Exploring Individual Factors in the Adoption of LLMs for Specific Software Engineering Purposes

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 대규모 언어 모델 (LLM) 의 등장으로 소프트웨어 개발 프로세스가 혁신적으로 변화하고 있으며, 코드 생성, 테스트, 의사결정 지원 등 다양한 목적에 활용되고 있습니다.
• 문제점: 기존 연구들은 LLM 의 전반적인 채택 경향이나 일반적인 수용 요인 (지각된 유용성, 노력 기대 등) 에 초점을 맞추었습니다. 그러나 LLM 을 소프트웨어 엔지니어링 (SE) 의 '특정 목적' (예: 아티팩트 생성, 정보 검색, 의사결정 지원 등) 에 따라 어떻게, 그리고 왜 사용하는지에 대한 개인적 요인과 그 간의 미묘한 관계는 충분히 탐구되지 않았습니다.
• 연구 필요성: 특정 목적에 맞는 맞춤형 LLM 시스템 (예: 생성형 AI 에이전트) 을 설계하고, 팀 리더가 효과적인 채택 전략을 수립하기 위해서는 목적별 (Purpose-specific) 채택 동인을 이해하는 것이 필수적입니다.

2. 연구 방법론 (Methodology)

• 연구 모델: 기술 수용 모델인 UTAUT2(Unified Theory of Acceptance and Use of Technology 2) 프레임워크를 기반으로 개발자 프로파일을 정의했습니다.
  • 독립 변수 (개발자 프로파일): 성과 기대 (PE), 노력 기대 (EE), 사회적 영향 (SI), 쾌락적 동기 (HM), 촉진 조건 (FC), 습관 (Hb), 행동 의도 (BI).
  • 종속 변수 (LLM 사용 목적): Khojah et al. [12] 의 분류 체계를 기반으로 5 가지 목적을 정의했습니다.
    1. 아티팩트 조작 (Manipulate Artifacts, UB1)
    2. 대안 생성 (Generate Alternatives, UB2)
    3. 정보 검색 (Information Retrieval, UB3)
    4. 의사결정 지원 (Decision Support, UB4)
    5. 교육/학습 (Training, UB5)
• 데이터 수집:
  • 대상: LLM 사용 경험이 있는 소프트웨어 엔지니어 188 명.
  • 도구: Prolific 플랫폼을 통해 설문조사를 실시하고, UTAUT2 구성 요소를 측정하기 위해 검증된 척도를 사용했습니다.
• 분석 기법: PLS-SEM (Partial Least Squares Structural Equation Modeling) 을 사용하여 변수 간의 인과 관계, 직접 효과, 간접 효과 (매개 효과) 및 총 효과를 분석했습니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

이 연구는 LLM 채택이 단일한 현상이 아니라 목적에 따라 서로 다른 요인들에 의해 영향을 받는 이질적인 과정임을 규명했습니다.

A. 핵심 발견 사항 (Key Findings)

1. 습관 (Habit) 의 지배적 역할: 모든 목적 (UB1~UB5) 에 걸쳐 습관 (Hb) 이 가장 강력한 예측 변수로 작용했습니다. 이는 LLM 사용이 일상적인 워크플로우에 자연스럽게 통합될 때 가장 효과적임을 시사합니다.
2. 성과 기대 (Performance Expectancy) 의 양면성:
   • 아티팩트 생성 (UB1) 등에서는 직접적인 영향이 미미했으나, 대안 생성 (UB2) 에서는 부정적인 영향을 미쳤습니다 (경쟁적 매개 효과). 즉, LLM 이 유용하다고 생각할수록 대안 생성을 위해 직접적으로 사용하기보다는 다른 경로를 통해 사용될 가능성이 있음을 보여줍니다.
3. 촉진 조건 (Facilitating Conditions) 의 역설:
   • 정보 검색 (UB3) 및 의사결정 지원 (UB4) 에서는 촉진 조건 (기술적/조직적 지원) 이 실제 사용에는 긍정적 영향을 주지만, 의사결정 지원 (UB4) 과 교육 (UB5) 에서는 부정적인 직접 효과를 보였습니다. 이는 외부 지원이 풍부한 환경에서는 오히려 기존 자원을 선호하여 LLM 의존도가 낮아질 수 있음을 의미합니다.
4. 사회적 영향 (Social Influence) 의 목적별 차이:
   • 일반적으로 사회적 영향은 약한 요인으로 알려졌으나, 정보 검색 (UB3) 과 의사결정 지원 (UB4) 에서는 직접적이고 강력한 긍정적 영향을 미쳤습니다. 동료의 추천이나 조직 내 검증이 신뢰와 관련된 작업에서는 결정적인 역할을 합니다.
5. 행동 의도 (BI) 의 매개 역할:
   • 아티팩트 조작 (UB1) 과 같은 단순 작업에서는 일반적 사용 빈도 (UB) 를 통한 간접 효과가 강했으나, 의사결정 지원 (UB4) 과 같은 복잡한 작업에서는 습관, 노력 기대, 사회적 영향이 행동 의도를 거치지 않고 직접 사용 빈도에 영향을 미쳤습니다.

B. 목적별 요약 결과

4. 의의 및 시사점 (Significance)

• 이론적 기여:
  • 기존 UTAUT2 모델이 기술 수용을 일반화하는 데 그쳤다면, 본 연구는 목적별 (Purpose-specific) 로 요인의 영향력이 어떻게 달라지는지를 규명하여 LLM 채택 이론을 심화시켰습니다.
  • 특히 사회적 영향과 촉진 조건이 목적에 따라 정반대의 효과를 낼 수 있음을 보여주어, 기술 수용 모델의 맥락적 적용 가능성을 확장했습니다.
• 실무적 시사점:
  • 개발자 및 팀 리더: LLM 도입 전략을 '일률적'으로 접근하지 말고 목적에 맞춰야 함.
    • 코드 생성/수정: IDE 통합을 통해 습관 형성을 지원.
    • 정보 검색/의사결정: 동료 간 지식 공유, 검증, 사례 공유 (Boundary Spanners 활용) 를 통해 신뢰를 구축.
  • 도구 개발자: 목적별 특성을 반영한 UI/UX 설계 필요. 예를 들어, 의사결정 지원 도구는 신뢰성을 높이기 위해 출처 명시나 확률 점수 제공이 필수적임.

5. 결론

본 연구는 LLM 의 소프트웨어 엔지니어링 도입이 단순한 기술 수용이 아니라, 사용 목적에 따라 개인적 요인 (습관, 사회적 영향, 노력 기대 등) 이 복잡하게 상호작용하는 과정임을 증명했습니다. 따라서 조직은 LLM 을 특정 업무 (코드 작성, 정보 검색, 의사결정 등) 에 효과적으로 통합하기 위해 목적별 맞춤형 전략을 수립해야 합니다.