ESG연구에 관심이 많습니다. 최근 ESG보고서에 중대성 평가의 개념이 강조되는 가운데 중대성 평가의 ESG임팩트에 미치는 영향과 산업별 차별성에 대한 연구에 관심이 있습니다.

연구방법론은 사례연구를 기반으로 질적 연구방법론을 사용할 예정이고 기업들에게 실질적 시사점을 제공하고 싶습니다.

본 연구는 이를 확장해, AI 도입이 인지적 과부하 → 인지기능 저하라는 부정 경로와 직무 재창조 → 인지기능 유지/개선이라는 긍정 경로를 동시에 설명하는 이중 경로 모델을 제시합니다.
최종 종속변수를 인지기능 변화(ΔMMSE)로 설정해, AI의 리스크와 기회를 객관적이고 구체적으로 측정합니다.

따라서 본 연구는 기존의 단편적인 ROI 측정 방식을 넘어서, AI 투자의 다면적 가치를 종합적으로 평가할 수 있는 ‘다면적 AI 투자 정량적 ROI 프레임워크’를 개발하고 제시하는 것을 목적으로 한다. 더 나아가, 제안된 프레임워크를 국내 금융기관의 실제 사례에 적용하여 그 실효성을 검증하고, 이를 통해 한국 금융기관들이 보다 전략적이고 확신에 찬 AI 투자를 단행할 수 있도록 실질적인 가이드라인을 제공하고자 한다.

2.Ai 의 기능이 학습자(이용자의) 동기 강화에 어떠한 영향을 줄 수 있는가.

• “안녕하세요, 장수진입니다. 제 연구는 ‘AI·바이오신호를 활용한 감정 회복형 실내공간 설계’입니다. 연구질문은 ‘자연광·소리·공기·촉각 요소를 동적으로 제어할 때, 사용자의 감성·스트레스 지표가 어떻게 변화하는가?’입니다. 혼합방법으로 사례공간 실험과 통계분석을 병행해 설계 가이드라인을 제시하겠습니다.”

코칭리더십은 구성원의 잠재력을 이끌어내고 자기주도적 변화와 성장을 돕는 수평적 파트너십으로 구성원의 몰입도와 직무 만족도를 향상시킬 수 있다고 사료됩니다. 리더의 코칭 역량이 구성원의 이직 의도를 어떻게 줄이는지에 대해 체계적으로 분석하여 검증하고 싶습니다.

이에 ai 인슈어텍크 기술 활용을 통한 좀더 과감한 적용 연구

Background & Objective

Cultural and creative industries under government procurement are rapidly adopting AIenabled automation, yet observed outcomes range from efficiency gains to organizational decline. This study presents an extended single-case study of a long-standing incumbent in Korea’s government-commissioned video production (1995–2024). 

Methods

Drawing on procurement records, corporate documents, legal filings, internal archives, and limited interviews, this study extended a Subject–Environment–Resource–Mechanism perspective into a System Dynamics approach. Following problem articulation and dynamic hypothesis formulation, this study built causal loop diagrams (CLDs) from coded evidence and validated the structures through analyst cross-checks and member review. 

Results

Results identify five core feedback structures explaining failure: R1 Cost-Cutting–Quality Deterioration (reduced capability investment lowers quality, bid win-rate, and revenue, reinforcing further cuts); R2 Skilled-Labor Exodus (attrition erodes know-how, increasing rework and delays); R3 Subsidy Dependency (support buffers cash but crowds out capability building, locking in low competitiveness); R4 Reputation Collapse (quality decline accelerates credibility loss and financial stress); and B1 AI Capability Balancing (targeted AI plus reinvestment can restore capability and quality). The model reveals delays, tipping points, and counterintuitive policy effects arising from procurement scoring and subsidy design. 

Conclusion & Significance

This study contributes a compact diagnostic linking static strategic analysis to dynamic system thinking in CCIs, proposes leverage points for policy (capability-weighted procurement criteria, guardrails against subsidy lock-in, labor standards to limit opportunistic cost-cutting), and outlines next steps toward stock–flow simulation. Findings are preliminary and bounded by a single case and confidentiality constraints but offer a transferable template for diagnosing automation-driven failure mechanisms in similar procurement-based creative sectors.

