디자인 업무의 변화는 결과물을 만드는 속도만으로 설명하기 어렵다. Kim(2014)은 디자인 창의성을 지식·인지·경험을 연결하여 맥락에 적합한 해결안을 만드는 활동으로 논의한다. 이러한 관점에서 제작은 문제 이해와 해결안 판단에 연결된다. 생성형 AI로 이미지를 빠르게 만들더라도, 그 이미지가 문제와 요구에 적합한지를 판단하는 일은 별도의 검토 대상이다. 본 연구는 이 개념적 관점을 바탕으로 AI를 사용하는 디자이너의 제작과 판단 업무를 함께 살펴본다.
국내 디자인산업 조사도 업무를 단일 제작 활동으로 한정하지 않는다. 조사에서는 시장 조사·전략 도출·콘셉트 설정, 아이디어 발굴·시안 제작·샘플 제작 및 사용자 검증, 양산 관리·홍보 및 마케팅을 구분한다((사)한국디자인산업연합회, 2025, 표 17). 이는 AI 활용을 프로젝트의 여러 단계에서 살펴볼 근거다. 보고서의 해당 표는 실제 활용과 활용 계획을 함께 포함한다. 본 연구는 이 산업 수준의 활동 구분을 참고하여, 개인이 실제로 경험한 담당 업무의 확대를 별도로 살펴본다.
본 연구는 이러한 업무 구분을 바탕으로 개인의 담당 범위와 업무 행동을 살핀다. 같은 디자인 분야에서도 조직의 분업, 고용형태, 프로젝트의 규모에 따라 담당 단계는 다를 수 있다. 따라서 특정 업무를 모든 디자이너의 고정된 기본 직무로 전제하지 않는다. 분석에서는 응답자가 가장 많은 시간을 쓴 유급 디자인 업무를 기준으로 삼는다.
Hou et al.(2025)은 디자인 실험에서 아이디어 구상과 구현 단계를 구분하고, AI의 효과가 전문성에 따라 달라질 수 있음을 보였다. 전문가의 구현 단계에서는 AI 사용이 효율 저하와 연결되는 조건이 있었다. 이는 디자인 업무를 결과물 생성의 편리함만으로 설명하기 어렵다는 근거다. 이러한 결과는 AI 활용을 업무 단계와 전문성의 맥락에서 살펴볼 필요성을 제시한다. 본 연구는 이 관점을 바탕으로, 과업 재구성(TC)과 역량 재구성(SC)이 지각된 AI 생산성 기여(TP), 업무범위 확대(JE), 업무강도 증가(WI)와 맺는 관계를 검토한다.
AI가 제작을 지원한다는 사실과 개인에게 더 많은 업무가 배정된다는 사실은 구분해야 한다. 전자는 도구가 지원하는 수행 가능성이고, 후자는 실제 담당 범위의 변화다. Brosch et al.(2026)은 정규 훈련 범위를 벗어난 과업 수행을 AI가 지원할 수 있음을 실험으로 제시했다. 이 실험은 독일 IT 견습생을 대상으로 AI와 인터넷 접근 조건을 무인터넷 조건과 비교했다. 이러한 수행 가능성의 확장은 디자인 현장에서 실제 담당 범위와 업무강도가 어떻게 달라지는지 살펴볼 질문으로 이어진다. 본 연구는 직무와 활용 조건의 차이를 고려하여 이 질문을 검토한다.
사전인터뷰에서는 사진촬영·카피라이팅·번역 등 인접 영역의 일을 AI 도움으로 맡는 경험이 제기됐다. 이 경험은 개인의 담당 범위가 넓어지는 문제를 보여주지만, 해당 분야의 숙련을 획득했다는 의미와는 구분된다.
Law와 Varanasi(2025)는 직업 현장의 생성형 AI 경험을 종합하여 프롬프트 구성, 출력 검증·수정, 작업 흐름으로의 통합을 논의했다. 디자이너의 후처리 사례를 포함한 이 리뷰는 생성 시간의 절약과 전체 업무의 부담을 구분할 근거를 제공한다.
생성형 AI의 활용은 디자이너가 업무를 수행하는 방법과 담당하는 범위를 함께 살펴볼 필요성을 제기한다. 기존 제작 업무를 빠르게 수행하는 것뿐 아니라, 기획·탐색·인접 영역의 업무까지 맡게 될 가능성이 있기 때문이다. 또한 이러한 업무를 수행하는 과정에서 새로운 도구와 방법을 탐색하고, 생성된 결과를 판단하는 역량이 요구될 수 있다. 본 연구는 이러한 현장 문제의식을 과업 재구성과 역량 재구성이라는 두 관점에서 검토한다.
