논문 리뷰 : 공공 기관에서 인공지능 도입 탐구

Neumann, Oliver et al. (2022)

Exploring artificial intelligence adoption in public organizations: a comparative case study

Neumann, Oliver et al. “Exploring artificial intelligence adoption in public organizations: a comparative case study.” Public Management Review 26 (2022): 114 - 141.

https://www.semanticscholar.org/paper/Exploring-artificial-intelligence-adoption-in-a-Neumann-Guirguis/9e011b36e9a53fb546943c705b22eca885998ffc

www.semanticscholar.org

ABSTRACT

Despite the enormous potential of artificial intelligence (AI), many public organizations struggle to adopt this technology.

인공지능(AI)의 막대한 잠재력에도 불구하고, 많은 공공 기관들은 이 기술을 도입하는 데 어려움을 겪고 있다.

Simultaneously, empirical research on what determines successful AI adoption in public settings remains scarce.

한편, 공공 분야에서 AI 도입의 성공 요인을 규명하는 실증 연구는 여전히 부족하다.

Using the technology-organization-environment (TOE) framework, we address this gap with a comparative case study of eight Swiss public organizations.

기술-조직-환경(TOE) 프레임워크를 활용하여, 우리는 이 격차를 스위스의 8개 공공 기관을 대상으로 한 비교 사례 연구로 다룬다.

Our findings suggest that the importance of technological and organizational factors varies depending on the organization’s stage in the adoption process, whereas environmental factors are generally less critical.

우리의 연구 결과에 따르면, 기술적 요인과 조직적 요인의 중요성은 기관의 도입 단계에 따라 달라지는 반면, 환경적 요인은 일반적으로 덜 중요한 것으로 나타났다.

Accordingly, this study advances our theoretical understanding of the specificities of AI adoption in public organizations throughout the different adoption stages.

이에 따라 본 연구는 공공 기관에서의 AI 도입의 각 단계에서 나타나는 특수성에 대한 이론적 이해를 발전시킨다.

KEYWORDS

Artificial intelligence; AI; public organizations; public administration; technology adoption; TOE framework

1. Introduction

Whether and how new technologies subsumed under artificial intelligence (AI) could be used in public organizations has been much debated in recent years.

최근 몇 년간 공공 기관에서 인공지능(AI) 하에 포함된 신기술을 사용할 수 있는지 여부와 그 방식에 대해 많은 논의가 이루어졌다.

While there is justified skepticism and fear that governments using AI may become too technocratic (Janssen and Kuk 2016), jeopardize privacy (Maciejewski 2017), reinforce inequalities, and even threaten democracy (Eubanks 2017; O’Neil 2016), it has also been pointed out that AI offers a plethora of opportunities for the public sector.

정부가 AI를 사용할 경우 지나치게 기술관료주의적으로 변할 가능성(Janssen and Kuk 2016), 프라이버시를 위협할 가능성(Maciejewski 2017), 불평등을 강화하고 심지어 민주주의를 위협할 가능성(Eubanks 2017; O’Neil 2016)에 대한 합리적인 회의론과 우려가 있지만, 동시에 AI가 공공 부문에 많은 기회를 제공한다는 점도 지적되었다.

Thanks to the availability and use of large data sets and transactional data and hardware developments, governments could realize new goals (Ulnicane et al. 2021; Margetts and Dorobantu 2019; Hitz-Gamper, Neumann, and Stürmer 2019), such as better decision-making and forecasting, improved communication between government and citizens, personalized public services, reduced administrative burdens (Androutsopoulou et al. 2019; Margetts and Dorobantu 2019), a generally better quality of public services, and improved public value creation (Bullock 2019; Wang, Teo, and Janssen 2021).

대규모 데이터 세트와 거래 데이터의 이용 가능성, 하드웨어 개발 덕분에 정부는 더 나은 의사결정과 예측, 정부와 시민 간의 향상된 소통, 개인화된 공공 서비스, 행정 부담의 감소(Androutsopoulou et al. 2019; Margetts and Dorobantu 2019), 전반적으로 향상된공공 서비스 품질, 공공 가치 창출 향상(Bullock 2019; Wang, Teo, and Janssen 2021)과 같은 새로운 목표를 달성할 수 있다.

A number of AI application areas have been identified, such as knowledge management, process automation, conversational agents and assistants, predictive analytics, fraud and threat detection, resource allocation, and supporting expert tasks (Mehr, Ash, and Fellow 2017; Wirtz, Weyerer, and Geyer 2019).

지식 관리, 프로세스 자동화, 대화형 에이전트와 보조자, 예측 분석, 사기 및 위협 감지, 자원 할당, 전문가 작업 지원(Mehr, Ash, and Fellow 2017; Wirtz, Weyerer, and Geyer 2019)과 같은 여러 AI 응용 분야가 확인되었다.

Unsurprisingly, public organizations are increasingly considering adopting AI technologies (Sun and Medaglia 2019) and have started to issue policy documents about the use of AI (Ulnicane et al. 2021).

예상대로 공공 기관들은 AI 기술 도입을 점점 더 고려하고 있으며(Sun and Medaglia 2019), AI 사용에 대한 정책 문서를 발행하기 시작했다(Ulnicane et al. 2021).

However, while in certain early-adopter countries (e.g., the US or the UK), the use of AI in the public sector is increasing, there are many public organizations where productive applications remain rare (Mikalef et al. 2021; Oxford Insights 2020; Margetts and Dorobantu 2019; Wirtz and Müller 2019).

그러나 일부 초기 도입 국가(예: 미국 또는 영국)에서는 공공 부문에서 AI 사용이 증가하고 있는 반면, 생산적인 응용 사례가 여전히 드문 공공 기관도 많다(Mikalef et al. 2021; Oxford Insights 2020; Margetts and Dorobantu 2019; Wirtz and Müller 2019).

AI in government is often at an experimental stage (Margetts and Dorobantu 2019), or traditional automation solutions are wrongly labeled ‘AI’.

정부 내 AI는 종종 실험 단계에 있으며(Margetts and Dorobantu 2019), 전통적인 자동화 솔루션이 잘못 ‘AI’로 표기되는 경우도 있다.

Even if the body of research about AI in the public sector has been growing recently (Sousa et al. 2019), empirical studies in public sector settings are scarce (Campion et al. 2020; Sun and Medaglia 2019).

최근 공공 부문 내 AI에 대한 연구가 증가하고 있더라도(Sousa et al. 2019), 공공 부문에서의 실증 연구는 여전히 드물다(Campion et al. 2020; Sun and Medaglia 2019).

Some notable exceptions have studied the role of AI in administrative discretion and transparency (Ahonen and Erkkilä 2020; Bovens and Zouridis 2002; Justin, Young, and Wang 2020; Criado, Valero, and Villodre 2020; de Boer and Raaphorst 2021; Peeters, Giest, and Grimmelikhuijsen 2020), organizational changes caused by introducing AI in predictive policing (Meijer, Lorenz, and Wessels 2021), chief information officer perceptions and expectations of AI in the public sector (Criado et al. 2020), public value creation through AI (Wang, Teo, and Janssen 2021), and the application of AI in a pandemic (Cheng et al. 2021).

몇 가지 주목할 만한 예로는 행정적 재량과 투명성에서의 AI 역할(Ahonen and Erkkilä 2020; Bovens and Zouridis 2002; Justin, Young, and Wang 2020; Criado, Valero, and Villodre 2020; de Boer and Raaphorst 2021; Peeters, Giest, and Grimmelikhuijsen 2020), 예측 경찰활동에 AI 도입으로 인한 조직 변화(Meijer, Lorenz, and Wessels 2021), 공공 부문에서의 AI에 대한 정보 책임자의 인식과 기대(Criado et al. 2020), AI를 통한 공공 가치 창출(Wang, Teo, and Janssen 2021), 팬데믹에서의AI 적용(Cheng et al. 2021) 등이 연구되었다.

However, only a handful of empirical studies exist on determinants of successful AI adoption within public organizations (Campion et al. 2020; Chen, Ling, and Chen 2021; Schaefer et al. 2021; Sun and Medaglia 2019; Wang, Zhang, and Zhao 2020).

그러나 공공 기관 내 성공적인 AI 도입 요인에 대한 실증 연구는 거의 없다(Campion et al. 2020; Chen, Ling, and Chen 2021; Schaefer et al. 2021; Sun and Medaglia 2019; Wang, Zhang, and Zhao 2020).

Given that AI is a highly complex, general-purpose technology with many new potential application areas (Jöhnk, Weißert, and Wyrtki 2021), we believe that the lack of research on the mechanisms of AI adoption constitutes a significant research gap.

AI는 매우 복잡한 범용 기술로서 새로운 응용 가능성이 많은 기술이기 때문에(Jöhnk, Weißert, and Wyrtki 2021), AI 도입 메커니즘에 대한 연구 부족이 중요한 연구 격차를 구성한다고 생각한다.

Particularly, empirical evidence is needed about the specific challenges and facilitating factors in the adoption process of AI projects in public sector practice (Wirtz, Langer, and Fenner 2021) to bridge theoretical considerations about AI usage and practical implementation.

특히 공공 부문 실무에서 AI 프로젝트 도입 과정에서의 특정 도전 과제와 촉진 요인에 대한 실증적 증거가 필요하며(Wirtz, Langer, and Fenner 2021), 이는 AI 사용에 대한 이론적 고려와 실제 구현을 연결하는 역할을 한다.

This study addresses this gap by empirically analyzing the adoption process of AI initiatives in eight different public organizations in Switzerland.

본 연구는 스위스의 8개 공공 기관에서의 AI 도입 과정을 실증적으로 분석함으로써 이 격차를 해소하려고 한다.

It takes an interdisciplinary approach, connecting streams of research in Public Administration and Information Systems.

이 연구는 공공 행정과 정보 시스템 연구를 연결하는 학제적 접근을 취한다.

Using the AI-adapted technology-organization-environment (TOE) framework by Pumplun, Tauchert, and Heidt (2019) as a theoretical basis, our research question is: What are the technological, organizational, and environmental factors that facilitate or hamper the adoption of projects involving AI technologies in public organizations?

Pumplun, Tauchert, and Heidt (2019)가 제안한 AI 적응형 기술-조직-환경(TOE) 프레임워크를 이론적 기초로 사용하여, 본 연구의질문은 다음과 같다: 공공 기관에서 AI 기술이 포함된 프로젝트의 도입을 촉진하거나 저해하는 기술적, 조직적, 환경적 요인은 무엇인가?

Given the limited previous empirical research on this topic, we have used an exploratory qualitative research design to gain in-depth insights.

이 주제에 대한 기존의 실증 연구가 제한적이라는 점을 고려하여, 우리는 심층적인 통찰을 얻기 위해 탐색적 질적 연구 설계를 사용했다.

This study’s main contribution is to better understand the sector-specific challenges and favorable factors when public organizations adopt AI technologies.

본 연구의 주요 기여는 공공 기관이 AI 기술을 도입할 때 발생하는 분야별 도전 과제와 유리한 요인에 대한 이해를 높이는 것이다.

As we see adoption as an ongoing process instead of a single point in time, we extend existing theory by introducing a time dimension, allowing us to formulate propositions about which factors are most relevant at each of three consecutive stages (‘assessing’, ‘determined’, ‘managed’) in the adoption process.

우리는 도입을 단일 시점이 아닌 지속적인 과정으로 보고 있으며, 이를 통해 기존 이론에 시간 차원을 추가하여 도입 과정에서의 세 가지연속 단계(‘평가’, ‘결정’, ‘관리’) 각각에서 가장 중요한 요인에 대한 제안을 수립할 수 있도록 한다.

As such, our study heeds the calls for ‘research focusing on the wide variety of aspects involved in the phenomenon of AI adoption in the public sector’ (Sun and Medaglia 2019, 379) and for a ‘distinctive approach to AI in the public sector’ (Criado et al. 2020).

따라서 본 연구는 ‘공공 부문에서의 AI 도입 현상에 관련된 다양한 측면에 초점을 맞춘 연구’(Sun and Medaglia 2019, 379)와 ‘공공부문에서의 AI에 대한 독특한 접근’(Criado et al. 2020)의 필요성을 충족한다.

2. Theory

2.1 AI in the public sector

There is no universally accepted definition of AI (Wirtz, Weyerer, and Geyer 2019).

AI에 대한 보편적으로 받아들여지는 정의는 없다(Wirtz, Weyerer, and Geyer 2019).

AI may be understood as machines or computer systems that think and act humanly by performing tasks that commonly require human intelligence (e.g., decision-making and learning) or that think and act rationally by focusing on logic and carefully considering all options (e.g., finding the best solution to a problem) (Russell and Norvig 2021).

AI는 흔히 인간의 지능이 필요한 작업(예: 의사결정 및 학습)을 수행함으로써 인간처럼 사고하고 행동하는 기계나 컴퓨터 시스템으로 이해되거나, 논리와 모든 선택지를 신중히 고려하여 합리적으로 사고하고 행동하는 시스템(예: 문제의 최적 해결책을 찾는 것)으로 이해될수 있다(Russell and Norvig 2021).

