1. 서 론

최근 인공지능 기술은 산업 전반에 걸쳐 빠르게 확산되고 있다[11]. 특히 생성형 인공지능(generative artificial intelligence)은 기존의 예측 중심 인공지능을 넘어 텍스트, 이미지 등 새로운 콘텐츠를 생성하고 요약, 분석, 의사결정 지원과 같은 고차원적 인지 작업을 수행함으로써 조직의 업무 수행 방식과 가치 창출 구조를 근본적으로 변화시키고 있다[3]. 생성형 인공지능은 단순한 생산성 향상을 넘어 업무 프로세스 재설계[12], 고객 경험[4], 신사업 개발[11] 등으로 활용 범위가 확장되며 산업적 중요성이 빠르게 증대되고 있다[22].

이러한 기술적 진전 속에서 통신 산업은 대규모 네트워크 인프라와 방대한 운영·고객 데이터를 보유한 산업으로서 생성형 인공지능의 대표적인 적용 후보 산업으로 평가되어 왔고, 실제로 통신사업자는 고객 상담, 네트워크 운영, 내부 업무 지원 등의 영역에서 생성형 인공지능을 활용하기 위해 노력하고 있다. 그럼에도 불구하고 통신 산업 내 생성형 인공지능의 조직 차원 도입과 확산은 여전히 제한적인 수준에 머물러 있다. 기존 연구와 산업 보고서에 따르면 전 세계 통신사업자 중 약 10~15%만이 생성형 인공지능을 조직 차원에서 확산시킨 것으로 보고되었으며[10], 데이터 거버넌스의 불확실성, 데이터 사일로(silo), 조직 역량 부족 등이 생성형 인공지능 도입의 주요 장애요인으로 제시되고 있다[1].

이러한 도입 지연 현상은 통신 산업이 일반적으로 신기술 수용 속도가 빠르고 기술적 침투력이 높은 산업으로 인식되어 온 점과 대비된다. 이는 통신 산업이 강한 규제 환경과 표준 의존성, 네트워크 안정성과 서비스 책임성을 중시하는 인프라 산업이라는 구조적 특성을 지니고 있기 때문이다. 기존 연구에 따르면 정부 및 규제 기관의 개입[9], 데이터 보안 및 개인정보 보호에 대한 우려[24], 레거시 시스템에 대한 의존과 기술 전환의 제약, 보수적인 조직 문화[20] 등은 통신 산업에서 신기술 도입을 제약하는 주요 요인으로 작용해 왔다. 특히 생성형 인공지능은 출력의 비예측성, 책임성 문제, 빠른 기술 진화를 수반하고 있어, 통신 산업의 엄격한 서비스 책임성과 결합할 때 도입 장애요인은 더욱 복잡하고 다층적인 양상을 띠게 된다.

기존 연구들은 이러한 장애요인을 식별하거나 중요도를 나열하는 데 초점을 두는 경우가 많아, 요인들이 상호작용하며 어떠한 구조적 관계를 형성하는지, 그리고 구조 내에서 어떤 요인이 보다 선행적인 제약으로 작동하는지에 대한 분석은 충분히 이루어지지 않았다[12, 23, 28]. 현실의 기술 도입 프로세스에서 장애요인들은 독립적으로 존재하지 않으며, 특정 요인이 다른 요인을 유발하거나 강화하는 상호의존적 네트워크(interdependent network)를 형성한다[16]. 이러한 복잡성을 간과한 채 일차원적으로 장애요인을 식별하는 것은 시스템 전체의 병목을 형성하는 근본 원인에 대한 개입을 지연시킨다[29]. 따라서 단순히 무엇이 장애인지를 아는 것을 넘어, 요인들 사이의 구조적 관계를 파악하고 질서와 방향을 부여하는 구조적 접근이 필수적이다[5, 16].

이에 본 연구는 통신 산업을 대상으로 생성형 인공지능 도입을 저해하는 주요 장애요인을 구조적 관점에서 분석한다. 구체적으로 문헌 검토와 전문가 조사를 통해 통신 산업에서의 주요 장애요인을 도출하고, 해석적 구조 모델링(Interpretive Structural Modeling, ISM)을 적용하여 장애요인 간의 영향 관계와 계층적 구조를 규명한다. 또한 교차영향행렬 곱셈 분류법(Matrix Impact Cross-Reference Multiplication Applied to Classification, MICMAC)을 활용하여 각 장애요인의 영향력과 의존도를 분석함으로써, 생성형 인공지능 도입 과정에서 근본적 제약 요인과 파생적 장애요인을 구분한다.

이러한 분석을 통해 본 연구는 생성형 인공지능 도입 장애를 단순한 개별 기술 채택의 문제가 아닌, 통신 산업의 특수한 맥락 속에서 제도적·조직적·기술적 제약이 상호 얽힌 구조적 문제로 조명한다는 점에서 기존 연구를 확장한다[5, 16]. 특히 규제 산업이라는 통신 산업의 고유한 특성 하에서 장애요인 간의 위계와 구조적 역할을 규명함으로써, 통신사업자에게는 자원 배분과 도입 전략의 우선순위 설정을 위한 논리적 근거를 제공한다. 또한 정책 및 규제 기관에게는 기술 확산을 가로막는 근본적인 병목 지점을 제시함으로써, 생성형 인공지능의 안전하고 효율적인 확산을 위한 제도적·정책적 개선 방향에 실질적인 시사점을 제공할 것으로 기대된다.

본 논문의 구성은 다음과 같다. 제2장에서는 선행연구를 검토하고 통신 산업의 범위를 정리한다. 제3장에서는 연구 방법을 제시하며, 제4장에서는 ISM–MICMAC 분석 결과를 제시한다. 제5장에서는 이를 적용 영역별 맥락에서 논의하고 실무적 시사점을 도출한다. 마지막으로 제6장에서는 연구 결과를 요약하고 한계 및 향후 연구 방향을 제시한다.