표. 생성형 AI 활용에 따른 디자인 업무의 검토 영역
| 업무 활동 | AI 활용 사례 | 본 연구에서 살펴볼 질문 |
|---|---|---|
| 문제 이해·기획 | 의뢰 내용 정리, 콘셉트·작업계획 구체화 | 디자이너가 담당하는 업무 단계가 넓어지는가? |
| 자료·대안 탐색 | 레퍼런스·아이디어·대안 탐색 | 과업을 수행하는 방법과 판단 범위를 능동적으로 바꾸는가? |
| 시안·콘텐츠 제작 | 이미지·문구·영상 초안 생성 | 생산성 기여와 업무범위 확대가 함께 나타나는가? |
| 인접 영역의 수행 | 번역·홍보 문구·코드 작성 지원 | 기존에 맡지 않았던 종류의 업무를 담당하게 되는가? |
| 검토·수정·통합 | 오류 수정, 결과물 편집·통합 | 제작의 수월함과 함께 업무강도 증가를 경험하는가? |
| 새 도구·방법의 탐색 | 새로운 도구와 작업방법 탐색 | 업무 변화에 대응하여 기술과 학습의 범위를 넓히려 하는가? |
이 표는 문헌과 사전인터뷰를 바탕으로 구성한 분석 관점이며, 각 활동의 변화량을 개별적으로 측정하는 표는 아니다. 업무 활동의 분류와 사례별 근거는 업무 활동·설문 측정 대응 부록에 정리했다.
이러한 업무 경험을 이해하기 위해 연구1은 과업을 능동적으로 바꾸는 행동인 TC에 초점을 둔다. 연구2는 AI 대체 위협 인식과 AI 활용, 새로운 기술과 학습 기회를 탐색하는 행동인 SC의 관계를 살펴본다. 두 연구는 TP·JE·WI를 공통 결과로 사용하여, 과업과 역량의 재구성이 업무 경험과 어떻게 관련되는지 비교한다.
Torkzadeh와 Doll(1999)은 정보기술의 업무 영향을 사용자의 지각으로 측정하며 과업 생산성을 구분했다. 본 연구의 TP는 시간 절약, 생산성 기여, 더 많은 업무의 수행 가능성에 대한 평가다. AI가 제공하는 도움을 평가하므로, 개인의 객관적 성과나 실제 전후 생산성 증가와 구분된다. 특히 더 많은 일을 수행할 수 있다는 응답은 실제로 더 많은 일이 배정됐다는 응답과 같지 않다.
JE는 현재 담당하는 과업의 종류·범위·단계가 AI 사용 전보다 확대되었다는 경험이다. 본 연구는 JE를 연구자 개발 세 문항으로 측정한다. AI로 동일한 시안을 더 많이 만드는 것은 처리량 증가일 수 있다. 기존에 맡지 않던 문구 작성까지 담당하는 것은 범위 확대에 더 가깝다. 과업 추가를 시도한 행동인 TC와, 담당 범위가 넓어진 상태인 JE도 구분한다.
Kubicek et al.(2015)은 IDS에서 업무강도 증가를 학습 요구 및 계획·의사결정 요구의 증가와 구분했다. 본 연구의 WI는 업무 시간의 부족, 휴식의 어려움, 집중 업무 간격의 단축, 동시 수행, 적은 인원의 업무 처리 증가를 포착한다. 따라서 새 도구를 배워야 한다는 사실 자체는 WI가 아니다. 학습 요구와 업무강도 증가는 함께 나타날 수 있지만 서로 다른 구성개념이다.
세 경험은 서로 다른 조합으로 나타날 수 있다. AI가 시간을 절약해 주면서 담당 영역은 넓어지고 강도는 높아질 수 있다. 반대로 절약한 시간을 확보하여 범위가 넓어져도 강도 증가는 크지 않을 수 있다. 본 연구는 세 결과를 하나의 합산 점수로 줄이지 않는다. TP→JE→WI의 연쇄적 인과관계도 현재 설계에 자동으로 포함하지 않는다.
Bindl et al.(2019, p. 607)은 과업 변화의 대상을 “the number, scope, or type of job tasks done at work”로 설명한다. 이 구절은 Bindl 등이 Wrzesniewski와 Dutton(2001)을 인용한 부분이다. 본 연구는 Bindl 등의 촉진형 TC를 사용한다. 이 차원은 과업을 적극적으로 추가하고, 구조·순서·도전 수준과 어려운 의사결정의 범위를 넓히는 행동을 다룬다. 과업을 줄이거나 핵심 과업에 집중하는 예방형 차원까지 측정하지는 않는다.
