← Insights
이슈 해설2026.11.05글 곽승훈

생성형 AI 서비스 혁신 효과, 근거는 어디까지인가요? 서비스디자인으로 검증하기

생성형 AI가 서비스 혁신과 고객경험을 개선한다는 연구 근거는 아직 과업 수준의 단기 효과에 머물러 있고, 효율은 오르는데 경험이 나빠지는 가치 공동파괴는 거의 측정되지 않았습니다. 도입 전에 고객여정지도와 서비스 블루프린트로 무엇을 검증해야 하는지 정리합니다.

상담 챗봇을 붙였더니 응답 시간은 줄었다는 보고서가 올라옵니다. 그런데 현장에서는 "고객이 같은 내용을 두 번 설명한다"는 이야기가 들립니다. 생성형 AI가 서비스를 정말 좋아지게 했는지, 무엇을 보고 판단해야 할까요?

생성형 AI가 서비스 혁신과 고객경험을 개선한다는 근거는 아직 과업 수준의 단기 효과에 머물러 있습니다. 그래서 도입 전에 서비스디자인 도구인 고객여정지도와 서비스 블루프린트로 "어느 접점에서, 누구에게, 무엇이 나아졌는지"를 정하고 실제 현장에서 검증하는 일이 중요합니다.

핵심 요약

  • 2026년 10월 공개된 체계적 문헌고찰은 실증 연구 27편을 분석해 생성형 AI와 시장 인텔리전스·서비스 혁신·고객경험 사이의 긍정적 연관성을 정리했지만, 지속적인 조직 성과에 대한 근거는 단편적이라고 밝혔습니다.
  • 같은 연구는 효율은 오르는데 경험이 나빠지는 '가치 공동파괴'가 직접 측정된 경우가 드물고, 27편 중 26편이 우호적·조건부·탐색적 결과여서 출판 편향 가능성도 있다고 지적했습니다.
  • 도입 전에는 고객여정지도로 페인포인트를, 서비스 블루프린트로 그 뒤의 업무 흐름을 그려 두고, 기술 지표가 아니라 경험·흐름 지표를 수용 기준으로 삼는 것이 좋습니다.

2026년 체계적 문헌고찰은 무엇을 확인했나요?

학술지 Encyclopedia(MDPI)에 2026년 10월 21일 실린 Espina-Romero 외 연구는 중소기업과 서비스 기업에서 생성형 AI가 시장 인텔리전스, 서비스 혁신, 고객경험, 조직 가치 창출과 어떻게 연결되는지를 다룬 체계적 문헌고찰입니다. PRISMA 2020 절차를 따라 Scopus와 Web of Science에서 860건을 찾았고, 중복 제거와 선별을 거쳐 27편을 최종 분석했습니다. 포함된 연구는 2024년 4편, 2025년 14편, 2026년 9편입니다.

주제별로 보면 시장 인텔리전스와 의사결정 지원(26편, 96.3%), 조직 역량(26편), 혁신(22편, 81.5%), 고객경험과 가치 공동창출(19편, 70.4%), 책임 있는 AI와 거버넌스(16편, 59.3%) 순으로 다뤄졌습니다. 생성형 AI는 주로 리뷰·소셜미디어 같은 비정형 데이터를 의사결정 정보로 바꾸는 데 쓰였고, 혁신 근거는 제품이나 사업 모델보다 서비스·프로세스 혁신에 몰려 있었습니다. 고객경험은 대부분 개인화, 추천, 만족도로 측정됐습니다.

자료의 한계도 분명합니다. 연구 대상은 관광·숙박과 유통·전자상거래에 치우쳐 있고, 국가는 중국(7편)과 미국(4편)이 많았습니다. 제조·물류는 적게 다뤄졌고, 영어 문헌과 두 개 데이터베이스만 검색했습니다. 저자들도 제안한 관계 모델이 검증된 인과 모델이 아니라 개념적 종합이라고 밝혔습니다. 따라서 이 결과를 국내 공공서비스나 제조 현장에 그대로 옮겨 "효과가 입증됐다"고 말하기는 어렵습니다.

왜 '실제 조직 성과' 근거는 아직 부족한가요?

