Journal Search Engine

ISSN : 2005-0461(Print)
ISSN : 2287-7975(Online)

Journal of Society of Korea Industrial and Systems Engineering Vol.49 No.2 pp.74-83
DOI : https://doi.org/10.11627/jksie.2026.49.2.074

Perceived Service Quality and Behavioral Intention to Use AI Chatbots: A User Group Comparison Based on UTAUT2 and SERVQUAL

Dasol Lee^*

, Taeho Kim^**

, Jeman Boo^***†

^*Department of Global Culture Business Management, Woosuk University
^**Department of Business Administration, Hanyang University
^***Department of Business Administration, Hanyang University

^†Corresponding Author : boojeman@hanyang.ac.kr

Received 13/04/2026 Finally Revised 26/05/2026 Accepted 03/06/2026

Abstract

As artificial intelligence (AI) technologies continue to advance, AI chatbots have become a key digital interface in customer service environments. However, users exhibit heterogeneous levels of acceptance and continued usage, indicating the need for an integrated perspective that considers both technology acceptance and service quality. This study aims to provide a multidimensional understanding of AI chatbot acceptance by integrating the Unified Theory of Acceptance and Use of Technology 2 (UTAUT2) with the SERVQUAL framework. Using survey data collected from AI chatbot users, this study first employs cluster analysis based on UTAUT2 factors to classify users into three clusters: high, medium, and low levels. Analysis of variance reveals statistically significant differences in perceived service quality across clusters, with higher acceptance clusters reporting more favorable SERVQUAL evaluations, particularly in terms of responsiveness. Subsequent multiple regression analyses demonstrate that the effects of SERVQUAL dimensions on behavioral intention to use AI chatbots vary across clusters. The results indicate that AI chatbot user clusters differ significantly in their perceptions of service quality, and that the SERVQUAL factors affecting behavioral intention to use AI chatbots are not uniform across clusters. This study contributes to the literature by empirically linking technology acceptance levels with service quality perceptions in AI chatbot contexts. Practically, the findings suggest that firms should adopt cluster-specific strategies to enhance chatbot design, service quality management, and user engagement.

Key Words : AI Chatbots , SERVQUAL , UTAUT2 , Service Quality , Behavioral Intention

AI 챗봇 서비스 품질 인식과 이용의도: UTAUT2와 SERVQUAL 기반 사용자 집단 비교

이다솔^*, 김태호^**, 부제만^***†

^*우석대학교 글로벌문화경영학부
^**한양대학교 일반대학원
^***한양대학교 경영학과

초록

키워드 :

This article has been cited by 0 article in crossref

Cited-By

Funding:

1. 서 론

인공지능(AI) 기술의 발전과 함께 기업의 고객 서비스 및 마케팅 채널에서 AI 챗봇 서비스의 중요성이 증대되고 있다. AI 챗봇의 글로벌 시장 규모는 2024년 기준 약 84억 달러로 연평균 25.9% 성장세에 이르고 있다[20]. 그 배경에는 고도화된 AI가 탑재된 챗봇이 시간과 공간의 제약 없이 사용자에게 즉각적이고 효율적인 정보와 서비스를 제공하는 핵심적인 기술로 자리 잡았으며, 고객의 데이터를 기반으로 고객응대 품질을 획기적으로 높인 것에 기인한다[27]. AI 챗봇의 성공적인 정착과 지속적인 확산을 위해서는 사용자들이 해당 기술을 어떻게 수용하며, 어떤 서비스 품질 요소를 중요하게 인식하는지에 대한 심층적인 이해가 필수적이다. 그러나 선행 연구들은 UTAUT(Unified Theory of Acceptance and Use of Technology) 이론을 활용하여 사용 의도를 예측하거나, SERVQUAL 모델을 통해 서비스 품질 인식 연구에 한정되어 있다. 하지만 AI 챗봇은 기술과 서비스가 결합된 복합적인 성격을 가지므로, 이 두 가지 관점을 통합적으로 고려해야 한다.

본 연구는 기존 선행 연구의 한계를 극복하고, AI 챗봇 수용 의도를 다차원적으로 이해하기 위해 UTAUT2 수준을 기준으로 사용자 집단을 세분화하고, 이 세분된 그룹별로 SERVQUAL 요인의 인식 수준과 최종 사용 의도에 미치는 영향이 어떻게 차별화되는지를 규명한다. 특히, 수용 의도의 선행 요인인 UTAUT2의 수준과 SERVQUAL 인식 수준의 합치성을 확인하여, 기술 수용 이론과 서비스 품질 이론의 통합적 연관성을 실증적으로 제시한다. 궁극적으로 AI 챗봇 서비스의 성공적인 개발 및 운영을 위한 군집별 맞춤형 전략 수립의 근거를 제공하고자 한다.

2. 이론적 배경

2.1 AI 챗봇

AI(Artificial Intelligence)과 챗봇(Chatbot)의 합성어인 AI 챗봇은 자연어 기반의 텍스트 메시지를 통해 사용자와 상호작용을 수행하는 대화형 에이전트(Conversational Agents, CAs)를 의미한다[7]. 기업에서 제공하는 AI 챗봇은 주로 개인화된 추천 및 지원 제공을 목표로 하는 도메인 특화 기반의 텍스트 기반 대화형 에이전트(domain-specific text-based CAs)에 속한다. 반면 Siri나 Alexa와 같은 음성 기반 대화형 에이전트(speech-based CAs)는 가상 비서 형태로 사용자와 음성 입력을 통해 상호작용한다[28]. 다만 최근에는 음성-텍스트 변환 기술의 발전으로 텍스트 기반과 음성 기반 간 경계가 점차 모호해지고 있다[7].