In a specific area, AI might outperform humans, but it is ‘unable to autonomously solve problems in other areas’ (Kaplan and Haenlein 2019), so is understood as ‘weak AI’ (Wamba et al. 2021, 2).

특정 분야에서는 AI가 인간보다 뛰어날 수 있지만, ‘다른 분야에서 자율적으로 문제를 해결할 수 없는’ 약한 인공지능으로 이해된다(Kaplan and Haenlein 2019; Wamba et al. 2021, 2).

Others argue that AI will develop abilities that surpass human intelligence (Kaplan and Haenlein 2019) and ‘will [. . .] supplant us as the dominant species on the Earth’ (Bundy 2017, 285), which is known as AI singularity or ‘conscious/self-aware AI’ (Kaplan and Haenlein 2019, 16).

또 다른 의견으로는 AI가 인간의 지능을 능가하는 능력을 발전시킬 것이며(Kaplan and Haenlein 2019), ‘우리를 대체하여 지구상에서 지배적인 종이 될 것’이라는 AI 특이점 또는 ‘의식/자아를 지닌 AI’로 알려진 개념이 있다(Bundy 2017, 285; Kaplan and Haenlein 2019, 16).

In this study, we lean towards the understanding of ‘weak AI’ to argue that ‘AI applies advanced analysis and logic-based techniques, including machine learning, to interpret events, support and automate decisions, and take actions’ (Gartner 2021).

본 연구에서는 ‘약한 AI’에 대한 이해를 바탕으로, AI가 ‘고급 분석과 기계 학습을 포함한 논리 기반 기법을 사용하여 사건을 해석하고, 의사결정을 지원하며, 자동화하고, 행동을 취하는 것’이라고 주장한다(Gartner 2021).

Thereby, AI systems ‘correctly interpret external data [. . .] learn from such data, and [. . .] use those learnings to achieve specific goals and tasks through flexible adaptation [. . .]’ (Kaplan and Haenlein 2019, 15).

따라서 AI 시스템은 ‘외부 데이터를 정확히 해석하고 [. . .] 그러한 데이터로부터 학습하며, [. . .] 유연한 적응을 통해 특정 목표와 과제를 달성하기 위해 이러한 학습을 활용’한다(Kaplan and Haenlein 2019, 15).

One aspect that is inevitably connected to AI is the access rights to the data and data ownership (Martens 2018).

AI와 불가분하게 연결된 한 가지 측면은 데이터에 대한 접근 권한과 데이터 소유권이다(Martens 2018).

Legal instruments such as data protection laws form the basis to regulate data access and data ownership (Martens 2018).

데이터 접근과 소유권을 규제하기 위해 데이터 보호법과 같은 법적 장치가 기반을 형성한다(Martens 2018).

Despite the growing debate, the actual diffusion of AI in public sector practice remains low, particularly compared to private sector companies (Mikalef et al. 2021; Wirtz and Müller 2019; Wirtz, Weyerer, and Geyer 2019).

논의가 점차 증가하고 있음에도 불구하고, 공공 부문 실무에서의 AI 확산은 여전히 낮은 수준이며, 특히 민간 부문과 비교하면 더욱 그렇다(Mikalef et al. 2021; Wirtz and Müller 2019; Wirtz, Weyerer, and Geyer 2019).

Challenges to adopting AI in public organizations stem from factors more prevalent in the public context: (i) a lack of technical staff to introduce and assess new technologies, (ii) the risk of potential erroneous use of AI (e.g., security risks, privacy concerns), (iii) the need to guarantee transparency in the context of AI, (iv) moral dilemmas such as when to use AI, and (v) ethical considerations, (e.g., non-discrimination of citizens) (Margetts and Dorobantu 2019).

공공 기관에서 AI 도입 시 겪는 어려움은 주로 공공 부문에서 더 두드러지는 여러 요인에 기인한다. (i) 새로운 기술을 도입하고 평가할기술 인력 부족, (ii) AI의 잠재적인 오용 위험(예: 보안 위험, 개인정보 보호 문제), (iii) AI 사용의 맥락에서 투명성을 보장해야 하는 필요성, (iv) AI를 언제 사용할지에 대한 도덕적 딜레마, (v) 시민을 차별하지 않아야 한다는 윤리적 고려 사항(Margetts and Dorobantu 2019).

Nevertheless, research on AI and closely related fields in the public sector has grown recently (Sousa et al. 2019; Wirtz, Langer, and Fenner 2021).

그럼에도 불구하고, 최근 공공 부문에서 AI 및 밀접하게 관련된 분야에 대한 연구가 증가하고 있다(Sousa et al. 2019; Wirtz, Langer, and Fenner 2021).

To date, most studies have involved the what and why when discussing possible applications and advantages or disadvantages of AI.

현재까지 대부분의 연구는 AI의 응용 가능성과 장단점을 논할 때 무엇을, 왜 하는지에 집중해 왔다.

Many of these studies are conceptual in nature (e.g., Agarwal 2018; Androutsopoulou et al. 2019; Bullock 2019; Criado and Ramon Gil-Garcia 2019; Kankanhalli, Charalabidis, and Mellouli 2019; Meijer and Wessels 2019; Peeters and Schuilenburg 2018; Pencheva, Esteve, and Jankin Mikhaylov 2020; Wirtz and Müller 2019; Young, Bullock, and Lecy 2019; Newman, Mintrom, and O’Neill 2022).

이들 연구의 대부분은 개념적 성격을 띠고 있다(예: Agarwal 2018; Androutsopoulou et al. 2019; Bullock 2019; Criado and Ramon Gil-Garcia 2019; Kankanhalli, Charalabidis, and Mellouli 2019; Meijer and Wessels 2019; Peeters and Schuilenburg 2018; Pencheva, Esteve, and Jankin Mikhaylov 2020; Wirtz and Müller 2019; Young, Bullock, and Lecy 2019; Newman, Mintrom, and O’Neill 2022).

For instance, Pencheva, Esteve, and Jankin Mikhaylov (2020), Criado and Ramon Gil-Garcia (2019), Wirtz, Weyerer, and Geyer (2019), and Wirtz, Langer, and Fenner (2021) reviewed the literature on big data and AI in the public sector, identifying key themes and applications such as efficiency and process automation, legitimacy, accountability, cost savings, fraud detection, decision-making, knowledge management, digital agents, improved policy analysis and evaluation, and new transformative business models.

예를 들어, Pencheva, Esteve, 및 Jankin Mikhaylov (2020), Criado 및 Ramon Gil-Garcia (2019), Wirtz, Weyerer, 및Geyer (2019), Wirtz, Langer, 및 Fenner (2021)는 공공 부문에서 빅데이터와 AI에 관한 문헌을 검토하면서 효율성 및 프로세스 자동화, 정당성, 책임성, 비용 절감, 사기 탐지, 의사결정, 지식 관리, 디지털 에이전트, 정책 분석 및 평가의 개선, 새로운 변혁적 비즈니스모델과 같은 주요 주제와 응용 분야를 식별했다.

Criado and Ramon Gil-Garcia (2019) and Wang, Teo, and Janssen (2021) emphasized the need and the mechanisms for public value creation through AI, while Pencheva, Esteve, and Jankin Mikhaylov (2020) called for research supporting practitioners by answering relevant questions about AI in public organizations.

Criado 및 Ramon Gil-Garcia (2019)와 Wang, Teo, 및 Janssen (2021)은 AI를 통한 공공 가치 창출의 필요성과 그 메커니즘을강조한 반면, Pencheva, Esteve, 및 Jankin Mikhaylov (2020)은 공공 기관에서 AI에 관한 관련 질문에 답변함으로써 실무자를 지원하는 연구를 요구했다.

Medaglia, Gil-Garcia, and Pardo (2021, 1) invited researchers to focus on ‘governance of AI, trustworthy AI, impact assessment methodologies, and data governance’.

Medaglia, Gil-Garcia, 및 Pardo (2021, 1)은 연구자들이 ‘AI의 거버넌스, 신뢰할 수 있는 AI, 영향 평가 방법론, 데이터 거버넌스’에집중할 것을 권고했다.

Similarly, Wirtz, Langer, and Fenner (2021) called for a better balance in research methodologies and studies focusing on creating new government structures due to AI.

마찬가지로 Wirtz, Langer, 및 Fenner (2021)은 연구 방법론에서 더 나은 균형을 이루고, AI로 인해 새로운 정부 구조를 창출하는 데중점을 둔 연구를 요구했다.

Agarwal (2018) outlined the challenges public administrations face given AI’s radical changes. Arguing that many of the current processes in government may soon become irrelevant, he stressed the ‘need to lay the groundwork for governments to rethink how they will be able to best serve their constituents’ (Agarwal 2018, 917).

Agarwal (2018)은 AI의 급진적인 변화로 인해 공공 행정이 직면하는 문제를 개략적으로 설명했다. 그는 정부의 현재 프로세스 중 많은부분이 곧 무의미해질 가능성을 제기하며, ‘정부가 구성원을 가장 잘 지원할 수 있는 방식을 재고할 수 있도록 기초를 마련해야 한다’는필요성을 강조했다(Agarwal 2018, 917).

Schuilenburg (2018) and Meijer and Wessels (2019) critically discussed algorithmic tools in predictive policing and justice against the lack of empirical research and questions regarding the role of human judgment, accountability, and transparency.

Schuilenburg (2018)과 Meijer 및 Wessels (2019)은 예측 경찰 활동과 사법에서의 알고리즘 도구에 대해 비판적으로 논의하면서, 실증적 연구의 부족과 인간 판단, 책임성, 투명성의 역할에 대한 질문을 제기했다.

Relatedly, several studies (Bovens and Zouridis 2002; Bullock 2019; Justin, Young, and Wang 2020; de Boer and Raaphorst 2021; Young, Bullock, and Lecy 2019) discussed how AI systems affect street-level bureaucrat discretion, arguing that the context determined whether to use artificial or human discretion.

이와 관련하여, 여러 연구들(Bovens and Zouridis 2002; Bullock 2019; Justin, Young, and Wang 2020; de Boer and Raaphorst 2021; Young, Bullock, and Lecy 2019)은 AI 시스템이 일선 공무원의 재량에 미치는 영향을 논의하며, 인공지능 또는인간의 재량 사용 여부는 상황에 따라 결정된다고 주장했다.

The former offers improvements in scalability, cost-efficiency, and quality, while concerns regarding equity, manageability, transparency, and political feasibility remain.

전자는 확장성, 비용 효율성, 품질 향상의 이점을 제공하지만, 형평성, 관리 가능성, 투명성, 정치적 실현 가능성에 대한 우려는 여전히남아 있다.

Although caution is necessary when utilizing AI in governance to prevent ‘administrative evil’, Bullock (2019, 9) argued that both humans and algorithms may make imperfect choices.

AI를 거버넌스에서 사용할 때 ‘행정적 악’을 방지하기 위해 신중함이 필요하지만, Bullock (2019, 9)은 인간과 알고리즘 모두가 불완전한 선택을 할 수 있다고 주장했다.

Several studies have focused on challenges and risks of AI, such as privacy, legal, and ethical issues (Bannister and Connolly 2020; Janssen and Kuk 2016; Wirtz, Weyerer, and Geyer 2019), which mainly address questions of what and why (not).

여러 연구들은 주로 프라이버시, 법적 및 윤리적 문제와 같은 AI의 도전 과제와 위험(Bannister and Connolly 2020; Janssen and Kuk 2016; Wirtz, Weyerer, and Geyer 2019)에 초점을 맞추며, 이러한 문제들이 무엇이며 왜 발생하는지를 다루고 있다.

In light of the negative consequences of faulty AI for society, these studies are of high normative and practical relevance (see De la Garza (2020) for the example of the Michigan MiDAS system that wrongly accused citizens of tax fraud).

오류가 있는 AI가 사회에 미치는 부정적 결과를 고려할 때, 이러한 연구는 높은 규범적 및 실질적 중요성을 지닌다(예: 시민을 잘못된 세금 사기 혐의로 고발한 미시간 MiDAS 시스템에 대한 De la Garza (2020) 참조).

Janssen and Kuk (2016) discussed the limitations and challenges of AI in governance, stating that with autonomous algorithms, there are issues with accountability, bias and discrimination, embedded political orientations, and other undesirable practices.

Janssen과 Kuk (2016)은 거버넌스에서 AI의 한계와 문제를 논하며, 자율 알고리즘에서는 책임성, 편향 및 차별, 내재된 정치적 성향및 기타 바람직하지 않은 관행이 문제가 된다고 밝혔다.

Newman, Mintrom, and O’Neill (2022) argued that instead of relieving administrative burdens, AI reinforces bureaucratic structures.

Newman, Mintrom, 및 O’Neill (2022)는 AI가 행정적 부담을 완화하기보다는 관료적 구조를 강화한다고 주장했다.

