Examining Users' Behavioural Intention to Use OpenClaw Through the Cognition--Affect--Conation Framework

본 연구는 436 명의 OpenClaw 사용자 데이터를 구조방정식 모형으로 분석하여, 개인화·지능성·상대적 우위와 같은 인지적 요인이 긍정적 정서를, 사생활 침해·알고리즘 불투명성·위험 인식과 같은 요인이 불신을 유발하며, 이러한 정서적 반응이 최종적으로 시스템 사용 의도에 영향을 미친다는 CAC(인지 - 정서 - 의도) 프레임워크를 규명했습니다.

핵심

🤖 연구의 핵심: "로봇 도우미 (OpenClaw) 를 고용할까?"

이 연구는 사람들이 OpenClaw라는 AI 를 어떻게 생각하는지, 그리고 그 생각이 실제 사용으로 이어지는지 알아봤습니다. OpenClaw 는 단순히 대화만 하는 챗봇이 아니라, **사용자를 대신해서 파일을 정리하거나 작업을 자동으로 수행하는 '자율형 AI 비서'**입니다.

연구팀은 사람들의 마음을 **3 단계 과정 (생각 → 감정 → 행동)**으로 나누어 분석했습니다. 이를 '생각 - 감정 - 행동 (Cognition-Affect-Conation)' 프레임워크라고 부르는데, 마치 새로운 식당을 방문하는 과정과 비슷합니다.

1 단계: 생각 (Cognition) - "이 식당이 어떤 곳이지?"

사람들은 먼저 이 AI 가 어떤지 '생각'을 합니다. 이때 두 가지 부류의 생각이 생깁니다.

• 👍 좋은 생각 (촉진 요인):

  • 맞춤형 서비스: "내 취향에 딱 맞게 해주는구나!" (지각된 개인화)
  • 똑똑함: "내 말을 잘 알아듣고 똑똑하게 일을 처리하네!" (지각된 지능)
  • 이득: "기존 도구보다 훨씬 빠르고 편하네!" (상대적 우위)
  • *이런 생각이 들면 사람들은 이 식당 (AI) 을 **좋아 (Attitude)*하게 됩니다.

• 👎 나쁜 생각 (저해 요인):

  • 사생활 걱정: "내 개인 정보를 다 훔쳐보지 않을까?" (사생활 우려)
  • 불투명함: "무슨 원리로 일을 하는지 도통 모르겠어." (알고리즘 불투명성)
  • 위험성: "실수해서 큰일 날까 봐 무서워." (지각된 위험)
  • *이런 생각이 들면 사람들은 이 식당을 **불신 (Distrust)*하게 됩니다.

2 단계: 감정 (Affect) - "이 식당이 마음에 들어?"

생각이 쌓이면 감정이 생깁니다.

• 좋은 생각이 많으면 → "이거 진짜 좋아! 사용해보고 싶어!" (긍정적인 태도)
• 나쁜 생각이 많으면 → "이거 믿을 수 없어. 무서워." (불신)

3 단계: 행동 (Conation) - "결국 갈까 말까?"

마지막으로 감정이 실제 행동을 결정합니다.

• 좋아하는 마음이 강하면 → "내일도 꼭 갈게!" (사용 의도 증가)
• 불신하는 마음이 강하면 → "절대 안 갈 거야." (사용 의도 감소)

---

🔍 연구 결과: 무엇이 사람들을 움직이게 했나?

연구팀은 OpenClaw 를 실제로 써본 사람 436 명에게 설문을 하고, 이 과정을 수학적으로 분석했습니다. 결과는 다음과 같습니다.

1. 좋아하는 마음 (Attitude) 이 가장 중요해요!

   • 사람들이 AI 를 "좋아하면" 자연스럽게 사용하려는 마음이 생깁니다.
   • 특히 AI 가 얼마나 똑똑한지, 내게 얼마나 잘 맞춰주는지, 기존 방법보다 얼마나 편한지가 '좋아하는 마음'을 만드는 핵심 열쇠였습니다.

2. 불신 (Distrust) 은 강력한 방해꾼이에요.

   • 사람들이 AI 를 "불신하면" 사용 의도가 확 떨어집니다.
   • 내 정보가 안전할까? (사생활), 어떻게 작동하는지 알 수 있을까? (불투명함), 실수하면 어떡하지? (위험) 에 대한 걱정이 불신을 키웠습니다.