본 연구에서 논의하는 AI 챗봇은 전자상거래 환경에서 개인화된 추천과 지원 제공을 목적으로 하는 텍스트 기반 대화형 에이전트에 초점을 둔다. 기존의 챗봇 서비스는 FAQ(Frequently Asked Questions) 혹은 시나리오 기반의 단순 정보 검색 서비스를 제공했으나, 최근의 AI 챗봇은 딥러닝(Deep Learning)과 생성형 AI 기술을 바탕으로 맥락 이해, 감정 인식, 개인화된 응대가 가능한 지능형 서비스로 진화하고 있다. 따라서 마치 사람과 대화하는 것처럼 인간 친화적이며, 거의 모든 주제에 대해 질문도 가능하다.

AI 챗봇은 고객 응대 품질과 운영 효율성이 향상된 핵심 디지털 채널로 자리 잡았다[27]. 금융, 의료, 전자상거래, 공공 서비스 등 다양한 산업에서 고객 응대 비용 절감, 24시간 서비스 제공, 응답 일관성 확보 등의 장점을 바탕으로 빠르게 확산하고 있다[7, 21]. 특히 생성형 AI 챗봇은 소비자 빅데이터를 학습하여보다 정교한 추천을 제공할 수 있어 상품 추천에 더욱 효과적인 것으로 나타난다[29]. 이에 여러 산업에서 고객 대응 서비스 확장과 운영 효율화 차원에서 대화형 챗봇 형태의 AI 에이전트 서비스를 적극 활용하는 추세이다[8].

그러나 이러한 확산에도 불구하고, 사용자들은 여전히 챗봇의 응답 정확성 부족, 공감적 상호작용의 한계, 인간 상담원 대비 낮은 신뢰성을 주요 문제로 인식하고 있으며, 이는 챗봇의 수용과 지속 사용에 부정적인 영향을 미치는 요인으로 지적되고 있다[2]. 이는 AI 챗봇이 기술적 혁신의 산물임과 동시에 서비스 제공 주체로 인식되고 있음을 의미하며, 단순한 기술 성능을 넘어 상호작용 과정에서 지각되는 서비스 품질이 사용자 평가에 중요한 역할을 함을 시사한다. 따라서 AI 기반 챗봇이 핵심 디지털 서비스 접점으로 기능하기 위해서는, 사용자가 인식하는 서비스 품질 수준 진단과 더불어, 이러한 인식이 기술 수용 의도로 연결되는지를 통합적으로 검증할 필요가 있다.

2.2 SEVQAUL과 AI 챗봇 연구

서비스 품질(Service Quality)은 고객이 인식하는 서비스 성과와 기대 간의 비교를 통해 형성되는 개념으로, Parasuraman et al.[24]는 SERVQUAL 모형을 통해 신뢰성, 응답성, 확신성, 공감성, 유형성의 다섯 가지 차원을 제시하였다. 이후 디지털 환경의 확산에 따라 SERVQUAL은 온라인 및 비대면 서비스 환경에 적합하도록 확장․적용되어 왔다. 이후 Parasuraman은 전자상거래 환경을 반영한 e-SERVQUAL을 제시하며, 온라인 서비스에서도 서비스 품질 인식이 고객 만족과 행동 의도에 중요한 영향을 미친다고하였다[25]. 이러한 논의는 직접적인 대면 접점이 최소화된 AI 챗봇 서비스 환경에서도 적용 가능하다. 특히 AI 챗봇은 고객 문의 응대, 문제 해결, 정보 제공 등에서 서비스 제공자의 역할을 수행한다는 점에서 챗봇에 대한 고객의 평가는 단순한 기술 도구를 넘어 서비스 품질 인식으로 확장될 필요가 있다.

최근 연구들은 AI 챗봇을 하나의 서비스 접점으로 간주하고, 챗봇의 응답 정확성, 신뢰성, 공감적 표현, 문제 해결 능력 등을 서비스 품질 차원에서 분석하고 있다. Ashfaq et al.[3]은 챗봇 서비스 품질이 고객 만족과 지속 이용 의도에 유의한 영향을 미친다고 밝혔다. Chung et al.[5]은 럭셔리 브랜드에서 챗봇의 신뢰성과 정확성이 고객 만족을 형성하는 핵심 요인임을 실증하였다. Song et al.[30]은 AI 챗봇을 5가지 유형으로 구분하고 인식된 소통 품질이 채택 의도에 미치는 유의한 영향을 확인하였다. Jeon and Yoo[10]는 SERVQUAL 차원을 적용하여 챗봇 서비스 품질이 인지된 유용성과 이용 의도에 긍정적인 영향을 미친다는 결과를 제시하였다. Yun and Park[34]은 챗봇의 감정 표현 여부에 따라 SERVQUAL 품질 요인이 고객 만족과 재구매 의도, 긍정적 구전에 미치는 영향이 달라짐을 확인하였다. 연구 결과, 신뢰성, 확신성은 모두 유의한 영향을 미친 반면, 공감성은 감정 표현을 사용하는 챗봇에서만 유의한 영향을 보였고, 응답성은 고객 만족에 유의미한 영향을 미치지 않았다. Chopra et al.[4]은 남아시아의 다양한 산업 분야에서 챗봇 서비스를 이용한 소비자를 대상으로 확신성 및 유형성이 고객 만족에 유의미한 영향을 미친다는 점을 실증하였다. 이러한 연구들은 AI 챗봇 환경에서도 서비스 품질 개념이 여전히 유효하며, 고객 경험을 이해하는 데 SERVQUAL 기반 접근이 중요한 분석 틀로 기능할 수 있음을 시사한다.