Kernaghan (2014) recommended the development of an ethics regime for robot applications in public organizations and evaluated the need for regulation.

Kernaghan (2014)는 공공 기관에서 로봇 응용에 대한 윤리 체계의 개발을 권장하고, 규제의 필요성을 평가했다.

Wirtz, Weyerer, and Geyer (2019) outlined different applications and the associated challenges of AI in law and regulations, ethics, societal issues, and technology implementation in public organizations, while Sun and Medaglia (2019) analyzed how different stakeholders perceive the challenges of applying AI in public healthcare, proposing some guidelines for the governance of AI adoption in the public sector.

Wirtz, Weyerer, 및 Geyer (2019)는 법과 규제, 윤리, 사회적 이슈, 공공 기관의 기술 구현에서 AI의 다양한 응용과 관련된 문제를 개괄하였고, Sun 및 Medaglia (2019)는 공공 보건 분야에서 AI 적용의 어려움에 대해 다양한 이해관계자가 어떻게 인식하는지를 분석하며, 공공 부문에서의 AI 도입 거버넌스를 위한 지침을 제안했다.

Lastly, Eubanks (2017) as well as Alon-Barkat and Busuioc (2022) explored how automated decision-making in public services may negatively impact already disadvantaged groups and reinforce existing biases, while Bannister and Connolly (2020) provided a taxonomy of decision-making algorithms in public organizations that help control the risk of introducing such biases.

마지막으로, Eubanks (2017) 및 Alon-Barkat와 Busuioc (2022)는 공공 서비스에서 자동화된 의사 결정이 기존의 불리한 집단에 부정적인 영향을 미치고 기존의 편향을 강화할 수 있는 방법을 탐구하였으며, Bannister 및 Connolly (2020)는 이러한 편향이 도입될 위험을 통제하는 데 도움이 되는 공공 기관의 의사 결정 알고리즘 분류법을 제시했다.

Other studies focus on how AI should be used by analyzing processes and strategies for the implementation and modes of AI technologies.

다른 연구들은 AI 기술의 구현 프로세스와 전략, 그리고 적용 방식을 분석함으로써 AI가 어떻게 사용되어야 하는지에 초점을 맞추고 있다.

Chen, Ling, and Chen (2021) used the TOE framework to study the adoption of AI in Chinese state-owned companies. They found that the innovation’s compatibility with adopter needs, the new approach’s relative advantage, complexity, managerial support, government involvement, vendor partnership, and organizational capability all support adoption.

Chen, Ling, 및 Chen (2021)은 TOE 프레임워크를 사용하여 중국 국유 기업에서의 AI 도입을 연구했다. 그들은 혁신이 도입자의 요구에 부합하는 정도, 새로운 접근 방식의 상대적 이점, 복잡성, 경영 지원, 정부 개입, 공급업체와의 파트너십, 조직적 역량이 모두 AI 도입을 지원하는 요소임을 발견했다.

By drawing on the TOE framework, Mikalef et al. (2021) examined contributing factors to AI capability-building in public organizations based on data from German, Norwegian, and Finnish municipalities. The most important factors were perceived financial cost, organizational innovativeness, governmental pressure, government incentives, and regulatory support.

TOE 프레임워크를 바탕으로 Mikalef et al. (2021)은 독일, 노르웨이, 핀란드의 지방 정부 데이터를 통해 공공 기관의 AI 역량 구축에기여하는 요인들을 조사했다. 가장 중요한 요인은 재정 비용 인식, 조직 혁신성, 정부 압력, 정부 인센티브, 규제 지원이었다.

In contrast, perceived public pressure and the perceived value of AI solutions were less influential.

반면, 공공의 압력 인식과 AI 솔루션의 가치 인식은 덜 영향을 미치는 것으로 나타났다.

Wang, Zhang, and Zhao (2020) used empirical evidence from Chinese government chatbot projects to explore determinants of AI adoption. They found that pressure and readiness factors play varying roles in the pre- and post-adoption stages and that ‘pressure can encourage local governments to implement chatbots’ (Wang, Zhang, and Zhao 2020, 1).

Wang, Zhang, 및 Zhao (2020)는 중국 정부의 챗봇 프로젝트의 실증적 증거를 통해 AI 도입의 결정 요인을 탐구했다. 그들은 압력과준비 요인이 도입 전후 단계에서 다양한 역할을 하며, ‘압력이 지방 정부가 챗봇을 구현하도록 촉진할 수 있다’는 점을 발견했다(Wang, Zhang, 및 Zhao 2020, 1).

Kankanhalli, Charalabidis, and Mellouli (2019) conceptually identified multiple challenges in adopting AI technologies in the public sector and called for more domain-specific studies on the implementation and evaluation of AI systems, challenges and quick-wins, and studies expanding methods and theories.

Kankanhalli, Charalabidis, 및 Mellouli (2019)는 공공 부문에서 AI 기술을 도입하는 데 있어 여러 가지 도전 과제를 개념적으로 규명하고, AI 시스템의 구현과 평가, 도전 과제와 빠른 성과를 위한 더 많은 분야별 연구, 그리고 방법과 이론을 확장하는 연구를 촉구했다.

In semi-structured interviews with German municipalities, Schaefer et al. (2021) analyzed perceived challenges to AI adoption from a public employee perspective, identifying factors such as technical compatibility, skills, costs, strategic alignment, government pressure, and innovativeness.

독일 지방 자치단체와의 반구조화 인터뷰를 통해 Schaefer et al. (2021)은 공공 직원의 관점에서 AI 도입에 대한 인식된 도전 과제를분석하였으며, 기술적 호환성, 기술력, 비용, 전략적 정렬, 정부 압력, 혁신성 등의 요인을 식별하였다.

Campion et al. (2020) focused on inter-organizational collaborations in AI adoption. The greatest challenges in such collaborations include data sharing concerns, insufficient data understanding, and lack of motivation.

Campion et al. (2020)은 AI 도입 시 조직 간 협력에 초점을 맞추었다. 이러한 협력에서 가장 큰 도전 과제는 데이터 공유에 대한 우려, 데이터 이해 부족, 동기 부여의 부족을 포함한다.

Wirtz and Müller (2019) formulated an integrated AI framework for public management, including layers for public AI policy and regulation, applications and services, functions, and technology infrastructure, aiming to better understand the ideal embedment of AI systems into administrative procedures.

Wirtz와 Müller (2019)는 공공 관리를 위한 통합 AI 프레임워크를 구성하였으며, 여기에는 공공 AI 정책 및 규제, 응용 및 서비스, 기능, 기술 인프라 층을 포함하여, AI 시스템이 행정 절차에 이상적으로 통합되는 방식을 더 잘 이해하는 것을 목표로 하고 있다.

Similarly, Androutsopoulou et al. (2019) suggested a model and technical system based on natural language processing for improving communication between governments and citizens.

마찬가지로 Androutsopoulou et al. (2019)은 정부와 시민 간의 소통을 개선하기 위해 자연어 처리를 기반으로 한 모델과 기술 시스템을 제안하였다.

Finally, Desouza, Dawson, and Chenok (2020) provided reflections on issues that public organizations face when adopting AI, structured along the dimensions of data, technology, organization, and environment – including, for instance, complexity in stakeholder management, public value creation, transparency requirements, and due oversight.

마지막으로, Desouza, Dawson, 및 Chenok (2020)은 공공 기관이 AI를 도입할 때 직면하는 문제에 대해 데이터, 기술, 조직, 환경이라는 차원에서 구조화하여 고찰을 제공했으며, 예를 들어 이해관계자 관리의 복잡성, 공공 가치 창출, 투명성 요구, 적절한 감독 등을 포함하였다.

2.2 IT innovation adoption

AI adoption is an example of IT innovation adoption – a process that results in an outcome that is new to the adopting organization, such as the introduction and use of a technology, product, process, or practice (Hameed, Counsell, and Swift 2012, 359; Damanpour and Schneider 2009) and that involves productively ‘using computer hardware and software applications to support operations, management, and decision making’ (Thong and Yap 1995, 431).

AI 도입은 IT 혁신 도입의 한 예이며, 이는 새로운 기술, 제품, 프로세스 또는 관행의 도입 및 사용과 같은 결과를 가져오는 과정으로, 도입하는 조직에 새로운 결과를 낳는다(Hameed, Counsell, and Swift 2012, 359; Damanpour and Schneider 2009). 여기에는운영, 관리 및 의사결정을 지원하기 위해 컴퓨터 하드웨어와 소프트웨어 애플리케이션을 생산적으로 사용하는 것이 포함된다(Thong and Yap 1995, 431).

In public sector innovation, outcomes can typically be new processes, new products, a new positioning of an existing product or service, or even new paradigms (Bason 2018).

공공 부문 혁신에서 결과는 일반적으로 새로운 프로세스, 새로운 제품, 기존 제품 또는 서비스의 새로운 포지셔닝, 또는 새로운 패러다임이 될 수 있다(Bason 2018).

The ultimate purpose of adopting innovations is often to increase organizational performance (Hameed, Counsell, and Swift 2012), but in public contexts, it is also about creating societal value (Ulnicane et al. 2021), making processes more efficient and better tailored to citizen needs (Newman, Mintrom, and O’Neill 2022), or designing new policies to solve societal problems and introducing and delivering new services and platforms to users (e.g., for citizen collaboration) (Chen, Walker, and Sawhney 2020; Walker 2007).

혁신 도입의 궁극적 목적은 조직 성과를 높이는 것이 일반적이지만(Hameed, Counsell, and Swift 2012), 공공 맥락에서는 사회적가치를 창출하고(Ulnicane et al. 2021), 프로세스를 더 효율적으로 만들어 시민의 요구에 더 잘 맞추며(Newman, Mintrom, and O’Neill 2022), 사회적 문제를 해결하기 위한 새로운 정책을 설계하고 사용자에게 새로운 서비스 및 플랫폼을 도입하여 제공하는 것(예: 시민 협업용)도 포함된다(Chen, Walker, and Sawhney 2020; Walker 2007).

Studying IT innovation adoption mechanisms at the individual and organizational level has a long tradition in information systems research (Lai 2017; Oliveira and Martins 2011).

개인 및 조직 수준에서 IT 혁신 도입 메커니즘을 연구하는 것은 정보 시스템 연구에서 오랜 전통을 가지고 있다(Lai 2017; Oliveira and Martins 2011).

Over time, the field has developed numerous widely used theoretical models, such as the technology acceptance model (TAM) (Davis 1989), the diffusion of innovation (DOI) theory (Rogers 1995), the unified theory of acceptance and use of technology (UTAUT) (Venkatesh, Davis, and Davis 2003), and the TOE framework (Tornatzky, Fleischer, and Chakrabarti 1990) – all used to explain different kinds of technology adoption (see e.g., Oliveira and Martins 2011; Ma 2014; Mergel and Bretschneider 2013; Grimmelikhuijsen and Feeney 2017; Demlehner and Laumer 2020; Nam et al. 2020).

시간이 지나면서, 이 분야는 다양한 종류의 기술 도입을 설명하는 데 사용되는 여러 이론적 모델을 발전시켰다. 여기에는 기술 수용 모델(TAM) (Davis 1989), 혁신 확산 이론(DOI) (Rogers 1995), 통합된 기술 수용 및 사용 이론(UTAUT) (Venkatesh, Davis, and Davis 2003), 그리고 TOE 프레임워크(Tornatzky, Fleischer, and Chakrabarti 1990)가 포함된다(예: Oliveira and Martins 2011; Ma 2014; Mergel and Bretschneider 2013; Grimmelikhuijsen and Feeney 2017; Demlehner and Laumer 2020; Nam et al. 2020).

Compared to other IT innovations, AI is a general-purpose technology with ‘high implementation complexity [. . .] which differentiates it from other digital technologies that are typically easy-to-use and easy-to-deploy’ (Jöhnk, Weißert, and Wyrtki 2021, 6), such as social media use (Mergel and Bretschneider 2015).

다른 IT 혁신과 비교할 때, AI는 ‘높은 구현 복잡성’을 가진 범용 기술로, 일반적으로 사용과 배포가 쉬운 소셜 미디어 사용과 같은 다른디지털 기술과는 차별화된다(Jöhnk, Weißert, 및 Wyrtki 2021, 6; Mergel 및 Bretschneider 2015).

Furthermore, the adoption of AI requires concerted and sustained efforts across different organizational units or with external parties, especially between IT and expert units in the AI application area, and significant changes in strategic direction, resources, knowledge, culture, and data (Jöhnk, Weißert, and Wyrtki 2021), highlighting the need for a theoretical framework that considers not only technological but also organizational and environmental factors.

또한, AI 도입은 다양한 조직 부서 간 또는 외부 기관과의 일관되고 지속적인 노력을 필요로 하며, 특히 IT 부서와 AI 응용 분야의 전문가부서 간의 협력이 필요하고, 전략적 방향, 자원, 지식, 문화, 데이터에서의 큰 변화를 요구한다(Jöhnk, Weißert, 및 Wyrtki 2021). 이는 기술적 요인뿐 아니라 조직적, 환경적 요인도 고려하는 이론적 프레임워크의 필요성을 강조한다.

