AI‑Powered Capabilities and Green New Product Development: The Dual and Asymmetric Mediating Roles of Green Exploratory and Exploitative

기술 요약: AI 기반 역량과 녹색 신제품 개발(Green NPD)

문제 제기 및 연구 공백
인공지능(AI)과 환경 지속가능성의 결합은 혁신 관리 분야의 중요한 최전선이지만, AI 역량이 녹색 신제품 개발(Green NPD)로 어떻게 전환되는지에 대한 메커니즘은 이론적으로 여전히 미발달 상태이다. 기존 연구는 주로 직접적인 성과(예: 비용 절감, 효율성)에 초점을 맞추어 왔으나, AI를 고립된 기술적 투입물로 취급함으로써 AI가 생성한 통찰력을 실질적인 제품 결과로 변환하는 내부 조직적 루틴을 간과하는 경며가 있다. 본 연구는 문헌에서 세 가지 구체적인 공백을 식별한다:

1. 매개 블랙박스(The Mediation Black Box): 기존 연구들은 AI가 녹색 NPD에 어떻게 영향을 미치는지에 대한 프로세스 아키텍처를 규명하지 않은 채, 조직적 매개 과정 없이 혜택이 실현된다고 암묵적으로 가정한다.
2. 혁신 모드의 차별화 미흡: 연구들은 녹색 탐색적(green exploratory, 탐색, 발견, 근본적 참신함) 혁신과 녹색 활용적(green exploitative, 개선, 효율성, 점진적 향상) 혁신 활동의 운영상 요구사항이 다름에도 불구하고, 이 둘을 구분하지 못하는 경우가 많다.
3. 검증되지 않은 비대칭성: 여러 매개 변수를 고려하더라도, 기존 연구들은 대개 대칭적 효과를 가정한다. 본 논문은 AI의 특정 역량(패턴 인식, 불확실성 감소)이 한쪽 경로를 다른 쪽보다 유의미하게 더 강력하게 만들 수 있는지에 대해 의문을 제기한다.

이론적 프레임워크 및 가설
**동적 역량 이론(Dynamic Capabilities Theory, DCT)**에 근거하여, 본 연구는 AI 기반 역량이 녹색 NPD를 직접적으로 주도하는 것이 아니라 특정 적응 프로세스를 촉진하는 촉매제 역할을 한다고 가정한다. 프레임워크는 다음과 같이 구분한다:

• 녹색 탐색적(Green Exploratory): AI가 기회 식별과 새로운 저탄소 궤적의 발견을 강화하는 감지(sensing) 중심의 프로세스.
• 녹색 활용적(Green Exploitative): AI가 실행을 최적화하고, 기존 녹색 기술을 정교화하며, 프로세스 효율성을 개선하는 포착/변형(seizing/transforming) 중심의 프로세스.

본 연구는 비대칭 가설을 포함한 이중 매개 모델을 제안한다:

• H1a & H1b: 녹색 탐색적 활동과 녹색 활용적 활동 모두 AI 기반 역량과 녹색 NPD 사이의 정(+)의 관계를 매개한다.
• H1c (비대칭성): 녹색 탐색적 활동의 매개 효과가 녹색 활용적 활동보다 유의미하게 더 강하다. 이는 감지 증강에서의 AI의 비교 우위, 근본적 혁신과 관련된 높은 불확실성을 감소시키는 AI의 독보적인 능력, 그리고 변동성이 큰 저탄소 시장에서 선점자 우위의 전략적 가치에 근거하여 이론화되었다.

연구 방법론

• 데이터 수집: 본 연구는 중국의 5개 핵심 산업 분야(전자/반도체, 자동차, 기계, 제약/의료기기, 가전/소비 가전)에 종사하는 333개 제조 기업으로부터 횡단적 설문 데이터를 활용하였다.
• 표본 선정 기준: 녹색 NPD 관행을 실행하고 저탄소 운영 또는 의사결정을 위해 AI 기술을 도입한 기업을 선정하였다.
• 측정 도구: 구성 개념은 확립된 문헌(예: Gupta et al., 2023; Singh et al., 2024)에서 수정·보완한 다항목 척도를 사용하여 7점 리커트 척도로 측정되었다. 주요 변수에는 AI 기반 역량, 녹색 탐색, 녹색 활용, 녹색 NPD 성과가 포함되었다. 통제 변수로는 산업 부문, 기업 연령, 규모, AI 투자액, ISO 14012 인증 여부가 포함되었다.
• 분석: 가설 검증을 위해 계층적 회귀 분석과 부트스트랩 매개 분석(5,000회 재표본 추출을 적용한 PROCESS Model 4)을 수행하였다. 공통 방법 편향(Common method bias)은 Harman의 단일 요인 테스트와 CFA 비교를 통해 평가하였으며, 무응답 편향은 초기 응답자와 후기 응답자를 비교하여 확인하였다.

