Archives of Design Research

인공지능(Artificial Intelligence, 이하 AI) 기술은 산업 전반에 걸쳐 활용이 확대되고 있으며, 디자인 분야에서도 AI 기반의 툴 및 개발 연구가 활발히 진행되고 있다. 최근에는 생성형 언어 모델(Generative Language Models, GLMs)인 ChatGPT-4, Google Bard 등의 발전으로 창의적인 분야에서 인간-AI의 협업이 가능해질 것으로 전망되고 있다(Gero et al., 2022). 이와 유사한 관점에서 디 페데 외(Di Fede et al., 2022)는 사람이 아이디어를 생성하는 과정에서 대규모 언어 모델(LLMs)을 탐구하고 활용 가능성을 제안하였다. 아이디어 발산은 구성원의 창의적 사고능력, 경험, 지식수준, 문제 해결 능력 등에 따라 크게 달라질 수 있으며, 사람이 아이디어를 생성해 내는 수량과 범위 및 깊이에는 한계가 있다. 디자이너가 창의적인 아이디어를 지속적으로 생성하는 것은 자동화할 수 없는 인간 고유의 영역이기 때문에 노동집약적이고, 시간과 비용이 많이 드는 단점이 있다. 따라서 본 연구에서는 기존의 한계를 극복하는 방법으로 생성형 AI 툴을 활용한 아이디어 발산 과정을 비교하여 차이점을 분석하고, 양질의 결과를 도출하는 데 어떻게 도움을 줄 수 있는지에 대한 실증적 연구와 실험을 통해 탐색하는 것을 목표로 한다.

본 연구는 제품-서비스디자인 개발에 사용하는 더블 다이아몬드 디자인 프로세스 모델(Double Diamond Design Process Model)의 4단계(Discover, Define, Develop, Deliver) 중 문제 해결과 솔루션을 찾기 위해 창의적인 아이디어 발산이 이루어지는 ‘Develop’ 단계에 초점을 맞추어 진행하였다. 이는 ‘Ideation (아이데이션)’에서 생성형 AI가 중요한 역할을 수행하는 데 적합하다고 판단하였기 때문이다. 생성형 AI 중에서도 현재 대중적으로 사용되는 대규모 언어 모델(Large Language Model, LLM)인 ChatGPT-4를 중심으로 연구하였으며, 추가로 Google Bard와 이미지 생성 AI 툴인 Midjourney를 활용하여 가능성과 효율성을 파악하고자 하였다.

연구방법 및 진행 과정은 아래의 Figure 1과 같다. 첫째, 기존의 전통적인 아이데이션 방법과 생성형 AI를 활용한 방법 비교를 위해 피험자들을 두 팀으로 나누어 서로 다른 조건과 방법으로 실험하였고, 진행 과정을 관찰하였다. 둘째, 실험 종료 후 참가자들과의 FGI 및 IDI를 통해 두 아이데이션 방법의 차이점과 활용 방안에 대한 유효한 발견점들을 파악하였다. 셋째, 전문가 평가를 통해 실험 결과물에 대한 아이디어 창의성을 확인하고, 실험 전반에 대한 깊은 통찰과 다양한 관점에서 인사이트를 도출하였다. 이를 바탕으로 아이디어 발산 단계에서 생성형 AI의 활용 가능성과 아이데이션을 보다 효과적이고, 효율적으로 진행할 수 있는 방향성을 제시하였다.

Figure 1 Experiment & Review Process

제품-서비스시스템(Product Service System, PSS)은 고드쿠프 외(Goedkoop et al.,1999)에 의해 제안된 개념으로, 제품과 서비스가 밀접하게 통합되어 고객의 욕구를 충족하기 위해 만들어진 경쟁력 있는 시스템을 의미한다. 이러한 제품-서비스시스템의 개발과 구현을 위해서는 창의적인 아이데이션 과정이 필수적이다. 아이데이션의 사전적 의미는 아이디어 생산을 위해 행하는 모든 활동을 뜻하는 용어로, 본 연구에서는 새로운 제품이나 서비스를 구상하는 초기 단계에서의 아이디어 발산 및 개념을 구체화하는 과정을 의미한다. 창의적 사고를 바탕으로 새로운 아이디어를 발굴하는 아이데이션 단계는 전체 디자인 프로세스 중에서 중요한 부분을 차지하며(Gonçalves et al., 2014), 제품과 서비스의 상호작용을 고려한 아이디어 발산은 필수적이다. 기존의 전통적 아이데이션 방법은 주로 인간의 경험과 지식에 기반하므로 한정적인 아이디어 또는 유사한 패턴으로 도출될 가능성이 높다. 하지만, 맴머트와 타바나푸어(Memmert & Tavanapour, 2023)에 의하면, 생성형 AI는 다양한 데이터와 알고리즘을 활용해 넓은 범위에서 새로운 관점으로 아이디어를 탐색하는 데 도움이 될 수 있다. 따라서, 제품-서비스시스템 아이데이션에 생성형 AI를 활용함으로써, 다양하고 혁신적인 솔루션을 제안할 수 있는 가능성이 기대된다.

