중소 제조업 현장 근로자 안전사고 예방을 위한 AI CCTV 수용의도에 영향을 미치는 요인에 관한 연구
A Study on the Factors Affecting the Acceptance Intention of AI CCTV for Preventing Workplace Accidents in Small and Medium Manufacturing Enterprises
Article information
Trans Abstract
Purpose
The purpose of this study is to identify the factors influencing the intention to accept an AI-based CCTV system for preventing industrial accidents in small and medium-sized manufacturing workplaces, considering technological and organizational environmental factors.
Methods
This study conducted a survey targeting CEOs, managers, and workers in small and medium-sized manufacturing workplaces, and valid 345 data were analyzed by SPSS (ver 33.0) and R (ver 4.5.0) program packages.
Results
As a result of the empirical analysis, among the characteristics of the AI CCTV system, efficiency, security, reliability, convenience, innovativeness, and responsiveness were found to have a significant effect on perceived usefulness, while efficiency, reliability, and responsiveness were identified as the key factors influencing perceived ease of use. In addition, perceived usefulness, perceived ease of use, CEO’s investment intention, and expectations of government support were found to have a positive effect on the intention to adopt the AI CCTV system.
Conclusion
This study is significant in that it structurally analyzes the factors influencing the adoption of AI CCTV systems in industrial settings from a user perspective, thereby providing a theoretical and empirical foundation for the practical utilization and diffusion of the technology. Furthermore, beyond merely enhancing technological performance, the findings are expected to offer strategic implications for the effective adoption and stable utilization of AI CCTV systems in real-world industrial environments.
1. 서 론
대한민국 경제 성장의 핵심 동력인 제조업에서 중소기업은 전체 사업체 수와 종사자 수의 절대다수를 차지하며 산업 생태계의 근간을 형성하고 있다. 그러나 중소 제조업은 그동안 양적 성장 중심의 산업 구조와 인력 의존적 생산 방식에 기반하여 발전해 왔고, 이로 인해 노후화된 설비, 열악한 작업환경, 안전관리 인력 및 예산 부족과 같은 구조적 한계를 야기해 왔다(Hahm, 2017). 이러한 구조적 취약성은 필연적으로 산업재해의 발생 위험을 내재하고 있으며, 실제로 중소 제조업 현장의 산업재해 및 사망사고 비율은 여전히 심각한 수준을 유지하고 있다.
최근 ｢중대재해 처벌 등에 관한 법률｣의 전면 시행에 따라 사업주 및 경영책임자의 안전보건 책임이 강화되면서, 산업재해 예방에 대한 사회적 요구와 제도적 압박은 그 어느 때보다 고조되고 있다. 그러나 전문 안전관리 인력 확보가 어려운 소규모 사업장의 경우, 단순한 제도적 규제만으로는 현장의 복합적이고 상시적인 위험 요인을 통제하는 데 명확한 한계가 존재한다(Lee et al., 2021). 따라서 사후 대응 위주의 관념적 안전관리에서 탈피하여, 위험 요소를 사전에 탐지하고 예방할 수 있는 체계적이며 지속 가능한 '지능형 안전관리 체계'로의 패러다임 전환이 절실한 시점이다.
4차 산업혁명의 도래와 함께 인공지능(AI), 사물인터넷(IoT), 빅데이터 등 첨단 정보통신기술(ICT)의 비약적인 발전은 제조 현장의 안전관리 방식에 혁신적인 대안을 제시하고 있다. 특히 AI 기술은 복잡한 산업 현장의 데이터를 실시간으로 분석하여 업무 효율을 제고할 뿐만 아니라, 근로자 안전을 중심으로 한 새로운 안전관리 모델을 구축할 수 있는 핵심 기제로 주목받고 있다(Khurram et al., 2025). 그중에서도 AI CCTV는 단순 영상 기록 및 모니터링에 국한되었던 기존 시스템과 비교하여 작업자의 위험 행동 및 이상 상황 등 잠재적 사고 요인을 실시간으로 식별하고 즉각적인 경보를 제공함으로써 사고 예방의 실효성을 극대화할 수 있는 기술로 평가받고 있다. 이는 인적·물적 자원이 제한적인 중소 제조업 현장에서 안전관리의 효율성을 높이고, 인간 중심 감시 체계의 공백을 보완할 수 있는 실질적인 대안이 될 수 있다(Yao, 2024; Lee, 2021).
그러나 인공지능 기반 영상감시 시스템에 관한 선행연구들은 주로 건설업 분야를 중심으로 기술적 구현 방식이나 알고리즘 성능 평가, 관제 인프라 설계 등 공학적 관점에 치중되어 왔다. 이러한 연구들은 기술의 기능적 우수성과 시스템 효율성을 검증하는 데 기여하였으나, 중소 제조업과 같이 작업 환경이 다양하고 조직 규모가 제한적인 산업 현장의 특수성을 충분히 반영하지 못한 한계가 있다. 특히 실제 시스템의 도입과 활용 여부를 결정하는 주체인 CEO, 관리자 및 근로자의 관점에서 기술적·조직적·환경적 요인이 수용 과정에 어떠한 영향을 미치는지를 실증적으로 분석한 연구는 매우 제한적인 실정이다. 신기술 도입의 성패가 기술적 완성도뿐만 아니라 현장의 사용자 인식과 수용성에 의해 좌우된다는 점을 고려할 때, 이러한 공백에 대한 학술적 검증은 기술의 지속 가능한 확산을 위해 필수적인 선결 과제라 할 수 있다.
이에 본 연구는 중소 제조업 현장의 CEO, 관리자 및 근로자를 대상으로 AI CCTV의 수용의도에 영향을 미치는 요인을 규명하고자 한다. 이를 위해 기술·조직·환경 요인을 통합적으로 설명할 수 있는 TOE 프레임워크와 기술수용 모델(TAM)을 이론적 기반으로 연구모형을 설계하였다. 특히 AI CCTV의 기술적 특성과 조직·환경적 변인이 사용자의 지각된 유용성과 지각된 용이성을 매개로 최종적인 수용의도에 어떠한 영향을 미치는지를 실증적으로 분석하는 것을 연구의 주요 목적으로 한다. 본 연구의 결과는 중소 제조업 현장에서 인공지능 기반 영상감시 시스템의 효과적인 도입과 안정적 활용을 위한 실무적 가이드라인을 제시함과 동시에, 향후 산업안전 정책 수립 및 관련 기술 확산을 위한 정책적 시사점을 제공할 것으로 기대된다.
2. 이론적 배경 및 선행연구
2.1 중소 제조업의 안전관리 실태 및 취약성
중소 제조업 현장의 산업재해 예방을 위해서는 재해 발생의 구조적 원인과 유형, 그리고 실제 안전관리 실태에 대한 다각적인 분석이 선행되어야 한다. 그러나 그간의 산업안전 연구는 주로 자원과 인프라가 풍부한 대규모 사업장을 중심으로 수행되어 왔으며, 중소 제조업의 특수한 환경과 구조적 취약성을 심층적으로 다룬 연구는 상대적으로 미미한 실정이다(Jo, 2024).
고용노동부의 산업재해 통계(2024)에 따르면, 국내 전체 산업재해자는 142,771명에 달하며, 이 중 300인 미만 중소규모 사업장에서 발생한 재해 비중은 약 86.6%로 나타났다. 특히 50인 미만 소규모 사업장의 재해 비중은 68.8%에 이르러, 산업재해가 중소규모 사업장에 집중되고 있음을 보여준다. 사망재해 역시 유사한 경향을 보이며, 전체 사망재해자의 82.7%가 300인 미만 사업장에서 발생하였고, 이 중 50인 미만 사업장이 차지하는 비중은 61.9%로 가장 높게 나타났다. 이는 사업장 규모가 영세할수록 재해 위험 노출도가 급격히 증가함을 시사하며, 중소 제조업의 안전관리 체계가 매우 취약함을 단적으로 보여준다(Ministry of Employment and Labor. 2024).
