AI 주도 디자인 혁신: 디자인 중심 AI 방법론과 지원 유형 이해

AI-led design innovation: understanding design-centric AI methods and assistance types
이보연 Boyeun Lee (엑시터대학교, 영국), 김종모 Jongmo Kim (킹스칼리지런던, 영국)
b.l.lee@exeter.ac.uk

저널 : Proceedings of the Design Society , Volume 5: ICED25 , August 2025 , pp. 469 - 478
출판 : Cambridge University Press. 2025.8.27.

원문 : https://doi.org/10.1017/pds.2025.10061 

초록

데이터 기반 방법의 최근 발전으로 인해 디자인 분야에서 AI를 구현하려는 관심이 커지고 있다. 그럼에도 불구하고, 디자인에서 핵심적인 AI 방법과 그것이 디자인 실무를 어떻게 지원하는지에 대한 포괄적 이해는 여전히 부족하다. 본 연구에서는 이해를 심화하기 위해 문헌을 종합적으로 검토하고, 제품·서비스 개발을 위한 여섯 가지 AI 지원 유형과 연계된 새로운 디자인 중심 AI 분류체계를 제안한다. 이 분류체계는 기존과 달리 알고리즘적 관점에서 벗어나 모델이 디자인 실무를 어떻게 지원하는가에 초점을 맞춘다. 주요 발견은 여섯 가지 디자인 중심 AI 방법이 각각 고유한 적용상의 도전과제를 가지며, 다양한 방식으로 디자인 실무를 지원한다는 점을 보여준다. 공유된 디자인 중심 AI 분류 및 지원 프레임워크를 확립하는 것은 AI가 어떻게 다르게 작동하고 실무자를 지원하는지에 대한 이해를 증진할 것이다.

키워드: 인공지능, 디자인 실무, 머신러닝, AI 주도 디자인 혁신, 데이터 기반 디자인
 

1. 서론

인더스트리 4.0은 점점 더 상호 연결된 제품과 서비스를 개발하게 하며, 새로운 비즈니스 프로세스를 요구하고 데이터로부터 가치를 창출할 기회를 열고 있다(Lee, 2022; Porter & Heppelmann, 2014). 이러한 맥락에서, AI 기반 기법·방법·도구는 디자인 분야에서 빠르게 디자인 환경을 재편하고 있으며, 제품과 서비스 혁신을 촉진하고 있다(Lee et al., 2022; Lee & Ahmed-Kristensen, 2023; Verganti et al., 2020). ChatGPT와 같은 대규모 생성형 AI 시스템과 대규모 언어모델(LLMs)의 눈부신 성공 덕분에, 디자인 실무자들은 지능 기반 문서 처리나 수치적 추론을 넘어서 AI 보조 스케치(Qi & Song, 2020), 디자인 리뷰(Gallega & Sumi, 2023), 페르소나 제작(Goel et al., 2023), 새로운 가치 제안 개발(Lee et al., 2019; York, 2023) 등 일상적 업무에 점차 이 기술들을 통합하고 있다. Lee & Ahmed-Kristensen(2025)는 데이터와 AI가 제품·서비스·시스템 개발을 위해 지원할 수 있는 7가지 디자인 활동—기획, 탐색, 정의, 생성, 맞춤화, 유지관리, 검증—을 확인하였다.

AI가 디자인 혁신을 주도하는 데 있어 이점은 널리 인식되고 있지만(Jyoti & Riley, 2022), 어떤 AI가 어떻게 디자인 및 혁신 실무를 지원하는지 이해하는 것은 여전히 중요한 과제로 남아 있다(Lee, 2023). 학계에서는 2020~2024년 사이에 신제품 개발 분야 주요 학술지(예: Journal of Product Innovation Management, R&D Management)에 일곱 편의 논문이 게재되었다(Cooper, 2024). 일부 문헌 리뷰 논문은 디자이너 지원을 위한 AI 활용을 탐구하였지만, 대체로 UI/UX 디자인(Lu et al., 2024), 엔지니어링 디자인(Tsang & Lee, 2022), 건축 디자인(Castro Pena et al., 2021)과 같은 특정 디자인 분야에 국한되었다. 또한 이러한 연구들은 주로 머신러닝(Shi et al., 2023)이나 생성형 AI(Furtado et al., 2024)와 같은 특정 AI 기술에 집중하여, 다양한 AI 방법을 아우르는 설계 실무 적용까지 포괄하지 못했다. 따라서 기존 리뷰는 제한적이고 협소한 범위에서 수행되었으며, 여러 디자인 분야와 AI 방법을 통합하는 포괄적 검토에는 공백이 남아 있다.

실무적으로, 디자인 실무자들은 데이터 기반 방법을 활용하려는 의지가 있고(Gorkovenko et al., 2020), 가치 창출에 능숙했으나(Speed et al., 2019), 데이터 관련 기술에 대한 포괄적 이해와 훈련은 부족하다(Lu et al., 2024; Lee et al., 2022).