디자인 프로세스는 산출물의 종류, 디자인 분야, 사용자의 요구 및 특성 등 다양한 요소에 따라 유연하게 달라질 수 있다. 그중에서도 영국 디자인 카운슬(British Design Council)에서 개발한 더블 다이아몬드 디자인 프로세스 모델 4단계에 따라 발견(Discover), 정의(Define), 발전(Develop), 전달(Deliver)로 나누어 AI 기술과 툴 활용에 관한 선행 연구를 조사하여 아래의 Table 1로 정리하였다.

제품 디자인 프로세스 중 자료수집 분석 단계의 도구로 ChatGPT-3.5를 활용한 이시창(Lee, 2023)은 ‘발견 (Discover)’ 단계에 해당하는 리서치 기초 및 분석, 제품 디자인 전략 수립 방향 설정에 대한 가능성과 한계를 탐색하고 디자이너의 역할에 대하여 연구하였다. 이를 통해 디자인 프로세스의 한 영역에서 생산성을 극대화할 수 있는 점을 확인하였지만, 아직 ChatGPT의 결과물을 그대로 활용하기에는 창의성과 다양성이 떨어져 세밀한 부분이나 결과에 대한 검증은 디자이너가 해야 하는 한계점도 존재한다고 주장하였다. 정은희, 최정민(Chung & Choi, 2022)에 의하면, 창의적인 아이디어 발상 등 다양하고 풍부한 관점이 필요한 업무와 객관적인 판단이 필요한 업무에서 AI 디자인 툴의 도움을 상대적으로 더 필요로 하는 것으로 파악되었다. Memmert & Tavanapour(2023)는 ‘발전 (Develop)’ 단계에서 브레인스토밍을 진행할 때 개인이 생성형 AI와 함께하는 것에 대한 인식과 그룹 내에서의 효과에 대해 연구하였다. 이는 AI가 메타 수준의 퍼실리테이터로서 전문가 혹은 동료와 같은 기여자로 협력이 가능한 점을 확인하였다.

그 외에도 연명흠, 정의태(Yeoun & Jung, 2021)는 AI 도구를 활용하여 디자인한 로고와 전통적 방법으로 디자인한 로고, 비전문가가 AI로 제작한 로고 세 가지 유형을 비교하는 실험 연구를 수행하였으며, 윤도형, 이원철 그리고 박진호(Yoon, Lee, & Park, 2019)는 AI가 디자이너의 스케치 이미지로부터 제품 렌더링 이미지를 생성하여 많은 자원과 시행착오를 줄여주는 모델을 개발하는 등 다양한 선행 연구를 통해 AI가 디자인 프로세스의 여러 단계에서 활용될 수 있음을 확인하였다. 특히 ‘발전(Develop)’ 단계에서의 연구가 활발히 진행되고 있으며, 그 가능성과 효율성을 중점적으로 다루고 있다. 그러나 실제로 기존 방식과의 차이나 실질적인 이점이 무엇인지에 대한 실증적 연구는 부족해 보인다. 이를 바탕으로 본 연구에서는 발전 단계의 아이데이션 과정에서 AI 도구 활용에 대한 구체적인 인사이트를 제공하고자 한다.

다양한 분야에서 생성형 AI를 활용하는 방법에 대한 관심이 증가하면서, 사용자에게 효율적인 경험을 제공하기 위한 프롬프트가 지속적으로 개발되고 있다. 하지만 아이데이션 과정에서 일반적인 가이드라인을 적용하기에는 한계가 있다. 따라서, 선행 연구를 토대로 창의력과 심층적 통찰이 요구되는 아이디어 생성 단계에서 활용할 수 있는 매뉴얼 및 프롬프트를 재구성하여 Table 2와 같이 제안하였다.