2. 배 경

2.1 생성형 인공지능 도입 장애요인 관련 연구 동향

인공지능 도입이 조직의 기술 혁신과 경쟁력 확보를 위한 핵심 수단으로 인식되면서, 다양한 산업을 대상으로 도입 과정에서 발생하는 장애요인을 분석하는 연구가 이루어져 왔다[23]. 기존 연구에서는 인공지능 도입의 성패를 좌우하는 요인으로 최고경영진의 지원, 재정 및 인적자원, 데이터 접근성과 품질, 혁신적 조직 문화, 인공지능 역량을 제시하였다[24]. 이와 같이 인공지능 도입과 관련된 장애요인들은 기술적 요소에 국한되지 않고 조직 내부 역량과 외부 환경 조건을 포괄하는 이질적인 특성을 지니고 있어, 조직 차원의 인공지능 도입을 설명하기 위한 통합적 분석 틀의 필요성이 제기되어 왔다. 이에 따라 기술-조직-환경(Technology-Organization-Environment, TOE)프레임워크가 대표적으로 활용되어 왔다[23]. 해당 프레임워크는 기술적·조직적·환경적 차원을 통합적으로 고려함으로써[26], 인공지능 도입이 단일 요인으로 설명될 수 없는 다차원적 현상임을 시사한다.

한편 생성형 인공지능은 기존 인공지능과 구별되는 기술적 특성을 지니고 있어, 도입 과정에서 발생하는 장애요인 또한 차별적인 양상을 보인다는 논의가 확대되고 있다[2, 16]. 생성형 인공지능은 출력 결과의 비예측성, 블랙박스 특성에 따른 투명성·책임성 문제 그리고 빠른 기술 진화에 따른 운영 및 관리 부담을 수반하며[1], 특히 대규모 언어모델의 환각(hallucination) 현상은 반복적으로 지적되는 핵심 기술적 장애요인으로 확인되었다[17]. 이러한 특성은 서비스의 정확성과 신뢰성에 부정적인 영향을 미칠 수 있어, 조직 차원의 생성형 인공지능 도입을 제약하는 요인으로 작용한다[2].

통신 산업의 경우, 국가 인프라로서의 공공성과 강한 규제 환경이라는 산업적 특성으로 인해 신기술 도입 과정에서 산업적 맥락에 기인한 장애요인이 발생한다. 통신 분야 선행연구에서는 정부 및 규제 기관의 개입이 인공지능 도입에 유의미한 외부 요인으로 작용함을 밝혔고[9], 클라우드 컴퓨팅 도입 과정에서의 장애요인을 분석한 연구에서는 데이터 보안·개인정보 보호 위험, 관리자의 기술 인식 부족과 조직 내부 수용성 한계가 주요 도입 장애요인으로 확인되었다[24]. 또한 광통신 네트워크 분야에서는 레거시 시스템 의존, 기술 전환의 제약, 전문 인력 부족, 기술 표준화 부재, 보수적 조직 문화 등이 비기술적 장애요인이 제시되었다[20]. 이러한 결과는 통신 산업에서 생성형 인공지능과 같은 신기술을 도입하는 과정에서도 유사한 구조적 제약이 재현될 가능성을 시사한다.

그럼에도 불구하고 기존 연구들은 다음과 같은 한계를 지닌다. 첫째, 대부분의 연구가 장애요인을 식별하거나 개별 요인의 상대적 중요도를 산출하는 나열적 접근(listing approach)에 치중하고 있다[23]. 현실의 기술 도입 프로세스에서 장애요인들은 독립적으로 존재하지 않으며, 특정 요인이 다른 요인을 유발하거나 강화하는 복잡한 상호의존적 네트워크를 형성한다[16]. 이러한 상호작용을 무시한 채 개별 요인의 영향력만을 분석하는 것은 도입 과정에서 표면적으로 관측되는 증상(symptoms)에만 대응하게 만들 뿐, 시스템 전체의 병목(bottleneck)을 형성하는 근본 원인(root causes)에 대한 전략적 개입을 지연시키는 결과를 초래한다[5, 29].

둘째, 방법론적 측면에서 회귀분석이나 구조방정식(SEM) 모델은 변수 간의 통계적 유의성을 검증하는 데 유용하지만, 요인들 사이의 구체적인 위계와 영향 경로를 직관적으로 제시하는 데는 한계가 있다[16]. 생성형 인공지능과 같이 기술적 불확실성이 높고 제도적 환경에 민감한 기술일수록, 복잡한 관계 속에 질서와 방향을 부여하여 '어떤 장애를 선행적으로 해결해야 하는가'에 대한 개입의 시퀀싱(sequencing)을 규명하는 구조적 분석이 더욱 요구된다[5].

셋째, 통신 산업의 특수성을 반영한 서비스 공급자 관점의 조직 운영 체계와 생성형 인공지능을 통합하는 과정에서의 장애 구조를 다룬 연구는 매우 제한적이다. 이러한 연구 공백을 바탕으로, 본 연구는 통신 산업의 맥락에서 장애요인 간의 영향 관계와 계층적 구조를 규명함으로써, 기존 연구의 단편적 분석을 넘어선 실무적인 도입 로드맵을 제시하고자 한다.

2.2 통신 산업 범위 및 생성형 인공지능 도입 현황

통신 산업은 유·무선 네트워크 인프라를 기반으로 음성, 데이터 및 멀티미디어 통신 서비스를 제공하는 인프라 기반 산업으로 정의된다[8]. 기존 연구들은 통신 산업을 광대역 네트워크와 통신 인프라의 구축·운영을 핵심으로 하는 산업으로 규정하며, 이러한 인프라가 다양한 통신 서비스 외에도 경제·사회 전반의 디지털 활동을 가능하게 하는 핵심 기반 요소임을 강조해 왔다[8]. 최근 디지털 기술의 발전과 서비스 융합이 가속화되면서 통신 산업은 단순한 연결 서비스 제공을 넘어 데이터 활용, 디지털 서비스, 플랫폼 중심의 비즈니스 모델과 결합되는 방향으로 진화하고 있다[15]. 이러한 변화 속에서 통신사업자는 네트워크 계층과 서비스·플랫폼 계층을 연결하는 핵심 행위자로서, 소비자 대상 서비스뿐 아니라 기업 대상 통신 및 디지털 솔루션 제공에 관여하는 조직으로 이해된다[13].

이러한 산업적 특성은 생성형 인공지능 도입 논의를 통신 산업 맥락에서 해석하는 데 중요한 전제가 된다. 생성형 인공지능은 자연어 이해와 생성 능력을 기반으로 다양한 산업에서 활용 가능성이 제기되고 있으나, 통신 산업에서는 네트워크 안정성, 서비스 신뢰성, 규제 준수 등 인프라 산업 특유의 제약 조건 속에서 도입·활용이 논의되어 왔다. 이에 따라 기존 연구들은 통신 산업에서의 생성형 인공지능 활용을 몇 가지 대표적인 적용 영역으로 구분하여 논의하고 있다.