우리는 디자인 및 혁신을 위한 AI의 유형과 기본 원리에 대한 깊은 이해가, 실무자가 데이터·AI 기법을 가치 창출에 적용할 때 디자인적 사고를 독립적으로 발휘하도록 하는 데 필수적이라 주장한다. 이는 결과적으로 제품·서비스·시스템 개발의 디자인 혁신을 주도할 것이다. 따라서 본 연구의 목적은, 데이터 기반 방법이 다양한 디자인 실무와 단계에서 어떻게 활용되는지를 심층적으로 이해하는 것이다. 디자인 혁신 관점에서의 종합적 문헌 검토는 제품·서비스·시스템 개발을 위한 디자인 혁신에 사용된 계산 기법의 유형을 파악하고, AI가 어떤 방식으로 디자인 실무를 지원할 수 있는지 확인하게 한다. 우리의 궁극적 목표는 데이터 기반 계산 방법에 대한 더 깊은 통찰을 제공하고, 공통 기반을 형성하며, AI 중심 디자인 혁신 연구를 진전시키는 것이다.

따라서 우리는 다음과 같은 연구 질문을 설정한다:

• RQ1. 디자인 혁신에서 주로 사용되는 AI 방법은 무엇인가?

• RQ2. AI 방법은 어떻게 디자인 실무를 지원하는가?

이 논문은 다음과 같은 기여를 한다.
첫째, 디자인 혁신 맥락에서 새로운 AI 기법 분류를 제시하여, 실무자와 연구자가 다양한 AI 유형이 각 디자인 단계에서 어떻게 실무를 지원하는지 이해할 수 있도록 한다. 이 분류는 알고리즘적 관점이 아니라 데이터를 디자인 재료로 다루며, 모델이 디자인 실무를 어떻게 지원하는지에 초점을 둔다. 여섯 가지 디자인 중심 AI 유형은 전통적 머신러닝(ML), 강화학습(RL), 자연어처리(NLP) 딥러닝, 컴퓨터비전(CV) 딥러닝, 대규모 생성형 AI, 생성형 AI이다.

둘째, 방법론적 기여로서 디자인 프로세스 전반에서 AI 지원 유형을 정의하는 새로운 코딩 체계를 마련하였다. 주제 분석에 따르면 AI는 지식 보강, 지식 생성, 디자인 생성, 분류, 예측(상징적·수치적 추론), 의사결정, 협업 조정의 일곱 가지 방식으로 디자인을 지원한다. 이는 기존 리뷰 연구와 차별화되는 부분이다.

논문 구성은 다음과 같다. 제2장에서는 문헌 검토 방법론을 설명한다. 제3장에서는 지난 5년간 AI 중심 디자인 혁신 연구의 흐름, AI 기술 유형, 지원 방식, 디자인 분야별 공통점과 차이를 논의한다. 마지막으로 제4장에서는 결론을 제시한다.

2. 방법론

연구 질문에 답하기 위해, 우리는 관련 연구 분야 전반의 논문을 대상으로 포괄적 문헌 검토를 수행하였다. 이 검토 과정에서 ‘체계적(systematic)’이라는 측면은 특정 질문을 다루는 모든 연구를 식별하여 균형 잡히고 편향 없는 요약을 제공하는 데 중점을 둔다(Nightingale, 2009).

문헌 검토는 데이터베이스 검색으로 시작하였다. 우리는 관심 분야에서 관련 문헌을 확인하기 위해 Elsevier, IEEE Library, ACM Library와 같은 검증된 학술 데이터베이스를 선택하였다. 이 세 데이터베이스는 문헌 검색의 주요 출처로 널리 인정된다.

관련 키워드를 확인하고 검색 문자열로 결합하여 철저하고 목표 지향적인 검색을 보장하였다. 검색은 제목과 저자 키워드에 “product design” OR “service design” OR “product service system design” OR “user experience design” OR “human-computer interaction” OR “industrial design” AND “machine learning” OR “AI” OR “deep learning” OR “Gen-AI” OR “generative AI” OR “artificial intelligence” OR “Large Language Model” OR “GPT”를 포함한 논문을 대상으로 수행하였다.

도표 1(Figure 1)은 본 문헌 검토에서 사용된 연구 전략을 보여준다.
 

검색은 2024년 9월에 수행되었으며, 지난 5년(2019~2024) 동안 발표된 출판물을 색인화하였다. AI에 대한 관심이 빠르게 증가하고 있음을 고려하여 검토 기간을 이 5년으로 제한하였다. 초기 키워드 검색에서는 총 747편의 논문이 도출되었다. 제목 검토 후, 중복·비영문·비공개 논문을 제거하고 최종적으로 104편으로 좁혔다.

이후 전면(full-text) 검토를 실시하여 최종적으로 65편을 선정하였다. 연구 질문과의 관련성을 기준으로, 제품 및 서비스 개발(예: 산업디자인, 서비스디자인, UX/UI 디자인, 비즈니스 디자인)과 관련된 디자인 활동을 대상으로 AI를 적용하거나 개발한 논문만 포함하였다. 반대로 AI 시스템 자체의 디자인을 다룬 논문은 제외하였다.

추가로, 인용 및 참고문헌을 통해 관련 논문을 반복적으로 포함할 수 있는 문헌 검색 전략인 스노우볼 샘플링(Wohlin, 2014)을 활용하여 17편을 추가하였다. 주제 분석을 위해서는 실제 현장에서 수행된 실증 연구만 포함하였다(n=46). 이는 학문적으로 근거를 두면서도 산업계에도 관련성이 있도록 보장하기 위함이다.

