Earticle

초록

영어

[Purpose] This study examines the effects of AI technology characteristics and action learning task characteristics on AI–action learning fit (FIT), AI usage, and perceived team learning behavior in generative AI-based corporate action learning environments, grounded in Task–Technology Fit (TTF) theory. [Methodology] Five hypotheses were developed based on TTF theory. Survey data were collected from 175 employees who had utilized generative AI in action learning programs. After verifying reliability and validity through exploratory factor analysis and Cronbach's alpha, hypotheses were tested using multiple regression analysis (MRA) and PROCESS macro bootstrapping (5,000 iterations), with multicollinearity assessed via VIF. [Finding] All five hypotheses were supported at p < .001. AI technology characteristics (β = .291) and task characteristics (β = .405) both positively influenced AI–action learning FIT, with task characteristics showing a stronger effect. FIT significantly increased AI usage (β = .582), which in turn enhanced participants' perceived team learning behavior (β = .638), with AI usage confirmed as a partial mediator (indirect effect = 0.199, 95% CI [0.085, 0.359], R² = .339–.482). [Implications] By extending TTF theory to the action learning context, this study theoretically explores the possibility that generative AI may transform the linear structure of traditional action learning into a cyclical learning pathway. Furthermore, task design quality and fit perception are shown to be more critical than technology capability alone in facilitating perceived team-level learning behavior among individual participants, providing practical guidelines for organizations to prioritize complex, reflective task design when adopting generative AI.

한국어

[연구목적] 본 연구는 생성형 AI 기반 액션러닝 환경에서 AI 기술 특성과 액션러닝 과업 특성이 AI-액션러닝 적합성(FIT), AI 사용, 액션러닝 참여자가 지각한 팀 학습행동에 미치는 영향을 과업-기술 적합성(TTF) 이론에 근거하여 실증적으로 검증하고 기업 HRD 현장에 대한 시사점을 제공하고자 하였다. [연구방법] 생성형 AI, 액션러닝, TTF 이론에 관한 선행연구를 검토하여 5개의 가설을 도출하였다. 국내기업에서 생성형 AI를 활용하여 액션러닝을 수행한 근로자 175명을 대상으로 설문 자료를 수집하였으며, 탐색적 요인분석과 Cronbach's α를 통해 신뢰성과 타당성을 검토한 후 다중회귀분석(MRA) 및 PROCESS macro 부트스트래핑(5,000회)으로 가설을 검증하였다. 분산팽창지수(VIF)를 통해 다중공선성 여부도 함께 확인하였다. [연구결과] 5개의 가설이 모두 p < .001 수준에서 지지되었다. AI 기술 특성(β=.291)과 액션러닝 과업 특성(β=.405) 모두 AI-액션러닝 FIT에 유의한 정(+)의 영향을 미쳤으며, 특히 과업 특성의 영향력이 더 크게 나타났다. AI-액션러닝 FIT은 AI 사용을(β=.582), AI 사용은 참여자가 지각한 팀 학습행동을(β=.638) 유의하게 촉진하는 것으로 나타났으며, AI 사용의 부분매개효과도 확인되었다(간접효과=0.199, 95% CI [0.085, 0.359], R²=.339~.482). [연구의 시사점] 본 연구는 TTF 이론을 액션러닝 맥락으로 확장하여 기술 특성, 과업 특성, 적합성 인식, AI 사용, 지각된 팀 학습행동 간의 순차적 구조적 관계를 확인하였다. 특히 생성형 AI 도입이 전통적 액션러닝의 선형적 학습구조를 순환적 학습경로로 재구성함을 이론적으로 논증하였으며, AI 기술 자체보다 정교한 과업 설계와 적합성 인식이 팀 학습행동에 대한 지각 수준을 높이는 핵심 요인임을 확인함으로써, 생성형 AI 도입 시 복잡하고 성찰적인 과업 설계를 우선시해야 한다는 실무적 가이드라인을 제공한다.

목차

<국문요약>
Ⅰ. 서론
Ⅱ. 이론적 배경 및 연구가설
2.1 생성형 AI
2.2 액션러닝
2.3 과업-기술 적합 모형(TTF)
Ⅲ. 연구모형 및 가설설정
3.1 연구모형의 설정
3.2 연구가설설정
Ⅳ. 연구방법
4.1 자료수집
4.2 변수의 조작적 정의 및 측정
4.3 분석 방법 및 통계 도구 설명
Ⅴ. 연구결과
5.1 신뢰도 및 타당성 분석
5.2 모형 적합도 검토
5.3 가설검증 및 토의
5.4 매개효과 검증
5.5 공통방법편의(CMB) 검토
Ⅵ. 결론 및 시사점
6.1 연구의 결과
6.2 연구의 시사점
6.3 연구의 한계 및 향후 연구방향
참고문헌

키워드

저자

• 황의종 [ Hwang Eui-Jong | 박사과정, 경희대학교, 경영학과 ] 제1저자
• 김민용 [ Kim Min-Yong | 교수, 경희대학교, 경영학과 ] 교신저자

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  경영과 정보연구 [Management Information Systems review]

• 간기

  계간

• pISSN

  1598-2459

• 수록기간

  1997~2026

• 등재여부

  KCI 등재

• 십진분류

  KDC 325 DDC 658