선행연구를 종합하면, 통신 산업에서 생성형 인공지능의 적용은 대체로 세 가지 범주로 구분된다. 첫째, 고객과의 상호작용을 중심으로 한 고객 서비스 및 커뮤니케이션 영역이다. 이 영역에서는 고객 상담 챗봇, 가상 비서, 상담원 지원 시스템 등 대화형 인터페이스를 중심으로 생성형 인공지능이 활용되며, 고객 문의 자동 분류, 응답 생성, 상담 요약 및 후처리 자동화 등이 주요 활용 사례로 제시된다[4, 22, 31]. 국내외 주요 통신사업자들은 고객 접점에서의 운영 효율성 제고와 고객 경험 개선을 목적으로 생성형 인공지능 기반 상담 지원 및 AICC（Artificial Intelligence Contact Center）고도화를 추진하고 있다[19].

둘째, 네트워크 및 서비스 운영·관리 영역이다. 해당 영역에서는 네트워크 모니터링, 장애 분석, 로그 및 알람 요약, 서비스 품질 관리 등 운영자 지원을 중심으로 생성형 인공지능의 활용이 논의되고 있다[6, 7]. 기존 연구들은 생성형 인공지능이 대규모 네트워크 운영 데이터와 기술 문서를 자연어 기반으로 해석·요약함으로써, 운영자의 의사결정을 보조하거나 네트워크 운영 자동화를 지원할 수 있음을 제시한다[27]. 일부 통신사업자는 현장 기술자 지원, 디지털 트윈 기반 운영 설계, 자율 네트워크 고도화 등 운영·관리 전반에 생성형 인공지능을 점진적으로 적용하는 방향을 제시하고 있다.

셋째, 내부 업무 및 지식 지원 영역이다. 이 범주는 통신사업자 조직 내부의 문서, 표준, 운영 매뉴얼, 기술 지식 등을 대상으로 한 질의응답, 요약, 보고서 작성 지원 등 생산성 향상 목적의 활용을 포함한다[21]. 생성형 인공지능은 통신 표준(예: 3GPP) 관련 문서, 내부 기술 자료, 규제 및 정책 문서를 기반으로 조직 구성원의 업무 효율성을 지원하는 도구로 활용되며, 내부 디지털 어시스턴트나 지식 관리 시스템의 형태로 확산되고 있다[31].

이와 같이 통신 산업에서 생성형 인공지능의 활용은 단일 영역에 국한되기보다, 고객 접점, 네트워크 운영, 조직 내부 업무 등 다양한 영역으로 분화되어 논의되고 있다. 본 연구는 이러한 적용 범주 구분을 분석의 맥락적 기준으로 활용하여, 통신 산업의 각 영역에서 생성형 인공지능 도입과 관련된 장애요인들이 어떠한 구조적 관계 속에서 논의될 수 있는지를 탐색하고자 한다. 이를 통해 특정 적용 영역에 국한된 제약 요인 외에도, 산업 전반에 걸쳐 공통적으로 작동할 수 있는 구조적 제약 조건을 식별하기 위한 분석의 기준점을 제공하며, 이후 장에서 제시되는 장애요인의 계층 구조와 구조적 역할을 통신 산업 맥락 속에서 해석하기 위한 토대를 마련하고자 한다.

3. 연구 방법

본 연구는 통신 산업의 생성형 인공지능 도입 장애요인을 구조적으로 분석하기 위해 아래 <Figure 1>에 제시된 단계적 연구 절차를 수행하였다. 먼저 선행연구 검토와 전문가 검증을 통해 생성형 인공지능 도입 장애요인을 도출하고 정제하였다(Module 1). 이후 델파이(Delphi) 기법을 결합한 해석적 구조 모델링(ISM)을 적용하여 장애요인 간의 구조적 상호관계와 계층적 영향 구조를 도출하였다(Module 2). 마지막으로 교차영향행렬 곱셈 분류법(MICMAC)을 활용하여 각 장애요인의 영향력과 의존도를 산출함으로써, 전체 장애 구조 내에서 각 요인이 수행하는 구조적 역할을 분석하고 전략적 우선순위를 평가하였다(Module 3).

3.1 생성형 인공지능 도입 장애요인의 도출 및 정제

본 연구는 통신 산업에서 생성형 인공지능 도입을 저해하는 장애요인을 체계적으로 도출하기 위해, 산업 전반의 인공지능 도입 장애요인 연구, 생성형 인공지능의 특수성을 다룬 연구, 통신 산업 내 신기술 도입 관련 연구를 포괄적으로 분석하였다.

문헌 검색은 Google Scholar와 Web of Science를 주요 데이터베이스로 활용하였으며, 2015년부터 2025년까지 출판된 영어권 학술 논문을 분석 대상으로 설정하였다. 검색어는 "Artificial Intelligence", "Generative AI", "Barriers", "Challenges", "Adoption", "Telecom", "Telecommunication Industry" 등을 중심으로 Boolean 연산을 조합하여 구성하였다. 선행연구 선정 과정에서는 (1) 산업 전반 또는 특정 산업에서 인공지능 도입 장애요인을 분석한 연구, (2) ChatGPT 공개 이후 생성형 인공지능의 특성과 도입 문제를 다룬 연구, (3) 통신 산업에서 클라우드, 5G 등 신기술 도입 과정의 제약 요인을 분석한 연구를 우선적으로 포함하였다. 최종적으로 19편의 핵심 문헌을 선정하였으며, 해당 문헌들로부터 총 305개의 장애요인을 식별하였다.

도출된 초기 장애요인은 개념적 중복과 표현상의 차이를 최소화하기 위해 단계적 정제 과정을 거쳤다. 먼저 동일하거나 유사한 의미를 갖는 요인들을 통합하고, 표현상의 차이만 존재하는 요인들을 대표 개념으로 묶는 체계적 범주화(Systematic Categorization)를 수행하였다. 이 과정에서 305개의 요인은 22개의 주제 그룹으로 분류되었으며, 각 그룹 내에서 반복적으로 등장하는 요인을 중심으로 통합하여 총 45개의 정제된 장애요인을 도출하였다. 이 단계에서는 단일 문헌에서만 언급되어 일반화 가능성이 낮은 요인, 지나치게 포괄적이거나 모호한 개념, 특정 기술 기능이나 세부 알고리즘 성능에만 국한된 요인은 제외하였다.