우리는 두 가지 접근을 사용해 코딩 체계를 개발하였다. 첫째, 기존 분류를 기반으로 하는 탑다운(top-down) 접근법이다. 둘째, 초기 데이터셋에서 도출되는 바텀업(bottom-up) 접근법이다. 예를 들어, 바텀업 방식에서는 여섯 가지 AI 기법과 일곱 가지 AI 지원 유형을 귀납적으로 도출하기 위해 코딩 실습을 수행하였다. 데이터에서 범주와 코드를 도출했으며, 코딩과 글쓰기 사이에 분석 메모를 활용하였다. 반대로, 탑다운 방식에서는 더블 다이아몬드(Double Diamond) 프레임워크(Design Council, 2007)를 바탕으로 AI가 활용되는 디자인 프로세스 단계를 분류하고 정의하였다.

두 명의 저자가 모든 논문을 독립적으로 코딩한 뒤, 사례별로 결과를 비교하고 불일치 사항을 논의하여 코딩의 일관성을 확보하였다(Lombard et al., 2002).

다음 장에서는 주제 분석을 통해 도출된 결과를 제시하고 이를 상세히 논의한다.

3. 결과 및 논의

3.1. 디자인 혁신에서 주로 사용되는 AI 방법은 무엇인가?

이 장에서는 포괄적 문헌 검토를 통해 확인된 디자인 중심 AI 분류체계를 제시한다. 총 46편의 문헌을 검토·분석하여 디자인 혁신을 위한 AI 분류체계를 도출하였다.

이 새로운 AI 분류 프레임워크는 기존의 STEM 분야 AI 기술(Berman et al., 2023), 인더스트리 4.0 맥락의 AI 방법(Alenizi et al., 2023), 데이터 유형 기반 생성형 AI 분류(Gozalo-Brizuela & Garrido-Merchan, 2023) 등 기술 중심의 기존 분류와 달리, 디자인 실무 지원 관점에서 차별화된다.

기존의 AI 분류는 알고리즘적 관점—즉 모델이 데이터 패턴을 학습하는 방식이나 훈련 데이터 유형(예: 지도·비지도 학습, 딥러닝, NLP, CV)—에 초점을 맞췄으나(Mukhamediev et al., 2022), 이는 디자인 실무를 설명하는 데 충분하지 못하다. 이러한 공백을 해소하기 위해, 본 연구는 AI 분류를 데이터를 디자인 재료로 다루며, 모델이 디자인 실무를 어떻게 지원하는지에 맞춰 재정렬하였다.

이때 제시된 여섯 가지 디자인 중심 AI 방법은 세 가지 주요 계산 방법론(머신러닝, 딥러닝, 생성형 AI)의 하위 범주로 분류된다(Rane et al., 2024). 구체적으로:

• 머신러닝 → 전통적 머신러닝(ML), 강화학습(RL)

• 딥러닝 → 자연어처리(NLP) 딥러닝, 컴퓨터비전(CV) 딥러닝

• 생성형 AI → 대규모 생성형 AI, 생성형 AI

세부적인 각 AI 방법의 설명은 표 1(Table 1)에 제시되어 있다.

전통적 머신러닝(ML)과 강화학습(RL)

디자인 중심 AI 방법의 첫 두 가지 유형은 머신러닝 기술의 하위 범주인 전통적 머신러닝(ML)과 강화학습(RL)이다. 전통적 ML 모델은 통계적 기법에 크게 의존하여 데이터 분포와 패턴을 명시적으로 학습하고, 이를 통해 정확성을 향상시킨다(Sharifani & Amini, 2023). 이러한 모델은 특히 방대한 입력 훈련 데이터와 피처를 기반으로 값을 예측하는 데 적합하다(Bodendorf & Franke, 2021; Golkarnarenji et al., 2019).

반대로 RL은 보상 기반 자율 학습을 위한 수학적 원리에 기반하며(Arulkumaran et al., 2017), 주로 사용자 활동이나 참여도를 예측하는 의사결정 지원 과제에 활용된다(Wang & Hu, 2024). 일부 연구는 전통적 ML 모델을 의사결정 과제에 적용했지만(Zhang, 2019), 이 경우 대개 복잡한 디자인 자원에서 추출된 특정·사전 정의된 제한된 피처에 의존했으며, 데이터 엔지니어의 상당한 입력을 필요로 했다.

ML의 주요 활용은 추천 시스템과 분류로, 디자인 산출물을 제안하거나 태그를 달아 이미지 검색 엔진 구현을 가능하게 한다. 그러나 전통적 ML은 지도학습을 위해 라벨링된 구조화 데이터에 의존하기 때문에, 디자인 실무에서의 사용은 주로 추천, 데이터 분석, 피처 엔지니어링, 디자인 문서 관리에서의 데이터 집계 등 단순 작업에 국한된다(Huo et al., 2022).

반면 RL은 대규모이면서 잘 정리된 훈련 데이터셋이나 데이터 엔지니어가 수행하는 광범위한 피처 엔지니어링을 필요로 하지 않는다(Wang & Hu, 2024). 그러나 계산 복잡성과 낮은 일반화 성능 때문에, 실제 활용은 주로 추상적 수준에서 사용자 활동을 예측하는 데 제한되어 있다.

딥러닝(NLP, CV)

딥러닝 기술은 이미지 기반 상징적 추론인지, 언어모델 기반 추론인지에 따라 디자인 실무에서 다르게 채택된다. 이에 따라 자연어처리(NLP) 기반 딥모델과 컴퓨터비전(CV) 기반 딥모델로 세분된다.

• NLP 딥모델은 방대한 코퍼스에서 상징적·순차적 데이터의 효과적 피처 표현을 도출해 다음 단어를 예측하는 데 목적을 두며(Otter et al., 2021), 주로 사용자 제품 리뷰 분석, 디자인 데이터베이스에서의 통찰 추출에 활용된다(Gammack et al., 2022; Wang et al., 2020). 그러나 이들은 상징적 추론 능력에 의존하기 때문에 텍스트 요약이나 태그·라벨 부여 같은 지식 생성에 국한되며, 디자인 특화 과업에 적용하기 위해서는 대규모 데이터셋이 필요하다.