2.3 UTAUT2 모델과 AI 챗봇 연구

UTAUT(Unified Theory of Acceptance and Use of Technology)는 TAM, TRA, TPB 등 기존의 기술 수용 및 행동이론을 통합하여 제시한 모형이다[32]. 기존의 TAM 중심 연구는 기술의 기능적 유용성과 사용 용이성에 초점을 두는 경향이 있었으나, 기술과 서비스가 결합된 환경에서는 보다 확장된 이론적 틀이 요구되었다. 이에 UTAUT는 성과기대(Performance Expenctancy), 노력기대(Effort Expenctancy), 사회적 영향(Social Influence) 및 촉진 조건(Facilitating Conditions)의 네 가지 핵심 요인을 통해 다양한 기술 환경에서 사용자 행동 의도를 설명하고자 하였다. 이후 소비자 사용 맥락을 반영하여 확장된 UTAUT2는 기존 요인에 쾌락적 동기(Hedonic Motivation), 가격 가치(Price Value), 습관(Habit)을 추가함으로써, 개인의 기술 수용 의도를 보다 정교하게 설명하는 이론으로 발전하였다[33]. UTAUT2는 모바일 서비스, 온라인 쇼핑, 교육 기술, 자율주행 서비스 등 다양한 디지털 서비스 분야에서 폭넓게 적용되며, 신기술 수용 연구의 대표적인 이론적 틀로 활용되고 있다.

Madigan et al.[19]에 따르면, 자율주행 및 스마트 모빌리티 서비스에서는 사회적 영향과 습관이 수용 의도에 유의미한 영향을 미치는 것으로 나타났다. Alalwan et al.[1]는 모바일 뱅킹 이용 의도에 성과 기대, 노력 기대, 쾌락적 동기, 가격 가치가 모바일 뱅킹 이용 의도에 긍정적인 영향을 미치는 것을 확인하였다. Oliveira et al.[23]는 UTAUT2와 혁신확산론(DOI)을 결합하여 성과 기대와 사회적 영향이 모바일 결제 도입과 추천 의향에 미치는 영향을 확인하였다. Lee[17]는 기대–확인모형(ECM)과 UTAUT를 통합하여 간편결제 서비스의 지속 사용 의도를 분석한 결과, 성과기대, 노력기대, 사회적 영향, 습관이 지속 사용 의도에 유의한 영향을 미친다고 밝혔다. Lee and Kim[16]은 코로나19 상황에서 모바일 배달 앱 이용자의 지속 사용 의도가 성과기대와 사회적 영향에 의해 유의하게 설명됨을 확인하였다. 또한 Jeon et al.[11]의 연구에서는 생성형 AI 서비스 만족과 지속 사용 의도에 성과기대, 노력기대, 사회적 영향, 쾌락적 동기, 가격 가치, 습관, 신뢰가 긍정적인 영향을 주었다. 이러한 연구들은 UTAUT2가 최신 AI 기반 서비스 환경에서도 유효한 기술 수용 이론임을 시사한다.

AI 챗봇 서비스는 단순한 기술 도구를 넘어 사용자와 지속적으로 상호작용하며 경험을 축적하는 디지털 서비스라는 점에서 전통적인 기술 수용 맥락과는 차별화된 특성을 지닌다. 챗봇의 수용과 지속 사용은 기능적 효율성뿐만 아니라 사용의 즐거움, 반복 사용을 통한 습관 형성, 사회적 환경에서의 인식 등 소비자 사용 맥락의 요인이 복합적으로 작용한다. 이러한 특성을 고려할 때, 소비자 중심 요인을 포함하는 UTAUT2는 AI 챗봇 수용과 지속 사용 행동을 설명하는 데 적합하다.

한편, 기존 연구들은 주로 UTAUT2 요인이 사용 의도 또는 지속 사용 의도에 미치는 직접적인 영향에 초점을 두어 왔으며, 사용자 집단을 기술 수용 수준에 따라 세분화하거나 서비스 품질 인식과 연계하여 분석한 연구는 제한적이다. 특히 기술 기반 서비스 환경에서는 사용자별 수용 수준에 따라 서비스 품질에 대한 인식과 평가가 상이하게 형성될 수 있음에도 불구하고, 이러한 이질성을 반영한 분석은 충분히 이루어지지 않았다. 이에 본 연구는 UTAUT2 수준을 기준으로 사용자 집단을 분류하고, 집단별 SERVQUAL 요인 인식 차이와 만족 및 사용 의도에 미치는 영향을 비교․분석함으로써 기술 수용 이론과 서비스 품질 이론을 통합적으로 검증하고자 한다.

3. 연구 설계

3.1 연구 모형

본 연구는 2단계로 진행된다. 1단계는 UTAUT2 요인의 수준에 따라 군집분석을 수행한다. 군집분석의 타당성을 위해 Ward’s와 K-mean 분석방법을 이용하여 교차검증한다. 2단계에서는 군집별 SERVQUAL 평균을 비교하고 다중회귀분석을 통해 집단간 유의한 가설을 비교한다. 이를 도식화한 연구 모형 <Figure 1>과 같으며, 이에 따른 가설도 함께 제시하였다.

H1: AI 챗봇 사용자의 UTAUT2 수준에 따라 군집이 다르다.
H2: UTAUT2 요인 수준에 따라 분류된 군집들 간에는 SERVQUAL의 인식 수준에 차이가 있다.
H3: 군집에 따라 SERVQUAL이 AI 챗봇 수용의도에 미치는 영향 차이가 있다.

