디자인 산업 AI 전환에 대한 디자인 실무자들의 인식 및 기대 조사

Period2024.01 – 2024.12
AffiliationEXPC Lab
CollaboratorsJaehyuk Oh, Yooryang Lee
Project TypeResearch
TopicsCreativity Support, AI, AI Transformation, Design Practice

1 Overview

  • 디자인 산업의 AI 전환을 지원하는 플랫폼 구축에 필요한 기초 자료를 마련하기 위해 진행한 설문조사 프로젝트입니다. 국내 디자인 실무자들이 생성형 AI와 빅데이터를 어떻게 활용하고 있으며, 어떤 기대와 우려를 가지고 있는지 조사했습니다.
  • 2024년 약 3개월간 국내 디자인 실무자와 산업 관계자를 대상으로 설문조사를 진행하여 538명의 유효 응답을 확보했습니다. 기술통계, 주관식 응답의 주제 분석, 구조방정식 모형 분석을 통해 데이터 활용 현황과 AI에 대한 인식, 디자인 프로세스의 병목, 미래 역량을 파악했습니다.
  • 역할: 설문 문항 설계, 배포 전략 수립 및 실행, 응답 수집, 기술통계 분석, 주제 분석, 구조방정식 모형 분석

설문조사 주요 결과 요약 설문조사 주요 결과 요약


2 Context

디자인 산업의 AI 전환을 지원하려면 먼저 실제 디자인 현장에서 기술이 어떻게 활용되고 있으며, 어떤 어려움과 요구가 존재하는지 이해할 필요가 있었습니다.

특히 AI와 빅데이터가 디자이너의 창의적 활동을 어떻게 지원할 수 있는지, 이를 실무에 도입하기 위해 어떤 환경과 역량이 필요한지 파악하고자 했습니다.

이를 위해 국내 디자인 실무자와 산업 관계자를 대상으로 대규모 설문조사를 진행했습니다. 조사 결과는 디자인 프로세스 내 AI 및 데이터 활용 플랫폼의 방향을 논의하기 위한 기초 자료로 활용하고자 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 단순한 응답 분포를 넘어 인식과 행동 사이의 관계를 살펴보기 위해 구조방정식 모형(SEM) 분석을 계획했습니다. 기술수용모델(TAM)1과 관련 선행 연구를 참고하여 주요 변수와 가설을 설정하고, 5점 Likert 척도 문항을 분석 대상으로 구성했습니다.

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)

다양한 실무 환경의 응답을 확보하기 위해 KIDP DesignDB 메일과 뉴스레터, 산업디자인전문회사 홈페이지, KIDP 공식 SNS, 연구팀 자체 SNS, 인공지능디자인협회 커뮤니티 등을 활용했습니다.

연구팀에서 별도로 목록화한 535개 디자인 전문기업에도 설문 참여를 요청했습니다.

설문조사 홍보 이미지 중 일부 설문조사 홍보 이미지 중 일부

조사는 2024년 7월 25일부터 10월 31일까지 진행했습니다. 중복 응답 등을 제외한 최종 538명의 응답을 분석에 활용했습니다.

설문 응답자들의 인구통계정보 설문 응답자들의 인구통계정보

3-3 분석 과정

설문 결과는 서로 다른 관점에서 살펴볼 수 있도록 세 가지 방법으로 분석했습니다.

  1. 객관식 통계 분석

    다섯 조사 주제의 응답 분포와 평균을 분석했습니다. 데이터 활용 현황, AI에 대한 기대와 평가, 디자인 프로세스의 병목, 미래 역량 등에 대한 전반적인 경향을 파악했습니다.

  2. 주관식 답변 주제 분석

    서술형 답변을 문항별로 검토하고 반복적으로 등장하는 주제를 도출했습니다. 이를 통해 AI 활용의 구체적인 장점과 한계, 데이터 활용을 위한 요구사항, 제도적 지원에 대한 기대를 정리했습니다.