이러한 현상의 주요 원인 중 하나는 제도적 안전관리 체계의 공백에서 기인한다. 현행 「산업안전보건법」에 따르면, 안전 및 보건관리자의 법적 선임 의무는 50인 이상 사업장부터 적용되며, 50인 미만 소규모 사업장은 의무 대상에서 제외되어 있다. 이로 인해 사망재해 발생 비중이 가장 높은 소규모 사업장에 전문적인 안전관리 인력이 배치되지 못하는 구조적 문제가 발생한다. 또한 의무 선임 대상 사업장이라도 관리자가 타 업무를 병행하는 경우가 빈번하고, 외부 기관 위탁 시에도 실질적인 개선 권한이 부재하여 형식적인 법 준수에 그치는 경우가 많다(Hong, 2023).
이처럼 중소 제조업의 안전 문제는 단순한 개별 사고의 문제가 아니라, 제도적 사각지대, 전문 인력 부족, 노후 설비, 안전의식 결여가 복합적으로 작용한 구조적 문제로 이해될 필요가 있다. 따라서 중소 제조업 현장의 산업재해를 효과적으로 예방하기 위해서는 기존의 사후 대응 중심 안전관리 방식에서 벗어나, 위험 요소를 사전에 인식하고 통제할 수 있는 예방 중심의 안전관리 체계로의 전환이 필수적이다.
최근 이러한 문제의식과 맞물려, 정부와 국회 차원에서는 ｢산업안전 R&D법｣ 제정을 추진하고 있다. 해당 법안은 산업안전 기술개발을 국가의 책무로 명시하고, 고용노동부 산하에 국립산업안전과학원(가칭)을 설립하여 안전 기술 개발과 표준화, 성능 검증을 체계적으로 수행하도록 하는 내용을 담고 있다. 특히 인공지능(AI), 센서, 빅데이터 기반의 예측 기술을 활용해 고위험 공정과 신산업 분야의 중대재해를 사전에 차단하는 것을 목표로 하고 있으며, 이는 기존의 행정 중심 안전관리에서 과학기술 중심 예방 체계로의 전환을 의미한다(Electronic Times, 2026).
더 나아가, 기업들도 이러한 흐름에 발맞추어 AI 기반 안전관리 R&D 연구에 적극 참여하고 있다. 예를 들어, GPGPU(General-Purpose computing on Graphics Processing Units)를 내장한 다중 영상 센서 카메라와 AI 기반 다중 추적 영상처리 CCTV, 임베디드 기반 멀티뷰 카메라를 활용해 수집된 영상을 합성·연계하여 제조 현장 내 사각 지대를 해소하는 기술을 선보이고 있다. 또한 AI 영상 분석과 디지털트윈 기술을 접목해 작업자의 위험 행동을 실시간으로 감지하는 시스템을 구현하여 산업현장의 안전사고를 줄이는 혁신적 시도를 이어가고 있다(NTIS, 2025).
이러한 민간 차원의 기술적 혁신은 단순히 개별 기업의 연구 성과에 그치지 않고, 정부의 제도적 지원과 결합될 때 중소 제조업의 안전관리 취약성을 근본적으로 개선하는 중요한 동력이 된다. 즉, 법·제도적 기반과 기업의 첨단 기술 개발이 상호 보완적으로 작용할 때, 산업현장의 위험을 실질적으로 줄이고 예방 중심의 안전 문화를 정착시키는 근본적 해결책으로 기능할 수 있을 것이다.
2.2 중대재해처벌법
｢중대재해 처벌 등에 관한 법률｣(이하 중대재해처벌법)은 사업 또는 사업장, 공중이용시설 및 공중교통수단을 운영하거나 인체에 유해한 원료 및 제조물을 취급하는 과정에서 안전·보건 조치 의무를 위반하여 중대재해를 발생시킨 사업주, 경영책임자 및 법인에 대한 처벌을 규정함으로써, 중대재해를 예방하고 시민과 종사자의 생명과 신체를 보호하는 것을 목적으로 한다(National Law Information Center, 2024).
중대재해처벌법의 제정은 기존 산업안전 관련 법체계가 지니고 있던 실효성의 한계를 보완하기 위한 제도적 대응으로 이해할 수 있다. 과거에는 중대재해가 발생하더라도 경영책임자에게 형사적 책임을 묻기 어려웠으며, 상대적으로 낮은 처벌 수위로 인해 기업의 자발적인 안전투자 유인이 충분히 형성되지 못했다는 비판이 지속적으로 제기되어 왔다(Kang et al., 2021). 특히 반복적으로 발생한 대형 산업재해 사례에서 형법상 업무상 과실치사상죄 적용과 민사상 손해배상 중심의 사후적 책임 부과만으로는 실질적인 예방 효과를 기대하기 어렵다는 점이 법 제정의 중요한 배경으로 작용하였다. 이러한 문제의식은 2018년 태안화력발전소 사고를 계기로 사회적으로 확산되었으며, 위험의 외주화와 기업의 안전관리 책임에 대한 공론화를 촉진하는 계기가 되었다(Choi, 2019). 이후 산업안전보건법 개정 논의와 함께 기업 및 경영책임자의 책임을 보다 명확히 규정하는 별도의 법률 제정 필요성이 제기되었고, 대구 지하철 참사, 세월호 참사, 가습기 살균제 사건 등 다수의 사회적 재난을 배경으로 2021년 중대재해처벌법이 제정되었다(Kim, 2021; Seo et al., 2024).
한편, 2024년부터 중대재해처벌법의 적용 대상이 상시 근로자 5인 이상 사업장으로 전면 확대됨에 따라, 다수의 중소 제조업 경영자는 안전보건 목표 수립, 유해·위험 요인에 대한 점검 및 개선 절차 마련 등 보다 강화된 법적 의무를 부담하게 되었다. 이는 산업 현장에서 안전관리를 단순한 비용 요소가 아닌 경영의 핵심 과제로 인식하게 하는 전환점이 되었으나, 자금과 인력이 상대적으로 부족한 중소기업에게는 상당한 경영적 부담으로 작용하고 있는 것도 사실이다. 이러한 맥락에서 법적 의무를 충실히 이행하는 동시에 실질적인 사고 예방 효과를 달성할 수 있는 비용 효율적이고 현실적인 기술적 대안의 모색과 도입이 그 어느 때보다 중요한 과제로 부각되고 있다.
2.3 AI CCTV 개념 및 정의
인공지능 기술의 비약적 발전은 기존의 물리 보안 체계를 지능형 통합 플랫폼으로 고도화시키고 있다. 특히 딥러닝 기반 영상 인식 기술의 정확성과 신뢰성이 향상됨에 따라, AI 기술은 기존 보안·안전 시스템의 기능을 고도화하거나 새로운 가치를 창출하는 핵심 수단으로 주목받고 있다(Park, 2024).
AI CCTV는 기존의 단순 영상 기록 및 수동 모니터링 중심의 기존 시스템에서 진보하여, 딥러닝 기반 영상 분석 알고리즘을 활용함으로써 영상 데이터를 실시간으로 인식, 판단, 대응하는 지능형 시스템으로 정의할 수 있다.
기존 CCTV가 사고 발생 이후의 증거 확보를 위한 사후적 수단으로 활용되었다면, AI CCTV는 작업자의 행동 패턴과 위험 구역 접근 여부 등을 자동으로 분석하여 잠재적 위험 상황을 사전에 탐지하고 즉각적인 경보를 제공함으로써 효율성과 신속성, 대응성, 정확성 등을 강화하여 예방 중심의 안전관리를 가능하게 한다(Khandelwal et al., 2020).
제조 현장은 다수의 작업자와 복잡한 자동화 설비, 이동 장비가 공존하는 환경으로, 다양한 안전 사고의 위험이 상존한다. AI CCTV는 객체 인식, 행동 분석, 이상 징후 탐지 기능을 통해 보호구 미착용, 출입금지 구역 진입, 넘어짐·추락, 끼임과 같은 고위험 행동을 신속하게 감지 및 대응할 수 있으며, 이를 통해 기존 인력 중심 감시 체계의 한계를 효율적으로 보완한다. 이러한 기능은 딥러닝 기반 객체 검출 및 추적 기술의 발전에 의해 구현되며, YOLO(You Only Look Once), Faster R-CNN, Mask R-CNN 등과 같은 모델이 다중 객체 인식과 위치 추적에 활용되고 있다(Yang et al., 2022; Park, 2024; Son & Kim, 2025).