이후 본 연구는 일반적인 생성형 인공지능 도입 장애요인과 통신 산업의 구조적 특성을 구분하기 위해 통신 산업 맥락 기반의 추가 정제 절차를 적용하였다. 통신 산업은 대규모 네트워크 인프라와 레거시 시스템에 기반한 운영 구조, 강한 규제 및 표준 의존성, 조직 내부 및 조직 간 데이터 사일로 구조, 그리고 대규모·실시간 고객 서비스 운영이라는 특성을 지닌 산업이다. 이러한 특성을 고려하여, 본 연구는 통신 산업 전반에서 구조적으로 반복될 가능성이 높은 제약 요인에 초점을 두었다. 반면, 특정 조직이나 단일 활용 사례에만 국한되는 요인, 일반적인 디지털 전환 맥락에서는 중요하나 통신 산업의 운영·제도 구조와 직접적인 연관성이 낮은 요인은 제외하였다. 또한 통신 산업 내 신기술 도입을 다룬 선행연구에서 별도로 도출된 112개의 장애요인을 정제된 45개 요인과 비교·대조하여 중복되거나 개념적으로 동일한 요인을 통합하였다. 이러한 통신 산업 맥락 기반 정제 과정을 거쳐, 최종적으로 23개의 장애요인 후보군을 확정하였다.

도출된 장애요인 후보군의 타당성을 확보하기 위해 전문가 검증 절차를 추가로 수행하였다. 전문가 패널은 통신 산업에서 네트워크 전략, AX/DX 기반 상품 개발, 통신 서비스 제안 및 영업, 조직 관리 및 전략 기획 등과 관련하여 10년 이상의 실무 경력을 보유한 전문가와, 인공지능을 포함한 정보기술 분야에서 ICT 컨설팅·영업·기획 업무 또는 기술·정책 연구 경험을 보유한 전문가를 포함하여 총 23명으로 구성하였다. 전문가 설문은 23개 장애요인 후보군을 대상으로 5점 리커트 척도(1 = 전혀 그렇지 않다, 5 = 매우 그렇다)를 활용하여 실시하였으며, 각 요인이 통신 산업 내 생성형 인공지능 도입을 저해하는 요인으로서의 적합성과 중요도를 각각 평가하도록 구성하였다.

평가 결과의 신뢰성과 전문가 간 합의 수준을 확보하기 위해 단일 기준이 아닌 다중 합의 기준을 적용하였다. 구체적으로, 각 요인은 평균값(Mean)이 3.5 이상이면서 변동계수(Coefficient of Variation, CV)가 0.30 이하인 경우 응답의 안정성이 확보된 것으로 판단하였다. 동시에 합의 수준을 보완적으로 판단하기 위해 사분위 범위(IQR) 1.5 이하, 4점 이상 응답률 65% 이상, 중앙값(Median) 4.0 이상 가운데 하나 이상을 충족할 경우 전문가 간 합의가 이루어진 것으로 간주하였다. 이러한 기준은 적합성 평가와 중요도 평가에 동일하게 적용되었으며, 두 평가 모두에서 기준을 충족한 요인만을 최종 분석 대상으로 확정하였다.

정량적 평가 결과와 개방형 질문을 통해 수집된 전문가 의견을 종합적으로 검토한 결과, 최종적으로 15개의 장애요인이 선정되었다. 확정된 장애요인은 기술(Technology), 조직(Organization), 환경(Environment) 차원으로 구분하여 <Table 1>에 제시하였다.

3.2 생성형 인공지능 도입 장애요인 간 구조적 관계 도출

본 연구는 생성형 인공지능의 도입 장애요인이 개별적으로 독립된 요인으로 작용하기보다, 제도적·조직적·기술적 제약이 상호 연관된 구조를 형성하며 도입 과정에서 복합적으로 작용할 가능성이 있다는 문제의식에 기반한다. 특히 통신 산업은 제도·규제 환경, 조직 운영 방식, 기술 인프라가 복합적으로 결합된 산업적 특성을 지니고 있어, 실행 단계에서 관측되는 제약이 단일 요인의 문제가 아닌 다수의 제약이 연결된 구조로 나타날 가능성이 크다. 이러한 문제의 성격을 고려할 때, 요인 간 관계를 체계적으로 정리할 수 있는 구조적 분석 접근이 요구된다.

이에 본 연구는 복잡한 요인 간 상호작용 구조를 계층적으로 정리하는 데 강점을 지닌 해석적 구조 모델링(ISM)을 활용하였다. ISM은 다수의 요소가 상호 연계된 사회·기술 시스템을 대상으로, 요소 간 관계에 대한 전문가 판단을 토대로 구조를 도출하고 이를 계층적 형태로 표현하는 방법론이다[30]. 이러한 특성으로 인해 ISM은 개별 요인의 중요도나 빈도 분석을 넘어, 요인들이 어떠한 구조적 맥락 속에서 연결되어 있는지를 분석하는 데 적합한 도구로 활용되어 왔다. 본 연구가 ISM 기법을 채택한 이유는 다음과 같다. 첫째, 생성형 인공지능 도입은 기술·조직·환경 차원의 요인이 복합적으로 작동하는 문제로, 개별 요인의 중요도 비교를 넘어 요인 간 상호연관성을 고려한 구조적 접근이 요구된다. 둘째, 생성형 인공지능은 아직 시장 도입 초기 단계에 있는 기술로, 도입 성과나 운영 데이터가 충분히 축적되지 않은 상황에서도 전문가 판단을 기반으로 분석을 수행할 수 있는 방법론이 필요하다. 셋째, ISM은 요인 간 관계를 바탕으로 선후 관계와 계층 구조를 단계적으로 도출할 수 있는 기법[17]으로, 사전 이론모형의 통계적 검증을 전제하지 않고도 통신 산업의 생성형 인공지능 도입 장애요인을 구조적으로 설명하는 초기 분석 틀을 제시하는 데 적합하다.

ISM 분석의 핵심 입력 데이터는 장애요인 간 영향 관계에 대한 전문가 판단이다. 본 연구에서는 이를 위해 전문가 쌍대비교(pairwise comparison) 방식을 적용하였으며, 각 장애요인 쌍에 대해 영향 관계를 판별하도록 설계하였다. 이러한 쌍대비교 판단은 델파이 조사 방식으로 수행되었으며, 반복적 평가와 피드백 과정을 통해 요인 간 영향 관계에 대한 전문가 집단의 판단이 일정 수준으로 수렴되도록 설계되었다. 이를 통해 ISM 분석에 필요한 영향 관계 판단의 일관성과 안정성을 확보하고자 하였다.