• CV 딥모델은 이미지 집합에서 잠재적·추상적 피처를 추출해 유용한 피처 맵을 식별하며(Chai et al., 2021), 이는 아이데이션, 시각적 측면 추천, 제품 사양 기반 신속 프로토타이핑 등에 활용된다(Zhou et al., 2022). 합성곱신경망(CNN)은 기존 디자인 실무를 혁신했지만(Wu et al., 2020), CV 기반 모델은 여전히 의사결정 지원이나 디자인 피처 분석 등 특정 과제에 제한된다.

상용 AI 도구들 또한 딥러닝을 활용한다. 예컨대 Adobe의 Neural Filters는 CNN 기반 모델을 이용해 색 보정, 노이즈 제거, 필터 추천, 콘텐츠 인식 채우기 등 사진 편집 작업을 지원한다. Canva는 CLIP을 응용한 모델을 도입해 템플릿 라벨링을 위한 다국어 키워드를 추천함으로써 창작자들을 지원한다.

생성형 AI (GenAI, Large GenAI)

마지막 두 가지 디자인 중심 AI 방법은 생성형 AI의 하위 범주로, 생성형 AI(GenAI)와 대규모 생성형 AI(Large GenAI)이다.

• GenAI는 GAN(생성적 적대 신경망), VAE(변분 오토인코더)와 같은 초기 딥 생성모델을 가리킨다(Ruthotto & Haber, 2021).

• Large GenAI는 트랜스포머 모델(Bandi et al., 2023)에 기반하며, DALL·E, GPT-3, Stable Diffusion 등이 대표적이다.

두 방식은 학습 가능한 파라미터 규모와 훈련 데이터셋 크기에서 차이가 있으며, 이는 일반화와 지식 추상화 능력에 직접적인 영향을 미친다.

• Large GenAI는 텍스트 프롬프트에서 디자인 산출물을 재현할 수 있지만, GenAI는 훈련 데이터 패턴에 밀접히 연관된 특정 데이터 샘플을 생성하는 데 국한되며 인간-AI 상호작용은 제한적이다.

• 전통적 모델이 클래스 라벨이나 종속 변수를 예측하는 반면, GenAI는 데이터 샘플이나 분포를 모방해 새로운 데이터를 생성한다. 예를 들어 GenAI는 제조 가능한 부품(Zhang et al., 2019)이나 조건 기반 3D 객체(Krahe et al., 2020)를 생성하는 데 활용되었다.

• Large GenAI는 캡션, 이미지, 디자인을 생성하는 데 널리 쓰이며, 이는 러프 스케치부터 걸작 복제까지 다양하다(Jeon et al., 2024; Gallega & Sumi, 2023).

이는 디자인 브리프, 소셜미디어 게시물, 기술 보고서까지 폭넓은 텍스트를 처리·생성할 수 있는 대규모 언어모델(LLMs)의 능력 덕분이다(Goel et al., 2023).

흥미로운 점은, GenAI는 주로 산업디자인 맥락에서 적용되는 반면, Large GenAI는 Figma와 같은 UI/UX 디자인 애플리케이션에서 주로 사용된다는 것이다.

그러나 두 기술 모두 디자인 실무 적용에는 여전히 제한적이다. 대표적 한계는 학습 데이터가 제한될 때 나타나는 불안정한 학습이다. Large GenAI는 지식 전이 기법으로 이 문제를 완화할 수 있지만, 새로운 데이터셋을 이해하는 것은 특히 창의적 작업에서 여전히 중요한 과제로 남아 있다. 이는 고품질 데이터가 항상 제공될 수 없다는 현실적 제약 때문이다.

여섯 가지 디자인 중심 AI 방법은 각각 구체적인 디자인 적용 분야와 과제를 가진다. 전통적 ML과 RL은 데이터 분석가가 정의한 특정 피처와 통계적 기법에 크게 의존한다. 이로 인해 수작업이 많이 요구되는 데이터 작업과 제한된 일반화 능력이 주요 과제로 남는다. NLP와 CV 딥모델은 디자인 통찰 추출, 분류, 추천을 가능하게 하여 디자인 효율성을 높인다. 그러나 광범위한 데이터셋 필요, 제한된 지식 생성, 다중 모달 데이터 통합으로 인한 유연성 제약 등 도전과제가 따른다.

GenAI와 Large GenAI는 문서나 아티팩트와 같은 디자인 산출물을 생성함으로써 복잡한 디자인 데이터를 단순 해석하는 차원을 넘어 그 역할을 확장한다. 그러나 GenAI는 학습 편향과 최적화 불안정성으로 채택에 제약이 있고, Large GenAI는 높은 연산 복잡성이 문제로 남는다.

이러한 여섯 가지 AI 방법은 가치 창출을 가능하게 하지만, 불가피한 상충관계(trade-offs), 잠재적 위해, 의도치 않은 결과를 수반한다. 사회적·도덕적·환경적 가치와 같은 다른 형태의 가치가 파괴될 수 있기 때문이다. 데이터가 선택·결합·맥락화·해석될 때, 그것은 특정 목적(비즈니스 계획, 정치적 목표 등)을 위해 조립된 특정한 현실 버전을 나타낸다(Jasanoff, 2018). 또한 데이터셋 통제 불가능성과 결과 설명 불가능성으로 인해, 특히 Large GenAI를 도입할 때 디자이너는 저작권, 차별 등 잠재적 윤리 문제를 더욱 주의해야 한다. 다음 절에서는 각 디자인 중심 AI 방법이 어디서, 어떻게 채택되는지 설명한다.

