2022년 말에 공개된 ChatGPT는 출시 두 달 만에 월간 사용자 1억 명을 돌파하며 역사상 가장 빠르게 확산된 소비자 서비스로 기록되었습니다. 생성형 인공지능은 정보의 검색과 문서의 작성, 코딩, 교육에 이르는 광범위한 영역에서 사용자의 일상과 업무의 방식을 변화시키고 있습니다. Dwivedi et al.(2023)은 ChatGPT가 촉발한 변화의 기회와 위험을 바탕으로 생성형 인공지능 서비스에 관한 연구 아젠다를 제시하였습니다. 서비스 품질과 사용자만족은 그 아젠다의 중심에 위치하는 연구주제입니다.
- Dwivedi, Y. K., Kshetri, N., Hughes, L., et al. (2023). “So what if ChatGPT wrote it?” Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management, 71, 102642.
서비스 품질 연구에 관한 고전적인 준거는 Parasuraman et al.(1998)이 개발한 SERVQUAL 모형입니다. SERVQUAL은 유형성과 신뢰성, 반응성, 확신성, 공감성이라는 다섯 가지 차원으로 서비스 품질을 측정하며, 지난 수십 년 동안 서비스 연구의 표준으로 활용되어 왔습니다. 그러나 인간의 접점을 전제로 설계된 전통적인 품질 차원은 인공지능 기반 서비스의 특성을 온전하게 포착하지 못합니다. ChatGPT의 품질은 응답의 정확성과 신속성, 정보의 최신성, 개인화, 창의성, 그리고 프라이버시 보호와 같은 고유한 속성들로 구성되어야 하기 때문입니다.
- Parasuraman, A., Zeithaml, V. A., & Berry, L. L. (1988). SERVQUAL: A multiple-item scale for measuring consumer perceptions of service quality. Journal of Retailing, 64(1), 12-40.
전통적인 만족도(satisfaction) 연구는 품질이 좋아질수록 만족이 비례하여 증가한다는 선형적인 관계를 암묵적으로 가정합니다. 그러나 현실의 소비자 심리는 이보다 훨씬 복잡합니다. 어떤 품질 속성은 충족되어도 만족을 높이지 못하지만, 결핍되는 순간에 강한 불만족을 유발합니다. 반대로 어떤 속성은 없어도 불만을 낳지 않지만, 제공되는 순간에 사용자를 감동시킵니다. 일본의 품질경영 학자인 Noriaki Kano는 1984년에 이러한 통찰을 이차원적인 품질 이론으로 체계화하였습니다. Kano 모형은 Herzberg의 동기-위생 이론을 품질 연구에 접목하여, 만족과 불만족이 서로 다른 메커니즘으로 작동한다는 점을 이론적으로 정립하였습니다.
- Kano, N., Seraku, N., Takahashi, F., & Tsuji, S. (1984). Attractive quality and must-be quality. Journal of the Japanese Society for Quality Control, 14(2), 39-48.
Kano 모형은 품질 속성을 다섯 가지 형태의 유형으로 분류합니다. 첫째는 당위적 품질(must-be quality)로, 충족되어도 당연하게 여겨지지만 결핍되면 심각한 불만족을 초래하는 속성입니다. 둘째는 일원적 품질(one-dimensional quality)이며, 충족의 정도에 비례하여 만족이 증가하는 속성입니다. 셋째는 매력적 품질(attractive quality)인데, 이는 기대하지 않았기 때문에 없어도 불만이 없지만 제공되면 만족을 극대화하는 속성입니다. 그리고 넷째와 다섯째는 각각 만족에 영향을 미치지 않는 무관심 품질(indifferent quality)과 충족될수록 오히려 불만을 낳는 역품질(reverse quality)입니다.
품질 속성의 분류는 기능적 질문과 역기능적 질문의 쌍(pair)으로 구성된 Kano 설문을 통하여 이루어집니다. 각 속성이 충족되는 경우와 충족되지 않는 경우에 대한 응답의 조합을 평가표에 대응시켜 속성의 유형을 판별하는 방식입니다. 아울러 분류 결과의 해석력을 높이기 위하여 만족계수(better index)와 불만족계수(worse index)를 함께 산출하는 것이 일반적인 절차입니다. 두 계수는 각 속성이 충족되었을 때 만족이 증가하는 정도와 결핍되었을 때 불만족이 증가하는 정도를 수치화하여, 품질 관리의 우선순위 판단을 지원합니다.
