IT종사자의 생성형 AI 활용이 업무 성과와 만족도에 미치는 영향

Abstract

Recently, one of the most prominent topics in IT investment within organizations has undoubtedly been artificial intelligence （AI）, including generative AI. Companies are actively adopting AI technologies, including generative AI, to improve productivity and reduce costs amid changes in external business environments, such as rising energy prices and increasing market uncertainty. However, generative AI did not receive such attention from the beginning. When OpenAI released ChatGPT in November 2022, discussions initially focused more on limitations such as hallucinations rather than on the actual performance of generative AI. The field that responded most sensitively to the emergence of ChatGPT was the IT industry. However, evaluations of the initially released ChatGPT 3.5 among IT professionals generally suggested that it was “not yet capable of replacing highly skilled developers.” Over the following years, however, the performance of generative AI has gradually improved, and its application areas have continued to expand. Recently, generative AI technologies have brought significant changes to work processes and productivity in the IT field, and their adoption in corporate environments has rapidly increased. Previous studies have reported that generative AI improves productivity in real work environments. For example, Brynjolfsson et al. （2024）, in a study of 5,172 customer support workers, found that the use of generative AI increased productivity by an average of 15%, with particularly greater effects among less experienced and lower-skilled users. Due to these effects, companies have shown increasing interest in generative AI. However, because of the rapid pace of technological development, many executives responsible for corporate decision-making still lack sufficient understanding of AI technologies. Furthermore, empirical studies focusing specifically on IT workers, who are closely associated with the adoption and utilization of generative AI, remain limited. Therefore, this study aims to empirically analyze how factors related to the use of generative AI influence job performance and satisfaction among IT workers who utilize generative AI. Based on the Unified Theory of Acceptance and Use of Technology （UTAUT）, this study examines the effects of generative AI-related factors, including characteristics of AI tools and user characteristics, on job performance and satisfaction. Specifically, this study investigates the effects of Tool Experience Quality, AI Literacy, Personal Innovativeness, Performance Expectancy, Effort Expectancy, Social Influence, and Facilitating Conditions on Job Performance and Satisfaction. In addition, the mediating effect of Job Performance and the moderating effects of Job Role and Job Skill Level are examined. For this purpose, an online survey was conducted among IT workers using generative AI from May 6 to May 19, 2026. After excluding invalid responses, a