또한, 제품-서비스시스템 디자인 영역의 아이데이션 과정에서 결과의 정확도를 높이기 위해 해당 연구에 적합한 프롬프트 구조로 개선하고 최적화하여 참가자들에게 제공하였다. 프롬프트 문장 구조는 크게 주제와 형식으로 나뉘며, 타깃과 목표를 어떤 형식으로 결과를 도출할 것인지 요구사항을 포함하여 Table 3과 같이 나타내었다.

본 연구의 실험 설계에서 A팀은 전통적인 아이데이션 방식으로, B팀은 생성형 AI를 활용하는 아이데이션 방식으로 구성하였다. 제품-서비스디자인에 대한 이해도가 높은 20대 디자이너 총 8명 중 AI 툴 활용 경험이 70% 이상, 사용 능력이 중상급 이상인 4명은 B팀으로, 나머지 4명은 A팀으로 구성하여 실험을 진행하였다. 실험 참가자의 상세 프로파일은 Table 4와 같다.

실험 주제는 참가자들의 연령대와 전문 분야의 연관성을 고려하여 “Z세대를 위한 새로운 서비스의 헬스케어 웨어러블 기기”로 선정하였다. 해당 주제는 두 팀 모두에게 주어졌으며, 실험 전 Z세대의 요구사항과 라이프스타일에 대한 이해도 차이를 최소화하기 위해, 모든 참가자에게 Z세대 관련 리서치 자료를 제공하였다. A팀은 전통적인 방식을 유지하여 자유롭게 아이디어 회의를 진행할 수 있도록 하였고, B팀은 Table 2와 Table 3의 생성형 AI 활용 아이데이션 가이드라인을 바탕으로 ChatGPT-4 또는 Google Bard를 사용하여 아이디어를 도출하도록 하였다.

실험 시간은 모두 공통적으로 240분(4시간)을 제공하였다. 해당 시간 동안 참가자들의 행동, 반응, 분위기, 상호작용 등을 비개입 관찰하였으며, Think-aloud 기법을 통해 생각과 반응을 실시간으로 파악하였다. 참가자들은 4시간 동안 최대한 많은 양의 아이디어를 도출한 후, 팀 내 토론을 통해 ‘가장 창의적이다’라고 생각한 아이디어 3개를 최종적으로 선정하도록 하였다. 이후 선정된 아이디어는 서비스를 포함한 제품 디자인 형태로 제목, 서비스 설명, 시나리오 그리고 썸네일 스케치를 포함하여 구체화 및 시각화하도록 하였다. 이 과정에서 B팀은 콘셉트를 표현하기 위한 모든 이미지를 Midjourney로 활용하여 생성하였다. 최종 결과물은 제공된 예시 이미지와 같은 수준 이상으로 표현하도록 하였다. 실험이 종료된 후에는 참가자들을 대상으로 FGI(Focus Group Interview, 표적집단면접)를 실시하였으며, B팀에 대해서는 추가로 AI 도구 사용 경험과 참가자 개인의 느낌, 그리고 심층적인 의견을 파악하기 위해 IDI(In-Depth Interview, 개별심층면접)를 진행하였다. 실험에 앞서 A팀, B팀 실험 참가자 8인 모두에게 해당 연구의 취지를 설명하였으며, 실험 진행 후 전문가 평가를 통해 서로 다른 조건에서 산출된 실험 결과물로 아이디어의 양과 질을 평가할 것임을 공지하였다.

실험 결과 A팀은 전통적인 방법으로 총 9개의 아이디어를 제시하였고, B팀은 AI를 활용하여 총 15개의 아이디어를 도출하였다. B팀의 최종 선정된 아이디어는 Table 7의 2번, 8번, 15번이다. 두 팀 간에는 6개의 아이디어 차이가 났으며, B팀은 A팀에 비해 약 1.67배 많은 아이디어를 도출한 셈이다. 각 팀에서 선정된 아이디어 3개씩 총 6가지의 결과물은 Table 8과 같다.