주요 결과

1. 이중 매개 확인: 녹색 탐색과 녹색 활용 모두 AI 기반 역량과 녹색 NPD 사이의 관계를 유의미하게 매개하는 것으로 나타났다.
   • AI 역량은 녹색 탐색($\beta = 0.624, p < 0.001$)과 녹색 활용($\beta = 0.578, p < 0.001$)을 정(+)적으로 예측한다.
   • 두 매개 변수 모두 녹색 NPD를 정(+)적으로 예측한다 ($\beta_{탐색} = 0.375, p < 0.001$; $\beta_{활용} = 0.289, p < 0.001$).
2. 비대칭적 매개: 녹색 탐색을 통한 간접 효과가 녹색 활용을 통한 효과보다 유의미하게 더 강하다.
   • 간접 효과 (탐색): $\beta = 0.234$, 95% CI [0.139, 0.354].
   • 간접 효과 (활용): $\beta = 0.167$, 95% CI [0.093, 0.258].
   • 신뢰 구간의 부분적 비중첩(partial non-overlap)은 비대칭성 가설을 뒷받침한다.
3. 모델 적합도: 전체 모델은 녹색 NPD 분산의 **54%**를 설명한다 ($R^2 = 0.540$).

주요 기여 및 의의
본 논문은 세 가지 주요 기여를 주장한다:

1. 블랙박스 해소: 두 가지 뚜렷한 프로세스 아키텍처(탐색과 활용)를 명시함으로써, 본 연구는 AI가 어떻게 녹색 NPD에서 가치를 창출하는지를 명확히 하며, 직접 효과 모델을 넘어 DCT에 기반한 프로세스 지향적 관점으로 나아간다.
2. "균형 가정"에 대한 도전: 본 연구는 기업이 탐색과 활용을 동일하게 균형 있게 유지해야 한다는 전통적인 양손잡이(ambidexterity) 가정에 도전한다. 대신, AI 기반 녹색 혁신 맥락에서는 탐색적 매개의 우위를 입증하며, 이는 AI의 독특한 역량이 점진적 개선보다 감지와 발견에 더 강력하다는 것을 시사한다.
3. 방법론적 템플릿: 본 연구는 부트스트랩 신뢰 구간 비교를 사용하여 이중 및 비대칭 매개를 테스트하는 엄격한 템플릿을 제공하며, 경쟁하는 매개 경로를 비교하는 향후 연구에 재현 가능한 방법을 제시한다.

실무적 시사점

• 경영자를 위한 제언: 기업은 순수하게 최적화에 집중하는 도구보다는 감지 및 탐색 역량을 강화하는 AI 투자(예: 신흥 시장을 위한 예측 분석, 생성형 디자인)를 우선시해야 하며, 탐색에 치우친 균형 잡힌 접근 방식(예: 탐색 60~70%)을 권장한다.
• AI 공급업체를 위한 제언: 제품 개발 시 탐색 지향적 도구(생성형 디자인, 약한 신호 탐지)와 활용 지향적 도구(프로세스 최적화, 예측 유지보수)를 차별화해야 한다.
• 정책 입안자를 위한 제점: 보조금 및 규제 프레임워크는 점진적 활용보다 단위 투자당 더 큰 성과를 창출하는, AI 기반의 고위험 탐색적 녹색 혁신을 지원하도록 재조정되어야 한다.

한계점 및 향후 연구 방향
저자들은 횡단적 설계(인과 추론의 제한), 단일 응답자 데이터 의존성, 중국 제조 기업이라는 특정 맥락 등의 한계를 인정한다. 향후 연구에서는 종단적 설계, 행동적 미시 기초(micro-foundations) 조사, 그리고 AI와 다른 Industry 4.0 기술(IoT, 블록체인) 간의 상호작용을 조사할 것을 제안한다. 또한, 본 원고에서 기술 불확실성의 조절 효과가 완전히 테스트되지 않았음을 언급하며, 이를 향후 분석의 과제로 남겨두었다.