디자인 업무에서 TC는 새로운 유형의 시안을 스스로 맡거나, 제작과 검토의 순서를 능동적으로 바꾸는 행동으로 해석할 수 있다. 다만 고객이 일방적으로 업무를 추가한 사실만으로 TC가 높다고 볼 수 없다. 해당 요구에 대응하면서 개인이 과업 구조를 적극적으로 바꿨는지를 별도로 보아야 한다. 따라서 본 연구는 행동인 TC와 확대 경험인 JE를 구분하고, 그 판별성을 측정 단계에서 확인한다.
AI 활용은 과업을 바꾸는 실행 여지와 관련될 수 있다. 그러나 기존 과업이 바뀌어 AI를 더 사용하게 되었을 가능성도 있다. 또한 적극적인 과업 추가가 생산성 기여와 함께 나타날 수도 있고, 복잡성과 검토 부담이 커질 수도 있다. 연구1은 USE–TC–각 결과의 관계를 검토하되, 모든 관계의 정적 방향을 미리 확정하지 않는다.
Brougham과 Haar(2018)의 STARA awareness는 기술에 의한 일자리 대체 가능성과 직업 미래에 대한 걱정을 포함한다. 본 연구는 이를 생성형 AI 맥락의 THR로 번안한다. THR은 일반적인 변화 요구 전체나 새로운 도구를 싫어하는 성향과 같지 않다. 인터뷰에서 나타난 두려움은 연구2의 출발점이지만, 현재 척도가 모든 정서와 회피 동기를 측정하는 것은 아니다.
Bindl et al.(2019, p. 607)은 SC를 “self-initiated efforts to change their skills at work”로 설명한다. 본 연구는 핵심 기술을 넘어 새로운 기술과 학습 기회를 탐색하는 촉진형 SC를 사용한다. 디자이너가 기존 제작 도구 외의 기술을 탐색하거나 새로운 영역을 이해하려고 노력하는 행동이 해당한다. AI가 낯선 과업을 대신 수행했다는 사실만으로 SC가 발생했다고 판단하지 않는다.
이 구분은 역량 변화의 해석에서 중요하다. Law와 Varanasi(2025)는 학습을 돕는 활용과 학습 과정을 건너뛰는 활용을 함께 논의했다. 반면 Brosch et al.(2026)의 실험에서는 AI 지원이 단기 과업 이해를 약화시킨다는 증거가 나타나지 않았다. 두 연구는 설계와 측정이 달라 직접 비교할 수 없지만, 수행 지원과 학습의 관계가 하나로 고정되지 않음을 보여준다. 따라서 본 연구도 JE가 높다는 이유만으로 숙련이 향상됐거나 제네럴리스트로 전환했다고 결론 내리지 않는다.
연구2는 위협이 대응 행동과 함께 나타날 가능성과 활용 주저와 함께 나타날 가능성을 모두 검토한다. THR→USE→SC와 THR→SC를 포함하여, 활용을 거치는 관련성과 활용 외의 관련성을 나눈다. 다만 횡단자료는 실제 대응의 시간 순서를 확정하지 못한다. 비사용자를 제외한 표본에서는 두려움 때문에 아예 사용하지 않은 디자이너의 경험도 확인할 수 없다.
Liu et al.(2025)은 GAIL을 기본 운용·프롬프트 설계·품질 평가·혁신적 적용·윤리 및 준수로 구성했다. 디자인 맥락에서 이는 결과 생성뿐 아니라 요구를 설명하고 출력을 평가하는 능력을 고려할 근거다. 연구1에서는 같은 USE 수준에서도 GAIL에 따라 TC와의 관계가 다른지 묻는다. 연구2에서는 같은 THR 수준에서도 GAIL에 따라 USE와의 관계가 다른지 묻는다. GAIL의 측정은 Liu 등에 근거하며, 두 조절 위치는 본 연구의 이론적 제안이다.
EXP는 Van der Heijden et al.(2018)의 직업 전문성 차원에 근거한다. 업무의 정확성, 접근방법의 결정, 우선순위 구분, 방법·재료·기술 판단, 전반적 역량 평가를 포함한다. 디자인 업무에서는 새로운 결과를 기존 문제와 요구에 연결하여 판단하는 능력을 고려할 수 있다. 본 연구의 EXP는 이러한 직업 전문성에 대한 자기평가를 포착한다. 디자인 결과물의 객관적 품질과 AI 숙련도는 별도의 측정 대상이다.