2.3 The TOE framework

Contrary to other technology adoption frameworks that view adoption from an individual point of view (e.g., TAM or UTAUT), TOE views technology adoption from an organizational perspective (Al Hadwer et al. 2021).

다른 기술 도입 프레임워크(TAM 또는 UTAUT와 같은)와 달리, TOE는 기술 도입을 조직적 관점에서 바라본다(Al Hadwer et al. 2021).

It postulates that an organization’s technological, organizational, and environmental context influences the technology adoption processes (Baker 2012) while not specifying particular influence factors (Aboelmaged 2014).

TOE는 조직의 기술적, 조직적, 환경적 맥락이 기술 도입 과정에 영향을 미친다고 가정하며(Baker 2012), 특정한 영향 요인을 지정하지는 않는다(Aboelmaged 2014).

Therefore, relevant factors for any specific research question must be defined based on previous studies and theoretical implications since ‘[d]ifferent types of innovations have different factors that influence their adoption’ (Baker 2012, 236).

따라서 ‘혁신의 종류에 따라 도입에 영향을 미치는 요인이 다르다’는 이유로 특정 연구 질문에 대한 관련 요인은 이전 연구와 이론적 함의에 기초하여 정의되어야 한다(Baker 2012, 236).

Several studies in public administration have used the TOE framework to study AI adoption (Chen, Ling, and Chen 2021; Desouza, Dawson, and Chenok 2020; Mikalef et al. 2021).

공공 행정 분야에서 여러 연구는 TOE 프레임워크를 사용하여 AI 도입을 연구해 왔다(Chen, Ling, 및 Chen 2021; Desouza, Dawson, 및 Chenok 2020; Mikalef et al. 2021).

Many other studies discussed above have investigated factors that can be assigned to technological, organizational, and environmental dimensions.

위에서 언급한 다른 많은 연구들도 기술적, 조직적, 환경적 차원에 할당할 수 있는 요인들을 조사했다.

The relative popularity of the TOE framework over other approaches might lie in the explicit emphasis on organizational and environmental factors – alongside the technological ones that tend to dominate in most other frameworks – and its focus on organizational rather than individual technology adoption.

TOE 프레임워크가 다른 접근법보다 상대적으로 인기를 끄는 이유는 다른 많은 프레임워크에서 지배적인 기술적 요인 외에, 조직적 및환경적 요인에 대한 명확한 강조와 개인보다는 조직적 기술 도입에 초점을 맞춘 데 있을 수 있다.

Pumplun, Tauchert, and Heidt (2019) present an adaption of the TOE framework specifically geared towards AI that is grounded in earlier research, as the factors selected are reflected in many other studies (see e.g., Stenberg and Nilsson 2020).

Pumplun, Tauchert, 및 Heidt (2019)는 기존 연구를 기반으로 하여 AI에 특화된 TOE 프레임워크의 적응형 모델을 제시하였으며, 선택된 요인은 많은 다른 연구에서도 반영되어 있다(예: Stenberg 및 Nilsson 2020 참조).

Their framework includes the technological items relative advantage of the AI solution over the conventional technology and compatibility with existing business processes and the business case.

이 프레임워크는 기존 기술에 비해 AI 솔루션의 상대적 이점, 기존 비즈니스 프로세스 및 비즈니스 케이스와의 호환성과 같은 기술적 요소를 포함한다.

While a relative advantage implies improvement potential and increases the chances of adopting a new technology (Greenhalgh et al. 2004), the mechanisms behind the factor compatibility mainly pertain to complications in the interplay with existing systems, whereby lack of compatibility leads to hesitation regarding a new technology (Alsheibani et al. 2020).

상대적 이점은 향상 가능성을 내포하며 새로운 기술 도입 가능성을 높이지만(Greenhalgh et al. 2004), 호환성 요인 뒤에 있는 메커니즘은 주로 기존 시스템과의 상호 작용에서의 복잡성에 관련되며, 호환성이 부족할 경우 새로운 기술 도입에 대한 주저함을 초래한다(Alsheibani et al. 2020).

In the organizational dimension, the framework includes culture (namely top management support), change management, and innovative culture, organizational size, financial and human resources, data availability and quality, and organizational structure.

조직적 차원에서는 이 프레임워크가 문화(특히 최고 경영진의 지원), 변화 관리, 혁신 문화, 조직 규모, 재정 및 인적 자원, 데이터의 가용성과 품질, 조직 구조를 포함한다.

AI adoption often needs far-reaching changes in organizational structures and culture for employees and clients to accept the innovation and significant organizational resources (e.g., skills and quality data) to develop AI solutions in cross-functional teams (Jöhnk, Weißert, and Wyrtki 2021).

AI 도입은 종종 조직 구조와 문화에 대한 광범위한 변화를 필요로 하며, 직원과 고객이 혁신을 수용하고, 기능 간 팀에서 AI 솔루션을 개발하기 위해 상당한 조직 자원(예: 기술과 고품질 데이터)이 필요하다(Jöhnk, Weißert, 및 Wyrtki 2021).

The fact that public organizations frequently struggle with radical organizational and cultural changes underscores their importance (Mergel, Ganapati, and Whitford 2020).

공공 기관이 급진적인 조직 및 문화 변화에 자주 어려움을 겪는다는 사실은 이러한 변화의 중요성을 부각시킨다(Mergel, Ganapati, 및Whitford 2020).

The framework further includes the environmental items: competitive pressure, government regulations (e.g., GDPR and employee councils), industry requirements, and customer readiness.

프레임워크는 환경적 요소로 경쟁 압력, 정부 규제(예: GDPR 및 직원 협의회), 산업 요구 사항, 고객 준비도를 추가로 포함한다.

Government regulations and other public sector-specific requirements tend to be important in public organizations and their consideration may hinder the adoption of new technologies.

공공 기관에서는 정부 규제 및 기타 공공 부문 특화 요구 사항이 중요하며, 이들 요소의 고려가 새로운 기술 도입을 저해할 수 있다.

While there is usually less competitive pressure to adopt new technologies in the public sector, customer readiness and citizen expectations may still create pressure on public organizations.

공공 부문에서는 일반적으로 새로운 기술을 도입하는 데 있어 경쟁 압력이 덜하지만, 고객의 준비도와 시민의 기대는 공공 기관에 여전히 압력을 가할 수 있다.

Based on our own experience working with public sector organizations using AI technologies and on frameworks by Jöhnk, Weißert, and Wyrtki (2021) and Schaefer et al. (2021), we added the items AI strategy, collaboration, and origin of project initiation to the organizational factors of the framework (see Table 1).

우리의 AI 기술을 사용하는 공공 부문 기관과의 협력 경험과 Jöhnk, Weißert, 및 Wyrtki (2021) 및 Schaefer et al. (2021)의 프레임워크를 기반으로, 우리는 조직적 요인에 AI 전략, 협력, 프로젝트 시작의 기원을 추가했다(표 1 참조).

Table 1. The TOE factors investigated in this study based on Pumplun, Tauchert, and Heidt (2019).

The availability of an AI strategy is proposed by Jöhnk, Weißert, and Wyrtki (2021) to influence AI adoption, and in AI projects, it is common for organizations to work together with external partners (Chatterjee et al. 2021).

AI 전략의 가용성은 AI 도입에 영향을 미치는 요소로 Jöhnk, Weißert, 및 Wyrtki (2021)에 의해 제안되었으며, AI 프로젝트에서 조직은 외부 파트너와 협력하는 것이 일반적이다(Chatterjee et al. 2021).

Therefore, factors like collaboration and initiation need to be considered.

따라서 협력과 프로젝트 시작과 같은 요소들도 고려해야 한다.

To simplify matters, we removed the sub-dimensions of the government regulations (GDPR and employee council) in the environmental factors as they seemed too specific and of limited relevance in the Swiss context.

상황을 간소화하기 위해 스위스 맥락에서는 정부 규제(GDPR 및 직원 협의회)의 하위 차원이 너무 구체적이며 관련성이 제한적이라고판단하여 환경적 요인에서 이를 제거했다.

At the time of data collection, the Swiss equivalent of the GDPR had not yet entered into force (Guirguis et al. 2021), while employee councils are not as widespread in Switzerland as in other countries (Ziltener and Gabathuler 2018).

데이터 수집 당시, 스위스의 GDPR에 해당하는 법은 아직 시행되지 않았고(Guirguis et al. 2021), 직원 협의회는 다른 나라들만큼 스위스에서 널리 퍼져 있지 않았다(Ziltener 및 Gabathuler 2018).

2.4 Assessing the AI maturity level

To assess the AI maturity levels in our study, we draw on Alsheiabni, Cheung, and Messom (2019), who integrated different levels of AI adoption in an organization (see Table 2).

본 연구에서 AI 성숙도 수준을 평가하기 위해 우리는 조직 내 AI 도입의 여러 수준을 통합한 Alsheiabni, Cheung, 및 Messom (2019)의 연구를 참고하였다(표 2 참조).

Table 2. Maturity levels and according AI function based on Alsheiabni, Cheung, and Messom (2019, 51

IT innovation adoption rarely refers to one single point in time but is a process (Hameed, Counsell, and Swift 2012).

IT 혁신 도입은 단일 시점을 지칭하는 경우는 드물며, 일반적으로 하나의 과정으로 간주된다(Hameed, Counsell, 및 Swift 2012).

Therefore, introducing a time dimension to measure the degree of innovation adoption is necessary to assess whether an innovation can be integrated into daily practice (Hameed, Counsell, and Swift 2012).

따라서 혁신 도입 정도를 측정하기 위해 시간 차원을 도입하여 혁신이 일상 업무에 통합될 수 있는지를 평가하는 것이 필요하다(Hameed, Counsell, 및 Swift 2012).

Alsheiabni, Cheung, and Messom (2019) differentiated between five levels.

Alsheiabni, Cheung, 및 Messom (2019)은 다섯 가지 수준을 구분했다.

At the initial level, minimal functions based on AI exist, and there are no detailed plans to use AI.

초기 수준에서는 AI 기반의 최소한의 기능만 존재하며, AI를 사용할 구체적인 계획이 없다.

At the assessing level, experimentation with AI technologies has begun, and the organization is looking for possible applications.

평가 단계에서는 AI 기술에 대한 실험이 시작되었고, 조직이 잠재적인 응용 사례를 찾고 있다.

At the determined level, some advanced AI projects have moved beyond the experimental phase, and the infrastructure requirements for larger-scale implementations are identified.

결정 단계에서는 일부 고급 AI 프로젝트가 실험 단계를 넘어서고, 더 큰 규모의 구현을 위한 인프라 요구 사항이 식별된다.

At the managed level, the necessary processes for organization-wide, large-scale AI applications are defined.

관리 단계에서는 조직 전체의 대규모 AI 응용 프로그램을 위한 필수 프로세스가 정의된다.

Finally, at the optimized level, the organization has the infrastructure and architecture suitable for large-scale AI applications.

마지막으로, 최적화 단계에서는 조직이 대규모 AI 응용 프로그램에 적합한 인프라와 아키텍처를 갖추게 된다.

3. Methodology

This study uses a qualitative multiple case study research design, suitable for cases where previous research findings are insufficient for formulating concrete hypotheses and where more general research questions guide the investigation (Yin 2018).

본 연구는 질적 다중 사례 연구 설계를 사용하며, 이는 기존 연구 결과가 구체적인 가설을 수립하기에 불충분하고 보다 일반적인 연구 질문이 조사를 이끄는 경우에 적합하다(Yin 2018).

Furthermore, analyzing multiple cases produces more robust results (Yin 2018).

또한, 여러 사례를 분석하면 보다 견고한 결과를 도출할 수 있다(Yin 2018).

3.1 Case selection and data collection

The cases (organizations) identified help answer our research question about identifying technological, organizational, and environmental factors that facilitate or hamper AI adoption in public organizations.

식별된 사례(조직)들은 공공 기관에서 AI 도입을 촉진하거나 저해하는 기술적, 조직적, 환경적 요인을 파악하는 본 연구 질문에 답하는데 도움을 준다.

We limited our case selection to Swiss public organizations for several reasons.

우리는 여러 가지 이유로 사례 선택을 스위스의 공공 기관으로 제한했다.

First, Switzerland ranks average among developed countries in the Government AI Readiness Index – an index based on 33 indicators across 10 dimensions (vision, governance and ethics, digital capacity, adaptability, size, innovation capacity, human capital, infrastructure, data availability, and data representativeness) ranking governments on how ready they are to implement AI in the delivery of public services (Oxford Insights 2020, 4).