구체적으로, 델파이 조사는 통신 산업 및 인공지능 분야에서 실무 또는 연구 경험을 보유한 전문가를 대상으로 실시되었으며, 최종 확정된 15개 장애요인을 기준으로 모든 요인 쌍에 대해 영향 관계를 평가하도록 구성되었다. 전문가들은 각 요인 쌍에 대해 요인 i가 요인 j에 영향을 미치는 경우(V: i→j), 요인 j가 요인 i에 영향을 미치는 경우(A: j→i), 두 요인이 상호 연계되어 영향을 주고받는 경우(X), 그리고 두 요인 간에 직접적인 영향 관계가 없는 경우(O) 중 하나를 선택하도록 요청받았다. 이를 통해 요인 간 영향 관계 판단을 정형화하고 응답의 비교 가능성을 확보하였다.

델파이 조사는 전문가 간 합의 수준이 확보될 때까지 반복 수행되었다. 1차 조사에서는 전문가의 독립적 판단을 수집하였고, 요인 쌍별 응답 분포를 바탕으로 합의 여부를 평가하였다[18]. 본 연구는 기존 델파이 기반 ISM 연구에서 활용된 합의 기준[16]을 참고하여, 합의도(Agreement Ratio) 50% 이상, 변동계수(Coefficient of Variation, CV) 0.30 이하, 사분위 범위(Interquartile Range, IQR) 1.0 이하의 세 가지 기준을 모두 충족한 경우에만 합의가 형성된 것으로 간주하였다. 1차 조사에서 합의 기준을 충족하지 못한 요인 쌍에 대해서는 요약 정보를 제공한 상태에서 추가 조사를 실시하였고, 그 결과 2차 조사 단계에서 모든 요인 쌍에 대해 합의 기준이 충족되어 추가 차수 없이 조사를 종료하였다.

델파이 조사를 통해 확정된 요인 간 영향 관계는 구조적 자기상호작용행렬(Structural Self-Interaction Matrix, SSIM)로 정리되었다. SSIM은 각 장애요인 쌍 ( i , j )에 대해 전문가 판단에 따라 설정된 영향 방향을 체계적으로 정리한 행렬로, 요인 간 관계 구조를 분석하기 위한 기초 자료로 활용된다. 이후 SSIM에 포함된 관계 기호 V , A , X , O는 ISM 절차에 따라 이진화 규칙을 적용하여 초기 도달행렬(Initial Reachability Matrix)로 E = [ e i j ] 변환하였다. 구체적으로, 관계 기호에 따른 이진화 규칙은 다음과 같다. 요인 i가 요인 j에 영향을 미치는 경우(V)에는 e i j = 1, e j i = 0, 요인 j가 i에 영향을 미치는 경우(A)에는 e i j = 0, e j i = 1, 두 요인이 상호 영향을 미치는 경우(X)에는 e i j = 1, e j i = 1, 마지막으로 두 요인 간에 직접적인 영향 관계가 없는 경우(O)에는 e i j = 0, e j i = 0으로 변환하여 요인 간 직접적인 영향 관계를 이진 행렬 형태로 표현하였다.

다음으로, 요인 간 직접적인 관계 외에도 간접적인 연쇄 관계를 반영하기 위해 전이성(transitivity) 가정을 적용하였다. 이는 요인 i가 요인 j에 영향을 미치고, 요인 j가 요인 k에 영향을 미치는 경우, 요인 i가 요인 k에 간접적으로 영향을 미친다고 가정하는 것이다. 본 연구에서는 이러한 전이성을 반영하기 위해 부울 대수(Boolean algebra)에 기반한 행렬 거듭제곱 연산을 수행하여, 새로운 간접 관계가 추가되지 않는 전이성 포화 상태의 최종 도달행렬(Final Reachability Matrix)을 도출한다.

마지막으로, 최종 도달행렬을 바탕으로 각 요인의 도달집합(Reachability Set)과 선행 집합(Antecedent Set)을 산출한다. 도달 집합은 특정 요인이 직접 또는 간접적으로 도달할 수 있는 모든 요인의 집합을 의미하며, 선행 집합은 해당 요인에 직접 또는 간접적으로 영향을 미치는 요인들의 집합을 의미한다. ISM의 계층 분할 절차에 따라, 도달 집합과 두 집합의 교집합이 일치하는 요인을 해당 단계의 최상위 계층으로 분류하고, 이를 제거한 후 동일한 절차를 반복함으로써 개별 장애요인의 구조적 위치를 계층적으로 확정한다.

3.3 생성형 인공지능 도입 장애요인의 구조적 역할 및 상호의존성 분석

앞선 3.2절에서는 ISM 분석을 통해 생성형 인공지능 도입 장애요인 간의 계층적 구조를 도출하였다. ISM은 요인 간 선후 관계와 구조적 위계를 파악하는 데 유용하나, 동일한 계층에 위치한 요인들 간에도 구조 내에서 수행하는 기능적 역할이나 상호의존성의 정도가 상이할 수 있다. 즉, 계층적 위치만으로는 각 요인이 전체 구조에서 얼마나 다른 요인에 영향을 미치며, 동시에 얼마나 다른 요인에 의해 제약되는지를 충분히 설명하기 어렵다. 이러한 한계를 보완하기 위해 본 연구는 ISM 분석 결과를 바탕으로 장애요인의 구조적 역할과 상호의존성을 추가적으로 분석하고자 한다.

이를 위해 본 연구는 교차영향행렬 곱셈 적용 분류(MICMAC) 분석을 적용하였다. MICMAC 분석은 ISM 분석 과정에서 도출된 최종 도달행렬을 활용하여 각 요인의 영향력(driving power, D i d r i v e)와 의존도(dependence power, D i d e p e n d)를 산출하고, 이를 기반으로 요인들의 구조적 역할을 분류하는 방법론이다[14]. 영향력은 특정 요인이 다른 요인들에 미치는 총 영향의 정도를 의미하며, 의존도는 해당 요인이 다른 요인들로부터 받는 영향의 정도를 의미한다. 이를 통해 각 요인이 구조 내에서 선행 조건으로 작동하는지, 실행 단계에서 상호의존적 제약으로 기능하는지, 혹은 다른 요인의 영향을 집약적으로 반영하는 위치에 놓이는지를 구분할 수 있다. 각 요인의 영향력은 최종 도달행렬의 해당 행(row) 합으로, 의존도는 해당 열(column)의 합으로 산출된다. 즉, 요인 i의 영향력(D i d r i v e)와 의존도(D i d e p e n d)는 D i d r i v e = ∑ j e i j, D i d e p e n d = ∑ j e j i로 산출된다.