구분	A팀	B팀
개수	9개	15개
최종 선정된 아이디어	A1 : 클라이밍을 위한 웨어러블 글라스. 사용자의 레벨과 목표에 맞춘 홀드 동선 정보 제공, 자세와 클라이밍 능력 분석, 동료 클라이머와 인터랙션을 통한 동선 추천 서비스	B1 : Z세대의 라이프스타일을 반영한 스마트 반지. Bump 제스처를 통해 사용자의 정보, 관심사를 공유하며, 내장 LED로 개성을 살린 패션 아이템으로 커뮤니티를 통해 건강한 라이프스타일 추구 (AI : 20% / 디자이너 : 80%)
	A2 : 러닝 및 공용자전거 이용을 위한 밴드 타입 웨어러블 기기. 사용자의 동선을 촉각적으로 안내하고, 외부 태그를 통해 러닝 데이터를 저장하며, 다른 사용자와의 동선 공유와 추천 서비스를 제공	B2 :　GPS와 센서가 탑재된 운동화와 앱. 사용자의 러닝 데이터를 기반으로 개인화된 AR 버츄얼 캐릭터를 생성하고, 친구와의 경쟁을 통해 지역별 랭킹을 나타내어 건강을 유지함 (AI : 50% / 디자이너 : 50%)
	A3 :　홈트레이닝을 위한 웨어러블 바디수트 서비스. 운동 수행 정확도와 근전도를 체크하며, 교육 영상에 맞춰 자신의 수행 정확도 측정 및 근육 부위에 진동과 압력을 통한 촉각 큐레이션을 제공	B3 : 실시간 운동 데이터 캡처와 분석을 가능하게 하는 센서가 내장된 핸드/웨이트 그립. 안정성 중심의 디자인과 모듈식 구조를 통해 손목 보호와 사용자의 효율적인 운동과 루틴을 개선 (AI : 100% / 디자이너 : 0%)

B팀에서 최종 선정된 아이디어의 AI 활용 비중은 20%, 50%, 100%로 각각 다르게 나타났다. 이 결과는 창의적인 아이디어를 선정하는 과정에서 AI 활용도가 항상 일정하지 않았음을 의미한다. 의도하지 않았음에도 불구하고 다양한 활용 비중을 갖는 아이디어가 선정된 점은 주목할 만하다.

두 팀의 실험 시간을 비교해보았을 때, 실험 전 교육 시간 30분을 제외한 아이디어 발산, 선정, 구체화 및 시각화 단계에서 모두 명확한 차이를 확인할 수 있었다(Figure 3).

Figure 3 Time Distribution During Ideation Experiment

A팀은 제한된 시간 내 아이디어 발산을 마치고 시각화 작업까지 완료해야 하기 때문에 구체화 및 시각화 과정에서 많은 시간을 분배하여 진행하였다. 특히, 콘셉트 발굴에 주안점을 두어 아이디어 선정 후 구체화하는 과정에서 회귀적으로 재발산하여 많은 시간이 소요된 것으로 해석된다. 반면, B팀은 아이디어 발산 및 선정 과정에서 시간이 비교적 많이 소요되었는데, 각자 아이디어를 발산한 후 팀원 간에 즉각적인 대화나 피드백을 나누지 않아 서로의 아이디어를 이해하고 공동으로 발전시키는 수렴단계가 상대적으로 오래 걸렸기 때문이다. 하지만, AI 툴을 사용하여 구체화하고 시각화하는 시간은 짧을 것으로 예상하여 적게 분배를 하고, 아이디어 개수를 최대한 늘리기 위한 발산 과정에 많은 시간을 투자한 것으로 보인다.

총 아이디어 개수와 발산 소요 시간을 계산하였을 때, A팀은 아이디어 1개를 도출하는데 평균 14분 13초가 걸렸으며, B팀은 약 10분 8초가 소요된 셈이다. 아이디어 선정과정에서의 차이는 A팀의 아이디어 개수가 상대적으로 적은 것도 영향이 있지만, 발산 과정에서 지속적인 교류와 수렴을 통해 참가자들 모두 아이디어에 대한 이해도가 높은 상태였기 때문에 선정이 쉬웠다고 볼 수 있다. 최종 선정된 아이디어의 구체화 및 시각화 단계를 비교한 결과, A팀은 70분이 소요되어, 전체시간의 약 33%가 할애되었다. 반면 B팀은 AI 툴을 활용하여 아이디어 제목, 서비스 설명, 시나리오, 이미지 시각화 등 콘셉트 표현에 30분이 소요되어, 실험 시간 중 약 14%를 사용하였다. 결과적으로 B팀은 A팀보다 40분을 단축하여 작업시간을 약 57% 감소시킴으로써 아이디어의 구체화 및 시각화 단계를 더욱 빠르게 진행할 수 있었다. 이러한 결과를 통해, AI 도구의 적절한 활용은 아이디어 발산, 구체화 및 시각화 과정에서의 시간 효율성을 높일 수 있음을 확인하였다.