  3. 구조방정식 분석

    5점 Likert 척도 문항을 대상으로 확인적 요인분석과 구조방정식 모형 분석을 수행했습니다. 측정 문항의 타당성을 검토하고, 데이터 활용과 AI 인식에 관한 가설적 관계를 통계적으로 검증했습니다.


4 Outcome

4-1 객관식 응답 결과

디자인 프로세스와 데이터 환경

데이터 활용의 필요성은 높게 인식되었지만, 이를 뒷받침하는 조직 내 시스템은 충분하지 않습니다.

데이터 수집이 가장 필요한 단계로는 사용자 조사 및 기초자료 조사(58.7%)가 가장 많이 선택되었습니다. 그러나 조직 내 데이터 수집·분석 시스템에 대한 평가는 평균 2.78점으로 낮았으며, 부정적인 응답도 40%를 넘었습니다.

반면 디자인 결과물 공유의 유익성(평균 3.96점)과 공유 의향(평균 3.79점)은 비교적 긍정적이었습니다. 데이터 활용과 공유에 대한 수요는 존재하지만, 이를 지원하는 시스템 환경은 부족하다는 점을 확인했습니다.

데이터 기반 디자인

데이터는 디자인 의사결정의 중요한 근거로 활용되고 있으며, 그 가치는 ‘근거 제시’와 ‘관점 확장’에서 특히 크게 인식됩니다.

응답자의 77%는 디자인 작업에서 데이터를 자주 또는 항상 활용한다고 답했으며, 의사결정에 도움이 된다는 평가도 평균 4.18점으로 높았습니다.

주요 장점으로는 디자인 근거 제공(33.5%)과 문제에 대한 관점 확장(26.8%)이 꼽혔습니다. 데이터 수집 방식으로는 자체 조사(31.7%)와 소셜 미디어 분석 도구(28.5%)가 주로 활용되었습니다.

다만 데이터 신뢰성에 대한 평가는 평균 3.20점에 그쳤습니다. 데이터의 활용도를 높이기 위해서는 접근성뿐 아니라 신뢰성을 함께 확보할 필요가 있음을 보여줍니다.

AI의 역할에 대한 이해

AI는 아이디어 탐색과 시각화를 지원하는 도구로 기대되었지만, 독창성과 인간의 창의성 대체 가능성에 대해서는 신중한 평가가 나타났습니다.

응답자들이 경험한 생성형 AI 유형은 거대 언어 모델(40.0%)과 이미지 생성 모델(36.6%)이 중심이었습니다. AI가 가장 큰 가치를 제공할 수 있는 단계로는 아이디어 발상(32.7%), 사용자 및 기초자료 조사(26.8%), 아이디어 시각화(26.0%)가 꼽혔습니다.

반면 인간의 창의성 대체 가능성에 대한 평가는 평균 3.17점으로 중립적이었고, AI 생성 아이디어의 독창성은 평균 2.83점으로 비교적 낮았습니다.

이는 AI의 탐색 지원 가능성에 대한 기대와 생성 결과물의 독창성에 대한 유보적인 평가가 공존하고 있음을 보여줍니다.

병목 현상 해결

AI와 빅데이터는 디자인 프로세스의 병목을 완화하고 업무 효율을 높이는 수단으로 기대되었습니다.

가장 큰 병목으로는 아이디어 발상(21.4%), 커뮤니케이션 및 의사결정(20.6%), 사용자 조사 및 기초자료 조사(20.4%)가 꼽혔습니다. AI와 빅데이터가 이러한 문제를 해결하는 데 도움이 될 것이라는 기대도 평균 3.95점으로 높았습니다.

단계별로는 사용자 조사에서 트렌드 분석과 데이터 수집 자동화, 아이디어 발상에서 과거 사례 분석과 브레인스토밍, 시각화 단계에서 다양한 디자인 시안 생성이 주요 활용 방안으로 선택되었습니다.