MICMAC 분석에서는 <Figure 2>와 같이, 요인들을 영향력과 의존도의 상대적 크기에 따라 네 가지 유형으로 분류한다. 영향력이 높고 의존도가 낮은 요인은 독립형(independent) 요인으로 분류되며, 구조 내에서 다른 요인의 형성에 선행적으로 영향을 미치는 특성을 지닌다. 반대로 영향력이 낮고 의존도가 높은 요인은 종속형(dependent) 요인으로 분류되어, 구조 내 다른 요인들의 영향을 집약적으로 반영하는 결과적 성격을 가진다. 영향력과 의존도가 모두 높은 요인은 연계형(linkage) 요인으로 분류되며, 구조 내에서 상호의존성이 강해 변화가 연쇄적으로 확산될 가능성이 큰 요인군을 형성한다. 마지막으로 영향력과 의존도가 모두 낮은 요인은 자율형(autonomous) 요인으로 분류되며, 구조 전반에 미치는 영향이 제한적인 요인으로 해석된다.

본 연구에서 MICMAC 분석을 채택한 이유는 다음과 같다. 첫째, 생성형 인공지능 도입 장애요인은 기술·조직·환경 차원의 제약이 복합적으로 얽혀 있어, 요인 간 상호작용의 강도와 방향을 함께 고려한 분석이 요구된다. MICMAC 분석은 각 요인의 영향력과 의존도를 동시에 고려함으로써, 구조 내에서 수행하는 기능적 역할을 보다 정교하게 구분할 수 있다. 둘째, MICMAC 분석은 ISM 분석과 동일한 관계 데이터를 기반으로 수행되므로, 추가적인 자료 수집 없이도 계층 구조 분석 결과를 보완·확장할 수 있다는 장점을 지닌다. 이를 통해 계층적 위치와 구조적 역할을 종합적으로 해석할 수 있다. 셋째, MICMAC 분석은 구조적 요인 분석 분야에서 널리 활용되어 온 방법론으로, 전문가 판단에 기반한 구조 분석 결과를 체계적으로 정리하고 비교하는 데 적합하다.

마지막으로, 본 연구는 ISM과 MICMAC 기법을 통합적으로 적용함으로써 두 분석 기법이 제공하는 상호 보완적인 정보를 함께 활용한다. ISM이 장애요인 간의 계층적 구조를 도출하는 데 강점을 지닌다면, MICMAC은 각 요인의 영향력과 의존도를 기반으로 구조 내에서 수행하는 역할과 상호의존적 특성을 구분하는 데 강점을 가진다. 이러한 ISM–MICMAC 통합 접근을 통해 생성형 인공지능 도입 장애요인들의 구조적 위치와 기능을 체계적으로 분석하고, 이후 결과 분석 및 논의에서 보다 정교한 해석의 기초를 마련하고자 한다.

4. 연구 결과

4.1 생성형 인공지능 도입 장애요인의 계층적 구조

3.1절에서 설명한 절차에 따라, 전문가 델파이 조사를 통해 확정된 장애요인 간 영향 관계를 SSIM으로 정리하고, 이를 이진 도달 행렬로 변환한 후 전이성 가정을 적용하여 계층 구조를 도출하였다.

<Table 2>는 생성형 인공지능 도입 장애요인 간의 쌍대 영향 관계를 나타낸 SSIM이다. SSIM에서 행(row)은 영향을 미치는 요인을, 열(column)은 영향을 받는 요인을 의미하며, 각 셀에 표시된 기호(V, A, X, O)는 요인 간 영향 방향의 유형을 나타낸다. 이 행렬은 이후 도달행렬 변환 및 계층 구분을 위한 기초 자료로 활용되었다.

SSIM을 기반으로 도출된 최종 도달행렬에 대해 도달 집합과 선행 집합의 반복적 비교를 수행한 결과, 통신 산업의 생성형 인공지능 도입 장애요인은 총 네 개의 계층(level)으로 구조화되었다. 이러한 계층적 배치는 개별 요인의 중요도 크기를 의미하기보다는, 전체 구조 내에서 요인들이 어떠한 순서와 경로를 통해 연결되는지를 나타낸다. 도출된 계층 구조는 <Figure 3>에 제시되어 있다.

분석 결과, 최하위 계층(Level 4)에는 국가 간 제도 및 기술 표준의 정합성 부재(C14)가 단독으로 위치하였다. 해당 요인은 다른 다수의 장애요인에 영향을 미치는 구조적 출발점에 위치하며, 다른 요인들로부터의 직접적인 영향은 상대적으로 제한적인 것으로 나타났다. 이는 통신 산업에서 생성형 인공지능 도입과 관련된 제약 구조가 제도·표준 차원의 환경적 요인에서 비롯될 가능성을 시사한다.

그 상위 계층(Level 3)에는 일자리 대체에 대한 불안(C8), 불명확한 법·제도 및 규제 미비(C11)가 위치하였다. 이들 요인은 하위 계층에 위치한 제도·표준 차원의 제약과 연결되면서, 규제 해석의 불확실성이나 조직 구성원의 인식 차원에서 보다 구체적인 도입 장애로 나타나는 중간 단계의 요인으로 확인되었다.

중간 계층(Level 2)에는 다수의 기술적·조직적·운영적 장애요인이 집중적으로 분포하였다. 구체적으로, 데이터 품질 및 가용성 문제(C1), 데이터 보안 및 개인정보 보호 문제(C2), 기술 인프라 및 기존 시스템 통합의 어려움(C3), 생성형 인공지능 성능에 대한 불확실성(C4), 전문 인력 및 기술 역량 부족(C5), 조직 전략 부재 및 리더십 부족(C7), 조직의 준비도 및 혁신성 부족(C9), 데이터 공유에 대한 조직 저항(C10), 도입 및 인프라 구축 비용 부담(C12), ROI 불확실성 및 예산 제약(C13), 협업 및 생태계 부족(C15)이 이 계층에 포함되었다. 이 계층의 요인들은 상위 및 하위 계층과 다층적으로 연결되어 있으며, 도입 실행 단계에서 직접적으로 관측되는 장애요인으로 나타난다.

최상위 계층(Level 1)에는 생성형 인공지능 도입 관련 의사결정 지연 및 불확실성(C6)이 단독으로 위치하였다. 이는 해당 요인이 다른 다수의 장애요인으로부터 영향을 받는 구조적 특성을 지니며, 개별 요인의 문제가 아니라 하위 계층에 위치한 제도·규제·조직·기술적 제약이 결합되어 나타나는 장애요인임을 보여준다.