한편, Kano 모형은 최빈값에 의존하는 전통적인 분류 방식의 통계적인 한계에 대한 방법론적 논쟁이 지속되어 온 분야이기도 합니다. Mikulić & Prebežac(2011)은 품질 속성의 분류 기법들을 비판적으로 논의하였는데, 연구의 목적에 부합하는 분석 기법의 선택과 결과 해석의 엄밀성을 강조하였습니다. 이는 Kano 모형을 활용하는 연구가 해외저널의 심사를 통과하기 위해서는 분류 방법의 타당성에 대한 정교한 논의가 필수적이라는 점을 의미하기도 합니다.
- Mikulić, J., & Prebežac, D. (2011). A critical review of techniques for classifying quality attributes in the Kano model. Managing Service Quality, 21(1), 46-66.
Kano 모형의 실무적인 가치는 Matzler & Hinterhuber(1998)의 연구를 통하여 널리 확산되었습니다. 이들은 Kano 모형을 품질기능전개(QFD)와 통합하여 신제품 개발의 전략적인 의사결정에 활용하는 프레임워크를 제시하였습니다. 오늘날 Kano 모형은 제조업의 품질 관리와 서비스 산업, 그리고 정보기술 수용 연구에 이르는 광범위한 영역에서 활용되고 있습니다.
- Matzler, K., & Hinterhuber, H. H. (1998). How to make product development projects more successful by integrating Kano’s model of customer satisfaction into quality function deployment. Technovation, 18(1), 25-38.
ChatGPT 서비스 품질에 대한 사용자만족을 연구주제로 삼은 의뢰인의 SCI급 해외저널 논문컨설팅 후기에 대해서 전해드리겠습니다.
프라임 컨설팅을 방문한 의뢰인은 경영학 박사학위를 취득한 후에 해외저널 게재 실적을 얻고자 하는 신진 연구자였습니다. 의뢰인은 ChatGPT 사용자의 만족을 다루는 연구를 구상하고 있었으나, 초기의 연구 설계는 SERVQUAL 기반의 품질 차원이 만족에 미치는 영향을 회귀분석으로 검증하는 구조였습니다. 그러나 품질과 만족의 선형 관계를 검증하는 접근은 이미 방대한 문헌이 축적되어 있으며, 따라서 경쟁이 치열한 해외저널에서 요구하는 이론적인 기여를 확보하기 어려운 상황이었습니다.
프라임은 의뢰인에게 Kano 모형을 연구방법론으로 제안하였습니다. 품질 속성과 만족의 비선형적이고 비대칭적인 관계를 규명하는 접근은 생성형 인공지능이라는 신생 서비스의 품질 구조를 밝히는 데 특히 적합하기 때문입니다. 의뢰인은 프라임의 지도에 따라 문헌 고찰과 사용자 인터뷰를 통해 ChatGPT의 품질 속성을 도출하였습니다. 그리고 기능적 질문과 역기능적 질문의 쌍으로 구성된 Kano 설문을 설계하였으며, 실제 사용 경험이 있는 사용자를 대상으로 자료를 수집하였습니다.
수집된 자료를 분석한 결과, 응답의 정확성과 프라이버시 보호는 당위적 품질로 분류되었습니다. 그리고 응답의 신속성은 일원적 품질로, 개인화와 창의적인 응답의 생성은 매력적 품질로 확인되었습니다. 만족계수와 불만족계수의 산출을 통하여 품질 속성별 관리의 우선순위 또한 도출되었습니다. 이는 생성형 인공지능 서비스의 만족 구조가 전통적인 선형 모델로는 설명되지 않는다는 점을 조명하였다는 점에서 학술적인 기여를 가집니다.
의뢰인의 연구 결과는 SCI(E)급 해외저널에 투고하였는데, 심사 과정에서는 품질 속성 분류의 타당성에 대한 심사위원의 지적이 있었으나, 프라임이 안내한 분류 기법의 병행 검증 논리를 통하여 성공적으로 대응할 수 있었습니다.
Kano 모형은 신기술 기반 서비스의 품질 구조를 규명하는 연구에서 활용의 가치가 매우 높은 방법론입니다. 특히 생성형 인공지능과 같이 사용자의 기대가 아직 형성되는 과정에 있는 서비스에서는 매력적 품질의 발굴이 가지는 이론적이고, 실무적인 의미가 큽니다. 단, Kano 모형을 높은 수준의 연구 결과물로 완성하기 위해서는 품질 속성 도출의 근거를 체계화하고, 분류 기법의 타당성을 검증하는 것이 무엇보다도 중요합니다.