Keywords:
Cultural and Creative Industries (CCIs); Government Procurement; System Dynamics; Causal Loop Diagram; Artificial Intelligence Automation; Labor Dynamics and Craftsmanship; Organization Reputation; Economic Sustainability

"세무·회계 전문서비스 분야에서 RAG 기반 LLM의 도입이 전문가 생산성과 신뢰성에 미치는 영향: 실증적 분석"

2. 연구 배경 (Background & Motivation)

• 산업적 맥락

  • 4차 산업혁명과 AI 발전은 회계·세무 산업에도 자동화 도입을 가속화함.

  • 특히 ChatGPT와 같은 LLM이 주목받으면서, 지식 기반 서비스 산업(지식근로자 중심)에 적용 가능성이 커짐.

• 기존 연구의 한계

  • 경영학 연구에서는 LLM의 생산성 효과(예: 코딩, 마케팅, 컨설팅) 관련 연구는 증가했으나, 세무·회계 전문서비스에 대한 연구는 미비.

  • 전문가의 “신뢰 기반 의사결정”에서 AI 활용의 효과와 한계를 정량적으로 검증한 연구 부족.

• 연구 필요성

  • AI 기반 서비스의 성과(Performance) → 채택 의도(Adoption Intention) → 조직 내 도입(Implementation) 으로 이어지는 과정을 실증적으로 규명할 필요가 있음.

3. 연구 목적 (Research Objectives)

1. RAG 기반 LLM이 세무사·회계사의 업무 효율성(생산성) 에 미치는 효과를 검증.

2. AI 응답의 신뢰성·투명성이 전문가의 기술 수용 의도에 미치는 영향을 분석.

3. 조직적 차원(회계법인, 기업 회계팀)에서의 AI 도입 전략을 제안.

4. 연구 질문 (Research Questions)

1. RAG 기반 LLM은 기존 세무·회계 도구 대비 업무 속도와 정확도를 향상시키는가?

2. 전문가들은 AI 응답의 신뢰성(출처 인용, 최신성)을 어떻게 인식하며, 이는 수용 의도에 어떤 영향을 주는가?

3. 기업 차원에서 B2B SaaS 모델과 B2C 개별 구독 모델은 어떤 채택 가능성을 보이는가?

5. 연구 방법론 (Research Methodology)

5.1 이론적 프레임워크 (Theoretical Framework)

• 기술수용모델(TAM)

  • 주요 변수: 지각된 유용성(Perceived Usefulness), 지각된 용이성(Perceived Ease of Use), 신뢰(Trust), 수용 의도(Intention to Use).

• 조직혁신이론(TOE Framework)

  • 기술(Technology), 조직(Organization), 환경(Environment) 요인별 분석.

5.2 데이터 수집 (Data Collection)

• 대상 표본

  • 세무사·회계사 200명, 기업 회계팀 100명.

  • 표본추출: Stratified Sampling (전문직/기업 집단 구분).

• 방법

  • 1차: 온라인 설문조사(구조화된 설문지).

  • 2차: 실제 RAG 기반 LLM 시범 서비스 사용 후 피드백 수집(실험적 설계 병행).

5.3 측정 도구 (Measurement)

• 정량 변수

  • 생산성: 처리 시간(분), 오류율(%).

  • 신뢰성: Likert Scale (1~7 척도).

  • 수용 의도: UTAUT 기반 측정 항목.

• 분석 방법

  • 탐색적 요인분석(EFA), 확인적 요인분석(CFA).

  • 구조방정식 모형(SEM, AMOS/PLS 사용).

  • 집단 간 차이 분석: t-test, ANOVA.

6. 기대 효과 (Expected Contributions)

• 학문적 기여

  • 경영학 연구에서 상대적으로 부족한 AI 도입의 전문직 서비스 영역 연구를 보완.

  • TAM·TOE 모델 확장: 신뢰성(Trust), 최신성(Recency)을 새로운 설명 변수로 추가.

• 실무적 기여

  • 회계법인과 기업 회계팀에 도입 효과와 리스크에 대한 실증적 근거 제공.