요약하면, ISM 분석 결과 통신 산업의 생성형 인공지능 도입 장애는 제도 및 표준 차원의 환경적 제약에서 출발하여, 규제 및 인식 요인을 거쳐, 실행 단계의 기술적·조직적 제약을 형성하고, 최종적으로 도입 의사결정 지연으로 수렴되는 계층적 구조를 보였다. 이러한 결과는 생성형 인공지능 도입 장애요인을 개별 요인으로 분절적으로 해석하기보다, 요인 간 연결 경로와 구조적 위치를 함께 고려할 필요가 있음을 보여준다.

4.2 생성형 인공지능 도입 장애요인의 구조적 역할 분류

본 절에서는 MICMAC 분석을 통해 생성형 인공지능 도입 장애요인의 구조적 역할과 상호의존성을 분석한 결과를 제시한다. MICMAC 분석은 ISM 분석을 통해 도출된 최종 도달행렬을 기반으로 각 요인의 영향력과 의존도를 산출하고, 이를 통해 요인들이 구조 내에서 수행하는 기능적 역할을 분류하는 데 목적이 있다.

장애요인 간의 구조적 역할을 정량적으로 분석하기 위해 최종 도달행렬을 바탕으로 영향력과 의존도를 산출한 결과는 <Table 3>과 같다. 산출된 수치를 바탕으로 각 요인을 4분면으로 분류한 결과, 총 15개 장애요인은 독립형 3개, 연계형 11개, 종속형 1개로 분류되었으며, 자율형 요인은 도출되지 않았다. 이는 통신 산업의 생성형 인공지능 도입 장애 구조가 상호연결성이 매우 높은 요인들로 구성되어 있음을 시사한다.

<Figure 4>에 따르면, 종속형(Ⅱ사분면)에는 생성형 인공지능 도입 관련 의사결정 지연 및 불확실성(C6)이 단독으로 위치하였다. 종속형 요인은 낮은 영향력과 높은 의존도를 특징으로 하며, 구조 내에서 다른 요인의 영향을 받는 성격을 갖는다. 따라서 생성형 인공지능 도입 관련 의사결정 지연 및 불확실성(C6)은 개별 요인의 단순 합이 아니라, 하위 요인들의 상호작용이 구조적으로 반영된 결과적 성격(outcome-oriented nature)을 지닌 요인으로 해석된다.

연계형(Ⅲ사분면)에는 11개 요인이 분류되었다. 데이터 품질 및 가용성 문제(C1), 데이터 보안 및 개인정보 보호 문제(C2), 기술 인프라 및 기존 시스템 통합의 어려움(C3), 생성형 인공지능 성능에 대한 불확실성(C4), 전문 인력 및 기술 역량 부족(C5), 조직 전략 부재 및 리더십 부족(C7), 조직의 준비도 및 혁신성 부족(C9), 데이터 공유에 대한 조직 저항(C10), 도입 및 인프라 구축 비용 부담(C12), ROI 불확실성 및 예산 제약(C13), 협업 및 생태계 부족(C15)이 이에 해당한다. 연계형 요인은 영향력과 의존도가 모두 높아 구조적으로 민감한 특성을 가진다. 이들은 다른 요인에 영향을 미치는 동시에 다른 요인으로부터 영향을 받는 상호의존적 관계를 형성한다. 따라서 연계형 요인군은 도입 과정에서 변화 관리의 난이도가 높고, 부분적 개입이 연쇄적 효과를 유발할 수 있는 핵심 실행 제약으로 간주될 수 있다.

독립형(Ⅳ사분면)에는 일자리 대체에 대한 불안(C8), 불명확한 법·제도 및 규제 미비(C11), 국가 간 제도 및 기술 표준의 정합성 부재(C14)가 포함되었다. 이들 요인은 높은 영향력과 낮은 의존도를 보이며, 전체 구조 내에서 다른 요인에 선행하여 작동하는 핵심 제약 요인으로 해석된다. 특히 독립형 요인의 분포는 통신 산업에서 생성형 인공지능 도입 장애가 기술적 실행 문제 이전에 제도·규제 및 사회적 인식과 같은 환경적 조건에 의해 구조적으로 제약될 가능성을 시사한다.

5. 논의 및 시사점

본 연구는 ISM과 MICMAC 기법을 통합적으로 적용하여 통신 산업에서 생성형 인공지능 도입을 저해하는 장애요인이 어떠한 구조적 관계 속에서 형성되고 작동하는지를 분석하였다. 분석 결과, 생성형 인공지능 도입 장애는 개별 요인이 독립적으로 작용하기보다는, 제도적·조직적·기술적 제약이 구조적으로 연결되어 선행적 조건에서 실행 단계의 제약을 거쳐 도입 의사결정 단계의 제약으로 수렴되는 양상을 보였다. 이러한 구조적 특성은 생성형 인공지능 도입을 단일한 기술 채택 문제로 해석하기보다, 통신 산업의 적용 맥락에 따라 제약 요인의 의미와 강조점이 달라질 수 있음을 시사한다.

먼저 통신 산업에서 생성형 인공지능이 대고객 서비스 영역에 적용되는 경우, 고객 신뢰, 개인정보 보호, 서비스 책임성과 같은 제도적·사회적 요구가 상대적으로 강하게 작용한다. 이러한 맥락에서는 규제 불확실성, 제도 및 기술 표준의 정합성 부족, 일자리 대체에 대한 불안과 같이 ISM 분석에서 하위 계층에 위치하고 MICMAC 분석에서 독립형으로 분류된 요인들이 구조적으로 중요한 제약으로 작동할 가능성이 크다. 이는 대화형 서비스나 고객 접점 중심의 생성형 인공지능 활용이 기술적 성숙도 이전에 제도적 허용성과 사회적 수용성에 의해 구조적으로 제한될 수 있음을 의미한다. 다시 말해, 대고객 서비스 영역에서의 도입 장애는 기술 구현의 문제보다, 도입이 허용될 수 있는 조건과 책임 구조가 명확히 정립되었는지에 대한 문제로 해석될 수 있다.