첫째, 스위스는 공공 서비스 제공에서 AI를 구현할 준비가 얼마나 되어 있는지를 평가하는 정부 AI 준비 지수에서 개발도상국 중 평균 수준에 속한다. 이 지수는 10개 차원(비전, 거버넌스 및 윤리, 디지털 역량, 적응성, 규모, 혁신 역량, 인적 자본, 인프라, 데이터 가용성, 데이터 대표성)에 걸친 33개 지표에 기초하여 평가된다(Oxford Insights 2020, 4).

It is also close to average in the latest European country benchmark of how many (automated) public services are offered online (European Commission 2020). This suggests that Switzerland is broadly representative of countries and public organizations in other developed countries.

또한, 최근 유럽 국가 벤치마크에서 온라인으로 제공되는 (자동화된) 공공 서비스의 수에서도 평균에 가깝다(European Commission 2020). 이는 스위스가 다른 개발도상국의 국가 및 공공 기관을 대표하는 경향이 있음을 시사한다.

Second, we strove to keep factors outside the organizations – such as national policies – as constant as possible since we are interested in organizational AI adoption processes.

둘째, 우리는 조직 외부 요인(예: 국가 정책)을 가능한 한 일정하게 유지하려고 노력했는데, 이는 조직의 AI 도입 과정에 중점을 두기 때문이다.

Three main criteria guided our case selection. Initially, we included cases based on their organizational type (as innovation adoption in the public sector is usually associated with organizational characteristics) (Melitski, Gavin, and Gavin 2010), and considered including ministries, public agencies, and state-owned enterprises.

사례 선택은 세 가지 주요 기준에 따라 이루어졌다. 첫째, 우리는 공공 부문에서의 혁신 도입이 보통 조직 특성과 연관되므로 조직 유형에 따라 사례를 포함했으며(Melitski, Gavin, 및 Gavin 2010), 이에 따라 부처, 공공 기관, 국영 기업을 포함하는 것을 고려했다.

Second, we sought to include cases from different tiers of Swiss government (local, regional, and national) to capture the specific conditions in each tier.

둘째, 우리는 스위스 정부의 각 계층(지방, 지역, 국가)의 특정 상황을 포착하기 위해 서로 다른 계층의 사례를 포함하려고 했다.

While federal government organizations are generally more centralized, local government in Switzerland possesses a high level of autonomy, allowing for decentralized innovation (Mueller 2011).

연방 정부 조직은 일반적으로 더 중앙집권적이지만, 스위스의 지방 정부는 높은 자율성을 지니고 있어 분권화된 혁신이 가능하다(Mueller 2011).

State-owned companies, however, balance state ownership with autonomy (Rentsch and Finger 2015). In case selection, we sought an equilibrium between the different state levels and legal structures and as a final requirement, chose organizations working on at least one AI-based project.

그러나 국영 기업은 국가 소유와 자율성 간의 균형을 맞추고 있다(Rentsch 및 Finger 2015). 사례 선택에서는 다양한 국가 수준과 법적 구조 간의 균형을 추구했으며, 최종 요건으로 AI 기반 프로젝트를 최소 하나 이상 진행하는 조직을 선택했다.

Eight cases fulfilled all the criteria, and 17 interview partners were identified based on their affiliation with the respective AI project (see Table 3).

여덟 개의 사례가 모든 기준을 충족하였고, 각 AI 프로젝트와의 연관성에 따라 17명의 인터뷰 대상자를 선정했다(표 3 참조).

Table 3. Case description

Where possible, we interviewed multiple individuals per case to triangulate perspectives. Data collection through qualitative semi-structured interviews took place between August 2020 and July 2021.

가능한 경우, 각 사례당 여러 명을 인터뷰하여 다양한 관점을 삼각 검증하였다. 질적 반구조화 인터뷰를 통한 데이터 수집은 2020년 8월부터 2021년 7월까지 진행되었다.

The video call-based interviews lasted about one hour and were structured using a theory-based questionnaire with open-ended questions to gain explorative insights (see 3.3).

화상 통화 기반의 인터뷰는 약 한 시간 동안 진행되었으며, 이론 기반 설문지를 사용하여 열린 질문으로 구성되어 탐색적 통찰을 얻기 위해 설계되었다(3.3 참조).

3.2 Case description

Our cases differ in the state level, legal structure, market situation, and size (see Table 3).

우리의 사례들은 국가 수준, 법적 구조, 시장 상황, 규모에서 차이가 있다(표 3 참조).

Cases A and B are state-owned enterprises at the national tier of government in a partial market environment with tens of thousands of employees.

사례 A와 B는 수만 명의 직원을 보유한 부분 시장 환경에서 국가 차원의 국영 기업이다.

Cases C and D represent ministries at the national tier of government with over 1,000 (Case C) and over 4,000 employees (Case D).

사례 C와 D는 국가 차원의 부처를 나타내며, 각각 1,000명 이상(C 사례)과 4,000명 이상의 직원(D 사례)을 보유하고 있다.

In Cases E and F, the organizations are agencies at the regional level with over 400 and over 20 employees, respectively.

사례 E와 F에서는 각각 400명 이상과 20명 이상의 직원을 보유한 지역 차원의 기관이다.

Cases G and H are local municipal administrations, with Case G being a larger municipality with over 5,000 employees, while Case H has around 200 employees. Cases C to H operate in a monopoly environment.

사례 G와 H는 지방 자치 행정 기관으로, G 사례는 5,000명 이상의 직원을 둔 대형 자치단체이며, H 사례는 약 200명의 직원을 보유하고 있다. C에서 H 사례는 독점적 환경에서 운영된다.

The cases differ in the number of AI projects considered in this study, ranging from one (Cases C, F, G, & H) to up to three projects (Cases A & D).

이 연구에서 고려한 AI 프로젝트 수는 사례마다 다르며, 한 개의 프로젝트를 진행하는 경우(C, F, G, H 사례)에서 최대 세 개의 프로젝트를 진행하는 경우(A, D 사례)까지 다양하다.

Furthermore, the cases vary regarding the task that is AI-assisted. In six projects of the four cases (A, B, C, & D), the task performed is an optimization task.

또한, AI가 지원하는 작업 유형에 따라 사례가 다르다. 네 개의 사례(A, B, C, 및 D)에서 진행된 여섯 개 프로젝트에서는 최적화 작업을수행한다.

In four other projects and cases (E, F, G, & H), the task is service delivery through a conversational agent (chatbot) (Cases E, F, G, & H).

다른 네 개의 프로젝트와 사례(E, F, G, 및 H)에서는 대화형 에이전트(챗봇)를 통한 서비스 제공 작업을 수행한다.

In the remaining projects, the tasks are voice recognition for customer service (Case B), digitalization of services and solutions for specific business tasks (Case D), and automation of customer service delivery (Case E).

나머지 프로젝트에서는 고객 서비스용 음성 인식(B 사례), 특정 비즈니스 작업을 위한 서비스 및 솔루션의 디지털화(D 사례), 고객 서비스 제공의 자동화(E 사례)를 수행한다.

We included both the internal perspective of organizational representatives and the external perspective of project partners to gain a more profound view on the cases we studied, and all interviewees were directly involved in their respective AI projects.

우리는 사례에 대한 더 깊은 이해를 얻기 위해 조직 대표자의 내부 관점과 프로젝트 파트너의 외부 관점을 모두 포함했으며, 모든 인터뷰대상자는 자신이 참여한 AI 프로젝트에 직접 관여하고 있었다.

Overall, we interviewed nine internal project leads, three external project leads, two program leads, one expert in government modernization (internal), and one IT expert (internal).

총 9명의 내부 프로젝트 리드, 3명의 외부 프로젝트 리드, 2명의 프로그램 리드, 정부 현대화 전문가 1명(내부), IT 전문가 1명을 인터뷰하였다.

3.3 Questionnaire and operationalization

The questionnaire contained six sections (see Appendix A in supplementary).

설문지는 여섯 개의 섹션으로 구성되었다(부록 A 참조).

First, we introduced the interviewees to the subject and study context without revealing any information that could have influenced their answers.

먼저, 인터뷰 대상자들에게 응답에 영향을 미칠 수 있는 정보를 제공하지 않고 연구 주제와 맥락을 소개했다.

To understand the AI projects and assess the degree of AI adoption in the cases, the second block contained questions regarding the AI project.

AI 프로젝트에 대한 이해와 사례별 AI 도입 정도를 평가하기 위해 두 번째 섹션에서는 AI 프로젝트에 관한 질문을 포함했다.

Blocks three to five were dedicated to the TOE framework dimensions as outlined in Section 2.3 (see Table 1 for the dimensions and factors), translated into open-ended questions.

세 번째에서 다섯 번째 섹션은 2.3절에서 설명한 TOE 프레임워크의 차원(차원과 요인은 표 1 참조)을 기반으로 하여, 열린 질문 형태로구성되었다.

We enquired about the relative advantage of AI technology compared to conventional technology and compatibility with existing business processes (technological factors).

우리는 기존 기술에 비해 AI 기술의 상대적 이점과 기존 비즈니스 프로세스와의 호환성(기술적 요인)에 대해 질문했다.

Culture, organizational size, resources, and organizational structure were the concepts of interest regarding the organizational factors.

문화, 조직 규모, 자원, 조직 구조는 조직적 요인과 관련하여 관심을 가진 개념들이었다.

We also studied competitive pressure, government regulations, industry requirements, and customer readiness (environmental factors).

또한, 경쟁 압력, 정부 규제, 산업 요구 사항, 고객 준비도(환경적 요인)도 조사했다.

The questionnaire ended with an outro section.

설문지는 마지막 섹션으로 마무리되었다.

3.4 Data coding and analytical method

The interviews were recorded, transcribed, and coded using maxQDA qualitative analysis software; coding followed the deductive category assignment method (Mayring 2014).

인터뷰는 기록 및 필사되어 maxQDA 질적 분석 소프트웨어를 사용하여 코딩되었으며, 코딩은 연역적 범주 할당 방법에 따라 이루어졌다(Mayring 2014).

The category system was theoretically deduced from the extended TOE framework by Pumplun, Tauchert, and Heidt (2019) (see Appendix B in supplementary: coding scheme, incl. anchor samples).

범주 시스템은 Pumplun, Tauchert, 및 Heidt (2019)의 확장된 TOE 프레임워크에서 이론적으로 도출되었다(부록 B 참조: 코딩 스키마, 포함된 앵커 샘플).

In the coding process, we included an inductive component to the analysis by adding further codes for recurrent patterns in the data.

코딩 과정에서, 데이터에서 반복되는 패턴에 대해 추가 코드를 부여하여 분석에 귀납적 요소를 포함시켰다.

In total, we defined 24 codes and 505 codings.

총 24개의 코드와 505개의 코딩을 정의하였다.

For consistency, coding was conducted by one researcher and cross-checked by another.

일관성을 위해 한 연구자가 코딩을 수행하고, 다른 연구자가 교차 확인하였다.

4. Results

4.1 AI maturity level

First, we assessed the degree of AI adoption (see Table 4) by asking the interviewees about the starting point of their AI projects.

먼저, 인터뷰 대상자들에게 AI 프로젝트의 시작 시점에 대해 질문하여 AI 도입 정도를 평가하였다(표 4 참조).

Table 4. Degree of AI adoption.

The earliest project was launched in 2012 (Case A). Some projects started in 2017 (Cases A, B, & C), some in 2018 (Cases E & F), but most projects began in 2019 (Cases B, D, F, & H).

가장 초기의 프로젝트는 2012년에 시작되었으며(A 사례), 일부 프로젝트는 2017년에 시작되었고(A, B, C 사례), 일부는 2018년에 시작되었으며(E, F 사례), 대부분의 프로젝트는 2019년에 시작되었다(B, D, F, H 사례).

Considering that the projects are comparatively young, it is unsurprising that in five cases, it is unclear if the projects will be able to reach their goals.

프로젝트들이 비교적 최근에 시작된 것을 감안할 때, 다섯 개의 사례에서는 프로젝트가 목표를 달성할 수 있을지 여부가 불확실한 것은당연한 일이다.

Two projects have achieved their goals and two have not.

두 개의 프로젝트는 목표를 달성했고, 두 개는 그렇지 못했다.

The number of AI projects per case also differed. Cases A and B had a comparably high number of projects (Case A: ~50, B: ~100) ranging from early proofs of concepts to fully operational projects.

사례별 AI 프로젝트 수 역시 달랐으며, A 사례와 B 사례는 비교적 많은 수의 프로젝트를 진행 중이었다(A 사례: 약 50개, B 사례: 약100개)로, 개념 증명 단계에서 완전히 운영 가능한 프로젝트까지 다양하게 포함되었다.

In contrast, the projects studied in Cases C, F, G, and H were the only AI projects in their respective organizations.

반면, C, F, G, H 사례에서 연구된 프로젝트는 해당 조직에서 유일한 AI 프로젝트였다.

In Cases C and H, the projects were still in their pilot phases, while in Cases F and G, the solutions were already productive.

C와 H 사례에서는 프로젝트가 여전히 파일럿 단계에 있는 반면, F와 G 사례에서는 솔루션이 이미 생산 단계에 도달해 있었다.