  • B2B SaaS 및 B2C 모델 선택 시 수용 가능성 비교 데이터 제공.

  • 전문가-조직-고객 간 AI 신뢰 기반 서비스 전략 수립 가능.

7. 연구 일정 (Research Timeline)

• 1~2개월: 문헌 검토 및 설문지 설계.

• 3~5개월: 데이터 수집(설문조사 + 실험).

• 6~7개월: 데이터 분석(SEM, 통계적 검정).

• 8~10개월: 결과 해석 및 논문 작성.

• 11~12개월: 학술지 투고 준비.

(크리에이터 이코노미와 글로벌 콘텐츠 혁신: 미디어에서 커머스로의 비즈니스 모델 전환)

AI 기술은 데이터 기반 의사 결정 지원에 강점을 가지지만, 기존 연구들은 특정 업무 (예: 수요 예측, 생산 최적화) 에 집중되어 있어 다차원적 비즈니스 환경을 고려한 종합적인 접근 방식이 부족하다. 본 연구는 AI 기반 시뮬레이션과 시나리오 분석을 통해 기업들이 보다 정교하고 유연한 의사 결정을 내릴 수 있도록 지원하는 것을 목표로 한다.

Personalized Advertising, Human-generated Content, AI-generated Content, Purchase Intention, Intrusiveness, PI2 Framework, Experimental Design, Digital Marketing

# 연구 배경

디지털 마케팅 실무에서 AI가 제작한 콘텐츠가 실제 사용자 경험과 구매 행동에 어떤 영향을 미치는지에 대한 관심이 높아지고 있다.
ChatGPT 등 생성형 AI 도구가 빠르게 상용화되면서, 인간 제작 콘텐츠와 AI 제작 콘텐츠의 효과 차이를 검증할 필요성이 제기되었다.
기존 emoji 속성 연구에서 방향을 전환하여 실무와 학문을 동시에 아우르는 실험 연구로 기획되었다.

# 연구 필요성

생성형 AI가 마케팅 현장에 빠르게 확산되고 있으나, 인간 제작 콘텐츠와 비교하는 실증적 연구는 부족하다.
기업들이 AI 기반 광고를 도입할지 여부를 판단할 수 있는 과학적 근거가 필요하다.
이 연구는 개인화 전략 수립과 광고 예산 배분에도 직접적 시사점을 제공할 수 있다.

선행 연구와의 비교

기존 연구들은 광고 개인화가 소비자 행동에 미치는 영향에 주로 초점을 맞췄다.
그러나 콘텐츠 제작 주체(Human vs AI)에 따른 효과 차이를 실험적으로 분석한 사례는 거의 없다.
본 연구는 PI2 프레임워크를 기반으로 콘텐츠 생성 주체를 비교하는 실험 설계를 도입하여 차별화를 시도한다.

# 연구 방법

IRB 승인 후 온라인 실험을 설계하여 약 300~500명의 피실험자를 모집한다.
Human-generated 광고와 AI-generated 광고에 각각 노출된 집단을 설정한다.
설문은 개인화 인식, 침해성, 구매 의도를 중심으로 진행하며, Qualtrics 및 국내 리서치 플랫폼을 활용한다.

# 기대 효과 및 실용적 함의

학문적으로는 PI2 이론을 확장하며, 생성형 AI와 인간 제작 광고 효과를 비교한 선구적 연구가 될 것이다. 실무적으로는 기업의 콘텐츠 전략, 광고 예산 배분, 생성형 AI 도입 의사결정에 근거 자료를 제공한다.
소비자 경험에 대한 이해를 높이고, AI 광고의 효율성과 리스크를 균형 있게 평가하는 기준을 마련한다.

ISO 심사원으로서 보유하신 전문 지식과 경험을 바탕으로 '심사, 평가 대응자료 자동 분류 및 기록 AI'를 개발하는 것은 매우 실용적이고 가치 있는 프로젝트입니다. 아래에 연구의 핵심 단어부터 기대효과까지 간략하게 정리했습니다.