실험 종료 후 A팀, B팀 실험 참가자 모두 온라인 플랫폼(Zoom)을 통해 FGI를 진행하였다. 각 팀의 아이데이션 과정과 결과에 대한 피드백을 공유함으로써 다양한 관점에서 통찰을 얻고자 하였다. 실험 전 서로에게 미치는 영향을 최소화하기 위해, 각 팀의 결과물은 공유하지 않은 상태로 실험을 진행하였으며, 모든 실험을 종료한 후 FGI를 통해 공개하였다. 참가자들은 자신이 사용한 아이데이션 방식에 대한 의견을 제시하였으며(Table 9, 회색 셀 영역), 자신이 사용하지 않은 방식에 대해서는 관찰을 통한 추측성 의견을 제시하였다(Table 9, 흰색 셀 영역). 인터뷰는 녹음 및 문서화 후 Table 9로 정리하였다.

첫 번째, 결과물에 있어 A팀과 B팀은 아이디어 수준에서 큰 차이를 느끼지 못했으나, 표현 방식에서는 명확한 차이를 확인하였다. A팀은 ChatGPT 활용이 시각화 퀄리티와 통일성 면에서 우수하다고 평가하였다. 반면, B팀은 전통적 방법이 서비스 플로우나 실용성에서 뛰어나다고 평가했지만, 주어진 시간 내 시각화 측면에서는 ChatGPT가 효과적이라고 보았다. 두 팀 모두 AI 도구 활용은 세부 표현에서는 부족할 수 있으나, 대략적인 개념 전달과 통합적 솔루션 제공 측면에서는 우수하다고 평가하였다.

두 번째, 아이데이션 과정에서 A팀은 주제에 대한 깊은 이해와 개인 경험을 바탕으로 한 아이디어 발산의 중요성을 강조하며, 생성형 AI 활용 시에는 방향성과 기준 설정의 중요하다고 생각하였다. 반면 B팀은 아이디어를 수렴하는 과정에서 디자이너와 리더의 역할이 중요하다고 하였으며, 디자이너가 AI를 활용하여 다양한 분야에서 많은 아이디어를 발산하더라도 수렴하고 검증하는 능력, 그리고 주제에 대한 높은 이해도를 갖추어야 완성도가 높아질 수 있다고 판단하였다.

세 번째, 아이데이션을 진행하며 아쉬운 점과 개선점은 A팀의 경우 팀원 간의 관심 분야나 경험이 달라 단시간 내 아이디어의 통일성을 이루기 힘들었고, 아이디어의 생산력은 일정 수준 이상으로 확장되지 못하였다는 점이다. 반면, B팀은 ChatGPT를 통해 얻은 아이디어 중 일부는 광범위하고 모호하여, 참가자들이 수렴하고 구체화하는 단계에서 즉각적으로 아이디어를 표현하는 데 어려움을 느꼈다.

생성형 AI를 활용한 B팀을 대상으로 IDI를 추가로 진행하여, AI 도구 사용에 관한 개인적인 느낌과 경험을 심층적으로 파악하고, 인사이트를 도출하고자 하였다. 심층 인터뷰를 통해 도출된 응답은 친화도법으로 분류하여(Figure 4), 질문에 따른 키워드로 정리하였다(Table 10).

Figure 4 Affinity Diagram of IDI Responses from Team B

심층 인터뷰를 통하여, 파악한 통찰점은 다음과 같다. 아이데이션 과정에서 AI의 역할은 아이디어 발산 도구로서 새로운 아이디어를 제공하고, 이를 더욱 확장하는 데 중요한 역할을 하였다. 또한, AI는 디자이너의 일원으로서, 시간이 많이 소요되는 단순한 작업을 빠르게 처리하며 인턴과 유사한 역할을 수행 가능할 것으로 예상하였다.