3.2 조작적 정의

연구를 위해 사용된 변수들의 조작적 정의는 <Table 1>과 같다.

4. 연구 결과

AI 챗봇 이용 경험이 있는 응답자들에 한하여 2025년 4월 28일부터 5월 23일까지 약 한달 간 데이터를 수집하였다. 불성실하거나 부분 미응답을 제외한 193개 응답 결과를 활용하였다. 분석에는 SPSS와 AMOS를 이용하였다.

4.1 빈도분석

응답자들에 대한 빈도분석 결과는 <Table 2>와 같다. 성별은 남성이 48.2%, 여성이 51.8%로 큰 차이가 없었다. 연령은 30대가 45.1%로 가장 많았고, 20대 36.3%, 40대 11.9%, 50대 이상이 6.7%였다. AI 챗봇 사용 빈도는 ‘월 1~2회 사용’이 37.3%로 가장 높았으며, ‘주 1~2회 사용’ 20.2%, ‘연 3~6회 사용’ 19.2%, ‘연 1~2회 사용’ 15.5%, ‘매일 사용’ 7.8%, 순으로 나타났다. 사용 용도는 중복 응답이 가능하도록 하였으며 ‘상담’이 75.1%로 압도적으로 높았다. ‘정보 검색’이 32.1%로 다음이었으며, ‘상품 추천’이 10.9%, ‘주문/결제’가 15.0% 순이었다.

4.2 요인분석

설문 문항의 타당성과 신뢰성을 확보하기 위해 요인분석을 실시하였다. 분석에 앞서 모든 부정 문항은 역코딩(reverse coding)하였다.

요인분석 결과, 노력기대 문항3번과 신뢰성 3번은 요인적재치가 낮아 삭제하였다. 최종 채택된 요인분석 결과 <Table 3>과 같다.

대부분 요인들의 요인적재치가 0.5 이상으로 적합하였으나 쾌락동기 문항 2번의 요인적재치가 0.414로 기준치인 0.5보다 다소 낮았다. 개념신뢰도를 측정하기 위한 CR값도 대부분 0.7 이상이었으나, 쾌락동기와 촉진조건에서 낮은 점수를 보였다. 신뢰성 검증을 위한 Cronbach’s alpha 값은 다수에서 높은 값을 보였다. 쾌락동기 문항 2번은 타당성이 양호한 수준이며 항목이 적은 경우 요인으로 부적합할 수 있기 때문에 최소 2개 이상의 항목 유지하였다. KMO 값이 0.960으로 높았으며, Bartlett 구형성 검증 결과가.000으로 유의하였다. 따라서 본 연구에서 사용된 문항은 타당성과 신뢰성을 확보하였다고 판단한다.

4.3 군집분석

UTAUT2의 5가지 요인을 이용하여 군집 분석하였다. 분석에 앞서 데이터는 모두 표준화하였다. 군집분석의 신뢰성과 타당성을 확보하기 위해 계층적 군집분석법인 Ward's 방법과 비계층적 군집분석방법인 K-means 방법을 모두 사용하여 교차검증하였다.

먼저 Ward's 방법을 통한 분류 결과는 다음과 같다. <Table 4>의 군집화 일정표는 각 단계에 군집으로 묶인 데이터 간의 거리를 보여준다. 1개에서 2개, 2개에서 3개, 3개에서 4개로 군집 수가 변화할 때 값이 크게 증감하므로 적정 군집의 수는 2~4개로 파악된다.

이를 바탕으로 2, 3, 4개의 경우로 군집 간의 분산분석을 실시하였으며 3개가 가장 안정적으로 나타났다. 3개의 군집에 대한 분산분석의 결과는 <Table 5>와 같다.

다음으로 K-means 방법으로 3개의 군집으로 분류하였으며 군집 간 분산분석 결과는 <Table 6>에 정리하였다. 계층적 군집분석법과 비계층적 군집분석방법에 의한 군집들의 평균과 표본의 개수가 유사하며, 분산분석이 모두 유의하므로 군집분석 결과가 신뢰성과 타당성을 확보하였다.

분류된 군집에 대해서 <Table 7>과 같이 정의하였다. 3개의 군집은 UTAUT2의 상중하로 구분되며 이는 UTAUT2 요인에 따라 AI 챗봇 사용자들을 구분할 수 있음을 의미한다. 또한, 각 군집이 챗봇 서비스를 다르게 경험하고 기대할 것이라는 전제를 뒷받침한다.

군집별 SERVQUAL 평균 비교한 결과는 <Table 8>과 같다. UTAUT2 요인의 수준에 따라 순차적인 평균을 보였으며, 모든 요인에서 F값 유의수준이.000으로 유의하였다. 이는 AI 챗봇을 수용하려는 의도가 높은 그룹일수록 서비스 품질에 대한 인식 수준도 높다고 해석된다. 반응성에서 F값이 203.64로 가장 확연한 차이를 보였는데, UTAUT2 수준이 높은 그룹일수록 챗봇의 즉각적인 응답 및 도움 제공 능력을 가장 긍정적으로 평가하며, 이 요인이 사용자를 구별하는 가장 중요한 서비스 품질 지표임을 알 수 있다. 반면 공감성의 F값은 62.76으로 가장 낮았는데, 이는 챗봇이 개별적인 관심이나 배려의 정도에 대한 그룹 간 인식 차이가 다른 요인들에 비해 상대적으로 작은 것으로 해석된다.