total of 200 valid survey responses were used for empirical analysis. All measurement items were assessed using a five-point Likert scale. Data analysis was performed using SPSS 22.0 and AMOS 22.0. The analysis procedures included descriptive statistical analysis, exploratory factor analysis （EFA）, reliability analysis, confirmatory factor analysis （CFA）, structural equation modeling （SEM）, bootstrapping-based mediation analysis, and moderation analysis using PROCESS Macro Models 1 and 14. The results of the empirical analysis are as follows. First, the reliability and validity of the measurement instruments were confirmed to be satisfactory. The results of exploratory factor analysis showed that the Kaiser-Meyer-Olkin （KMO） value was .939, Bartlett’s test of sphericity was statistically significant at p〈.001, and the total explained variance was 88.787%. In addition, Cronbach’s α values for all constructs were above .915, indicating high reliability. The confirmatory factor analysis results showed that the measurement model demonstrated an acceptable fit, with df=314, CMIN/DF=1.380, CFI=.980, TLI=.976, and RMSEA=.044. The hypothesis testing results showed that Tool Experience Quality, AI Literacy, Effort Expectancy, and Social Influence had significant positive effects on Job Performance. In addition, AI Literacy, Performance Expectancy, Social Influence, Facilitating Conditions, and Job Performance had significant positive effects on Satisfaction. On the other hand, Personal Innovativeness did not have significant effects on either Job Performance or Satisfaction. Tool Experience Quality did not show a significant direct effect on Satisfaction, and the direct effect of Effort Expectancy on Satisfaction was also not significant. The mediation analysis revealed that Tool Experience Quality and Effort Expectancy indirectly influenced Satisfaction through Job Performance. Furthermore, the moderation analysis showed that the relationship between Job Performance and Satisfaction was significantly moderated by Job Role and Job Skill Level. Specifically, the positive effect of Job Performance on Satisfaction was strengthened among workers in development-related roles and among those with higher job skill levels. These findings suggest that accumulated work experience and professional expertise influence the ability to appropriately interpret and utilize generative AI outputs within specific work contexts. Additional analysis showed that the moderated mediation effects were not statistically significant, indicating that the effects of Job Role and Job Skill Level mainly occurred in the relationship between Job Performance and Satisfaction rather than throughout the overall indirect effect path. These findings suggest that, in generative AI utilization environments, factors such as perceived tool experience, users’ understanding of AI, social influence within organizations, and supportive conditions play more important roles in enhancing job performance and satisfaction than the mere adoption of technology itself. In particular, Job Performance serves as a key mechanism connecting generative AI-related factors with Satisfaction, and the strength of this relationship may vary depending on Job Role and Job Skill Level.