2.4 AI CCTV의 핵심 기술
최근 산업 현장에서 활용되는 AI CCTV 기술은 단순한 객체 탐지에서 근로자의 세부적인 동작 변화와 위험 상황의 맥락을 정밀하게 이해하는 방향으로 진화하고 있다. 기존 CCTV 기술이 사전에 정의된 특정 이벤트 인식에 국한되었다면, 최근의 연구 및 현장 적용 사례들은 딥러닝 기반 객체 탐지(Object Detection), 자세 추정(Pose Estimation), 행동 인식, 그리고 멀티모달 데이터 통합과 엣지 컴퓨팅 기술을 결합하는 형태로 그 적용 범위를 지속적으로 확장하고 있다(Lee et al., 2022; Kang et al., 2024).
객체 탐지 분야에서는 YOLO(You Only Look Once) 계열 모델이 기술적 발전을 주도하고 있다. YOLO는 입력 영상을 격자 단위로 분할하여 객체의 경계 박스와 클래스 확률을 동시에 예측하는 단일 단계 추론 방식을 채택함으로써, 기존 Region Proposal 기반 기법 대비 연산 구조를 단순화하고 실시간 처리 성능을 극대화하였다(Park et al., 2024). 이러한 기술적 우수성을 바탕으로 YOLOv3부터 최신 버전인 YOLOv8에 이르기까지 지속적인 고도화가 이루어졌으며, 특히 작업자의 보호구(PPE) 착용 여부 판별이나 위험 구역 진입 감지 등 산업 안전 관리 시나리오에서 높은 정확도와 실시간 대응 역량을 입증해 왔다(Ahn et al., 2023; Uppaluri, 2025).
한편, 작업자의 미세한 동작과 자세 변화를 정밀하게 분석하기 위한 자세 추정 및 행동 인식 기술 역시 AI CCTV 시스템의 핵심 요소로 부상하고 있다. Fang et al.(2022)은 YOLOv5와 OpenPose를 결합한 하이브리드 파이프라인을 통해 작업자의 골격 핵심 지점을 추출하고, 이를 기반으로 안전벨트 착용 여부를 판단하는 시스템을 제안하여 약 89%의 정확도를 달성하였다. 또한 Rijayanti et al.(2023)은 Mask R-CNN(Region-based Convolutional Neural Network), MediaPipe Holistic, LSTM(Long Short-Term Memory)을 결합한 모델을 통해 낙상이나 도구의 비정상적 상호작용과 같은 제조 현장의 이상 행동을 탐지하였으며, 자세 인식과 객체 탐지에서 각각 약 96%와 97%의 높은 정확도를 보고하였다. 더 나아가 ST-GCN(Spatial-Temporal Graph Convolutional Network)과 같은 시공간 그래프 기반 모델은 골격 시퀀스를 활용하여 인간과 객체 간의 상호작용을 효과적으로 모델링함으로써, 작업 동작 분류의 정밀도를 대폭 향상시키는 데 기여하고 있다(Li & Guo, 2023).
2.5 AI CCTV 시스템 특성
산업 현장에서 활용되는 AI CCTV 시스템은 딥러닝 기반 영상 인식 기술을 적용하여 작업자의 보호구 착용 여부, 쓰러짐 및 추락과 같은 이상 행동, 화재 및 연기 발생, 출입 통제 위반 등 다양한 위험 요소를 실시간으로 감지하고 있다. 또한 다중 카메라를 통합적으로 관리하고 자동 알림 기능을 제공함으로써 안전관리 인력의 인지 부담을 경감시키며, 사고 발생 이전 단계에서의 선제적 대응을 가능하게 한다. 이러한 기능은 제조업과 건설업 등 고위험 산업 현장에서 안전관리의 효율성과 신뢰성을 제고하는 데 기여하고 있으며, 실제 산업 현장 적용 사례를 통해 그 효과성이 점차 입증되고 있다(Kim, 2024).
AI CCTV의 시스템 특성과 관련된 선행연구를 확인한 결과, Lee et al(2022)은 AI를 접목한 IoT 기반 산업현장 안전관리 시스템을 제안하며, 라즈베리파이, IoT 센서, YOLO 기반 딥러닝 모델, Firebase 데이터 관리 플랫폼, 안드로이드 애플리케이션을 결합한 통합 구조를 설계하였다. 해당 연구는 위험 상황을 신속하고 정확하게 탐지하여 실시간으로 전파할 수 있는 체계를 구현함으로써, 기존 수동적 감시 방식의 한계를 보완하고 효율적인 안전관리 시스템으로서의 가능성을 실증적으로 제시하였다(Lee et al., 2022).
조선기자재 산업을 대상으로 AI 기반 스마트 안전관리 시스템을 구축하고, 사고 유형별 위험도를 정량화하여 안전 관리 자원의 배분을 최적화하는 방안을 제안한 연구에서는 Private 클라우드 기반 데이터 저장 및 분석 체계를 도입함으로써 보안성과 신뢰성을 강화하였으며, 주요 위험 상황에 대한 즉각적인 경고와 자동 대응 프로세스를 구현하여 산업 현장에서의 실질적 활용 가능성과 운영 효율성을 제고하였다(Kim, 2024).
한편, 기술 수용 관점에서 AI CCTV 및 유사한 스마트 안전 기술의 도입 요인을 분석한 연구들도 이러한 시스템 특성의 중요성을 뒷받침한다. Kim, J(2020)은 중소기업의 스마트팩토리 도입의도에 영향을 미치는 요인으로 실시간성, 연결성, 신뢰성, 용이성, 정확성, 정부지원 기대 등을 제시하였으며, 지능형 영상보안시스템의 수용의도 분석을 통해 정확성, 적시성, 명확성, 이용 용이성, 응답성과 같은 시스템 품질 요인이 지각된 가치를 매개로 사용자 만족과 수용의도에 유의미한 영향을 미친다는 점을 실증적으로 규명하였다(Kim, 2017).
이상의 선행연구를 종합하면, AI CCTV 기술이 산업 안전 분야에서 성공적으로 도입·확산되기 위해서는 단순한 영상 감시 기능을 넘어 효율성, 보안성, 신뢰성, 혁신성, 대응성과 같은 시스템 품질 특성이 핵심적인 요소로 작용함을 알 수 있다. 이는 AI CCTV의 기술적 완성도뿐만 아니라 사용자 인식과 수용성 제고가 기술 확산의 중요한 전제 조건임을 시사한다.
2.6 TOE 프레임워크
중소 제조업 현장에서 안전사고 예방을 위한 AI CCTV 시스템의 도입은 개인 차원의 선택이라기보다, 조직 차원의 의사결정에 의해 이루어지는 경우가 일반적이다. 이에 본 연구는 중소 제조업 현장의 CEO, 관리자 및 근로자를 대상으로 AI CCTV 수용의도에 영향을 미치는 요인을 체계적으로 분석하기 위해 <Figure 1>과 같이 TOE프레임워크를 이론적 기반으로 적용하고자 한다. TOE 프레임워크는 조직 수준에서 신기술 도입에 영향을 미치는 요인을 기술적, 조직적, 환경적 차원으로 구분하여 설명함으로써, 복합적인 도입 요인을 종합적으로 이해하는 데 유용한 분석 틀을 제공한다(Tornatzky & Fleischer, 1990).
TOE framework(Tornatzky & Fleischer, 1990)
TOE 프레임워크에서 기술적 요인은 조직이 활용 가능한 관련 기술 환경을 의미하며, 시스템의 성능, 편리성, 정확성, 기대 효과 등과 같은 다양한 기술적 속성을 포괄한다. 중소 제조업 현장에서 AI CCTV 시스템 도입을 고려할 경우, 영상 분석의 정확도, 실시간 경보 기능의 신뢰성, 운영 효율성, 그리고 사용 편리성은 기술 도입 여부를 판단하는 핵심적인 기술적 기준으로 작용한다. 이러한 기술적 속성은 시스템의 실질적 활용 가능성과 직결되며, 사용자가 인식하는 유용성과 용이성 형성에도 중요한 영향을 미친다.