문헌고찰은 대부분의 근거가 단기 또는 중간 결과에 관한 것이고, 기업 단위로 오래 추적한 연구는 드물다고 정리했습니다. 상당수가 계산 실험이나 통제된 환경의 연구여서 기업 성과와의 연결이 약하다는 점도 짚었습니다. 정확도나 검색 성능 같은 기술 지표는 고객경험, 혁신, 수익성이 나아졌는지를 보여 주지 않는다는 것이 저자들의 설명입니다.

현장 신호도 비슷합니다. OECD 보고서 「Generative AI and the SME Workforce」는 오스트리아·캐나다·독일·아일랜드·일본·한국·영국의 중소기업 5,000곳 이상을 대상으로 한 2024년 조사에서 31%가 생성형 AI를 쓰고 있다고 밝혔습니다. 기업들은 생성형 AI가 성과를 높인다고 답했지만, 이는 기업의 자기 응답입니다. 많이 쓰고 좋다고 느끼는 것과, 고객이 겪는 서비스가 실제로 나아졌는지는 다른 질문입니다.

지금 근거가 많은 것아직 근거가 부족한 것
비정형 데이터 분석, 예측, 추천 같은 과업 수준 효과여러 해에 걸친 기업 단위 성과와 경쟁력
개인화·만족도로 측정한 고객경험고객·직원에게 생기는 가치 감소(가치 공동파괴)
관광·숙박, 유통·전자상거래 분야제조·물류, 공공서비스, 중소기업 현장
사람의 감독·신뢰·설명 가능성개인정보·편향·공식 거버넌스의 측정

가치 공동파괴는 고객여정지도의 어디서 보이나요?

가치 공동파괴(value co-destruction)는 서비스 상호작용에서 가치가 함께 만들어지지 않고 오히려 줄어드는 현상입니다. 문헌고찰은 이 현상이 직접 측정된 경우가 드물고, 생성형 AI가 고객·직원·기업의 가치를 언제 줄이는지 더 연구해야 한다고 밝혔습니다.

현장에서는 고객여정지도의 다음 같은 지점에서 먼저 드러납니다.

  1. 반복 설명: AI 상담에서 사람 상담으로 넘어갈 때 앞의 대화가 전달되지 않아 고객이 처음부터 다시 말합니다. 인수인계 손실입니다.
  2. 막다른 길: AI가 답할 수 없는 질문인데 사람에게 넘기는 이관 조건이 없어 고객이 같은 안내를 반복해서 받습니다.
  3. 그럴듯한 오답: 응답은 빨라졌지만 정답의 근거가 확인되지 않아, 고객이 나중에 다른 창구에서 다시 확인해야 합니다.
  4. 직원 쪽 부담: AI 결과를 검수하고 고치는 일이 늘었는데 업무 기준에는 반영되지 않습니다.

이런 지점은 응답 시간이나 처리 건수 같은 효율 지표에는 잡히지 않습니다. 고객과 직원의 진술, 관찰, 재문의 기록을 함께 봐야 보입니다.

서비스 블루프린트로 AI 도입 전후를 어떻게 비교하나요?

서비스 블루프린트는 고객 행동, 앞단 접점, 뒷단 업무, 지원 시스템을 한 장에 나란히 그린 서비스디자인 도구입니다. 생성형 AI가 들어갈 접점을 표시하고 도입 전(AS-IS)과 도입 후(TO-BE)를 같은 단계로 나눠 그리면, 무엇이 바뀌고 무엇이 끊기는지 비교할 수 있습니다.

1. 접점마다 입력·출력과 이관 조건을 적습니다

AI가 받는 입력, 내놓는 출력, 하면 안 되는 금지 사항, 사람에게 넘기는 이관 조건을 접점별로 적습니다. 문헌고찰도 영향이 큰 결정에는 명시적인 사람 검토 지점을 두고, 검토 강도를 위험도·되돌릴 수 있는지·데이터 민감도에 맞추라고 제안했습니다.

2. 두 가지 지표를 함께 정합니다

고객이 겪는 경험 지표(반복 설명 여부, 해결까지 거친 창구 수, 불만 유형)와 업무 흐름 지표(재작업, 대기, 중복 작성되는 결과물)를 함께 수용 기준에 넣습니다. 효율 지표만 오르고 경험 지표가 나빠지면 그곳이 가치 공동파괴가 일어나는 연계 문제 지점입니다.