Thus far, Case E has two projects with an AI component (both productive), while Case D has implemented around ten AI projects and pilot projects.

지금까지 E 사례는 AI 요소가 포함된 두 개의 프로젝트를 보유하고 있으며(두 프로젝트 모두 생산 단계), D 사례는 약 10개의 AI 프로젝트와 파일럿 프로젝트를 구현했다.

This information allowed us to align the cases along the levels proposed by Alsheiabni, Cheung, and Messom (2019, 51) introduced in Section 2.4 above.

이 정보는 위의 2.4절에서 소개된 Alsheiabni, Cheung, 및 Messom (2019, 51)이 제안한 수준에 따라 사례를 정렬할 수 있게 해주었다.

Cases C, F, G, and H are in the AI technology’s discovery stage and belong to the assessing level.

C, F, G, H 사례는 AI 기술의 탐색 단계에 있으며 평가 수준에 속한다.

Cases D and E are characterized by at least one AI project at an advanced stage with the determination of infrastructure needed to implement AI further, representing the determined level.

D와 E 사례는 고급 단계에 도달한 적어도 하나의 AI 프로젝트를 보유하고 있으며, AI의 추가 구현을 위한 인프라가 결정된 상태로, 결정수준에 해당한다.

Cases A and B were assigned to the managed level, as they displayed defined AI processes throughout the organization (see Table 4).

A와 B 사례는 조직 전반에 걸쳐 정의된 AI 프로세스를 갖추고 있어 관리 수준으로 분류되었다(표 4 참조).

The degree of AI adoption somewhat coincides with the organizational form, state level, and organization size.

AI 도입 정도는 조직 형태, 국가 수준, 조직 규모와 어느 정도 일치한다.

Large state-owned companies constitute the managed level, while one national ministry and a local agency are assigned to the determined level.

대형 국영 기업은 관리 수준에 속하며, 국가 부처 하나와 지역 기관 하나가 결정 수준에 배정되었다.

The assessing level consists of the local administrations together with one national ministry and one cantonal agency.

평가 수준은 지방 자치 단체와 국가 부처 하나, 그리고 주 정부 기관 하나로 구성된다.

On the assessing level, three organizations described the introduction of a conversational agent, while the organizations on the managed level tackle more complex optimization problems.

평가 수준에서는 세 개의 조직이 대화형 에이전트 도입을 설명했으며, 관리 수준의 조직들은 보다 복잡한 최적화 문제를 다루고 있다.

4.2 Technological factors

Following the TOE framework, we assessed the role of technological factors for AI adoption (see Table C1 in supplementary: structured overview incl. anchor samples).

TOE 프레임워크에 따라 AI 도입에 있어 기술적 요인의 역할을 평가하였다(부록 C1 참조: 앵커 샘플을 포함한 구조화된 개요).

The first factor we examined was the relative advantage of AI compared to conventional technology.

우리가 조사한 첫 번째 요인은 기존 기술에 비해 AI의 상대적 이점이었다.

Our findings reveal two ways for public organizations to approach AI solutions – top-down through strategic initiatives or bottom-up for technological reasons, the latter being more frequent in our cases.

조사 결과, 공공 기관이 AI 솔루션을 접근하는 방식에는 두 가지가 있으며, 전략적 이니셔티브를 통한 상향식 접근과 기술적 이유에 따른하향식 접근이 있는데, 후자가 사례에서 더 빈번하게 나타났다.

Usually, AI technologies are chosen because conventional technologies are not suited to solving existing problems:

일반적으로 기존 기술이 현재 문제를 해결하는 데 적합하지 않기 때문에 AI 기술이 선택된다.

‘[N]o one has solved this problem yet. [. . .] It then turned out that [it] was more complex to solve than assumed. [. . .]. That’s when it occurred to us that deep learning could be helpful because the scalability is different with neural networks’. (Case A, Interview a)

‘아직 아무도 이 문제를 해결하지 못했습니다. [. . .] 이후 이 문제를 해결하는 것이 예상보다 더 복잡하다는 것이 밝혀졌습니다. [. . .]. 그래서 신경망의 확장성이 다르기 때문에 딥러닝이 도움이 될 수 있다는 생각이 들었습니다’. (A 사례, 인터뷰 a)

For many of the projects, there was no initial intention of solving the problem with AI:

많은 프로젝트에서 처음에는 AI를 사용하여 문제를 해결할 의도가 없었다.

‘At first, we did not start with the intention of using AI [. . .]. The intelligent component was only added in the course of the project when we could no longer achieve our goal with conventional technology’. (Case B, interview d)

‘처음에는 AI를 사용하려는 의도로 시작하지 않았습니다 [. . .]. 기존 기술로는 더 이상 목표를 달성할 수 없게 되었을 때 프로젝트 과정에서 지능형 요소가 추가되었습니다’. (B 사례, 인터뷰 d)

In some of the analyzed cases, however, the public organizations actively prepared for a future enhanced by AI technologies (e.g., hiring specialists and aligning the data infrastructure and the data strategy to this goal), representing a top-down approach.

그러나 일부 분석된 사례에서는 공공 기관들이 AI 기술로 강화된 미래를 적극적으로 준비하고 있었으며(예: 전문가 고용, 데이터 인프라및 데이터 전략을 목표에 맞추기), 이는 상향식 접근 방식을 나타낸다.

When asked if the AI solution impacted existing business processes, results were mixed. While interference with current processes was actively avoided in some cases, most felt no impact on existing processes.

AI 솔루션이 기존 비즈니스 프로세스에 영향을 미쳤는지에 대한 질문에 대한 결과는 다양하였다. 일부 사례에서는 현재 프로세스에 대한간섭을 적극적으로 피했으며, 대부분은 기존 프로세스에 영향이 없다고 느꼈다.

‘At the moment, I’m not interested in internal processes. [. . .]’ (Case A, interview c)

‘현재로서는 내부 프로세스에 관심이 없습니다. [. . .]’ (A 사례, 인터뷰 c)

Some cases were actively prepared for the adaptation of processes. Here, integration into existing processes was a critical success factor for AI adoption:

일부 사례에서는 프로세스 적응을 위해 적극적으로 준비되었으며, 여기서 기존 프로세스에 통합하는 것이 AI 도입의 중요한 성공 요인이었다.

‘Implementing something into existing processes is not easy. Implementing AI requires different prerequisites: [. . .] high-quality data, the right infrastructure, [. . .] the right APIs in place, etc. This can easily kill the business case of any AI component’. (Case B, interview e)

‘기존 프로세스에 무언가를 구현하는 것은 쉽지 않습니다. AI를 구현하려면 다양한 전제 조건이 필요합니다: [. . .] 고품질 데이터, 적절한 인프라, [. . .] 올바른 API 등이 있어야 합니다. 이러한 요건이 없으면 AI 요소의 비즈니스 사례가 쉽게 무너질 수 있습니다’. (B 사례, 인터뷰 e)

4.3 Organizational factors

According to the TOE framework, organizational culture is a crucial factor (see Table C2 in supplementary).

TOE 프레임워크에 따르면, 조직 문화는 중요한 요인이다(부록 C2 참조).

When asked about top management support, all but one respondent emphasized its importance for AI adoption (e.g., through guaranteed funding, internal support, and clearing resistances).

최고 경영진의 지원에 대해 질문했을 때, 한 명을 제외한 모든 응답자가 AI 도입을 위해 그 중요성을 강조했다(예: 자금 지원 보장, 내부지원, 저항 해소 등).

When asked about active change management measures (e.g., actively addressing fears about AI), some interviewees reported that these were important for overcoming resistance from various stakeholders like management, employees, and end-users.

변화 관리 조치(예: AI에 대한 우려를 적극적으로 해결하는 것)에 대해 질문했을 때, 일부 인터뷰 대상자는 이러한 조치가 경영진, 직원및 최종 사용자와 같은 다양한 이해 관계자들의 저항을 극복하는 데 중요하다고 보고했다.

Resistance can stem from a lack of understandability and explainability of the AI solution (e.g., workers not understanding how an AI prioritizes their work, which they would like to know).

저항은 AI 솔루션의 이해 가능성과 설명 가능성이 부족한 데서 기인할 수 있다(예: 직원들이 AI가 작업의 우선순위를 어떻게 설정하는지이해하지 못하는 경우).

Since AI projects often disrupt daily routines, it seems essential to actively address these concerns.

AI 프로젝트는 일상적인 업무에 변화를 주는 경우가 많기 때문에 이러한 우려를 적극적으로 해결하는 것이 중요해 보인다.

‘We are in the middle of a big transformation process. [. . .] From a leadership point of view, we address this process with a great focus on our employees. Only if the employees are happy can customers be satisfied’. (Case E, interview k)

‘우리는 큰 변혁 과정의 한가운데에 있습니다. [. . .] 리더십 관점에서 우리는 직원들에게 초점을 맞추어 이 과정을 처리하고 있습니다. 직원들이 행복해야 고객도 만족할 수 있습니다’. (E 사례, 인터뷰 k)

As another cultural dimension, innovation culture also plays a role in AI adoption, and most interviewees stated that agile project management methods and a culture that tolerates some failure would support AI adoption.

또 다른 문화적 차원으로서, 혁신 문화도 AI 도입에 중요한 역할을 하며, 대부분의 인터뷰 대상자는 애자일 프로젝트 관리 방식과 실패를허용하는 문화가 AI 도입을 지원할 것이라고 밝혔다.

As a last cultural dimension, interviewees were asked if their organization possessed an AI strategy. While some organizations had strategic documents promoting and regulating the use of AI, others did not – and the AI projects emerged from a technological rather than strategic considerations.

마지막 문화적 차원으로 인터뷰 대상자들에게 조직이 AI 전략을 보유하고 있는지 질문하였다. 일부 조직은 AI 사용을 촉진하고 규제하는 전략 문서를 보유하고 있었으나, 다른 조직들은 그렇지 않았으며, 이 경우 AI 프로젝트는 전략적 고려보다는 기술적 필요에서 비롯되었다.

We also noticed additional cultural aspects beyond the pre-defined coding scheme.

사전 정의된 코딩 스키마 외에도 추가적인 문화적 측면을 발견하였다.

First, while operating with publicly funded mandates, risk-averse behavior might pose a challenge to AI adoption. Due to their novel character, AI projects are often associated with risks:

첫째, 공적 자금으로 운영되는 임무를 수행할 때 위험 회피 행동이 AI 도입에 장애물이 될 수 있다. AI 프로젝트는 새로운 특성으로 인해종종 위험과 연관되기 때문이다.

‘We are operating in an administrative context [and a politically sensitive terrain] where one is concerned with limiting risks’. (Case C, interview f)

‘우리는 행정적 맥락과 정치적으로 민감한 영역에서 운영하고 있어, 위험을 제한하는 데 관심을 갖고 있습니다’. (C 사례, 인터뷰 f)

Other organizational factors like project size were considered next. The largest organizations in our study were also the most mature regarding AI adoption.

다음으로, 프로젝트 규모와 같은 다른 조직적 요인도 고려되었다. 본 연구에서 가장 큰 조직들은 AI 도입 측면에서 가장 성숙한 상태였다.

However, we cannot substantiate the general assumption that the larger the organization, the greater its maturity.

그러나 조직이 클수록 성숙도가 높다는 일반적인 가정을 입증할 수는 없었다.

We also assessed available resources regarding the budgets, employees, data, and the remaining organizational dimensions (project structure, collaboration, and initiation) (see Table C3 in supplementary).

또한, 예산, 직원, 데이터 및 나머지 조직적 차원(프로젝트 구조, 협력, 시작)에 관한 가용 자원을 평가하였다(부록 C3 참조).

Unsurprisingly, interviewees stated that lack of funds could hinder AI projects, although some met these economic challenges by seeking other internal or external funding sources.

예상대로, 인터뷰 대상자들은 자금 부족이 AI 프로젝트를 저해할 수 있다고 언급했으나, 일부는 다른 내부 또는 외부 자금원을 찾음으로써 이러한 경제적 문제를 해결했다.

Financing was also reported to influence the form of collaboration with external partners. In situations with a clear investment by the organization that is related to an expected outcome, collaboration was closer. In situations without funding of the partner, collaboration tended to be more fluid.

자금 조달은 외부 파트너와의 협력 형태에도 영향을 미친다고 보고되었다. 조직이 명확한 투자를 하고 기대되는 성과가 있을 경우 협력이 더 긴밀하게 이루어졌으며, 파트너에 대한 자금 지원이 없는 상황에서는 협력이 보다 유연한 경향이 있었다.

Access to data was not generally reported as challenging. Despite significant variations among the cases, we could not identify an ideal project size in terms of employee numbers.

데이터 접근은 일반적으로 도전 과제로 보고되지 않았다. 사례 간에 상당한 차이가 있었지만, 직원 수 측면에서 이상적인 프로젝트 규모를 식별할 수는 없었다.

What was striking was the importance of mutual understanding between employees and external partners.