행정이론의 사회과학적 기초 연구에서는 기술적 특성이 조직의 혁신 의사결정 과정에서 핵심적인 역할을 수행한다고 보았으며, 이는 조직 내부의 기술 역량뿐만 아니라 외부 기술 지원 환경까지 포함하는 개념으로 이해될 수 있다고 하였다(Thompson, 1967). 이러한 관점은 AI CCTV와 같은 첨단 기술의 도입 과정에서 기술적 완성도와 실효성이 조직의 수용의도 형성에 결정적인 영향을 미칠 수 있음을 시사한다. 즉, 기술이 제공하는 기능적 우수성과 신뢰성이 충분히 확보될수록 조직 구성원은 해당 시스템을 실질적인 안전관리 수단으로 인식할 가능성이 높아진다.
조직적 요인은 조직의 규모, 인적·물적 자원, 관리 구조, 비용 부담, 그리고 혁신에 대한 조직 문화 등을 포함한다. 중소 제조업의 경우 안전관리 전담 인력과 예산이 제한적인 구조적 특성을 지니고 있어, 최고경영자의 인식과 지원, 관리자의 운영 역량, 그리고 근로자의 기술 수용 태도가 AI CCTV 도입 여부에 중요한 영향을 미친다. Tornatzky & Fleischer(1990)는 조직 구조의 유연성, 의사결정 절차, 경영층의 지원이 신기술 도입을 촉진하는 핵심 요인임을 강조하였으며, 이는 AI CCTV가 단순한 감시 장비가 아니라 조직의 안전관리 체계를 고도화하는 핵심 도구로 인식될 때 수용 가능성이 더욱 높아질 수 있음을 의미한다.
환경적 요인은 조직을 둘러싼 외부 환경으로서 산업 구조, 경쟁 압력, 정부 정책 및 규제 등을 포함한다. 특히 중대 재해처벌법 시행과 산업안전 규제의 강화는 중소 제조업 현장에 외부적 압박 요인으로 작용하며, AI CCTV 도입을 선택적 대응이 아닌 필수적인 경영 조치로 인식하게 만드는 제도적 환경을 형성하고 있다. Zhu et al(2017)은 규제 환경과 산업 내 경쟁 압력이 정보시스템 도입을 촉진하는 주요 요인임을 제시하였으며, 이러한 논의는 안전 규제가 강화되는 환경에서 AI 기반 안전관리 시스템의 수용과 확산을 설명하는 데 유효한 이론적 근거를 제공한다.
2.7 기술수용모델(TAM)
기술수용모형(Technology Acceptance Model, TAM)은 Davis et al(1989)에 의해 제안된 이론으로, Fishbein & Ajzen(1975)이 제시한 합리적 행동이론(Theory of Reasoned Action, TRA)을 기반으로 발전하였다. 합리적 행동이론은 개인의 태도와 주관적 규범이 행동의도를 형성하고, 이 행동의도가 실제 행동으로 이어진다고 설명한다. 그러나 현실에서는 개인이 형성한 의도만으로 항상 행동을 수행하지 못하는 경우가 존재한다는 한계를 지닌다. 이러한 점을 보완하기 위해 Ajzen(1991)은 개인이 행동을 수행할 수 있다고 인식하는 정도를 의미하는 지각된 행동통제 개념을 포함한 계획된 행동이론(TPB)을 제시하였으며, 이를 통해 인간 행동에 대한 예측과 설명의 범위를 보다 확장하였다.
기술수용이론은 초기에는 사회심리학적 관점에서 개인의 행동의도와 실제 행동 간의 관계를 설명하는 데 초점을 두었으나, 이후 정보기술(IT)을 비롯한 다양한 신기술의 등장과 확산에 따라 개인 및 조직 차원의 기술 수용을 분석하는 이론으로 점차 확장되어 왔다(Jung, 2025). 이러한 이론적 흐름 속에서 TAM은 정보기술 사용과 관련된 개인의 행동을 설명하는 대표적인 모형으로 자리매김하였으며, 지각된 유용성과 지각된 사용 용이성을 기술 수용의 핵심 선행 요인으로 제시하였다(Byun, 2018). 즉, 사용자가 특정 정보기술이 자신의 업무 성과 향상에 기여할 것이라고 인식하고, 해당 기술을 쉽게 사용할 수 있다고 판단할수록 기술 수용에 대한 태도와 사용의도가 강화되며, 이는 궁극적으로 실제 사용 행동으로 이어진다고 보았다.
기술수용모형은 정보시스템 및 혁신 기술의 수용의도를 예측하는 대표적인 모형으로, 다양한 정보기술 환경에서 높은 설명력을 입증해 왔다. 다만 초기 TAM은 기술수용에 영향을 미치는 외부 요인을 충분히 반영하지 못했다는 한계가 지적되었으며, 이를 보완하기 위해 Venkatesh & Davis(2000)는 조직 차원의 요인을 포함한 확장된 기술수용모형(TAM2)을 <Figure 2>와 같이 제안하였다. TAM2는 주관적 규범, 이미지, 업무 관련성, 결과 품질, 결과 입증 가능성 등을 지각된 유용성의 선행 요인으로 추가함으로써, 기술수용 과정에서 개인의 인지적 판단뿐만 아니라 조직적·사회적 영향 요인을 보다 체계적으로 설명하고자 하였다(Kim, 2023).
Technology Acceptance Model 2(Fishbein & Ajzen, 1975)
한편 기술수용모형은 다양한 분야의 실증 연구에서 폭넓게 활용되어 왔다. Kim. H(2020)는 스마트팩토리의 지속 사용 의도를 분석한 연구에서 CEO 리더십, 조직학습, 전환비용이 지각된 유용성과 사용 용이성, 지속 사용 의도에 유의미한 영향을 미친다는 것을 확인하였다. 또한 Lu & Deng(2022)은 건설 현장의 지능형 감시시스템 수용을 분석한 연구에서 정부 정책, 교육훈련, 기술지원과 같은 외부 환경 요인이 기술 수용에 중요한 역할을 수행함을 실증적으로 제시하였다.
3. 연구모형 및 가설
3.1 연구모형
본 연구의 목적은 중소 제조업 현장 근로자의 안전사고 예방을 위해 도입되는 AI CCTV 시스템의 수용의도에 영향을 미치는 요인을 규명하는 데 있다. 이를 위해 AI CCTV의 시스템 특성이 지각된 유용성과 지각된 용이성에 미치는 영향을 분석하고, 나아가 조직 및 환경 차원의 의사결정 요인이 시스템 수용의도에 어떠한 영향을 미치는지를 실증적으로 검증하고자 한다. 특히 본 연구는 기술적 요인에 대한 개인의 인지적 평가뿐만 아니라, 조직적·환경적 맥락에서의 영향 요인을 종합적으로 고려하기 위해 TOE 프레임워크와 기술수용모형(TAM)을 결합한 연구모형을 <Figure 3>과 같이 설계하였다. 또한 중소 제조업 현장 CEO, 근로자, 관리자의 개인적 특성이 AI CCTV 시스템 수용의도에 미치는 차이를 분석하기 위해 조직 규모, 근무 기간, 성별, 나이, 직급, 업종, AI 서비스 경험을 인구통계학적 통제변수로 설정하였다.
Research Model
3.2 연구가설의 설정
3.2.1 AI CCTV 시스템 특성에 대한 가설
AI CCTV 시스템은 기존의 단순 영상 기록 중심의 CCTV에서 인공지능 기반 영상 분석을 통해 위험 상황을 자동으로 인지·판단하고 대응을 지원하는 시스템으로 발전하고 있다. 이러한 시스템의 효과적인 활용 여부는 기술 자체의 도입 가능성뿐만 아니라, 사용자가 인식하는 시스템 특성에 대한 평가에 크게 좌우된다. 기술수용모델(TAM)에 따르면 사용자는 새로운 정보시스템을 수용하는 과정에서 해당 시스템이 자신의 업무 수행에 실질적인 도움이 되는지에 대한 지각된 유용성과, 시스템을 사용하는 데 요구되는 노력 수준에 대한 지각된 용이성을 핵심 판단 기준으로 삼는다(Davis, 1989).