3.2. AI는 디자인 실무를 어떻게 지원하는가?

이 절에서는 AI가 디자인 실무를 지원하는 방식을 설명한다. 지원 유형은 지식 보강, 지식 생성, 디자인 생성, 예측(상징적 추론 및 수치적 추론), 의사결정, 협업 조정으로 나뉜다. 세부 설명은 다음과 같다.

• 지식 보강(Knowledge augmentation): Large GenAI는 방대한 정보(디자인 문서, 사용자 리뷰, 시장 동향)에 빠르게 접근하게 하여 디자이너의 지식을 확장한다. 대규모 데이터셋 접근은 디자이너가 더 정보에 입각한 의사결정을 하고 최신 동향을 따라가도록 돕는다(Salminen et al., 2024).

• 지식 생성(Knowledge generation): 전통적 ML, NLP 딥모델, Large GenAI는 복잡한 데이터셋에서 즉각적으로 드러나지 않는 패턴과 상관관계를 식별해 새로운 지식을 생성한다. 예를 들어 사용자 상호작용 데이터는 새로운 행동을 발견해, 충족되지 않은 요구를 해결하는 혁신적 디자인 해법에 영감을 줄 수 있다(Akay & Kim, 2021; Huang et al., 2023).

• 디자인 생성(Design generation): GenAI와 Large GenAI는 다양한 디자인 대안을 자동으로 생성해 아이데이션 과정을 가속화하고, 기존에 탐구되지 않았을 비전통적 해법을 탐색하도록 돕는다(Solorzano Requejo et al., 2024).

• 예측(Prediction: 상징적·수치적 추론): 전통적 ML과 CV 딥모델은 결과를 예측하고 시나리오를 시뮬레이션하는 데 사용된다. 상징적 추론은 라벨 예측을 통해 디자인 재료를 식별하며, 이미지 분류 기법이 복잡한 디자인 데이터셋에서 이 기능을 수행한다(Krahe et al., 2019). 수치적 추론은 디자인 사양 내 특정 값이나 속성을 예측하거나(Golkarnarenji et al., 2019), 생산비용을 예측하는 데 활용된다(Mandolini et al., 2024).

• 의사결정(Decision making): RL, 전통적 ML, CV 딥모델은 비용, 실행 가능성, 사용자 영향과 같은 기준을 바탕으로 디자인 옵션을 평가하여 의사결정을 지원한다. 이를 통해 디자이너는 보다 객관적이고 효율적인 결정을 내릴 수 있다(Bodendorf & Franke, 2021; Wang & Hu, 2024).

• 협업 조정(Coordination): 협업 조정은 팀 구성원 간 커뮤니케이션과 협업을 강화하는 데 초점을 둔다. CV·NLP 딥모델과 Large GenAI는 프로젝트 일정 관리, 업무 할당, 진행 상황 모니터링을 지원하여 프로젝트 목표와의 정렬을 보장한다(Song et al., 2022). 또한 관련 정보를 필요할 때 조직·검색하여 팀 내 지식 공유를 촉진한다(Gammack et al., 2022).

이러한 지원 유형은 여섯 가지 AI 방법과 연결되어, 더블 다이아몬드(Double Diamond) 디자인 프로세스의 네 단계 전반에서 AI가 다양한 디자인 실무를 어떻게 지원하는지 보여준다(표 2, 그림 2).

• 발견(Discovery) 단계: AI는 명확한 정보와 예측을 제공한다. 강화학습(DRL)과 전통적 ML은 패턴을 식별하고 전략적 선택을 안내한다. NLP 딥모델(BiLSTM, BERT)은 방대한 텍스트 데이터셋에서 인사이트를 제공해 사용자 요구, 시장 동향, 제약을 이해하도록 돕는다.

• 정의(Define) 단계: AI는 협업 조정과 지식 확장을 중심으로 작동한다. CV 딥모델(CNNs)과 NLP(BERT)는 팀 내 명확한 커뮤니케이션을 촉진하고, 사용자 피드백과 참고자료에서 요구사항을 식별하도록 지원한다. 대규모 생성형 모델(ChatGPT, DALL·E, Midjourney)은 텍스트·시각적 페르소나 제작을 지원해 팀이 디자인 개념을 정제하고 공유된 비전을 보다 효과적으로 구축하도록 돕는다.

표 2. 디자인 단계별 AI 방법과 지원 유형

개발(Develop) 단계에서 AI 방법은 상세한 개념 생성과 디자인 정교화를 지원한다. 컴퓨터비전(CV) 딥러닝 모델, 생성형 AI(예: GANs), 대규모 생성형 AI(예: Stable Diffusion)은 반복적 과정을 통해 다양한 디자인 대안을 창출한다. RBF-ANN과 같은 기법은 상징적 추론을 돕고, StyleCLIP·DALL·E·LLMs 같은 다중모달 모델은 텍스트와 이미지를 결합하여 빠른 디자인 탐색을 가능하게 한다. 이러한 도구들은 디자이너가 미학, 기능, 색상 등을 다양하게 실험한 뒤 최종 디자인 산출물을 결정하도록 돕는다.