군집별 다중회귀분석 결과는 <Table 9>와 같다. 군집1의 경우, 회귀분석의 F값이 9.766으로.000 수준에서 유의하였다. 이때 회귀식을 이용하여 사용의도를 33.8% 설명할 수 있다. 반응성, 확신성, 공감성이 AI 챗봇 서비스 수용의도에 유의한 영향을 미쳤다. 군집2의 경우, F값이 9.605로.000수준에서 유의하였으며 설명력은 36.8%이다. 이때 반응성과 공감성만 유의한 영향을 주었다. 군집3은 F값이 3.341로 가장 작았으나.000수준에서 유의하였다. 설명력도 28.1%로 가장 낮았다. 신뢰성과 확신성만 유의하였다.

종합하자면, 반응성은 군집1과 군집2에서 모두 유의하게 영향을 미쳤으며, 군집 간 평균 비교에서도 가장 큰 차이를 보인 요인이다. 이는 AI 챗봇 서비스에서 빠른 응답과 문제 해결이 수용 의도를 높이는 데에 핵심적인 역할을 하는 것으로 파악된다. 공감성은 역시 군집 1과 군집2에서 유의하였는데, 개인적 배려와 관심과 같은 감성적이고 상호작용성이 수용의도에 영향을 미침을 확인할 수 있다. 반면, 신뢰성은 군집 3에서만 유의하였고 확신성은 군집 1과 군집 3에서 유의하였다. 이는 UTAUT2 수준이 낮은 군집 3은 믿을 수 있는 정보 제공과 안전하고 전문적인 정보와 같은 서비스 품질이 AI 챗봇이 제공하는가에 따라 수용 의도가 달라짐을 확인할 수 있다.

따라서 이미 주요한 사용자라고 할 수 있는 군집1과 군집2는 반응성과 공감성을 극대화하여 사용자 만족도와 충성도에 집중해야 하며, 잠재적 사용자인 군집3은 신뢰성과 확신성을 강조하여 사용자의 진입 장벽을 낮추고 챗봇 사용을 유도해야 할 것이다.

4.4 군집별 인구통계학적 특성 분석

본 연구는 UTAUT2 수준에 따라 분류된 군집별 인구통계학적 특성을 확인하기 위해 성별 및 연령에 대한 교차분석과 카이제곱 검정을 실시하였다.

분석 결과, 성별에 대한 카이제곱 검정 결과는 유의하지 않았다(χ²=2.799, p=.247). 군집별 성별 분포를 살펴보면, 군집1은 남성 42명(48.3%), 여성 45명(51.7%), 군집2는 남성 40명(53.3%), 여성 35명(46.7%), 군집3은 남성 11명(35.5%), 여성 20명(64.5%)으로 나타났다.

연령에 대한 카이제곱 검정 결과 역시 통계적으로 유의하지 않았다(χ²=10.162, p=.118). 이러한 결과는 기존의 성별․연령 중심 사용자 세분화 접근만으로는 AI 챗봇 사용자 특성을 충분히 설명하기 어려울 수 있음을 의미한다.

5. 결 론

5.1 결과 요약

본 연구는 AI 챗봇 수용의도를 다차원적으로 이해하기 위해 UTAUT2 요인 수준에 따라 AI챗봇 사용자 집단을 군집분석하여 현재의 사용자 현황을 진단하고, 각 군집별로 서비스 품질(SERVQUAL) 인식과 수용 의도에 미치는 영향의 차이를 확인하였다.

먼저 군집 분석결과, UTAUT2 수준에 따라 높음(군집1), 중간(군집2), 낮음(군집3)으로 분류되었다. 이는 AI 챗봇 사용자들이 수용의도의 선행요인인 UTAUT2 수준에 따라 사용자들을 집단화할 수 있음을 의미하며, 각 군집에 따라 AI 챗봇 서비스를 다르게 경험하고 기대할 수 있음에 따라 차별화된 전략이 필요함을 시사한다.

다음으로 군집별 SERVQUAL 평균을 비교한 결과, 통계적으로 유의미한 차이가 발견되었다. 특히 수용 의도가 높은 집단일수록 서비스 품질에 대한 인식 수준이 높았다. 그 중 반응성 요인에서 군집 간의 가장 확연한 차이(F=203.64)가 나타났다.

이후 수용 의도에 대한 군집별 다중회귀분석을 진행한 결과, SERVQUAL의 요인들이 각 군집의 수용 의도에 미치는 영향은 뚜렷하게 다르게 나타났다.

군집 1은 반응성, 확신성, 공감성이 수용의도에 모두 유의한 영향을 미쳤다. 군집 2은 반응성과 공감성만이 유의한 영향을 미쳤다. 군집 3은 신뢰성과 확신성만이 유의하게 작용하였다. 따라서 AI 챗봇 사용자 집단에 따라 서비스 품질에 대한 인식 수준이 상이하며 수용의도에 미치는 서비스품질 요인이 상이함을 확인하였다.

또한 군집별 인구통계학적 특성을 추가 분석한 결과, 성별과 연령에 따른 유의한 차이는 나타나지 않았다. 이는 AI 챗봇 사용자 집단이 단순한 인구통계학적 특성보다 기술수용 수준에 따라 구분될 가능성을 시사한다. 따라서 AI 기반 디지털 서비스 환경에서는 기술수용 수준을 중심으로 한 사용자 세분화와 차별화된 서비스 전략 연구의 중요성이 더욱 강조된다.