선행연구에 따르면 효율성은 혁신적 기술 시스템이 업무 수행의 능률과 성과를 향상시킬 것이라는 사용자의 믿음을 의미한다(Davis, 1989). 생성형 인공지능 및 AI 기반 정보시스템 수용 연구에서는 효율성이 지각된 용이성과 지각된 유용성을 강화하여 사용자 만족과 지속 사용 의도에 긍정적인 영향을 미치는 것으로 확인되었다(Ibrahim et al., 2025). 특히 AI CCTV 및 영상감시 시스템을 대상으로 한 연구에서는 시스템이 효율적으로 작동할수록 사용자는 해당 시스템을 업무 수행에 가치 있고 유용한 도구로 인식하였으며, 지각된 용이성은 효율성과 유용성 간의 관계를 매개·보조하는 역할을 수행하는 것으로 나타났다(Park & Jang, 2023). 또한 ICT 채택 연구에서도 효율성은 업무성과 개선에 대한 유용성 인식을 강화하는 핵심 요인으로 제시되었다(Sasmita et al., 2025).
이에 본 연구는 AI CCTV 시스템의 효율성을 안전사고 예방 업무 효율에 긍정적인 영향을 미치는 정도로 정의하고 지각된 유용성과 지각된 용이성에 유의미한 영향을 미칠 것이라는 가설을 설정하였다.
H1-1. 효율성은 지각된 유용성에 유의한 영향을 미칠 것이다.
H2-1. 효율성은 지각된 용이성에 유의한 영향을 미칠 것이다.
인공지능 기술의 다양한 특성 중 보안성은 AI CCTV 시스템 도입과 수용에 영향을 미치는 대표적인 기술적 특성이라 할 수 있다. AI CCTV 시스템은 영상 데이터를 기반으로 이상 상황과 위험 요소를 감지·분석하고 대응을 지원하는 역할을 수행하므로, 보안성이 확보되지 않을 경우 시스템의 기능적 효과성은 크게 저하될 수 있다. 특히 AI CCTV는 영상 정보와 개인정보를 지속적으로 수집·처리·저장하는 특성을 지니고 있어, 외부 침입이나 사이버 공격으로부터 데이터를 안전하게 보호할 수 있는 보안 역량이 필수적으로 요구된다. 이러한 보안성이 확보될 때 AI CCTV 시스템은 영상 위·변조, 무단 접근, 정보 유출과 같은 위협을 예방할 수 있으며, 이를 통해 시스템의 핵심 기능이 안정적으로 보장되고 사용자 신뢰 또한 강화될 수 있다.
보안성은 기술이 사용자의 중요 정보와 데이터를 안전하게 보호할 것이라는 인식의 정도로 정의되며(Fang et al., 2006; Wang, 2014), 보안 수준이 낮을 경우 기술 서비스 거부의 주요 원인이 될 수 있다(Zhu et al., 2017). AI CCTV 시스템은 영상 데이터의 수집·분석·저장 과정에서 개인정보와 민감 정보를 지속적으로 처리하므로, 보안성은 시스템 신뢰성과 핵심 기능 수행을 보장하는 필수 요인이다. 관련 연구들은 보안성이 사용자 신뢰를 강화하고, 지각된 유용성과 지각된 용이성에 긍정적인 영향을 미쳐 기술 수용과 지속 사용 의도를 증진시킨다는 점을 실증적으로 제시하였다(Chen et al., 2023; Park & Jang, 2023). 특히 데이터 암호화, 접근통제, 인증과 같은 보안 메커니즘은 시스템 활용의 심리적 부담을 낮추어 사용 용이성 인식을 강화하는 것으로 나타났다.
이에 본 연구는 AI CCTV 시스템의 보안성을 시스템이 개인정보를 안전하게 보호하는 기술적 능력으로 정의하고 지각된 유용성과 지각된 용이성에 유의미한 영향을 미칠 것이라는 가설을 설정하였다.
H1-2. 보안성은 지각된 유용성에 유의한 영향을 미칠 것이다.
H2-2. 보안성은 지각된 용이성에 유의한 영향을 미칠 것이다.
신뢰는 혁신 기술 사용 과정에서, 시스템의 기능과 효율성에 대한 불확실성을 감소시켜 사용자가 기술을 보다 쉽게 수용하고 지속적으로 활용하도록 돕는 요인으로 다수의 연구에서 강조되어 왔다(Rousseau et al., 1998; Glikson & Woolley, 2020). 사용자 관점에서 신뢰성은 기술이나 서비스 평가의 핵심 요소로 작용하며, 기술 사용에 수반되는 심리적 우려와 불확실성을 완화하는 기능을 수행한다(Gefen et al., 2003). 또한 신뢰는 새로운 기술과의 감정적 유대 형성에 기여하여, 신뢰 수준이 높을수록 기술 수용성과 활용 가능성이 증대되는 것으로 보고되었다(Polyportis et al., 2024). 서비스 품질 연구에서는 신뢰성을 약속된 서비스를 정확하고 일관되게 제공하는 능력으로 정의하고, 고객 만족과 성과 평가에 가장 큰 영향을 미치는 요인으로 제시하였다(Parasuraman et al., 1988).
제조업 현장 안전사고 예방을 위한 AI CCTV 시스템은 실시간 감시와 경보를 통해 의사결정을 지원하지만, 감시 환경의 특성상 기술적 불확실성과 프라이버시 우려를 동반할 수 있다. 따라서 시스템이 안정적이고 일관되게 작동한다는 신뢰성이 확보될 때 사용자는 해당 시스템을 유용하고 사용하기 쉬운 기술로 인식하게 되며, 이는 기술 수용과 실질적 활용으로 이어질 가능성이 높다.
이에 본 연구는 AI CCTV 시스템의 신뢰성을 오류없이 약속된 서비스를 정확하게 수행할 능력이 있다고 믿는 신뢰의 정도로 정의하고, 지각된 유용성과 지각된 용이성에 유의미한 영향을 미칠 것이라는 가설을 설정하였다.
H1-3. 신뢰성은 지각된 유용성에 유의한 영향을 미칠 것이다.
H2-3. 신뢰성은 지각된 용이성에 유의한 영향을 미칠 것이다.
편리성은 개인이 정보시스템을 사용하는 과정에서 요구되는 노력이 적을 것이라고 인식하는 정도로 정의되며(Davis, 1989), 사용자가 시스템이나 서비스를 쉽고 편하게 이용할 수 있다는 전반적인 인식을 포함한다. 선행연구에 따르면 서비스 이용이 쉽고 신속할수록 서비스 품질에 대한 인식과 만족도가 향상되며, 이는 재이용 의도로 이어지는 경향이 있다(Parasuraman et al., 1988). 국내 연구에서도 IoT 기반 스마트 건설안전시스템을 대상으로 편리성이 지각된 유용성과 사용자 만족에 유의미한 영향을 미치는 핵심 요인으로 확인되었으며(Kim, 2022), 현장 근로자가 기술을 불편하게 인식할 경우 수용성과 실제 활용도가 저하됨이 지적되었다(Jeong et al., 2024). 또한 모바일 서비스 품질 연구에서는 언제 어디서나 쉽게 접근하고 별도의 학습 부담 없이 활용할 수 있는 편리성이 만족과 지속 사용 의도를 강화하는 것으로 나타났다(Desmal & Madan, 2024).
이에 본 연구는 AI CCTV 시스템의 편리성을 AI CCTV 기술을 다양한 용도로 활용할 수 있다고 믿는 정도로 정의하고, 지각된 유용성과 지각된 용이성에 유의미한 영향을 미칠 것이라는 가설을 설정하였다.