프롬프트의 사용 방법은 구체적인 요구와 구조화된 질문을 제시하고, 사전 Context 제공 및 Priming하여, 지속적인 꼬리 질문을 통해 AI를 주도적으로 아이디어 생성에 참여시키는 것이 답변의 정확도를 높이고 응답을 개선하는 데 효과적이라는 결과가 도출되었다.

전통적인 방식과 비교한 AI를 활용한 아이디어 발산은 다양한 분야에서 사고 확장이 가능하며, 작업시간을 단축하여 긍정적인 영향을 미치지만, 정보의 신뢰성을 검증하는 데는 여전히 어려움이 있었다. 이 과정에서 참가자들이 서로 다른 프롬프트를 사용하였음에도 불구하고, 아이디어가 중복되는 현상이 발생하였다. 이로 인해 팀 내에서 원활한 소통이 필요하고, 아이디어가 한 방향으로 집중되고 수렴되는 과정의 중요성이 야기되었다. 따라서 사용자가 모든 데이터를 맹목적으로 신뢰하고 의존하는 것이 아닌, 스스로 판별하고 발전시키는 능력이 중요하다는 사실을 확인하였다. ChatGPT가 제시한 아이디어를 구체적으로 발전시키기 위해서는 체계적인 수렴 과정과 시각적인 표현이 추가로 필요하여 디자이너들의 개입과 판단이 필수적이었다. 이러한 평가는 이시창(Lee, 2023)의 실험 결과와도 일치하며, 아이데이션 단계에서도 ChatGPT의 결과물을 그대로 활용하기에는 한계가 있어 디자이너의 손을 거쳐야 한다는 점을 확인하였다.

생성형 AI 중 ChatGPT와 Bard를 비교하였을 때, 참여자들은 대화의 질이나 논리성 측면에서 생동감이 넘치고, 똑똑한 사람과 대화하는 느낌이 드는 GPT를 선호하였다. 최종적으로 아이디어를 선정할 때는 실현 가능성과 창의성이 중요한 기준이 되었다. 구체적이고 실현가능성이 높은 아이디어, 또는 기존과 다른 창의적인 아이디어를 선택하여 평가할 수 있도록 하였다.

본 연구에서는 아이디어 질 평가를 위해 제품-서비스디자인 분야에서 5년 이상의 경력을 가진 6명의 전문가를 선정하였다(Table 11).

창의성을 평가하기 적합한 지표를 연구한 이상진 외(Lee et al., 2019)가 분류한 총 4가지 항목인 독창성, 혁신성, 가치성, 실현가능성을 기반으로 질문 문항을 Table 12와 같이 재구성하였다. A, B팀의 실험 결과와 평가지를 전문가들에게 개별 발송하였고, 각 전문가는 응답지를 작성하여 제출하였다. 아이디어 콘셉트에 대한 창의성 평가뿐만 아니라 서로 다른 조건에서 도출된 두 팀의 아이데이션 진행 과정, 결과 등 실험 전반에 대한 깊은 통찰과 다양한 관점에서 의견을 수집하였다.

아이디어 창의성 평가 항목별로 전문가 6명이 7점 리커트 척도를 사용하여 평가한 결과를 평균점으로 계산하여 Table 13으로 나타내었다. 전문가의 수가 적어 통계적 의미를 도출하기는 어려우나, 제품-서비스디자인 아이디어의 창의성을 판단하기 위한 것으로 전문가들의 의견 일치 여부와 평가의 신뢰도에 대한 의미가 있다고 판단하여 분석한 데이터이다.

A팀과 B팀의 아이디어 질 평가 결과를 종합적으로 분석한 결과, A팀의 ‘A1’ 아이디어가 4.13으로 가장 높게 평가되었다. 그다음으로 ‘B3’과 ‘A3’이 각각 4.00의 평균 점수를 기록했다. 반면 B팀의 ‘B1’이 가장 낮은 점수 3.29를 받았으며, 특히 실현가능성 부분에서 2.33으로 가장 낮게 평가되었다. 두 팀 간의 전체 평균 점수 차이는 0.24로 크지 않았으나, 각 평가 항목의 점수 분포에는 다소 차이가 있었다. 이러한 결과를 바탕으로 두 팀의 아이디어에 따른 평가 항목별 점수 분포를 Figure 5와 같이 4개의 축을 기준으로 도식화하였다.

