An Analysis of Experiential Quality Factors of Generative AI Guidance Systems in Digital Cultural Spaces -Focused on the KANO Model-

본 연구는 디지털 문화공간에서 운영되는 생성형 AI 안내 시스템과 전통형 AI 안내 시스템을 대상으로 체험 품질 요인을 도출하고, 그 차별적 가치를 실증적으로 규명하는 것을 목적으로 한다. 기존 연구들이 디지털 전시의 기술적 요소나 개별 사례 중심으로 접근해 온 것과 달리, 본 연구는 관람객의 체험 품질을 다차원적으로 분석하고 시스템 간 차이를 구조적으로 검증하였다.연구 방법으로는 첫째, 선행연구 고찰을 통해 정보 탐색 정확성, 콘텐츠 반응 속도, 창의성, 몰입성, 맞춤형 추천, 상호작용 강화, 감성 기반 추천의 7개 체험 품질 요인을 도출하였다. 둘째, 중국 베이징의 베이징도시도서관(생성형 AI)과 수도박물관(전통형 AI)을 연구 대상으로 선정하고, 온라인 설문과 현장 참여를 병행하여 응답 데이터를 수집하였다. 셋째, KANO 모델을 활용해 품질 속성을 유형화하고, Timko 고객만족계수(SI·DI)를 산출해 만족·불만족 기여도를 정량화하였으며, 잠재적 고객만족지수(PCSI)를 통해 개선 우선순위를 평가하였다.분석 결과, 생성형 AI 안내 시스템은 정보 탐색 정확성과 콘텐츠 반응 속도가 일원적 품질(O)로 분류되어 안정적 성능 관리가 중요한 핵심 요인임이 확인되었다. 또한 창의성, 몰입성, 맞춤형 추천, 상호작용 강화, 감성 기반 추천은 모두 매력적 품질(A)로 나타나 제공 시 만족도를 크게 높이는 차별적 경험 요소로 작동하였다. 반면 전통형 AI 안내 시스템은 정보 탐색 정확성과 콘텐츠 반응 속도가 당연적(M) 품질로 나타나 성능 미충족 시 불만족을 유발하는 필수 속성이었으며, 창의성·몰입성 등은 무관심(I) 품질로 분류되어 경험 차별화 효과가 제한적이었다.본 연구는 생성형 AI 안내 시스템이 단순한 정보 제공을 넘어 감성적·몰입적 체험을 확장하는 고도화된 안내 서비스임을 실증적으로 확인하였다. 이를 통해 디지털 문화공간 설계 시 기본 성능 관리와 더불어 창의성·감성·상호 작용 경험을 강화하는 전략적 설계 방향을 제시하였으며, KANO-Timko-PCSI 통합 분석 절차를 문화공간 서비스 품질 연구에 적용 가능한 실증적 분석 틀로 제공한다는 의의를 갖는다.