본 연구는 EXP를 TC 또는 SC와 세 결과의 관계를 달리하는 조건으로 설정한다. 기존 전문성이 새로운 행동을 효율적으로 실행하도록 도울 수 있다. 반대로 전문성이 높은 사람에게 더 많은 판단과 검토 책임이 집중될 수도 있다. 따라서 강화·완충·뚜렷한 차이 없음의 가능성을 함께 둔다. 연구2의 EXP 조절 위치는 SC→TP·JE·WI이며 USE→SC에는 조절항을 두지 않는다.
경력연차는 전문성 자기평가인 EXP와 구분한다. 경력은 인터뷰에서 제기된 경험이 다른 경력대에도 나타나는지 살피는 보조변수로 사용한다.
Law와 Varanasi(2025)는 AI 활용에 수반되는 업무 부담과 역할 변화를, Bakker와 Oerlemans(2019)는 크래프팅 유형에 따른 자원 획득과 소모를 논의한다. J. Zhang et al.(2026)은 TC·SC를 포함한 행동 조합과 성과를 분석했다. 이 연구들은 생산성의 이점과 업무 부담, 여러 크래프팅 행동을 함께 살펴볼 근거를 제공한다.
본 연구는 동일한 디자인 직무 표본에서 TC·SC와 TP·JE·WI의 관련성을 비교하고, 전문성에 따른 차이를 검토한다. 기존의 행동 조합 분석과 구분하여 두 행동의 고유 관련성을 공통 결과 기준으로 비교하는 데 초점을 둔다. 동일한 경로 조합의 직접 근거는 이번 표적 검토에서 미확보이며, 이를 분야 전체의 연구 부재로 일반화하지 않는다.
첫째, TP·JE·WI가 함께 높다면 생산성 기여와 부담이 양립하는 업무 경험을 논의할 수 있다. 둘째, TP와 JE가 높아도 WI가 낮다면 범위 확대가 강도 증가를 반드시 수반하지 않는다고 해석할 수 있다. 셋째, JE가 높고 SC가 낮다면 업무 수행의 확대와 역량 탐색 행동 사이의 간격을 살필 수 있다. 이 조합만으로 역량 부족이나 학습 회피를 판정하지 않는다.
결과는 업무 배분과 역량 개발의 관점에서 논의한다. 조직의 학습 지원과 실제 검토 시간은 현재 측정 범위 밖의 후속 연구 과제로 남긴다.
Zhou와 Lee(2024)는 이미지 창작 플랫폼 자료에서 생성형 AI 활용의 생산성 및 평가 결과를 분석했다. 이들은 아이디어 탐색과 결과 선별의 중요성을 논의한다. 이 연구는 이미지 창작에서 생산성과 평가를 함께 고려할 근거를 제공한다. 본 연구는 유급 디자인 업무라는 맥락에서 AI의 생산성 기여에 대한 지각을 살펴본다. 플랫폼의 창작물 평가와 본 연구의 자기보고 TP는 각각의 측정 수준에 맞추어 해석한다.
Tims et al.(2012)은 크래프팅을 개인이 직무요구와 직무자원을 스스로 바꾸는 행동으로 정의하고 네 차원을 구분했다. 이는 크래프팅 연구의 자원·요구 관점을 설명하는 근거다. 본 연구는 자원·요구 관점을 배경으로 삼되, 과업과 역량을 바꾸는 행동의 측정에는 Bindl et al.(2019)의 촉진형 TC·SC를 사용한다. SC는 역량 확장 행동으로, WI는 업무강도 증가 경험으로 정의하여 각 개념의 구체성을 유지한다.
Mayer et al.(2025)은 컨설팅사의 경력 초기 전문가를 대상으로 한 질적 연구에서 생성형 AI와 과업·관계·신호 크래프팅을 연결했다. 이는 AI 활용과 능동적 업무 재구성의 연결을 탐색한 질적 선례다. 본 연구는 이러한 연결을 디자인 직무 맥락에서 살펴보고, AI 활용과 TC의 관련성을 양적 자료로 검토한다. 직무와 연구방법의 차이를 고려하여 질적 설명과 경로 추정의 역할을 구분한다.
Hou et al.(2025)은 전문성에 따른 AI 활용 결과의 차이를 살펴볼 근거를 제공한다. 본 연구는 이 논의를 바탕으로 TC·SC와 세 결과의 관계에서 EXP의 조절 역할을 검토한다. 한편 Hou 등의 선택 과부하 차이는 통계적으로 유의하지 않았다(§5.3.3). 이에 종료 판단의 어려움은 현장 문제의식에 근거한 단일 보조문항으로 탐색하며, 그 발생 기제는 후속 연구의 질문으로 남긴다.
문헌별 연구 맥락과 적용 범위는 원문 대조 페이지에 정리했다.