전달(Deliver) 단계에서는 제품이 구현 단계로 나아가면서 AI 활용이 의사결정과 예측에 집중된다. 전통적 ML 기법(SVM, KNN, 칼만 필터)과 컴퓨터비전 기반 딥러닝 모델(CNNs, ResNet-50)은 성능 예측, 품질 검증, 원활한 통합을 지원한다. 또한 Stable Diffusion 같은 생성형 모델과 GPT-3와 같은 대규모 언어모델은 최종 문서화, 조정, 출시 전 소규모 수정에 활용된다.

 

 

그림 3. 더블 다이아몬드 디자인 프로세스에서의 디자인 중심 AI 방법 매핑

AI 방법은 점점 더 발견(Discover)·개발(Develop) 단계에서 디자이너의 발산적 사고(divergent thinking)를 지원하며, 이어서 정의(Define)·전달(Deliver) 단계에서는 수렴적 사고(convergent thinking)를 지원한다.

• 전통적 ML과 RL은 네 단계 전체에 고르게 활용된다.

• CV 딥모델은 발견·정의 단계에서, NLP 딥모델과 GenAI는 개발·전달 단계에서 주로 쓰인다.

• 대규모 생성형 AI는 발견·개발 단계에서 발산적 사고를 지원하는 데 주로 사용된다.

이 절은 AI 방법이 각 디자인 단계의 상이한 요구를 충족하도록 진화해왔음을 보여준다. 초기에는 데이터 기반 탐색으로 시작해, 이후 고충실도(high-fidelity) 디자인 생성과 최종 최적화 단계로 발전한다. 전통적 ML, RL, NLP·CV 딥모델, 대규모 생성형 모델의 여섯 가지 디자인 중심 AI 방법을 활용함으로써, 디자인팀은 프로세스를 가속화하고 의사결정 과정을 강화하며 더 정교한 해법을 제공하여 궁극적으로 디자인 혁신을 촉진할 수 있다.

4. 결론

본 논문은 AI가 어떻게 작동하며, 어떤 AI가 제품·서비스·시스템 디자인 혁신에 활용되는지를 조사한 포괄적 문헌 검토 결과를 제시하였다. 이 검토를 통해 AI 중심 디자인 혁신 연구에 기여한 총 82편의 학술 연구가 확인되었다.

분석은 디자인 실무에 사용된 다양한 AI 기술과, 디자인 프로세스 전반에서 AI가 제공하는 지원 유형에 초점을 맞추었다. 여섯 가지 디자인 중심 AI 방법은 전통적 ML, 강화학습, NLP 딥모델, CV 딥모델, 생성형 AI, 대규모 생성형 AI였다. 여섯 가지 AI 지원 유형은 지식 보강, 지식 생성, 디자인 생성, 예측, 의사결정, 협업 조정이었다.

본 논문은 이러한 AI 방법과 지원 유형을 바탕으로, AI가 어떻게 서로 다른 방식으로 디자인 실무를 지원하는지, 그리고 각 AI 방법이 채택될 때 어떤 도전과제를 갖는지를 탐구하였다.

AI가 디자인에 미치는 심대한 영향을 고려할 때, 지금은 이러한 지식을 통합하여 디자인 중심 AI 방법과 지원 유형을 정리할 적기이다. 공유된 분류와 프레임워크를 확립하면, AI가 어떻게 다르게 작동하며 디자인 프로세스 전반에서 다양한 실무를 지원하는지를 이해하는 데 도움이 될 것이다.

본 논문의 기여는 다음과 같다.
첫째, 기존 분류와 다른 디자인 중심 AI 분류체계를 제공하여, 여섯 가지 AI 방법이 디자인의 각 단계에서 어떻게 지원할 수 있는지에 대한 더 깊은 이해를 실무자와 학계 연구자에게 제공한다. 기존 분류가 알고리즘적 관점에서 이루어진 반면, 본 연구의 분류는 데이터 자체를 디자인 재료로 간주하며 모델이 실무를 어떻게 지원하는지에 초점을 맞춘다.
둘째, 여섯 가지 AI 방법과 연계된 새로운 AI 지원 유형 코딩 체계를 확립하였다. 이는 학계 연구자가 다학제적 연구 환경을 탐색하고, AI와 디자인 연구의 교차를 촉진하며, 최신 지식을 확장하도록 돕는다.

물론 한계도 있다. 첫째, 연구 기간(2019~2024)이 비교적 짧다. 둘째, 공학디자인 저널(Journal of Engineering Design), 서비스연구저널(Journal of Service Research), 국제 HCI 저널(International Journal of Human-Computer Interaction) 등 다양한 디자인 분야 핵심 학술지를 더 포함할 필요가 있다. 이를 반영하지 못하면, AI·디자인 방법의 진화에 대한 충분한 맥락적 이해가 부족할 수 있으며, 장기적 추세와 역사적 발전을 간과할 수 있다.

따라서 향후 연구에서는 이러한 학술지와 현장 데이터 분석을 포함해 AI 적용을 분야별로 비교·통합함으로써, AI 주도 디자인 혁신에 대한 더 심층적인 이해를 도모할 것이다.

 

 

참고문헌

• Alenizi, F. A., Abbasi, S., Hussein Mohammed, A., & Masoud Rahmani, A. (2023). 인더스트리 4.0에서의 인공지능 기술: 분류, 접근법, 미래 방향. Computers & Industrial Engineering, 185, 109662.