H1-4. 편리성은 지각된 유용성에 유의한 영향을 미칠 것이다.
H2-4. 편리성은 지각된 용이성에 유의한 영향을 미칠 것이다.
혁신성은 기존 시스템이나 서비스와 비교하여 새로운 기능과 가치를 제공하는 정도를 의미하며, 소비자 만족과 성과 창출에 기여하는 핵심 품질 특성으로 제시되어 왔다(Garvin, 1984). 최근 연구들은 혁신성을 첨단 기술이 기존 시스템의 한계를 극복하고 새로운 가치를 창출하는 능력으로 정의하며, AI 및 IoT 기반 영상감시와 안전관리 시스템에서 그 중요성을 강조하고 있다(Yao, 2024; Deshvena & Kulkarni, 2024). 특히 AI 기반 스마트 영상감시 시스템은 위험 탐지 정확도 향상, 운영 효율성 개선 등 차별화된 성과를 통해 사용자 만족과 긍정적 평가를 유도하는 것으로 나타났다. 국내 연구에서도 혁신성은 스마트 안전관리 시스템의 사용자 만족과 경험을 향상시키는 주요 요인으로 확인되었으며(Kim, 2022; Park et al., 2023), 서비스 품질 연구에서는 새로운 기능과 기술 도입이 초기 만족과 지속 이용 의도를 강화하는 것으로 보고되었다(Desmal & Madan, 2024).
이러한 선행연구를 바탕으로 본 연구는 AI CCTV가 기존 안전관리 방식 대비 새로운 가치를 제공하는 정도로 혁신성을 정의하고 지각된 유용성과 지각된 용이성에 유의미한 영향을 미칠 것이라는 가설을 설정하였다.
H1-5. 혁신성은 지각된 유용성에 유의한 영향을 미칠 것이다.
H2-5. 혁신성은 지각된 용이성에 유의한 영향을 미칠 것이다.
대응성은 스마트 영상보안감시 서비스의 품질을 구성하는 핵심 요인으로, 고객의 요구와 문제에 대해 신속하고 정확하게 반응하는 능력을 의미한다(Yu, 2017). 선행연구에 따르면 대응성이 높을수록 서비스 신뢰성이 강화되고 장기적 사용 가능성이 제고된다. AI 기반 스마트 영상감시 연구에서는 대응성을 위험 상황에 대한 실시간 탐지와 즉각적인 경고 제공 능력으로 정의하며, 신속한 대응을 통해 사고 예방의 골든타임을 확보하고 전반적인 안전성을 강화할 수 있음을 실증하였다(Yao, 2024). 또한 서비스 품질 연구에서는 대응성이 고객 경험과 만족도를 높이는 핵심 요인으로 확인되었으며, 즉각적인 피드백과 빠른 지원은 서비스 성과에 대한 긍정적 평가로 이어지는 것으로 나타났다(Desmal & Madan, 2024). 국내 연구에서도 지능형 CCTV의 대응성은 공공안전 및 산업 현장에서 위험 상황에 대한 지속적이고 실시간 대응을 가능하게 하는 필수 특성으로 제시되었다(Park et al., 2023). 이에 본 연구는 AI CCTV가 신속하게 서비스를 제공하고, 긴급요청에 대응할 수 있다고 믿는 정도 대응성을 정의하고, 지각된 유용성과 지각된 용이성에 유의미한 영향을 미칠 것이라는 가설을 설정하였다.
H1-6. 대응성은 지각된 유용성에 유의한 영향을 미칠 것이다.
H2-6. 대응성은 지각된 용이성에 유의한 영향을 미칠 것이다.
3.2.2 매개변수와 수용의도와의 관계
지각된 유용성은 특정 정보시스템을 활용함으로써 업무 성과나 개인적 목표 달성이 향상될 것이라고 사용자가 기대하는 정도를 의미하며, 기술이 자신의 목적 달성에 얼마나 기여하는지 판단하는 핵심 기준이다(Davis et al., 1989). 이는 사용자가 혁신 기술을 통해 효율성, 생산성, 성과 개선을 기대하는 주관적 인식을 반영하는 개념으로, 객관적 성능보다 사용자의 인지적 평가에 의해 형성된다. 지각된 용이성은 시스템 사용 과정이 쉽고 학습·운영에 필요한 노력이 적다고 인식하는 정도를 의미하며, 시스템이 직관적이고 부담 없이 활용될수록 높게 형성된다(Venkatesh & Bala, 2008). 기술수용모형(TAM)은 이 두 변수를 기술 수용의 핵심 선행 요인으로 제시하며, 지각된 용이성이 높을수록 시스템을 유용하게 인식하는 경향이 강화된다고 설명한다. 선행연구들은 지각된 유용성이 정보 탐색과 실제 사용 행동을 유도하는 중요한 요인임을 실증하였고(Moore & Lehmann, 1980), 스마트 팩토리 및 지능형 감시시스템 연구에서도 지각된 유용성과 지각된 용이성이 수용의도와 지속 사용의도에 유의미한 영향을 미치는 것으로 확인되었다(Kim. H., 2020; Lu & Deng, 2022). 이러한 논의를 중소 제조업 안전관리 맥락에 적용하면, AI CCTV 시스템이 위험 행동 탐지와 실시간 경보를 통해 현장 안전 확보와 관리 효율성 향상에 실질적으로 기여하고 사용하기 편리하다고 인식될수록 수용의도는 높아질 것으로 예상된다. 이에 본 연구는 AI CCTV 시스템에 대한 지각된 유용성과 지각된 용이성이 수용의도에 유의미한 영향을 미칠 것이라는 가설을 다음과 같이 설정하였다.
H3-1. 지각된 유용성은 수용의도에 유의한 영향을 미칠 것이다.
H3-2. 지각된 용이성은 수용의도에 유의한 영향을 미칠 것이다.
3.2.3 조직 및 환경 특성과 수용의도와의 관계
경영진 지원과 정부의 제도적 지원은 정보시스템 및 혁신 기술 도입 과정에서 조직 차원의 핵심 촉진 요인으로 작용한다. 최고경영자의 명확한 비전 제시와 지속적인 관심, 그리고 적극적인 지원은 조직 구성원의 기술 수용을 촉진할 뿐만 아니라(Depietro et al., 1990), 조직 내부의 저항을 완화하고 인적·물적 자원의 투입과 제도적 기반을 마련함으로써 정보시스템 도입을 위한 우호적인 환경을 조성하는 데 중요한 역할을 한다(Weill, 1992; Thong, 1995).
한편, 정부 지원 사업에 대한 조직 차원의 인식과 제도의 효과적인 활용은 기업의 제품 혁신을 촉진하는 주요 요인으로 작용하며, 정부의 재정적 지원과 보조금은 기업의 혁신 활동을 실질적으로 활성화하는 것으로 보고되고 있다(Zeng et al., 2018). 또한 중소기업을 대상으로 한 정부의 육성 및 지원 정책은 기업의 혁신 역량을 강화하고 기술 발전을 촉진하는 데 긍정적인 영향을 미치는 것으로 나타났다(Libutti, 2000; Hewitt-Dundas, 2006).
실증 연구에서도 경영진의 관심과 혁신 의지, 그리고 정부의 제도적 지원은 성과기대와 노력기대 등 사용자 인식에 긍정적인 영향을 미쳐 기술 도입 의도를 강화하는 것으로 확인되었다(Lin, 2014; Kim, 2019). 이러한 연구 결과를 종합하면, AI CCTV 시스템 수용 과정에서 중소 제조기업 CEO의 투자의지와 정부 지원에 대한 기대는 시스템에 대한 사용자 신뢰를 강화하고, 궁극적으로 수용의도에 유의미한 영향을 미칠 가능성이 높다.
이에 본 연구는 CEO의 투자의지를 AI CCTV 시스템 도입에 대한 경영진의 지원과 관심 수준으로, 정부 지원기대를 조직이 정부 지원사업을 인지하고 실제로 지원을 받을 수 있다고 인식하는 정도로 정의하고, 이들 요인이 AI CCTV 시스템 수용의도에 유의미한 영향을 미칠 것이라는 가설을 설정하였다.