|최근 기업의 IT 관련 투자에서 가장 중요한 관심 분야 중 하나는 생성형 AI를 포함한 인공지능 기술이다. 기업들은 고유가와 시장 불확실성 증가 등 외부 환경 변화에 대응하고 생산성 향상과 비용 절감을 달성하기 위해 생성형 AI를 포함한 AI 기술 도입을 확대하고 있다. 그러나 생성형 AI가 처음부터 이러한 주목을 받았던 것은 아니었다. OpenAI사가 2022년 11월 ChatGPT를 출시한 초기에는 생성형 AI의 성능보다는 할루시네이션（Hallucination）과 같은 한계가 더 많이 논의되었다. ChatGPT의 출시에 가장 민감하게 반응한 분야는 IT 분야로 볼 수 있다. 다만 초기 공개된 ChatGPT（GPT-3.5 기반）에 대해 IT 종사자들은 “아직 고급 개발자를 대체할 수준은 아니다”라는 평가를 주로 제시하였다. 그러나 이후 4년간, 생성형 AI의 성능은 점진적으로 향상되었으며, 관련 응용 분야도 확대되고 있다. 최근 생성형 AI 기술은 IT 분야에서 업무 방식과 생산성에 상당한 변화를 유도하고 있으며 기업 환경에서도 활용이 빠르게 확대되고 있다. 선행연구에서는 생성형 AI가 실제 업무환경에서 생산성을 향상시키는 효과를 보고하였다. 예를 들어 Brynjolfsson et al. （2024）은 고객지원 업무 종사자 5,172명을 대상으로 한 연구에서 생성형 AI 활용이 평균 15%의 생산성 향상을 가져오며 특히 저숙련 및 저경험 사용자에게서 더 큰 효과를 보인다고 제시하였다. 이러한 효과로 인해 기업들은 생성형 AI 도입에 높은 관심을 보이고 있다. 그러나 생성형 AI 기술의 빠른 발전 속도에 비해 조직 내 AI 이해 수준과 활용 전략은 충분히 정립되지 않은 상황이다. 또한 생성형 AI 활용과 밀접한 IT 분야 종사자를 대상으로 한 실증 연구 역시 아직 부족한 실정이다. 이에 본 연구는 생성형 AI를 활용하는 IT 분야 종사자를 대상으로 생성형 AI 도구 특성과 이용자 특성이 업무 성과와 만족도에 미치는 영향을 실증적으로 분석하였다. 본 연구는 생성형 AI 활용 관련 요인이 업무 성과와 만족도에 미치는 영향을 실증적으로 분석하는 데 목적이 있다. 구체적으로 도구 경험 품질, AI 리터러시, 개인혁신성과 UTAUT의 네 가지 요소인 성과 기대, 노력 기대, 사회적 영향 및 촉진 조건이 업무 성과와 만족도에 미치는 영향을 검증하고, 업무 성과의 매개효과와 담당 직무 및 직무 숙련도의 조절효과를 함께 확인하였다. 본 연구는 2026년 5월 6일부터 2026년 5월 19일까지 IT 분야 종사자를 대상으로 온라인 설문조사를 실시하였다. 부적절한 응답을 제외한 총 200부의 유효 표본을 최종 실증 분석에 활용하였다. 모든 측정문항은 리커트 5점 척도로 구성되었다. 자료분석은 SPSS 22.0과 AMOS 22.0을 이용하여 수행하였다. 분석 절차는 기술통계분석, 탐색적 요인분석과 신뢰도 분석, 확인적 요인분석, 구조방정식 모형분석, 부트스트래핑 기반 매개효과 분석, 그리고 PROCESS Macro Model 1 및 Model 14를 활용한 조절효과 분석의 순서로 진행되었다. 실증 분석한 연구 결과는 다음과 같다. 분석 결과, 측정도구의 신뢰성과 타당성은 전반적으로 양호한 것으로 나타났다. 탐색적 요인분석 결과 KMO는 .939, Bartlett의 구형성 검정은 유의수준 p〈.001에서 통계적으로 유의하였고, 총 설명분산은 88.787%로 나타났으며, 모든 구성개념의 Cronbach’s α는 .915 이상으로 확인되었다. 또한 확인적 요인분석 결과 측정모형의 적합도는 df=314, CMIN/DF=1.380, CFI=.980, TLI=.976, RMSEA=.044로 나타나 연구에 적용하기에 적합한 수준으로 확인되었다. 가설 검정 결과, 도구 경험 품질, AI 리터러시, 노력 기대, 사회적 영향은 업무 성과에 유의한 정（+）의 영향을 미치는 것으로 나타났다. 또한 AI 리터러시, 성과 기대, 사회적 영향, 촉진 조건 및 업무 성과는 만족도에 유의한 정（+）의 영향을 미치는 것으로 나타났다. 반면 개인혁신성은 업무 성과와 만족도 모두에 유의한 영향을 미치지 않았고, 도구 경험 품질은 만족도에 직접효과를 보이지 않았으며, 노력 기대는 만족도에 직접효과가 유의하지 않은 것으로 나타났다. 매개효과 분석 결과, 도구 경험 품질과 노력 기대는 업무 성과를 매개로 만족도에 간접적인 영향을 미치는 것으로 확인되었다. 또한 조절효과 분석 결과, 업무 성과와 만족도 간의 관계는 담당 직무와 직무 숙련도에 의해 유의하게 조절되는 것으로 나타났다. 구체적으로 개발 직무일수록, 그리고 직무 숙련도가 높을수록 업무 성과가 만족도에 미치는 정（+）의 영향이 더욱 강화되는 것으로 확인되었다. 이는 축적된 업무 경험과 전문성이 생성형 AI 결과를 업무 맥락에 적절히 해석하고 활용하는 과정에 영향을 미친 결과로 해석된다. 추가 분석 결과, 조절된 매개효과는 유의하지 않아 직무 및 숙련도의 영향은 전체 간접경로보다 업무 성과와 만족도 간 관계에서 주로 나타나는 것으로 확인되었다. 이러한 결과는 생성형 AI 활용 환경에서 단순한 기술 도입 여부보다 사용자가 지각하는 도구 경험, AI에 대한 이해 수준, 조직 내 사회적 영향, 그리고 활용을 지원하는 조건이 업무 성과와 만족도 형성에 중요한 역할을 한다는 점을 시사한다. 특히 업무 성과는 생성형 AI 활용 관련 요인과 만족도를 연결하는 중요한 과정적 요인으로 작용하며, 직무 특성과 직무 숙련도에 따라 그 효과의 크기가 달라질 수 있음을 보여준다.