특히 AI와 빅데이터 활용의 가장 큰 장점으로 디자인 효율성 향상(47.2%)이 꼽혔습니다.

미래 역량

AI 전환에 대한 기대는 높았지만, 이를 실무 역량으로 연결하기 위한 교육과 지원은 부족했습니다.

AI와 빅데이터가 디자인 산업에 긍정적인 혁신을 가져올 것이라는 기대는 평균 4.02점이었고, 새로운 기회 창출에 대한 기대도 평균 3.96점으로 높았습니다.

그러나 조직 차원의 교육 방식에서는 ‘교육 없음’(36.6%)이 가장 많았으며, 유튜브 등 온라인 플랫폼을 통한 학습(26.9%)이 뒤를 이었습니다.

미래 디자이너에게 가장 중요한 역량으로는 AI와 디자인을 접목한 새로운 프로세스를 설계하는 능력(33.6%)이 선택되었습니다. 기술 전환에 대한 기대만큼 실무 교육과 역량 개발을 지원하는 환경도 중요하다는 점을 확인했습니다.

4-2 구조방정식 모형 분석 결과

구조방정식 모형 분석을 통해 데이터 활용 환경, 실제 사용 경험, AI 결과물에 대한 인식이 서로 어떤 관계를 맺는지 살펴보았습니다.

설정한 10개 가설 중 7개에서 통계적으로 유의한 경로가 확인되었습니다.

가설 검증 결과 가설 검증 결과

첫째, 데이터 활용 환경은 데이터의 유용성 인식을 높이고, 그 유용성은 실제 데이터 사용 행동으로 이어집니다.

조직 내 데이터 수집·분석 환경은 데이터 활용의 유용성 인식과 유의한 정적 관계를 보였습니다(β=0.137). 또한 데이터를 유용하다고 인식할수록 실제 사용 행동도 높게 나타났습니다.

이는 데이터 활용을 지원하는 환경과 사용자가 체감하는 유용성이 함께 중요하다는 점을 보여줍니다.

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

데이터 신뢰도는 데이터의 유용성 인식에 긍정적인 영향을 미치는 경로를 보였으며(β=0.180), 유용성 인식을 매개로 산업 내 AI 활용 기대와도 간접적으로 연결되었습니다(β=0.083).

데이터의 신뢰성을 확보하는 것은 실제 활용뿐 아니라 AI 전환에 대한 기대를 형성하는 데에도 중요한 조건임을 시사합니다.

셋째, 실제 AI 사용 경험은 AI 활용에 대한 기대를 강화합니다.

업무 내 AI 사용 경험은 산업 내 AI 활용 기대와 유의한 정적 관계를 보였습니다(β=0.233). 또한 AI 결과물에 대한 인식을 매개로 한 간접 경로도 확인되었습니다(β=0.072).

실제 업무에서 AI를 사용하고 그 결과를 평가하는 경험이 기술에 대한 기대와 연결되어 있음을 보여줍니다.

넷째, AI 결과물에 대한 인식은 산업 내 AI 활용 기대와 밀접하게 연결됩니다.

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. 실제로 AI 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.

종합하면, 데이터와 AI를 많이 사용하는 것만으로 긍정적인 인식과 기대가 형성되지 않습니다. 신뢰할 수 있는 데이터, 이를 활용하기 위한 환경, 체감되는 유용성, AI 결과물에 대한 평가가 함께 중요하게 나타났습니다.

구조방정식 모형 분석 결과 구조방정식 모형 분석 결과

4-3 주관식 응답 결과

실무자들은 AI의 효율성과 탐색 가능성을 긍정적으로 평가하면서도, 제어의 어려움과 저작권 문제를 주요 한계로 인식했습니다.

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

  • 기술의 활용을 결정하는 것은 도구 자체만이 아니라 이를 둘러싼 환경이라는 점을 확인했습니다. 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 배웠습니다.
  • 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.