💡 연구 핵심 단어 (Keywords)

• AI 기반 심사 대응 자동화 (AI-based Audit Response Automation)

• 자연어 처리 (NLP) (Natural Language Processing)

• 문서 자동 분류 (Automatic Document Classification)

• 컴플라이언스 관리 (Compliance Management)

• ISO 표준 요구사항 (ISO Standard Requirements)

• 지식 베이스 구축 (Knowledge Base Construction)

🎯 연구 배경 및 필요성

연구 배경

디지털 전환이 가속화되면서 기업 및 기관은 ISO 42001, 27001, 9001 ,45001등 다양한 인증 심사와 규제 기관의 평가에 상시적으로 대응해야 합니다. 현재 대부분의 심사 대응 업무는 담당자가 수작업으로 이메일, 산출물 등을 확인하고 관련 자료를 찾아 정리하는 방식으로 이루어집니다. 이 과정은 시간과 인력 소모가 크고, 담당자의 역량에 따라 대응 품질이 달라지는 문제를 안고 있습니다.

필요성

1. 업무 효율성 증대: 단순 반복적인 분류 및 기록 작업을 자동화하여 담당자가 고부가가치 업무(대응 논리 개발, 증적 자료 개선 등)에 집중할 수 있도록 합니다.

2. 대응 품질의 일관성 확보: 과거의 대응 이력과 최적의 답변을 데이터베이스화하여 누가 대응하더라도 일관되고 높은 수준의 답변을 할 수 있도록 지원합니다.

3. 지식의 자산화: 심사 대응 과정에서 발생하는 모든 질문과 답변, 증적 자료를 체계적으로 축적하고 검색 가능한 지식 자산으로 전환하여 조직의 컴플라이언스 역량을 강화합니다.

4. 휴먼 에러 감소: 수작업으로 인한 자료 누락, 잘못된 분류 등의 실수를 원천적으로 방지하여 심사 리스크를 최소화합니다.

🔬 연구 방법

본 연구는 심사원님의 전문 지식을 AI 모델의 핵심 로직으로 활용하는 방식으로 진행됩니다.

1. 요구사항 및 데이터 구조 정의:

   • 보유하신 ISO 표준 지식을 바탕으로 심사 요구사항, 통제항목, 목표 등을 분류할 표준 카테고리(예: ISO 27001의 A.5.1, A.8.2 등)를 명확하게 정의합니다.

   • 심사 질문, 답변, 증적 자료 등을 구조화하여 데이터베이스 스키마를 설계합니다.

2. 데이터 수집 및 레이블링:

   • 과거에 수행했던 심사 대응 자료(질의서, 답변서, 이메일, 증적 파일 등)를 수집합니다.

   • 정의된 카테고리에 따라 각 문서를 직접 레이블링하여 AI 학습 데이터셋을 구축합니다. (이 단계에서 심사원님의 전문성이 가장 중요하게 작용합니다.)

3. AI 분류 모델 개발:

   • 텍스트의 의미를 이해하고 분석하기 위해 자연어 처리(NLP) 기술을 활용합니다.

   • 구축된 학습 데이터셋을 사용하여, 새로운 심사 질의나 문서가 들어왔을 때 어떤 ISO 통제항목에 해당하는지 자동으로 분류하는 머신러닝 모델(예: 텍스트 분류 모델)을 개발하고 학습시킵니다.

4. 시스템 프로토타입 개발:

   • 사용자가 심사 관련 문서를 업로드하면, AI 모델이 자동으로 분석 및 분류하여 지정된 위치에 기록하고 대시보드를 통해 현황을 시각화하는 웹 기반의 프로토타입을 개발합니다.

   • 키워드 기반의 강력한 검색 기능을 구현하여 과거 이력을 쉽게 찾을 수 있도록 합니다.

✨ 기대 효과

• 정량적 효과

  • 심사 대응 자료 준비 및 검색에 소요되는 시간 50% 이상 단축

  • 단순 반복 업무 감소로 인한 인력 운영 효율성 증대 및 비용 절감

• 정성적 효과

  • 과거 성공 사례 기반의 답변 활용으로 대응 자료의 품질 및 일관성 향상

  • 조직의 핵심 컴플라이언스 지식을 체계적으로 축적하고 영구 자산화

  • 축적된 데이터를 분석하여 반복적으로 지적되는 취약점을 사전에 식별하고 개선하는 기반 마련