Figure 5 Analysis of Expert Evaluation Results

A팀의 아이디어는 특히 ‘실현가능성’ 항목에서 가장 높은 평가를 받았다. 아이디어가 현실적 구현 가능성을 갖추고 있으며, 해당 서비스와 제품의 시나리오 플로우를 구체적으로 제공했기 때문인 것으로 보인다. 하지만 일부에서는 이미 상용화되거나 기술적 완성도 추구 단계에 있는 아이디어/기술이라는 측면에서 콘셉트의 의외성이 부족하여 독창성과 혁신성이 미흡하다고 판단되기도 하였다.

반면, B팀은 ‘독창성’ 및 ‘혁신성’에서 높게 평가되었는데, 이는 사회적 이슈나 가상현실 등 다양한 분야에서 발산되고 차별화된 아이디어를 제시하였기 때문이다. 그러나 일부는 필요 이상으로 분산되었고, 기존 상용화된 제품 콘셉트와 유사하며, 단순한 기능이 조금 추가되어 약간의 변형만 있는 것처럼 보인다고 하였다. 이것은 생성형 AI를 활용한 아이데이션의 한계점으로, 기존의 정보와 데이터에 기반하기 때문에 그 자체로 완전히 새로운 아이디어나 개념을 도출하는 데에는 어려움이 있다는 것을 반영한다.

전문가 평가 진행 후 실험에 대한 심층적 이해를 돕고, 직접 소통을 위해 전문가 3인(전문가1, 전문가3, 전문가6) 그리고 각 팀의 실험 참가자 2인(A팀 참가자3, B팀 참가자6)과 연구자가 모여 온라인(Zoom) FGI를 진행했다. 아래에 내용을 주제별로 정리하였다.

고도화된 인공지능의 발전에 따라, 인간 고유의 영역으로 여겨졌던 디자인 분야에서도 AI 도구의 활용 영역이 확장되고 있다. 특히, 아이디어 발상과 전개 단계에서 많은 가능성이 제기되어 연구되고 있다. 본 연구에서는 전통적인 방법과 비교를 통해 ChatGPT를 효과적이고, 효율적으로 활용할 수 있는 방안을 탐색함으로써, 생성형 AI의 역할과 방향성을 구체화하는 것에 의의가 있다. 결과적으로, 제한적이고 고착화된 디자이너의 사고를 확장하는 수단으로 효과적이었으며, 시간 단축 부분에서 분명한 효율성이 있었다. 아이디어 개수의 차이가 유효하게 났으며, 질 평가에서도 전통적 아이데이션 방식 못지않은 수준의 결과물을 도출하였다. 하지만 생성형 AI를 활용한 아이데이션 방법은 사용자의 역량에 따라 크게 달라질 수 있으며, 여전히 전문가의 검증 및 수렴이 필수적임을 인식하였다. 구체적이고 구조화된 질문과 프롬프트를 통해 AI가 제시하는 많은 아이디어를 기준에 따라 잘 평가하고 개선하여, 더 좋은 결과를 도출하기 위한 디자이너의 판별력과 통찰력, 그리고 수준 높은 의사결정의 역량이 요구된다.

본 연구의 한계점으로는 실험 의도를 사전에 공유하였기 때문에, 참가자의 행동 및 응답에 특정 기대와 편향이 작용했을 수 있다는 점을 들 수 있다. 또한, A팀과 B팀의 디자인 산출물 형식을 통일하지 않았기 때문에, 두 팀 간의 결과물을 비교하는 과정에서 객관적인 평가와 일관된 기준으로 비교하는 것이 제한적이었다는 점을 고려해야 한다. 해당 내용을 다룬 케이스가 적기 때문에 본 연구 결과는 잠정적으로 수용되어야 한다. 따라서, 수렴단계에서의 생성형 AI 활용 가능성과 폼팩터의 정합성이 요구되는 세분화된 주제로 실험을 진행하는 등 다양한 조건의 실험 환경과 참가자를 구성하여 설계한 후속 연구를 통해 외적 타당도를 높일 필요성이 있다. 이러한 연구는 AI의 효과적인 활용 방법을 탐색하고, 그 방향성을 제시하는 데 중요한 역할을 할 것으로 전망된다. 향후 AI와 인간의 협업은 디자인 분야에서 더욱 풍부하고 고도화된 결과물을 도출할 것으로 기대한다.