3. 결론:

   • 사람들은 편리함과 똑똑함 때문에 AI 를 좋아하게 되지만, 불안감과 불투명함 때문에 불신하게 됩니다.
   • 결국, 좋아하는 마음이 사용 의도를 높이는 가장 큰 동력이지만, 불신은 그 마음을 무너뜨리는 강력한 장벽이 됩니다.

---

💡 이 연구가 우리에게 주는 교훈 (실생활 팁)

이 연구는 AI 개발자나 디자이너들에게 다음과 같은 조언을 줍니다.

• 🌟 "더 똑똑하고, 더 친절하게 만들어라."
  • 사용자의 취향을 잘 파악하고, 기존보다 훨씬 편하게 일을 처리해준다면 사람들은 AI 를 좋아하게 됩니다.
• 🛡️ "하지만, 문을 열어놓고 신뢰를 줘라."
  • AI 가 어떻게 일하는지 투명하게 보여주고 (블랙박스 아님), 사용자의 정보를 안전하게 보호한다고 확신시켜야 합니다. 그래야 사람들이 "이거 믿고 써도 되겠다"라고 생각하게 됩니다.

한 줄 요약:

"OpenClaw 같은 AI 비서를 쓰게 하려면, '똑똑하고 편하다'는 생각으로 사람을 설득하는 동시에, '안전하고 투명하다'는 생각으로 사람의 불안을 잡아줘야 합니다."

이 연구는 우리가 새로운 기술을 받아들일 때, 단순히 기능만 좋은 게 아니라 심리적 안정감이 얼마나 중요한지 보여줍니다.

기술 요약

논문 요약: OpenClaw 사용 의도에 대한 인지 - 정서 - 의도 (CAC) 프레임워크 기반 연구

1. 연구 배경 및 문제 제기 (Problem)

• 배경: OpenClaw(구 Clawdbot, Moltbot) 는 단순한 텍스트 생성을 넘어 사용자를 대신하여 실제 작업을 수행하는 오픈소스 AI 에이전트 프레임워크입니다. 이는 대화형 AI 와 디지털 자동화의 융합을 보여주며, 파일, API, 운영체제 명령어 등을 조작하여 자율적으로 워크플로우를 실행합니다.
• 문제: 기존 연구는 주로 대화형 AI 나 추천 시스템의 수용에 집중했으나, **자율적 AI 에이전트 (Autonomous AI Agents)**의 수용에 대한 실증적 연구는 부족합니다. 이러한 시스템은 사용자의 데이터에 접근하고 외부 작업을 수행하므로, 사용자의 신뢰, 프라이버시, 위험 인식 등 복잡한 심리적 메커니즘이 수용 의도에 어떻게 영향을 미치는지 규명할 필요가 있습니다.
• 목표: 사용자의 인지적 평가 (Cognition) 가 정서적 반응 (Affect) 을 거쳐 최종적인 행동 의도 (Conation) 로 이어지는 과정을 규명하기 위해 인지 - 정서 - 의도 (Cognition–Affect–Conation, CAC) 프레임워크를 적용하여 OpenClaw 사용 의도를 분석합니다.

2. 연구 방법론 (Methodology)

• 이론적 모델: CAC 프레임워크를 기반으로 한 구조 방정식 모델 (SEM) 을 구축했습니다.
  • 인지 단계 (Cognition):
    • 촉진 요인: 지각된 개인화 (Perceived Personalisation), 지각된 지능 (Perceived Intelligence), 상대적 우위 (Relative Advantage).
    • 저해 요인: 프라이버시 우려 (Privacy Concern), 알고리즘 불투명성 (Algorithmic Opacity), 지각된 위험 (Perceived Risk).
  • 정서 단계 (Affect): 태도 (Attitude, 긍정적) 와 불신 (Distrust, 부정적).
  • 의도 단계 (Conation): OpenClaw 사용 행동 의도 (Behavioural Intention).
• 데이터 수집:
  • 표본: Credamo 온라인 설문 플랫폼 및 AI 관련 커뮤니티를 통해 436 명의 OpenClaw 경험자를 대상으로 설문조사를 실시했습니다.
  • 측정 도구: 기존 문헌을 바탕으로 개발된 5 점 리커트 척도를 사용했습니다.
• 분석 기법:
  • 확인적 요인 분석 (CFA) 을 통해 측정 모델의 타당성 (수렴 타당성, 판별 타당성) 과 신뢰성을 검증했습니다.
  • 구조 방정식 모델링 (SEM) 을 사용하여 가설 간의 인과 관계를 검증했습니다.