눈에 띄었던 것은 직원과 외부 파트너 간의 상호 이해의 중요성이었다.

Similarly, in one case, technological knowledge was promoted through internal events where employees presented their work to interested colleagues.

비슷하게, 한 사례에서는 직원들이 자신들의 작업을 관심 있는 동료들에게 발표하는 내부 행사를 통해 기술 지식을 촉진하였다.

Each case we examined had at least one partner and emphasized the importance of some technological understanding among employees involved in the projects.

우리가 조사한 각 사례에는 최소한 한 명의 파트너가 있었고, 프로젝트에 참여한 직원들 간의 기술적 이해의 중요성이 강조되었다.

Partners provided knowledge that was not otherwise present. The initiative to collaborate could come from a project partner or the organization.

파트너들은 다른 방법으로는 얻을 수 없는 지식을 제공했다. 협력의 주도권은 프로젝트 파트너나 조직에서 나올 수 있었다.

Partners were either public or private service providers or universities, and while collaboration with academic partners was relatively informal, working with service providers was usually regulated by contracts.

파트너는 공공 또는 민간 서비스 제공자나 대학으로 구성되었으며, 학술 파트너와의 협력은 비교적 비공식적으로 이루어진 반면, 서비스제공자와의 협력은 주로 계약을 통해 규제되었다.

The external service providers were mainly small and highly specialized companies (with a few exceptions). Despite this, collaboration was no guarantee for success, as one case reported.

외부 서비스 제공자들은 주로 소규모의 고도로 전문화된 기업들이었고(일부 예외가 있음), 그럼에도 불구하고 협력이 성공을 보장하지는않았다고 한 사례에서 보고되었다.

Generally, our respondents said it was helpful to have a lean project organization that allowed goal-oriented evolution:

일반적으로, 응답자들은 목표 지향적 발전이 가능한 간소한 프로젝트 조직이 도움이 되었다고 말했다.

‘Fortunately, there was no need to set up a large project organization [. . .]. Otherwise, the project would probably not have succeeded so quickly’. (Case F, interview m)

‘다행히도 대규모 프로젝트 조직을 구성할 필요는 없었습니다 [. . .]. 그렇지 않았더라면 프로젝트가 그렇게 빨리 성공하지 못했을 것입니다’. (F 사례, 인터뷰 m)

During coding, we identified further patterns in the data – the communication and intrinsic motivation of project members and the interviewees’ organizational affiliation and proximity to the units affected by a solution seem important for AI adoption:

코딩 과정에서 데이터에서 추가적인 패턴이 확인되었는데, 프로젝트 구성원의 의사소통 및 내적 동기, 인터뷰 대상자의 조직 소속과 솔루션의 영향을 받는 부서와의 근접성이 AI 도입에 중요한 요소로 보였다.

‘Usually, acceptance increases the further away you are from the affected units. These units might not accept the solution, although it is supported by management’. (Case A, interview c)

‘일반적으로, 영향을 받는 부서에서 멀리 떨어질수록 수용도가 높아집니다. 이러한 부서들은 경영진이 지원하더라도 솔루션을 받아들이지 않을 수 있습니다’. (A 사례, 인터뷰 c)

4.4 Environmental factors

To assess competitive pressure, we asked whether there were similar projects in comparable organizations (see Table C4 in supplementary); in some cases, the solution was unique, while in others similar solutions already existed elsewhere.

경쟁 압력을 평가하기 위해 유사한 기관에서 유사한 프로젝트가 진행되고 있는지 질문하였다(부록 C4 참조); 일부 사례에서는 솔루션이독특했지만, 다른 경우에는 유사한 솔루션이 이미 다른 곳에 존재했다.

Although public organizations are not in competitive market environments, one organization was actively preparing for potential future scenarios:

공공 기관들은 경쟁적인 시장 환경에 있지는 않지만, 한 조직은 향후 발생할 수 있는 시나리오에 대비하고 있었다.

‘We expect the pressure to increase, although we are not currently in a competitive situation’. (Case E, interview k)

‘우리는 현재 경쟁 상황에 있지 않지만, 앞으로 압력이 증가할 것으로 예상하고 있습니다’. (E 사례, 인터뷰 k)

Data protection was frequently mentioned as a regulatory challenge since any potential threat might put a project on hold.

데이터 보호는 규제적 도전 과제로 자주 언급되었으며, 잠재적 위협이 프로젝트를 중단시킬 수 있기 때문이다.

Another factor was the unclear application of regulations. As multiple interviewees stated, particularly in digital matters, federal or cantonal law often leaves room for interpretation, making AI project compliance challenging.

또 다른 요인은 규제의 모호한 적용이었다. 특히 디지털 관련 사안에서 연방 또는 주 법률은 해석의 여지를 남겨두어 AI 프로젝트의 규제준수가 어려운 상황을 초래한다고 여러 인터뷰 대상자들이 언급했다.

We also asked how operating in the public context influenced AI projects. Access to financial and human resources were often cited as issues.

공공 부문에서의 운영이 AI 프로젝트에 어떤 영향을 미치는지에 대해 질문했다. 재정 및 인적 자원에 대한 접근이 자주 문제로 언급되었다.

Budgeting processes in the public context are usually rigid, and planned budgets restrict innovative and spontaneous projects.

공공 부문에서는 예산 책정 과정이 일반적으로 엄격하며, 계획된 예산이 혁신적이고 자발적인 프로젝트를 제한한다.

Both the access to existing IT personnel and recruiting new employees is stated to be challenging.

기존 IT 인력에 대한 접근과 새로운 직원 채용 모두 어려움이 있다고 언급되었다.

Recruiting can be difficult because public organizations have the reputation of not being particularly innovative.

공공 기관은 특히 혁신적이지 않다는 인식이 있어 채용이 어려울 수 있다.

Existing resources are often unavailable long-term and cannot be used for unplanned AI projects:

기존 자원은 종종 장기적으로 사용할 수 없으며, 계획되지 않은 AI 프로젝트에 활용될 수 없다.

‘Most of the IT resources have already been planned for years for the digitalization of our core processes. This does not leave many resources for [. . .] innovation projects, which inhibits our innovative capacity’. (Case C, interview f)

‘대부분의 IT 자원은 이미 몇 년 동안 우리의 핵심 프로세스 디지털화를 위해 계획되었습니다. 이것은 혁신 프로젝트를 위한 자원이 많이남지 않아 우리의 혁신 역량을 저해합니다’. (C 사례, 인터뷰 f)

A further characteristic of the public sector seems to be the project management method.

공공 부문의 또 다른 특징은 프로젝트 관리 방식인 것으로 보인다.

While many digital projects use agile practices, public organizations often insist on traditional project management that lack the necessary trial-and-error cycles for AI solutions.

많은 디지털 프로젝트가 애자일 방식을 사용하는 반면, 공공 기관은 종종 AI 솔루션에 필요한 시행착오 과정을 포함하지 않는 전통적인프로젝트 관리 방식을 고수한다.

As one interviewee explained:

한 인터뷰 대상자가 다음과 같이 설명했다.

‘In the beginning, the difficulties were that our agile approach was rejected, arguing that this was not possible within the federal government and that we had to work with [a traditional project methodology] instead’. (Case D, interview h)

‘처음에 어려웠던 점은 연방 정부 내에서 애자일 접근 방식이 가능하지 않으며 전통적인 프로젝트 방법론을 사용해야 한다는 이유로 애자일 접근이 거부된 것이었습니다’. (D 사례, 인터뷰 h)

The interviewees did not name any other industry particularities, and some did not feel like there were any at all, suggesting that industry requirements were little relevant for AI adoption in the cases.

인터뷰 대상자들은 다른 산업의 특수성을 언급하지 않았으며, 일부는 산업 요구 사항이 AI 도입과 큰 관련이 없다고 느꼈다.

Lastly, we asked our interviewees about customer readiness.

마지막으로, 우리는 인터뷰 대상자들에게 고객 준비도에 대해 질문했다.

While customer feedback was not evident in some cases and therefore it is hard to judge the customer readiness, none of the interviewees perceived customer readiness as an issue, although some emphasized its importance.

일부 사례에서는 고객 피드백이 명확하지 않아 고객 준비도를 판단하기 어려웠지만, 인터뷰 대상자 중 누구도 고객 준비도를 문제로 인식하지 않았으며, 일부는 그 중요성을 강조했다.

4.5 Aggregation of the findings by AI maturity level

When contrasting the findings against the different maturity levels described in Section 4.1, differences in the importance of the individual factors depending on the organization’s maturity level became apparent (see Table 5).

4.1절에서 설명한 서로 다른 성숙도 수준과 비교했을 때, 조직의 성숙도 수준에 따라 각 요인의 중요성이 달라진다는 것이 명확해졌다(표 5 참조).

Table 5. Findings aggregated by AI maturity level.

While for organizations on the assessing level, technological factors are generally of medium importance, they are more critical for organizations on the determined and managed levels.

평가 수준에 있는 조직에게 기술적 요인은 일반적으로 중간 정도의 중요성을 가지지만, 결정 및 관리 수준의 조직에게는 더 중요한 요인으로 작용한다.

The exception is ‘business processes,’ which is of low relevance for organizations at all levels.

예외적으로, ‘비즈니스 프로세스’는 모든 수준의 조직에서 낮은 중요성을 가진다.

For organizations at the assessing level, ‘project structure,’ ‘collaboration,’ and ‘intrinsic motivation’ are critical organizational factors.

평가 수준의 조직에게는 ‘프로젝트 구조’, ‘협력’, ‘내적 동기’가 중요한 조직적 요인이다.

Twice as many factors were rated as particularly important in organizations at the determined level – ‘top management support,’ ‘change management,’ ‘strategic alignment,’ ‘budget,’ ‘employees,’ and ‘collaboration,’ while organizations at the managed level emphasized ‘top management support,’ ‘collaboration,’ and ‘organizational affiliation.’

결정 수준의 조직에서는 두 배 더 많은 요인들이 특히 중요한 것으로 평가되었으며, 여기에는 ‘최고 경영진의 지원’, ‘변화 관리’, ‘전략적정렬’, ‘예산’, ‘직원’, ‘협력’이 포함되며, 관리 수준의 조직은 ‘최고 경영진의 지원’, ‘협력’, ‘조직 소속’을 강조하였다.

Overall, we found none of the environmental factors to be highly relevant. Only the organizations at the determined level reported an influence of customer readiness on AI adoption.

전체적으로, 환경적 요인 중 어느 것도 높은 관련성을 가지지 않는 것으로 나타났다. 오직 결정 수준의 조직만이 고객 준비도가 AI 도입에 영향을 미친다고 보고했다.

5. Discussion

This study explores factors that facilitate or hinder the adoption of AI projects in public organizations.

본 연구는 공공 기관에서 AI 프로젝트의 도입을 촉진하거나 저해하는 요인들을 탐구한다.

Our analysis is structured according to an AI-specific adaptation of the TOE framework (Pumplun, Tauchert, and Heidt 2019).

우리의 분석은 AI에 맞춘 TOE 프레임워크(Pumplun, Tauchert, 및 Heidt, 2019)에 따라 구조화되었다.

By considering its dimensions separately for different levels of AI maturity (Alsheiabni, Cheung, and Messom 2019), we have expanded this framework, which is the essential theoretical contribution of this study.

AI 성숙도의 각 수준에 맞춰 프레임워크의 차원을 개별적으로 고려함으로써, 우리는 이 프레임워크를 확장했으며, 이는 본 연구의 중요한 이론적 기여이다.

As illustrated above, this enables us to provide more nuanced insights by capturing shifts in the importance of various factors of the TOE framework across different levels of experience with AI technology in public organizations.

위에서 설명한 바와 같이, 이는 공공 기관에서 AI 기술에 대한 경험 수준에 따라 TOE 프레임워크의 다양한 요인들의 중요성이 변하는양상을 포착함으로써 더 세밀한 통찰을 제공할 수 있게 한다.

For organizations with low AI maturity (on the assessing level), a pattern emerges across all cases, indicating that these organizations are mainly concerned with administrative issues, such as finding the best way to launch the projects and attracting intrinsically motivated staff and the right partners.

AI 성숙도가 낮은 조직(평가 수준)의 경우, 모든 사례에서 공통된 패턴이 나타났으며, 이러한 조직들은 주로 프로젝트 시작 방법을 찾거나 내적 동기가 있는 직원과 적절한 파트너를 유치하는 등 행정적인 문제에 관심을 두고 있음을 나타낸다.

Through the lens of the resource-based view theory (Barney 2001), this can be explained: At this early stage of an area that may be of future strategic importance, the organization seeks to acquire the necessary initial resources and capabilities and creates an appropriate organizational structure to deploy them (Kraaijenbrink, Spender, and Groen 2010).

자원 기반 관점 이론(Barney 2001)으로 보면, 이는 미래에 전략적으로 중요할 수 있는 초기 단계의 영역에서 조직이 필요한 초기 자원과 역량을 확보하고 이를 배치할 적절한 조직 구조를 마련하고자 하기 때문으로 설명할 수 있다(Kraaijenbrink, Spender, 및 Groen 2010).