H3-3. CEO의 투자의지는 수용의도에 유의한 영향을 미칠 것이다.
H3-4. 정부 지원기대는 수용의도에 유의한 영향을 미칠 것이다.
4. 실증분석
4.1 자료의 수집
본 연구는 중소 제조업 현장 근로자의 안전사고 예방을 위한 AI CCTV 수용의도에 대한 영향 요인을 규명하고자, 현장 근로자 및 관리자를 대상으로 설문조사를 실시하였다. 자료 수집은 2026년 1월 중 약 2주간 온라인 설문 전문 기관인 Survey Monkey를 통해 진행되었다. 설문 도구는 인구통계학적 특성 6문항과 측정 변수 64문항을 포함하여 총 70개 문항으로 구성하였으며, 각 측정 항목은 7점 리커트(Likert) 척도로 측정하였다. 회수된 총 345부를 최종 분석에 활용하였다.
표본은 성별, 연령대, 직급, 근속연수, 기업 규모 등 주요 인구통계학적 특성에 대해 비교적 균형 있게 구성하여 집단 간 편향을 최소화하고, 세대·직무 역할·조직 경험·기업 환경에 따른 인식 차이를 종합적으로 분석할 수 있도록 설계하였다. 반면, AI 서비스 사용 경험과 세부 업종에 대해서는 사전적인 비율 통제를 적용하지 않고, 응답자가 보고한 실제 분포를 그대로 반영함으로써 현장의 현실적 특성을 충실히 반영하고자 하였다.
본 연구에서 제시한 연구가설과 연구모형을 검증하기 위해 단계적인 데이터 분석 절차를 적용하였다. 먼저, 수집된 자료의 인구통계학적 특성을 파악하기 위해 SPSS 33.0을 활용하여 빈도분석을 실시하였고, 변수들의 분포 특성을 점검하기 위한 정규성 검정은 R(버전 4.5.0)을 사용하였다. 이후 가설 검증 단계에서는 다수의 변수와 복합적인 경로 관계를 동시에 분석하는 데 적합한 PLS-SEM(Partial Least Squares Structural Equation Modeling) 기법을 적용하여 구조방정식 모형을 분석하고 그 결과를 도출하였다.
4.2 인구통계학적 분석
본 연구의 설문 응답자 345명의 인구통계학적 특성은 <Table 1>에 제시되어 있다. 표본의 구성 특성을 살펴보면, 성별의 경우 남성 172명(49.86%), 여성 173명(50.14%)으로 거의 동일한 비율을 이루어 성별에 따른 표본 편향을 최소화하였다. 연령 분포는 MZ세대(20대~30대)가 49.56%, 기성세대(40대 이상)가 50.44%로 구성되어 세대 간 비교 분석이 가능하도록 표본을 구성하였다. 직급별로는 현장직에 해당하는 대리급 이하가 49.57%, 관리직에 해당하는 과장급 이상이 50.43%로 나타나 직무 특성에 따른 차이를 분석할 수 있도록 균형 있게 통제되었다. 근속연수의 경우 5년 미만이 49.86%, 5년 이상이 50.14%로 분포하여 조직 경험 수준에 따른 비교가 가능하도록 하였으며 기업 규모는 상시 근로자 50인 미만 사업장이 50.14%, 50인 이상 사업장이 49.86%로 나타나, 기업 규모에 따른 영향 분석이 가능하도록 표본을 구성하였다.
Demographic Characteristics of the Sample
한편, AI 서비스 사용 경험과 업종 분류에 대해서는 별도의 비율 통제를 적용하지 않고 응답자의 실제 분포를 그대로 반영하여 분석에 활용하였다.
4.3 신뢰도 및 타당도 분석
신뢰도 평가는 내적 일관성 신뢰도(Internal Consistency Reliability)와 지표 신뢰도(Indicator Reliability)를 기준으로 수행할 수 있다. 내적 일관성 신뢰도는 Cronbach’s α 계수가 0.7 이상일 경우 관측변수 간의 일관성이 확보된 것으로 판단하며(Nunnally & Bernstein, 1994), PLS 모형 분석에서는 합성 신뢰도의 지표인 DG.rho 값이 0.7 이상일 때 측정도구의 신뢰도가 확보되었다고 해석할 수 있다(Bagozzi & Yi, 1988).
<Table 2>는 내적 일관성 신뢰도 분석 결과를 제시한 것이다. 분석 결과, 모든 잠재변수의 Cronbach’s α 계수는 기준값인 0.7을 상회하였으며, 합성 신뢰도를 나타내는 DG.rho 값 역시 모두 0.7 이상으로 나타났다. 이에 따라 본 연구에서 사용된 모든 측정지표는 내적 일관성 신뢰도와 합성 신뢰도 기준을 충족하여 충분한 신뢰도를 확보한 것으로 판단된다.
Results of Reliability Evaluation
PLS-SEM 구조방정식 모형의 타당도 평가는 집중타당도(Convergent Validity)와 판별타당도(Discriminant Validity)를 중심으로 수행하였다. 판별타당도는 AVE 제곱근 값과 잠재변수 간 상관계수를 비교하는 방식으로 검증하였으며, 각 잠재변수의 AVE 제곱근 값이 다른 잠재변수들과의 상관계수보다 클 경우 판별타당도가 확보된 것으로 해석할 수 있다(Gefen & Straub, 2005). <Table 3>의 분석 결과, 대각선에 제시된 AVE 제곱근 값이 모든 잠재변수 간 상관계수보다 높게 나타나 본 연구 모형은 판별타당도 기준을 충족하는 것으로 확인되었다.
Results of Convergent Validity and Discriminant Validity Analysis
4.4 경로분석 결과
경로분석에서 경로계수의 통계적 유의성은 부트스트래핑(Bootstrapping) 기법을 활용한 비모수적 검정 방법을 통해 평가할 수 있다(Hair et al., 2014). 이에 본 연구에서는 R의 PLSPM 패키지를 사용하여 구조방정식 모형을 분석하였으며, 2,000회의 부트스트래핑 재표본추출을 수행하여 각 경로계수의 유의성을 검증하였다.
경로계수(Path Coefficients)는 두 변수 간의 관계를 표준화된 값으로 나타낸 지표로, 변수 간 상관관계와 표준화 계수를 바탕으로 산출된다. 추정된 경로계수 값이 +1에 근접할수록 강한 정(+)의 영향을 의미하며, −1에 가까울수록 강한 부(−)의 영향을 나타낸다. 반면, 0에 가까운 값은 변수 간 영향력이 미약함을 의미한다.
경로계수의 통계적 유의성은 부트스트래핑을 통해 산출된 표준오차(Standard Error)에 의해 결정되며, 이를 기반으로 경험적 t값(Empirical t-value)을 계산하여 유의성을 판단한다. 해당 t값은 아래의 수식을 통해 산출할 수 있다.
산출된 t값이 임계치(Critical Value)를 상회할 경우, 해당 계수는 설정된 유의수준에서 통계적으로 유의한 것으로 판단할 수 있다. 일반적으로 양측검정(Two-tailed test)에서는 유의수준 5% 기준의 임계치로 t값 1.96이 적용된다(Hair et al., 2014). 이러한 기준에 따라 본 연구의 경로계수 유의성을 검증한 결과는 <Table 4>에 제시하였다.