반면 네트워크 및 서비스 운영 영역에서는 안정성, 신뢰성, 비용 효율성과 같은 운영 성과 요건이 핵심적으로 작용한다. 이 경우 기술 인프라 및 기존 시스템 통합의 어려움, 생성형 인공지능 성능에 대한 불확실성, 도입 및 인프라 구축 비용 부담과 같이 ISM 중간 계층에 집중되어 있고 MICMAC 분석에서 연계형으로 분류된 요인들이 주요한 실행 제약으로 부각된다. 이러한 요인들은 상호의존성이 높아 단일 요인에 대한 개선만으로는 구조적 제약이 완화되기 어렵고, 기술·조직·비용 요소가 결합된 형태로 도입의 병목을 형성한다. 이는 네트워크 운영 영역에서 생성형 인공지능 도입이 단순한 파일럿 프로젝트의 문제가 아니라, 운영 구조 전반과 연계된 복합적인 전환 과제로 인식될 필요가 있음을 시사한다.

내부 업무 및 지식 지원 영역에서는 외부 규제나 고객 대응 부담은 상대적으로 낮지만, 조직 내부의 전략적 정렬과 준비도가 도입 성과에 중요한 영향을 미친다. 이와 관련하여 조직 전략 및 리더십 부재, 조직의 준비도 및 혁신성 부족, 데이터 공유에 대한 조직 저항과 같은 연계형 요인들이 구조 내에서 핵심적인 역할을 수행할 가능성이 있다. 이는 생성형 인공지능 도입이 기술 접근성이나 도구의 가용성만으로 자연스럽게 확산되기보다는, 조직 차원의 활용 범위 설정, 업무 프로세스 재설계, 변화 관리 방식과 긴밀히 연결되어 있음을 보여준다. 내부 업무 영역에서의 도입 장애는 '도입 여부'보다는 '어디까지, 어떻게 활용하도록 허용할 것인가'의 문제로 해석될 수 있다.

이와 같이 ISM과 MICMAC 분석을 통해 도출된 구조는 생성형 인공지능 도입 장애가 모든 적용 영역에서 동일하게 작동하기보다는, 적용 영역의 특성에 따라 강조되는 제약 요인의 조합과 구조적 의미가 달라질 수 있음을 시사한다. 독립형 요인은 적용 영역 전반에서 선행 조건으로 작동할 가능성이 크며, 연계형 요인은 실행 단계에서 상호의존적 제약으로 기능하고, 종속형 요인은 이러한 제약이 누적된 결과로 나타난다. 이러한 구조적 이해는 통신 산업에서 생성형 인공지능 도입 장애를 단편적으로 파악하는 접근의 한계를 보완하며, 도입 전략을 보다 맥락적으로 설계할 필요성을 제기한다.

실무적 관점에서 볼 때, 본 연구의 결과는 생성형 인공지능 도입 지연이나 의사결정 불확실성을 단기적인 관리 문제로 접근하는 방식의 한계를 시사한다. 종속형 요인으로 도출된 의사결정 지연은 하위 계층의 제도적·조직적·기술적 제약이 구조적으로 결합된 결과로 나타나므로, 일부 절차 개선이나 시범 사업 확대만으로는 반복적으로 재현될 가능성이 있다. 또한 연계형 요인군의 높은 상호의존성은 생성형 인공지능 도입을 단일 부서 중심의 기술 프로젝트로 추진하기보다는, 데이터·보안·인프라·인력·예산을 포괄하는 통합적 접근이 필요함을 시사한다.

종합하면, 본 연구는 통신 산업에서 생성형 인공지능 도입 장애가 개별 요인의 문제가 아니라, 적용 영역의 특성과 결합된 구조적 제약으로 작동함을 보여준다. 이러한 구조적 관점은 생성형 인공지능 도입 전략의 우선순위를 설정하고, 도입 과정에서 발생하는 제약을 보다 체계적으로 이해하는 데 기초적인 분석 틀을 제공한다.

6. 결 론

본 연구는 통신 산업에서 생성형 인공지능 도입을 저해하는 장애요인을 식별하고, 장애요인 간의 구조적 상호관계와 계층적 영향 구조를 규명함으로써 도입 제약이 어떠한 경로를 통해 형성·수렴되는지를 분석하였다. 이를 위해 문헌 검토와 전문가 검증을 통해 최종 15개 장애요인을 확정한 후, 델파이 기반 ISM 분석으로 장애요인의 계층 구조를 도출하고, MICMAC 분석을 통해 각 요인의 영향력과 의존도에 기반한 구조적 역할을 분류하였다.

본 연구의 학술적 기여는 다음과 같다. 첫째, 생성형 인공지능 도입 장애를 환경·제도·조직·기술 요인이 계층적으로 연결된 구조적 제약 문제로 재해석함으로써 기존 연구에서 상대적으로 간과되었던 하위 환경 요인의 선행적 역할과 실행 단계 제약 간의 구조적 연계를 체계적으로 제시하였다. 둘째, 통신 산업이라는 규제·표준 의존성이 높은 맥락에서 ISM과 MICMAC을 결합한 구조 분석 접근을 적용함으로써, 신기술 도입 초기 단계에서 데이터 제약 하에서도 활용 가능한 분석 프레임워크를 제시하였다.

위와 같은 기여에도 불구하고 본 연구는 다음과 같은 한계를 가진다. 첫째, 본 연구의 구조 분석 결과는 전문가 판단에 기반한 탐색적 결과로, 통계적 인과관계로 일반화하기보다는 구조적 관계에 대한 해석으로 이해할 필요가 있다. 둘째, 델파이 조사 과정에서 전문가 판단의 수렴을 위해 2차 조사 시 1차 조사 결과의 요약 정보를 제공하였으며, 이로 인해 일부 판단에서 동조 효과가 발생했을 가능성을 완전히 배제할 수는 없다. 셋째, 본 연구는 통신사업자를 중심으로 분석을 수행하였기 때문에, 다른 산업으로의 직접적인 일반화에는 제약이 존재한다.

향후 연구에서는 본 연구에서 제시한 구조적 분석 결과를 바탕으로 산업 간 비교 연구를 수행하여 생성형 인공지능 도입 장애 구조의 맥락 의존성을 검증할 필요가 있다. 또한 실제 도입 사례 데이터와 결합한 실증 분석을 통해 구조적 제약 요인이 도입 성과에 미치는 영향을 정량적으로 검증함으로써, 본 연구 결과의 외적 타당성을 확장할 수 있을 것이다. 결과적으로 본 연구는 통신 산업에서 생성형 인공지능 도입 장애를 구조적 관점에서 이해할 필요성을 제시하고, 도입 전략과 정책적 개입의 우선순위를 보다 정교하게 논의하기 위한 분석적 기초를 제공한다는 점에서 의의를 가진다.