3. 주요 결과 (Results)

구조 방정식 모델 분석 결과, 모든 가설 (H1~H8) 이 통계적으로 유의미하게 지지되었습니다.

• 긍정적 경로 (촉진 요인):
  • 지각된 개인화, 지능, 상대적 우위는 모두 사용자의 **긍정적 태도 (Attitude)**에 유의미한 정적 영향을 미쳤습니다.
    • 특히 상대적 우위 (β=0.32) 와 지각된 지능 (β=0.27) 의 영향력이 컸습니다.
  • 긍정적 태도는 사용 행동 의도를 강력하게 예측했습니다 (β=0.49, p<.001).
• 부정적 경로 (저해 요인):
  • 프라이버시 우려, 알고리즘 불투명성, 지각된 위험은 모두 **불신 (Distrust)**을 증가시켰습니다.
    • 지각된 위험 (β=0.28) 과 프라이버시 우려 (β=0.24) 가 불신 형성에 큰 영향을 미쳤습니다.
  • 불신은 사용 행동 의도에 유의미한 부적 영향을 미쳤습니다 (β=-0.22, p<.01).
• 모델 적합도: χ²/df = 2.26, CFI = 0.93, RMSEA = 0.054 로 모델이 데이터를 잘 설명하는 것으로 나타났습니다.

4. 주요 기여 (Key Contributions)

• 이론적 기여:
  • 기존 CAC 프레임워크를 자율적 AI 에이전트라는 새로운 도메인에 적용하여, 긍정적 인지 (개인화, 지능 등) 와 부정적 인지 (프라이버시, 위험 등) 가 어떻게 상호작용하여 수용 의도를 형성하는지 실증적으로 입증했습니다.
  • 단순한 '신뢰'뿐만 아니라 '불신 (Distrust)'을 독립적인 정서적 메커니즘으로 포함시켜, AI 수용의 양면성을 포괄적으로 설명했습니다.
• 실무적 기여:
  • 개발자 및 디자이너를 위한 통찰:
    • 사용자의 수용을 높이기 위해서는 시스템의 개인화 능력, 지능적 판단력, 그리고 기존 도구 대비 효율성 (상대적 우위) 을 강화해야 합니다.
    • 동시에 불신을 해소하기 위해 알고리즘의 투명성 (Explainability) 을 높이고, 데이터 보호 메커니즘을 강화하며, 시스템이 자율적으로 수행하는 작업에 대한 위험을 최소화하는 설계가 필수적입니다.

5. 의의 및 한계 (Significance & Limitations)

• 의의: 이 연구는 자율적 AI 에이전트의 도입 장벽이 단순히 기능적 결함이 아니라, 사용자의 심리적 평가 (인지) 와 정서적 반응 (불신/태도) 에 의해 결정됨을 보여줍니다. 특히 '불투명성'과 '위험'이 어떻게 불신으로 이어져 사용 의도를 저해하는지 구체적인 경로를 제시함으로써, 향후 AI 에이전트 설계 및 정책 수립에 중요한 기초 자료를 제공합니다.
• 한계 및 향후 연구:
  • 표본이 OpenClaw 를 이미 경험한 사용자로 제한되어 있어, 비사용자 집단에 대한 일반화에는 한계가 있습니다.
  • 횡단적 (Cross-sectional) 설계를 사용했으므로, 시간이 지남에 따른 사용자의 인식 변화 (경험 축적에 따른 태도 변화) 를 반영하지 못했습니다.
  • 향후 종단 연구 (Longitudinal study) 나 질적 연구를 통해 사용자의 심리적 변화 과정을 더 깊이 있게 탐구할 필요가 있습니다.

---

결론적으로, 본 논문은 OpenClaw 와 같은 자율 AI 에이전트의 성공적인 도입을 위해서는 기술적 성능 (지능, 개인화) 을 높이는 동시에, 사용자의 불안을 유발하는 요소 (프라이버시, 불투명성, 위험) 를 체계적으로 관리하여 '불신'을 줄이고 '긍정적 태도'를 극대화해야 함을 시사합니다.