• Arulkumaran, K., Deisenroth, M. P., Brundage, M., & Bharath, A. A. (2017). 심층 강화학습: 간략한 개요. IEEE Signal Processing Magazine, 34(6), 26–38.

• Bandi, A., Adapa, P. V. S. R., & Kuchi, Y. E. V. P. K. (2023). 생성형 AI의 힘: 요구사항, 모델, 입출력 형식, 평가 지표, 과제에 대한 리뷰. Future Internet, 15(8), 260.

• Berman, G., Chubb, J., & Williams, K. (2023). 과학, 기술, 공학, 의학에서의 인공지능 활용.

• Bodendorf, F., & Franke, J. (2021). 제품 디자인 초기 단계에서 비용을 추정하기 위한 머신러닝 접근: 자동차 산업 사례. Procedia CIRP, 100, 643–648.

• Castro Pena, M. L., Carballal, A., Rodriguez-Fernandez, N., Santos, I., & Romero, J. (2021). 개념적 디자인에 적용된 인공지능: 건축 분야 활용 리뷰. Automation in Construction, 124, 103550.

• Chai, J., Zeng, H., Li, A., & Ngai, E. W. T. (2021). 컴퓨터비전에서의 딥러닝: 최신 기법과 응용 시나리오 비판적 리뷰. Machine Learning with Applications, 6, 100134.

• Cooper, R. G. (2024). 제품 혁신의 AI 전환. Industrial Marketing Management, 119, 62–74.

• Design Council (2007). Eleven lessons: Managing Design in Eleven Global Companies. 런던, 영국.

• Furtado, L. S., Soares, J. B., & Furtado, V. (2024). 디자인을 위한 과업 지향 생성형 AI 프레임워크. Journal of Creativity, 34(2), 100086.

• Gallega, R. W., & Sumi, Y. (2023). 산업디자인 리뷰에서 3D 렌더링 재질 텍스처를 생성·제안·평가하기 위한 공동 창작 시스템. ACM International Conference Proceeding Series. doi: https://doi.org/10.1145/3604571.3604580

• Gammack, J., Akay, H., Ceylan, C., & Kim, S. G. (2022). 이기종 데이터를 활용한 디자인 문서화를 위한 의미론적 지식 관리 시스템. Procedia CIRP, 109, 95–100.

• Goel, T., Shaer, O., Gu, Q., Delcourt, C., & Cooper, A. (2023). 페르소나 생성에서 인간-AI 협업을 준비하기 위한 미래 디자이너 교육. CHI. doi: https://doi.org/10.1145/3596671.3598574

• Golkarnarenji, G., Naebe, M., Badii, K., Milani, A. S., Jazar, R. N., & Khayyam, H. (2019). 제한된 데이터로 탄소섬유 기계적 특성을 예측한 머신러닝 사례연구. Computers in Industry, 105, 123–132.

• Gorkovenko, K., Burnett, D. J., Thorp, J. K., Richards, D., & Murray-Rust, D. (2020). 데이터 기반 제품 디자인의 미래 탐구. doi: https://doi.org/10.1145/3313831.3376560

• Gozalo-Brizuela, R., & Garrido-Merchan, E. C. (2023). ChatGPT는 전부가 아니다: 대규모 생성형 AI 모델의 최신 리뷰.

• Huo, Y., Liu, J., Xiong, J., Xiao, W., & Zhao, J. (2022). 머신러닝과 CBR을 통합한 기계 제품 디자인 접근법. Advanced Engineering Informatics, 52.

• Jasanoff, S. (2018). 가상적·가시적·실천 가능한: 데이터 집합체와 정의의 시선. Big Data and Society. doi: https://doi.org/10.1177/2053951717724477

• Jeon, Y., Hong, M. K., Chen, Y.-Y., Murakami, K., Li, J., & Klenk, M. (2024). 인간의 미적 평가와 ML을 결합한 디자인 탐색 증강: 자동차 휠 디자인 사례연구. doi: https://doi.org/10.1145/3613905.3637103

• Jyoti, R., & Riley, S. (2022). AI 전략 보고서 2022: 요약.

• Krahe, C., Braunche, A., Jacob, A., Stricker, N., & Lanza, G. (2020). 자동화된 제품 디자인을 위한 딥러닝. Procedia CIRP, 91, 3–8.

• Lee, B., Cooper, R., Hands, D., & Coulton, P. (2019). IoT 신제품 개발 과정에서 가치를 매개하는 핵심 촉진 요인으로서의 디자인 드라이버. 4D Conference Proceedings. 오사카, 일본.

• Lee, B. (2022). IoT 신제품 개발과 가치 창출 이해. Lancaster University. doi: https://doi.org/10.17635/lancaster/thesis/1646

• Lee, B., Cooper, R., Hands, D., & Coulton, P. (2022). 데이터 기반 디자인의 지속적 순환: IoT 개발 프로세스 재구상. AIEDAM. doi: https://doi.org/10.1017/S0890060421000299

• Lee, B. (2023). 디자이너와 AI가 함께 번성할 수 있을까? In Dunne, N., Cruickshank, L., & Goupe, G. (Eds.), Flourish by Design. Routledge. doi: https://doi.org/10.4324/9781003399568

• Lee, B., & Ahmed-Kristensen, S. (2023). 신제품 개발에서 데이터 기반 디자인 활동의 네 가지 패턴. Proceedings of the Design Society, 3, 1925–1934.

• Lee, B., & Ahmed-Kristensen, S. (2025). D3 프레임워크: 신제품·서비스 개발을 위한 근거 기반 데이터 주도 디자인 프레임워크. Computers in Industry, 164, 104206.