5.2 시사점 및 제언

본 연구의 시사점은 다음과 같다. 첫째, 선행 연구를 확장하여 UTAUT2와 SERVQUAL의 관계를 통합 연구하였다. UTAUT2 수준의 정도가 SERVQUAL 인식 수준과 일치함을 통해 두 이론의 연관성을 규명하였다. 이를 통해 AI 챗봇 서비스는 기술과 서비스의 결합이라는 측면에서 차별적 접근이 필요함을 알 수 있다. 둘째, UTAUT2 요인은 단순한 예측 변수가 아니라, 사용자 집단을 효과적으로 분류하는 선행 기준으로서의 역할을 수행함을 확인하였다. 이는 기술 수용 이론을 잠재적 사용자 세분화의 기반으로 활용할 수 있음을 의미한다. 셋째, AI 챗봇 사용자 군집별 맞춤형 전략을 수립해야 할 근거를 제공하였다. 반응성과 공감성을 기존 고객을 위한 서비스 개선의 우선순위로 설정하고, 신뢰성과 확신성은 잠재 고객인 군집 3을 유입시키기 위한 차별화된 초기 마케팅 및 기본 품질 보증 전략으로 활용할 수 있다.

향후 연구에서는 특정 산업 분야에 대한 AI 챗봇 서비스 이용자로 한정하여, 산업 및 서비스 유형에 따른 산업별 특성을 비교할 필요가 있다.

Figure

<Figure 1>.

Research Model

Table

<Table 1>.

Operational definition

Variable	Operational definition	Reference
UTAUT2	Performance Expectancy	The degree to which AI chatbots provide efficient support	[11, 12, 16, 17, 32, 33]
Effort Expectancy	The degree to which AI chatbots require minimal effort
Facilitating Conditions	The degree to which adequate technical support is available
Habit	The degree to which the use of AI chatbots has become routine
Hedonic Motivation	The degree to which users experience emotional satisfaction
SERV-QUAL	Tangibles	The degree to which the tangible and visible elements of AI chatbots	[14, 15, 22, 24, 26, 31]
Reliability	The degree to which AI chatbots provide reliable information
Responsiveness	The degree to which AI chatbots respond promptly to user inquiries
Assurance	The degree to which AI chatbots convey confidence
Empathy	The degree to which AI chatbots understand user
Behavioral Intention	The degree of intention to continuously use AI chatbots	[9, 13, 33]

<Table 2>.

Results of Frequency Analysis (n=193)

^*Note. Multiple responses allowed for purpose of use.

Category	Freq.(n)	%
Gender	Male	93	48.2%
Female	100	51.8%
Age	20s	70	36.3%
30s	87	45.1%
40s	23	11.9%
50 and above	13	6.7%
Usage Frequency	Daily	15	7.8%
1–2 times per week	39	20.2%
1–2 times per month	72	37.3%
3–6 times per year	37	19.2%
1–2 times per year	30	15.5%
Purpose of Use*	consultation	145	75.1%
Information search	62	32.1%
Product recommendation	21	10.9%
Ordering / payment	29	15.0%
Others	9	4.7%

<Table 3>.

Results of Factor Analysis

Variables	No.	Estimate	C.R.	Cronbach’s alpha	Variables	No.	Estimate	C.R.	Cronbach’s alpha
Performance Expenctancy	5	0.905	0.853	0.944	Tangibles	3	0.865	0.821	0.919
4	0.907	2	0.901
3	0.826	1	0.908
2	0.867	Reliability	2	0.889	0.656	0.824
1	0.891	1	0.789
Effort Expectancy	5	0.861	0.723	0.888	Responsiveness	3	0.91	0.833	0.937
4	0.867	2	0.903
2	0.842	1	0.927
1	0.677	Assurance	3	0.948	0.880	0.954
Facilitating Conditions	2	0.608	0.463	0.697	2	0.936
1	0.880	1	0.922
Habit	2	0.772	0.698	0.857	Empathy	3	0.783	0.765	0.907
1	0.975	2	0.892
Hedonic Motivation	2	0.414	0.286	0.489	1	0.953
1	0.787	KMO(Kaiser-meyer-Olkin)	0.960
Behavioral Intention	2	0.906	0.725	0.901	Bartlett’s Test of Sphericity	Chi-Squre	6472.676
1	0.905	df(p)	465(.000)

<Table 4>.

Clustering Value

Number of Clusters	Cluster coefficient	△Coefficient
6	636.728	85.606
5	722.334	88.023
4	810.357	101.187
3	911.544	373.413
2	1284.957	946.767
1	2231.724

<Table 5>.

3 Cluster analysis by Ward's method

Cluster	Mean	F
Performance Expectancy	.962	-.439	-1.444	238.603(***)
Effort Expectancy	.919	-.354	-1.642	248.370(***)
Facilitating Conditions	.865	-.355	-1.460	153.056(***)
Habit	.579	-.012	-1.888	121.862(***)
Hedonic Motivation	.556	-.184	-1.116	38.753(***)
N	77	93	23

<Table 6>.

3 Cluster analysis by K-means method

Cluster	Mean	F(p)
Performance Expectancy	0.990	-0.351	-1.408	300.883(***)
Effort Expectancy	0.924	-0.260	-1.506	257.841(***)
Facilitating Conditions	0.876	-0.258	-1.395	172.775(***)
Habit	0.603	0.010	-1.489	95.157(***)
Hedonic Motivation	0.576	-0.073	-1.188	53.531(***)
N	75	87	31

<Table 7>.

Cluster Definition

	Name	Characteristics
Cluster 1	High-level UTAUT2	All UTAUT2 factors are high, although habit and hedonic motivation are relatively lower
Cluster 2	Mid-level UTAUT2	All UTAUT2 factors are at a moderate level, with relatively lower performance expectancy, effort expectancy, and facilitating conditions
Cluster 3	Low-level UTAUT2	All UTAUT2 factors are low

<Table 8>.