Results of Path Analysis
AI CCTV 시스템 특성 요인과 지각된 유용성 간의 경로분석 결과, 효율성(t=6.972, p=0.001), 대응성(t=4.154, p=0.001), 혁신성(t=4.141, p=0.001), 신뢰성(t=4.141, p=0.001), 편리성(t=2.999, p=0.002), 보안성(t=2.397, p=0.017) 모두 지각된 유용성에 통계적으로 유의한 정(+)의 영향을 미치는 것으로 나타났다. 이는 AI CCTV 시스템의 효율성, 대응성, 혁신성, 신뢰성, 편리성, 보안성이 사용자에게 긍정적으로 인식될수록 지각된 유용성이 제고됨을 의미하며, 이는 AI CCTV 시스템 특성이 지각된 유용성에 유의미한 영향을 미칠 것이라는 연구가설을 실증적으로 뒷받침한다. 특히 효율성의 영향력이 가장 크게 나타난 점은 산업 현장에서 AI CCTV가 안전관리 인력의 업무 부담을 경감하고 관리 효율을 제고하는 도구로 인식되고 있음을 시사한다. 또한 대응성과 혁신성, 신뢰성의 유의한 영향은 AI 기반 실시간 감지·분석 기능과 시스템 안정성이 지각된 유용성 형성에 핵심적인 역할을 함을 보여준다. 보안성과 편리성 역시 상대적으로 낮은 계수이지만 유의한 영향을 미쳐, 개인정보 보호와 사용 용이성 또한 AI CCTV 수용 과정에서 중요한 고려 요소임을 확인할 수 있다.
AI CCTV 시스템 특성 중 효율성(t = 2.061, p = 0.040), 신뢰성(t = 2.793, p = 0.005), 대응성(t = 5.070, p 0.001)은 지각된 용이성에 통계적으로 유의한 정(+)의 영향을 미치는 것으로 나타났다. 이는 AI CCTV 시스템이 업무 효율을 높이고, 안정적이며 신뢰할 수 있고, 위험 상황에 신속히 대응할 수 있다고 인식될수록 사용자가 해당 시스템을 보다 쉽고 부담 없이 사용할 수 있는 기술로 평가할 가능성이 높아짐을 의미한다. 반면, 보안성, 편리성, 혁신성은 지각된 용이성에 유의한 영향을 미치지 않는 것으로 나타났다. 이러한 결과는 AI CCTV 시스템의 기술적 안정성과 실무 적용 용이성이 사용자에게 직관적인 사용성과 학습 부담 감소로 인식되는 데 핵심적인 역할을 한다는 점을 시사하며, 관련 연구가설은 부분적으로 실증적 지지를 받았다.
또한 지각된 유용성과 지각된 용이성은 모두 수용의도에 유의미한 영향을 미쳤으며, 특히 CEO의 투자의지와 정부 지원에 대한 기대는 수용의도에 가장 강력한 영향 요인으로 나타났다. 이는 AI CCTV 시스템 도입이 개인 차원의 기술 수용이 아닌 조직 차원의 의사결정 구조와 제도적 환경에 크게 의존하고 있음을 의미한다. 다시 말해, 현장 근로자의 긍정적 인식 형성뿐만 아니라 최고경영자의 전략적 의지와 정부 차원의 정책적·재정적 지원이 결합될 때 AI CCTV 시스템의 실질적인 확산이 가능함을 보여준다.
본 연구의 가설을 바탕으로 도출된 경로분석 결과는 <Figure 4>에 제시된 연구모형을 통해 확인할 수 있다.
Result of Path Analysis
5. 결 론
최근 산업 현장에서 안전사고 예방과 위험 관리의 중요성이 증대됨에 따라, 인공지능 기술을 활용한 AI CCTV 시스템은 기존의 수동적 감시 체계의 한계를 지적하며 선제적·지능적 안전관리 도구로 주목받고 있다. 특히 제조업과 건설업을 비롯한 고위험 산업에서는 작업자의 안전 확보와 사고 예방이 기업의 지속가능성과 직결되는 핵심 과제로 부각되고 있으며, 이에 따라 AI 기반 안전관리 시스템의 효과적인 도입과 확산을 위한 실증적 연구의 필요성이 커지고 있다. 이러한 배경 하에 본 연구는 AI CCTV 시스템의 특성이 지각된 유용성과 지각된 용이성, 최종적으로 수용의도에 미치는 영향을 구조적으로 분석하는 것을 목적으로 하였다.
본 연구의 분석 결과, AI CCTV 시스템의 효율성, 보안성, 신뢰성, 편리성, 혁신성, 대응성은 모두 지각된 유용성에 유의미한 정(+)의 영향을 미치는 것으로 나타났다. 이는 AI CCTV 시스템이 업무 효율을 향상시키고, 위험 상황에 신속하게 대응하며, 기술적으로 혁신적이고 신뢰할 수 있고, 사용이 편리하며 보안성이 높다고 인식될수록 사용자가 해당 시스템을 안전관리 업무에 실질적으로 도움이 되는 기술로 평가할 가능성이 높아짐을 의미한다. 특히 효율성과 대응성의 영향력이 크게 나타난 점은, AI CCTV 시스템이 현장 안전관리 인력의 부담을 경감하고 사고 대응의 신속성을 제고하는 핵심 도구로 인식될 수 있음을 시사한다.
한편, 지각된 용이성은 효율성, 신뢰성, 대응성만이 유의미한 영향을 미쳤으며, 보안성, 편리성, 혁신성은 통계적으로 유의하지 않은 것으로 나타났다. 이는 사용자들이 AI CCTV 시스템의 사용 용이성을 판단함에 있어, 첨단 기술의 혁신성이나 보안 수준 자체보다는 시스템의 안정성, 신뢰성, 그리고 실제 현장에서의 즉각적인 활용 가능성과 같은 실무 중심의 요소를 더욱 중요하게 인식하고 있음을 의미한다. 즉, 사용 용이성은 기술의 복잡성보다는 현장 업무 흐름과의 적합성 및 신뢰 가능한 운영 경험에 의해 형성된다는 점을 시사한다.
또한 지각된 유용성과 지각된 용이성은 모두 AI CCTV 시스템의 수용의도에 유의미한 영향을 미치는 것으로 확인되었으며, 특히 CEO의 투자의지와 정부 지원에 대한 기대는 수용의도에 가장 큰 영향 요인으로 나타났다. 이는 AI CCTV 시스템 도입이 단순히 개인 사용자의 기술 인식에 국한되지 않고, 조직 차원의 전략적 의사결정과 제도적·정책적 환경에 크게 의존하고 있음을 보여준다. 즉, 현장 근로자의 긍정적 인식 형성과 최고경영자의 적극적인 투자 의지, 정부 차원의 정책적·재정적 지원이 결합될 때 AI CCTV 시스템의 실질적인 확산과 정착이 가능함을 시사한다.
본 연구의 학문적 시사점은 기존 AI CCTV 및 산업 안전 관련 연구가 주로 건설업 분야의 기술적 구현이나 알고리즘 성능 평가, 관제 인프라 설계 등 공학적 접근에 편중되어 왔던 것과 달리, 사용자 관점에서 AI CCTV 시스템 특성이 수용의도 형성 과정에 어떠한 구조적 영향을 미치는지를 실증적으로 규명하였다는 데 있다. 이를 통해 기술 수용모델(TAM)과 조직·환경적 요인을 결합한 통합적 분석 틀을 제시하였으며, AI 기반 안전관리 시스템 연구의 이론적 확장을 도모하였다.
실무적 시사점으로는, AI CCTV 시스템의 확산을 위해 기술 고도화뿐만 아니라 현장 친화적인 설계와 안정적인 운영 환경 구축이 중요함을 제시한다. 특히 효율성, 신뢰성, 대응성을 중심으로 한 핵심 기능 강화와 함께, 경영진의 명확한 투자 의지 표명과 정부 차원의 지원 정책이 병행될 필요가 있다. 이는 중소 제조업과 같이 안전관리 자원이 상대적으로 제한된 산업 현장에서 AI CCTV 시스템 도입을 촉진하는 중요한 전략적 방향성을 제공한다.
마지막으로 본 연구는 설문 응답자가 실제 AI CCTV 시스템을 사용한 경험이 제한적이라는 점에서 수용의도 평가에 주관성이 일부 개입되었을 가능성이 있으며, 단면적 자료에 기반한 분석이라는 한계를 지닌다. 향후 연구에서는 시스템 도입 이후의 실제 사용 경험을 반영한 지속사용의도 분석이나, 정책 결정자 및 경영진을 포함한 다층적 관점의 분석을 통해 AI CCTV 시스템의 장기적 효과성과 정책적 함의를 보다 심층적으로 검토할 필요가 있다.