3. 프로토타입이 아니라 실제 접점에서 확인합니다

통제된 시연에서 잘 작동해도 실제 고객과 직원이 쓰는 환경에서는 다를 수 있습니다. 작은 범위의 실제 접점에서 일정 기간 운영하며 같은 지표를 반복해서 집계합니다.

저희의 제안 AX 리빙랩은 바이널엑스(VINYL X)가 운영합니다. 저희는 생성형 AI의 효과를 시연이 아니라 실제 접점에서 확인해야 한다고 봅니다. 고객여정지도의 페인포인트(경험)와 서비스 블루프린트의 연계 문제 지점(흐름)을 같은 장면에서 함께 보면, 효율은 오르는데 경험이 나빠지는 곳을 일찍 찾을 수 있습니다. 또 리서치나 블루프린트 작성에 AI를 쓰는 것은 'AI 증강 디자인'이고, AX는 현장의 업무와 서비스가 실제로 바뀐 것만 가리킨다고 구분해 두면 성과를 보는 곳이 분명해집니다.

현장에서 검증하기 위한 체크리스트

생성형 AI 도입을 검토하고 있다면 기획서에 다음 질문부터 적어 보세요. 문헌고찰도 도입은 "명확하게 정의된 조직의 문제"에서 시작해야 한다고 권고했습니다.

  • AI가 들어갈 접점은 고객여정지도의 어느 단계이고, 그곳의 페인포인트는 누구의 진술·관찰로 확인했나요?
  • 그 접점 뒤에서 어떤 결과물(문서·기록·판단)이 누구에게 넘어가나요? 도입 후 끊기는 곳은 없나요?
  • 기술 지표 외에 고객 경험 지표와 업무 흐름 지표를 각각 하나 이상 정했나요?
  • 사람에게 넘기는 이관 조건과, AI가 하면 안 되는 금지 사항을 적었나요?
  • 실제 접점에서 시험할 범위와 기간, 같은 지표를 다시 집계할 시점을 정했나요?
  • 가치가 줄어든 신호(반복 설명, 재문의, 검수 부담)를 기록할 방법이 있나요?

자주 묻는 질문

생성형 AI가 고객경험을 개선한다는 근거가 있나요?

2026년 체계적 문헌고찰(Encyclopedia, 27편 분석)은 개인화·추천·만족도 같은 고객경험과 생성형 AI 사이의 긍정적 연관성을 정리했습니다. 다만 대부분 단기·과업 수준의 결과였고, 실제 조직 성과가 오래 유지되는지는 아직 근거가 부족하다고 밝혔습니다.

가치 공동파괴는 무엇인가요?

가치 공동파괴(value co-destruction)는 서비스 상호작용에서 가치가 함께 만들어지지 않고 오히려 줄어드는 현상입니다. 처리 속도는 빨라졌는데 고객이 같은 설명을 반복하거나 사람 상담으로 넘어가지 못하는 경우가 예입니다. 같은 문헌고찰은 이 현상이 직접 측정된 경우가 드물다고 지적했습니다.

서비스디자인으로 생성형 AI 도입 효과를 어떻게 검증하나요?

고객여정지도로 AI가 들어갈 접점의 페인포인트를 먼저 기록하고, 서비스 블루프린트로 그 접점 뒤의 업무·결과물 흐름을 도입 전후로 비교합니다. 기술 지표(정확도 등)와 함께 고객 경험 지표와 사람에게 넘기는 이관 조건을 수용 기준에 넣어 실제 접점에서 확인합니다.

참고문헌

  1. Espina-Romero, L., Noroño Sánchez, J. G., Arias-Montoya, F., Peixoto Rodriguez, E., Chunga-Liu, Z. E., Gutiérrez Hurtado, H., & Montero Santos, G. (2026). Generative AI for Global Market Intelligence, Service Innovation, Customer Experience, and Organizational Value Creation in SMEs and Service Firms: A Systematic Literature Review. Encyclopedia, 6(10), 235. https://doi.org/10.3390/encyclopedia6100235 (관광·숙박, 유통·전자상거래 중심의 실증 연구 27편 대상)

공개 자료 출처

Got A Field Problem?

Contact