ANOVA Results of SERVQUAL across Clusters

	Cluster	N	1	2	F(p)
Tangibles	1	75	5.746		156.06 (***)
2	87		4.341
3	31			2.376
Reliability	1	75	5.293		85.80 (***)
2	87		4.183
3	31			2.322
Responsiveness	1	75	5.751		203.64 (***)
2	87		3.850
3	31			1.903
Assurance	1	75	5.351		142.77 (***)
2	87		3.582
3	31			1.806
Empathy	1	75	4.742		62.76 (***)
2	87		3.352
3	31			1.828

<Table 9>.

Multiple Regression Results across Clusters

Cluster		B	β	p	Result
1	Tangibles	0.082	0.062	0.556	Rejected
Reliability	-0.11	-0.082	0.438	Rejected
Responsiveness	0.35	0.282	0.021	Supported
Assurance	0.289	0.271	0.017	Supported
Empathy	0.209	0.207	0.043	Supported
Adjusted R2=0.338,F=9.766,p=.000
2	Tangibles	-0.174	-0.127	0.285	Rejected
Reliability	0.089	0.096	0.42	Rejected
Responsiveness	0.559	0.41	0.002	Supported
Assurance	-0.051	-0.04	0.786	Rejected
Empathy	0.351	0.414	0.000	Supported
Adjusted R2=0.368,F=9.605,p=.000
3	Tangibles	-0.233	-0.295	0.099	Rejected
Reliability	-0.396	-0.484	0.014	Supported
Responsiveness	-0.087	-0.101	0.575	Rejected
Assurance	0.587	0.552	0.005	Supported
Empathy	0.12	0.155	0.356	Rejected
Adjusted R2=0.281,F=3.341,p=.019

<Table 10>.

Cross-tabulation Results by Gender across Clusters

χ2=2.799,p=.247.

Gender	Cluster 1	Cluster 2	Cluster 3	Total
Male	42 (48.3%)	40 (53.3%)	11 (35.5%)	93
Female	45 (51.7%)	35 (46.7%)	20 (64.5%)	100
Total	87	75	31	193

<Table 11>.

Cross-tabulation Results by Age across Clusters

χ2=2.799,p=.247

Age	Cluster 1	Cluster 2	Cluster 3	Total
20s	31 (35.6%)	29 (38.7%)	10 (32.3%)	70
30s	46 (52.9%)	28 (37.3%)	13 (41.9%)	87
40s	5 (5.7%)	11 (14.7%)	7 (22.6%)	23
50 and above	5 (5.7%)	7 (9.3%)	1 (3.2%)	13
Total	87	75	31	193