(사)한국디자인산업연합회. (2025). 2024 디자인 산업분야 생성형 AI 활용 인력실태 및 교육훈련 수요 조사. 한국디자인진흥원.
Bakker, A. B., & Oerlemans, W. G. M. (2019). Daily job crafting and momentary work engagement: A self-determination and self-regulation perspective. Journal of Vocational Behavior, 112, 417–430. https://doi.org/10.1016/j.jvb.2018.12.005
Bindl, U. K., Unsworth, K. L., Gibson, C. B., & Stride, C. B. (2019). Job crafting revisited: Implications of an extended framework for active changes at work. Journal of Applied Psychology, 104(5), 605–628. https://doi.org/10.1037/apl0000362
Brosch, H., Langer, C., Lergetporer, P., Mueller, S., Pfeifer, H., & Tschoepe, N. (2026). Task expansion with generative AI: Experimental evidence on middle-skilled, early-career workers [Working paper]. Stanford Digital Economy Lab. https://digitaleconomy.stanford.edu/app/uploads/2026/10/AI_Task_Expansion_07102026.pdf
Brougham, D., & Haar, J. (2018). Smart technology, artificial intelligence, robotics, and algorithms (STARA): Employees’ perceptions of our future workplace. Journal of Management & Organization, 24(2), 239–257. https://doi.org/10.1017/jmo.2016.55
Dai, Y., Wang, W., Tims, M., Guan, X., & Yu, H. (2026). Employee ambidextrous job crafting in organizations: Theoretical model, scale development, and dual-path effects mechanisms. Frontiers in Psychology, 17, Article 1767375. https://doi.org/10.3389/fpsyg.2026.1767375
Hou, J., Wang, L., Wang, G., Wang, H. J., & Yang, S. (2025). The double-edged roles of generative AI in the creative process: Experiments on design work. Information Systems Research. Advance online publication. https://doi.org/10.1287/isre.2024.0937
Kim, D. H. (2014). What is design creativity? Archives of Design Research, 27(4), 103–117. https://doi.org/10.15187/adr.2014.11.112.4.103
Kubicek, B., Paškvan, M., & Korunka, C. (2015). Development and validation of an instrument for assessing job demands arising from accelerated change: The intensification of job demands scale (IDS). European Journal of Work and Organizational Psychology, 24(6), 898–913. https://doi.org/10.1080/1359432X.2014.979160
Law, M., & Varanasi, R. A. (2025). Generative AI & changing work: Systematic review of practitioner-led work transformations through the lens of job crafting [Preprint, version 2]. arXiv. https://arxiv.org/abs/2502.08854v2
Liu, X., Zhang, L., & Wei, X. (2025). Generative artificial intelligence literacy: Scale development and its effect on job performance. Behavioral Sciences, 15(6), Article 811. https://doi.org/10.3390/bs15060811
Mayer, A.-S., Baygi, R. M., & Buwalda, R. (2025). Generation AI: Job crafting by entry-level professionals in the age of generative AI. Business & Information Systems Engineering, 67(5), 595–613. https://doi.org/10.1007/s12599-025-00959-x
Tims, M., Bakker, A. B., & Derks, D. (2012). Development and validation of the job crafting scale. Journal of Vocational Behavior, 80(1), 173–186. https://doi.org/10.1016/j.jvb.2011.05.009
Torkzadeh, G., & Doll, W. J. (1999). The development of a tool for measuring the perceived impact of information technology on work. Omega, 27(3), 327–339. https://doi.org/10.1016/S0305-0483(98)00049-8
Van der Heijden, B. I. J. M., Notelaers, G., Peters, P., Stoffers, J. M. M., De Lange, A. H., Froehlich, D. E., & Van der Heijde, C. M. (2018). Development and validation of the short-form employability five-factor instrument. Journal of Vocational Behavior, 106, 236–248. https://doi.org/10.1016/j.jvb.2018.02.003
Zhang, J., Cui, J., & Chai, X. (2026). Job crafting in innovative digital contexts: A configurational analysis of behavioral pathways to performance. Journal of Innovation & Knowledge, 11, Article 100874. https://doi.org/10.1016/j.jik.2025.100874
Zhang, X., Yu, P., & Ma, L. (2026). How and when generative AI use affects employee incremental and radical creativity: An empirical study in China. European Journal of Innovation Management, 29(3), 702–727. https://doi.org/10.1108/EJIM-04-2024-0466
Zhou, E., & Lee, D. (2024). Generative artificial intelligence, human creativity, and art. PNAS Nexus, 3(3), Article pgae052. https://doi.org/10.1093/pnasnexus/pgae052