• Lombard, M., Snyder-Duch, J., & Bracken, C. C. (2002). 매스커뮤니케이션 내용분석: 코더 간 신뢰성 평가와 보고. Human Communication Research, 28(4), 587–604.

• Lu, Y., Yang, Y., Zhao, Q., Zhang, C., Jia, T., & Li, J. (2024). UX를 위한 AI 지원: 인간 중심 AI를 통한 문헌 리뷰. ACM Conference, Vol. 23. ACM.

• Mukhamediev, R. I., Popova, Y., Kuchin, Y., Zaitseva, E., Kalimoldayev, A., et al. (2022). 인공지능과 머신러닝 기술 리뷰: 분류, 제약, 기회, 도전. Mathematics, 10(15), 2552.

• Nightingale, A. (2009). 체계적 문헌 리뷰 가이드. Surgery (Oxford), 27(9), 381–384.

• Otter, D. W., Medina, J. R., & Kalita, J. K. (2021). 자연어처리를 위한 딥러닝 활용에 관한 조사. IEEE Transactions on Neural Networks and Learning Systems, 32(2), 604–624.

• Porter, M., & Heppelmann, J. (2014). 스마트, 연결된 제품이 경쟁을 변화시키는 방식. Harvard Business Review, 23.

• Qi, Y., & Song, Y. Z. (2020). 스케치를 줄여 더 많은 것을 인식하기: 공동 정규화 희소 표현 학습. IEEE Transactions on Circuits and Systems for Video Technology, 30(12), 4849–4860.

• Rane, N. L., Mallick, S. K., Kaya, O., & Rane, J. (2024). ChatGPT와 같은 생성형 AI 발전에서 머신러닝과 딥러닝의 역할. Applied Machine Learning and Deep Learning: Architectures and Techniques. doi: https://doi.org/10.70593/978-81-981271-4-3_5

• Ruthotto, L., & Haber, E. (2021). 딥 생성 모델링 입문. GAMM-Mitteilungen, 44(2), e202100008.

• Sharifani, K., & Amini, M. (2023). 머신러닝과 딥러닝: 방법과 응용에 대한 리뷰. World Information Technology and Engineering Journal, 7(10), 3897–3904.

• Shi, Y., Gao, T., Jiao, X., & Cao, N. (2023). 디자이너와 AI 간 협업 이해: 체계적 문헌 리뷰. Proceedings of the ACM on Human-Computer Interaction, 7(CSCW2), 35.

• Speed, C., Lee, B., & Hands, D. (2019). The Little Book of Creating Value through Design in the IoT. Lancaster University. ISBN 978-1-86220-357-0.

• Tsang, Y. P., & Lee, C. K. M. (2022). 산업디자인에서의 인공지능: 반자동 문헌 조사. Engineering Applications of Artificial Intelligence, 112, 104884.

• Verganti, R., Vendraminelli, L., & Iansiti, M. (2020). 인공지능 시대의 혁신과 디자인. Journal of Product Innovation Management, 37(3), 212–227.

• Wang, X., & Hu, B. (2024). 제품 디자인 사용자경험 향상을 위한 머신러닝 알고리즘. IEEE Access, 12, 112810–112821.

• Wang, Y., Li, X., & Tsung, F. (2020). 구성 기반 스마트 맞춤형 서비스: 다중 과제 학습 접근. IEEE Transactions on Automation Science and Engineering, 17(4), 2038–2047.

• Wohlin, C. (2014). 소프트웨어 공학에서의 체계적 문헌 스노우볼링 가이드 및 복제 연구. International Conference on Evaluation and Assessment in Software Engineering.

• Wu, J., Xing, B., Si, H., Dou, J., Wang, J., Zhu, Y., & Liu, X. (2020). 제품 디자인 수상 예측 모델링: DCNN을 통한 디자인 미학 품질 평가. IEEE Access, 8, 211028–211047.

• York, E. J. (2023). ChatGPT 평가: UX 디자인과 웹 개발 교육에서의 생성형 AI. doi: https://doi.org/10.1145/3615335.3623035

• Zhang, W., Yang, Z., Jiang, H., Nigam, S., Tomotake, S. Y., Kenji, F., Levent, S., & Kara, B. (2019). 개념 디자인과 최적화를 위한 3D 형상 합성: VAE 기반. ASME IDETC/CIE 2019. 사전 게재본.

• Zhang, Y. (2019). 인공지능 기반 기계 제품 원격 디자인 핵심 기술 연구. Journal of Visual Communication and Image Representation, 60, 250–257.

• Zhou, L., Sun, X., Mu, G., Wu, J., Zhou, J., Wu, Q., Zhang, Y., Xi, Y., Gunes, N. D., & Song, S. (2022). 딥러닝을 활용한 문화 간 디자인 프로세스 지원 도구. IEEE Transactions on Human-Machine Systems, 52(3), 445–457.

 

저자 소개 (About the Authors)

• 이보연 : 영국 엑서터대학교 비즈니스스쿨 디자인·혁신 전공 조교수. 빅데이터와 머신러닝을 활용한 제품·서비스 개발 맥락에서 디자인이 디지털 혁신에 어떻게 기여하는지를 연구한다.

김종모 : Powertask 인공지능리드엔지니어. 온톨로지 요구공학·지식그래프·대규모언어모델(LLM)을 융합한 지능형 시스템 개발 연구를 수행한다.