Reference

Alalwan, A.A., Dwivedi, Y.K. and Rana, N.P., Factors influencing adoption of mobile banking by Jordanian bank customers: Extending UTAUT2 with trust, International Journal of Information Management, 2017, Vol. 37, No. 3, pp. 99-110.
Araujo, T., Living up to the chatbot hype: The influence of anthropomorphic design cues and communicative agency framing on conversational agent and company perceptions, Computers in Human Behavior, 2018, Vol. 85, pp. 183-189.
Ashfaq, M., Yun, J., Yu, S. and Loureiro, S.M.C., I, Chatbot: Modeling the determinants of users’ satisfaction and continuance intention of AI-powered service agents, Telematics and Informatics, 2020, Vol. 54, 101473.
Chopra, A., Ranjani, K.S., and Narsipur, S., Service quality dimensions in AI-enabled chatbots leading to customer satisfaction: A study from South Asia, IIFT International Business and Management Review Journal, 2023, Vol. 1, No. 1, 26-49.
Chung, M., Ko, E., Joung, H., and Kim, S.J., Chatbot e-service and customer satisfaction regarding luxury brands, Journal of Business Research, 2020, Vol. 117, pp. 587-595.
Følstad, A. and Brandtzæg, P.B., Chatbots and the new world of HCI, Interactions, 2017, Vol. 24, No. 4, pp. 38-42.
Gnewuch, U., Morana, S., and Maedche, A., Towards Designing Cooperative and Social Conversational Agents for Customer Service, Proceedings of the International Conference on Information Systems, 2017, South Korea, pp. 1-13.
Han, E.B., Han, S.H., and Choi, J.H., The Impacts of Comparison Options and Explanation Styles on Consumer Experience in AI Financial Chatbot Recommendations, The e-Business Studies, 2025, Vol. 26, No. 1, pp. 3-23.
Hong, S.M., Kim, H.Y., and Lee, S. W., The effects of enterprise AI chatbot characteristics on employee’s intention to continue use: Focusing on Socio-Technical Systems Theory and the Technology Acceptance Model (TAM), Innovation Studies, 2025, Vol. 20, No. 1, pp. 355-387.
Jeon, S.Y. and Yoo, H.J., A Study on the Effect of Chatbot Service Quality on Intention to Use and a Comparative Study Between Industries, Journal of Korea Service Management Society, 2023, Vol. 24, No. 3, pp. 395-418.
Jeon. Y.S., Seo D.W., and Park, K.Y., Analysis of the Impact of Generative AI Services on User Satisfaction and Intention to Accept Technology: Focused on the UTAUT2 Model, The Journal of Eurasian Studies, 2025, Vol. 22, No. 2, pp. 287-308.
Jin, S.E., Park, J.M., Youn, Y.J., and Lee, S.W., A study on factors affecting the activation of AI chatbot services for corporate business: Focusing on the Unified Technology Acceptance Model (UTAUT), International Telecommunications Policy Review, 2025, Vol. 32, No. 1, pp. 79-114.
Jung, Y. and Ahn, H., A Study on the Effects of Chatbot Characteristics on Continuous Usage Intention: Focusing on the Post-Acceptance Model, Journal of the Korea Society of Computer and Information, 2023, Vol. 28, No. 6, pp. 169-179.
Kim, J.T. and Choi. D.Y., The Effect of Support Quality of Chatbot Services on User Satisfaction, Loyalty and Continued Use Intention: Focusing on the Moderating Effect of Social Presence, Journal of Service Research and Studies, 2022, Vol. 12, No. 4, pp. 106-124.
Kim, S.J., JUNG, O.K., and Park, C., An Exploratory Study on the Effect of Chatbot's Characteristics on Intention of Acceptance: Focusing on the Moderate Effect of Personal Innovativeness, Journal of Industrial Innovation, 2020, Vol. 36, No. 4, pp. 107-133.
Lee, W.I. and Kim, C.J., Delivery Apps As New Trend: An empirical study of the factors affecting customer continuance intention – Focused on UTAUT, TTF, and ECM, Journal of Korea Culture Industry, 2021, Vol. 21, No. 2, pp. 51-63.
Lee, Y.R., A Study on User Satisfaction and Continuance Use Intention of Mobile Easy Payment Service User, Korea Trade Review, 2020, Vol. 45, No. 2, pp. 103-119.
Lee. Y.G., Effect of TRI on UTAUT in Transformation to Smart Factory: Focusing on Small and Medium-sized Manufacturing Companies, Journal of Society of Korea Industrial and Systems Engineering, 2022, Vol. 45, No. 3, pp. 1-17.
Madigan, R., Louw, T., Wilbrink, M., Schieben, A. and Merat, N., What influences the decision to use automated public transport? Using UTAUT to understand public acceptance of automated road transport systems, Transportation Research Part F: Traffic Psychology and Behaviour, 2017, Vol. 50, pp. 55-64.
Ma, M. and Park, C., Effects of AI Chatbot Characteristics on Perceived Benefits and Continuous Use Intention: A Comparison of Korea and China, The Academy of Customer Satisfaction Management, 2024, Vol. 26, No. 3, pp. 41-65.
Mimoun, M.S.B., Poncin, I., and Garnier, M., Animated conversational agents and e-consumer productivity: The roles of agents and individual characteristics, Information & Management, 2017, Vol. 54, No. 5, pp. 545-559.
Noh, Y. and Lee, K.K., A Study on Factors Affecting User Satisfaction in Chatbot, The Academy of Customer Satisfaction Management, 2022, Vol. 24, No. 4, pp. 107-124.
Oliveira, T., Thomas, M., Baptista, G. and Campos, F., Mobile payment: Understanding the determinants of customer adoption and intention to recommend the technology, Computers in Human Behavior, 2016, Vol. 61, pp. 404-414.
Parasuraman, A.B.L.L., Zeithaml, V.A. and Berry, L., SERVQUAL: A multiple-item scale for measuring consumer perceptions of service quality, Journal of Retailing, 1988, Vol. 64, No. 1, pp. 12-37.
Parasuraman, A., Zeithaml, V.A. and Malhotra, A., ES-QUAL: A multiple-item scale for assessing electronic service quality, Journal of Service Research, 2005, Vol. 7, No. 3, pp. 213-233.
Park, Y.J. and Lee, S.W., Effects of Social Presence of Chatbot on Service Quality and Users’ Perceptions in Customer Service, The Academy of Customer Satisfaction Management, 2022, Vol. 24, No. 1, pp. 85-104.
Ruan, Y. and Mezei, J., When do AI chatbots lead to higher customer satisfaction than human frontline employees in online shopping assistance? Considering product attribute type, Journal of Retailing and Consumer Services, 2022, Vol. 68, pp. 103059.
Sarikaya, R., The Technology Behind Personal Digital Assistants: An Overview of the System Architecture and Key Components, IEEE Signal Processing Magazine, 2017, Vol. 34, No. 1, pp. 67-81.
Seo, S.Y., Consumer’s Choice and Satisfaction on the Product Recommended by Artificial Intelligence: Moderating Effect of the Number of Alternatives and Need for Cognitive Closure, Korean Management Review, 2021, Vol. 50, No. 2, pp. 313-329.
Song, M., Xing, X., Duan, Y., Cohen, J., and Mou, J., Will artificial intelligence replace human customer service? The impact of communication quality and privacy risks on adoption intention, Journal of Retailing and Consumer Services, 2022, Vol. 66, pp. 102900.
Sung, Y.S. and Seo, W.S. A study on the effect of tourism industry mobile chatbot quality on social presence, engagement, and continued use intention, International Journal of Tourism and Hospitality Research, 2025, Vol. 39, No. 1, pp. 81-96.
Venkatesh, V., Morris, M.G., Davis, G.B. and Davis, F.D., User acceptance of information technology: Toward a unified view, MIS Quarterly, 2003, Vol. 27, No. 3, pp. 425-478.
Venkatesh, V., Thong, J.Y., and Xu, X., Consumer acceptance and use of information technology: extending the unified theory of acceptance and use of technology, MIS Quarterly, 2012, Vol. 36, No. 1, pp. 157-178.
Yun, J.W. and Park, J.K., The Effects of Chatbot Service Recovery With Emotion Words on Customer Satisfaction, Repurchase Intention, and Positive Word-Of-Mouth, Frontiers in Psychology, 2022, Vol. 13, p. 922503.