 적용해볼 수 있었다는 것 자체가 의미 있는 경험이었습니다.