Despite their lack of experience, three out of four cases successfully implemented AI-based conversational agents with the help of external partners, confirming that despite low AI maturity, successful adoption of stand-alone and comparatively simple AI solutions is possible.

경험이 부족함에도 불구하고 네 개의 사례 중 세 개는 외부 파트너의 도움으로 AI 기반 대화형 에이전트를 성공적으로 구현했으며, 이는낮은 AI 성숙도에도 불구하고 독립적이고 비교적 간단한 AI 솔루션의 성공적인 도입이 가능함을 확인시켜 준다.

The fourth case is still in the process of implementing a more complex people allocation AI project assisted by an external partner. This underscores the importance of finding partners possessing the resources and skills the public organization lacks (Desouza, Dawson, and Chenok 2020).

네 번째 사례는 외부 파트너의 지원을 받아 보다 복잡한 인력 배치 AI 프로젝트를 구현하는 과정에 있으며, 이는 공공 기관이 부족한 자원과 기술을 보유한 파트너를 찾는 것이 중요함을 강조한다(Desouza, Dawson, 및 Chenok 2020).

However, not all forms of collaboration may be equally likely to succeed in public settings. In the smart city context and drawing on agency and stewardship theory, Neumann et al. (2019) found that collaborations based on stewardship, aligned interests, and mostly voluntary are more likely to produce public value-oriented results than profit-oriented, mandate-based, agency-type collaborations.

그러나 모든 형태의 협력이 공공 부문에서 동일하게 성공할 가능성이 있는 것은 아니다. 스마트 시티 맥락에서, 대리인 이론과 관리 이론에 따르면 Neumann 등(2019)은 이해관계가 일치하고 자발적인 관리 기반 협력이 수익 지향적이고 의무적인 대리인 유형의 협력보다공공 가치 중심의 결과를 더 많이 산출할 가능성이 높다고 발견했다.

However, in three out of four cases at the assessing level, the cooperation was based on mandates, indicating a risk that external partners may be more interested in financial reward than outcome (Davis, Schoorman, and Donaldson 1997).

그러나 평가 수준에 있는 네 개의 사례 중 세 개의 협력은 의무 기반으로 이루어졌으며, 이는 외부 파트너가 결과보다는 금전적 보상에더 관심을 가질 위험이 있음을 나타낸다(Davis, Schoorman, 및 Donaldson 1997).

The need to rally intrinsically motivated staff behind the projects is also crucial at this level, as it is often individual innovative forerunners who initiate the projects, indicating the importance of public service motivation (Ritz, Brewer, and Neumann 2016).

이 수준에서 프로젝트 뒤에 내적 동기를 가진 직원을 결집시키는 것도 중요한데, 이는 종종 개별적이고 혁신적인 선구자들이 프로젝트를시작하기 때문에 공공 서비스 동기의 중요성을 나타낸다(Ritz, Brewer, 및 Neumann 2016).

These findings lead us to the following theoretical proposition:

이러한 발견은 다음과 같은 이론적 제안을 이끌어낸다.

Proposition 1: Organizations that are relatively inexperienced in AI technologies depend on motivated staff and external partners to implement the AI project. Less complex AI applications such as conversational agents often serve as an exploratory application of AI in such organizations.

제안 1: AI 기술에 비교적 경험이 부족한 조직은 AI 프로젝트를 구현하기 위해 동기 부여된 직원과 외부 파트너에 의존한다. 대화형 에이전트와 같은 덜 복잡한 AI 애플리케이션은 이러한 조직에서 AI의 탐색적 애플리케이션 역할을 수행하는 경우가 많다.

For organizations with intermediate AI maturity (at the determined level), we observe a shift in the pattern of relevant factors compared to organizations with low AI maturity.

중간 정도의 AI 성숙도를 가진 조직(결정 수준)에서는 낮은 AI 성숙도를 가진 조직과 비교하여 관련 요인의 패턴에 변화가 나타난다.

Technological factors, in particular, become more relevant. The AI projects at this level address key challenges within the organizations (e.g., automating processes, optimizing workflows), increasing the importance of the relative advantage of AI and its relevance to the business case (Hofmann et al. 2020).

특히 기술적 요인이 더욱 중요해진다. 이 수준의 AI 프로젝트는 조직 내 주요 과제를 다루고 있으며(예: 프로세스 자동화, 워크플로우 최적화), AI의 상대적 이점과 비즈니스 사례에 대한 관련성의 중요성이 증가한다(Hofmann et al. 2020).

However, this simultaneously increases complexity and requires more profound internal knowledge, which is presumably why we observe a tendency towards less dependency on external partners and more insourcing or back-sourcing (Moe et al. 2014) in this group.

그러나 이는 동시에 복잡성을 증가시키고 보다 심층적인 내부 지식을 필요로 하며, 그 결과 외부 파트너에 대한 의존도를 줄이고 내부 소싱 또는 역외 소싱을 늘리는 경향이 관찰된다(Moe et al. 2014).

Within the organizational factors, importance shifts towards cultural and resource-related factors, including top management support, change management, strategic alignment, budgeting, and employees – all of which are elements of strategic management (Ansoff et al. 2019) – while collaboration remains an important but less decisive factor.

조직적 요인 중에서 중요성은 문화 및 자원 관련 요인으로 이동하며, 여기에는 최고 경영진의 지원, 변화 관리, 전략적 정렬, 예산 책정및 직원이 포함된다. 이들은 모두 전략적 관리 요소이며(Ansoff et al. 2019), 협력은 여전히 중요한 요소이지만 결정적이지는 않다.

Therefore, our results support previous studies emphasizing the importance of strategic management in AI adoption, particularly at the determined level, since management can provide resources and address resistance to change (e.g., Alsheiabni, Cheung, and Messom 2019; Pumplun, Tauchert, and Heidt 2019).

따라서 우리의 결과는 특히 결정 수준에서 AI 도입에 있어 전략적 관리의 중요성을 강조하는 이전 연구들을 지지하며, 이는 경영진이 자원을 제공하고 변화에 대한 저항을 해결할 수 있기 때문이다(예: Alsheiabni, Cheung, 및 Messom 2019; Pumplun, Tauchert, 및Heidt 2019).

This finding is in line with resource-based view theory in the public sector context, which postulates that for initiatives with the potential to improve the organization’s performance and enhance public value, it is vital for management to allocate the necessary resources (Bryson, Ackermann, and Eden 2007).

이 발견은 공공 부문 맥락에서의 자원 기반 관점 이론과 일치하며, 이는 조직의 성과를 향상시키고 공공 가치를 높일 수 있는 이니셔티브에 대해 경영진이 필요한 자원을 할당하는 것이 중요하다고 가정한다(Bryson, Ackermann, 및 Eden 2007).

Environmental factors remain relatively unimportant, except for customer readiness. In line with Carrasco et al. (2019), our results for organizations on this level illustrate that the customer perspective is relevant for AI adoption.

환경적 요인은 고객 준비도를 제외하고는 상대적으로 중요하지 않은 것으로 나타났다. Carrasco 등(2019)과 일치하게, 이 수준의 조직에 대한 우리의 결과는 고객 관점이 AI 도입에 관련성이 있음을 보여준다.

Success will depend on whether internal or external customers are willing or able to use the new AI-enabled services: ‘public services are best conceptualized as service systems in which users co-produce and co-design’ as ‘public services are subject to public scrutiny’ (Laitinen, Kinder, and Stenvall 2018, 58).

성공 여부는 내부 또는 외부 고객이 새로운 AI 기반 서비스를 기꺼이 사용하거나 사용할 수 있는지에 달려 있으며, 공공 서비스는 ‘사용자가 공동 제작하고 공동 설계하는 서비스 시스템으로 가장 잘 개념화된다’고 하며, ‘공공 서비스는 공공의 검증을 받는다’고 한다(Laitinen, Kinder, 및 Stenvall 2018, 58).

This is also underscored by agile practices that emphasize customer centricity (Mergel, Ganapati, and Whitford 2020) in the adoption processes in the analyzed cases, as agility allows organizations to respond faster to citizen needs (Chatfield and Reddick 2018).

이는 분석된 사례의 도입 과정에서 고객 중심성을 강조하는 애자일 실천에 의해 더욱 강조되며(Mergel, Ganapati, 및 Whitford 2020), 애자일 방식은 조직이 시민의 요구에 더 빠르게 대응할 수 있게 한다(Chatfield 및 Reddick 2018).

Another important factor influencing citizen acceptance is understandability and explainability – explainable and understandable AI systems help to create transparency, decipher causalities, strengthen trust in unbiased and fair systems, and increase security (Hagras 2018).

시민 수용성에 영향을 미치는 또 다른 중요한 요인은 이해 가능성과 설명 가능성으로, 설명 가능하고 이해 가능한 AI 시스템은 투명성을창출하고, 인과 관계를 해독하며, 편향되지 않고 공정한 시스템에 대한 신뢰를 강화하고, 보안을 향상시킨다(Hagras 2018).

Our findings for organizations on the determined level lead us to the following theoretical proposition:

결정 수준의 조직에 대한 우리의 발견은 다음과 같은 이론적 제안을 이끌어낸다.

Proposition 2: Organizations with intermediate experience with AI technologies require substantial strategic management support to allocate key resources to move beyond the exploratory stage. As AI applications begin to address core business functions and complexity rises, a greater share of implementation is done internally, and the customer perspective gains importance.

제안 2: 중간 수준의 AI 기술 경험을 가진 조직은 탐색 단계를 넘어서기 위해 핵심 자원을 할당할 수 있는 상당한 전략적 관리 지원이 필요하다. AI 애플리케이션이 핵심 비즈니스 기능을 다루기 시작하고 복잡성이 증가함에 따라, 구현의 더 큰 부분이 내부적으로 이루어지며 고객 관점의 중요성이 커진다.

Compared to organizations at the determined level, we notice no shift in the importance of technological factors in organizations with higher AI maturity (at the managed level).

결정 수준의 조직과 비교할 때, 더 높은 AI 성숙도(관리 수준)를 가진 조직에서는 기술적 요인의 중요성에 변화가 없음을 알 수 있다.

As the number of AI projects and their complexity increase, we observe a gradual intra-organizational diffusion of AI technology (cf. de Vries, Tummers, and Bekkers 2018).

AI 프로젝트의 수와 복잡성이 증가함에 따라, AI 기술이 점진적으로 조직 내부에 확산되는 현상이 관찰된다(de Vries, Tummers, 및Bekkers 2018 참조).

Interestingly, both cases on the managed level are larger state-owned enterprises that partially operate in market environments, suggesting that such companies may be frontrunners within the public sector (cf. Neumann et al. 2019).

흥미롭게도, 관리 수준에 있는 두 사례 모두 일부 시장 환경에서 운영되는 대규모 국영 기업으로, 이러한 기업들이 공공 부문에서 선구자역할을 할 수 있음을 시사한다(Neumann et al. 2019 참조).

Technological innovations typically happen in stages (Mergel and Bretschneider 2013), with innovators leading the way (Rogers 1983). If early adopters introduce AI projects, other public organizations might mimic their behavior (March and Olsen 1989).

기술 혁신은 일반적으로 단계적으로 발생하며(Mergel 및 Bretschneider 2013), 혁신자가 그 길을 이끌어간다(Rogers 1983). 초기수용자가 AI 프로젝트를 도입하면, 다른 공공 조직들이 그 행동을 모방할 가능성이 있다(March 및 Olsen 1989).

The relatively low relevance of existing processes is surprising and contrary to earlier findings (Alsheibani et al. 2020). Our respondents were possibly aware of the potential influence of existing processes, but able to avoid complex integration (Hasselbring 2000) or maybe this aspect would still gain importance at the optimized level of AI maturity (Alsheiabni, Cheung, and Messom 2019).

기존 프로세스의 상대적으로 낮은 관련성은 놀라운 일이며, 이전 연구 결과(Alsheibani 등, 2020)와 상반된다. 응답자들은 기존 프로세스의 잠재적 영향에 대해 인지하고 있었으나, 복잡한 통합을 피할 수 있었거나(Hasselbring 2000), 이 측면은 AI 성숙도의 최적화 수준에서 중요성이 커질 가능성이 있다(Alsheiabni, Cheung, 및 Messom 2019).

Organizational factors appear to be less critical at this level, possibly because the required resource allocation and organization takes place in earlier stages, except for top management support and collaboration, which remain vital.

이 수준에서는 필요한 자원 할당과 조직화가 초기 단계에서 이루어지기 때문에 조직적 요인이 덜 중요해 보이며, 최고 경영진의 지원과협력만이 여전히 중요한 역할을 한다.

In these cases, significant internal resources are available to develop AI solutions, even if partnerships are still used for complex challenges.

이러한 경우, 복잡한 과제를 해결하기 위해 여전히 파트너십을 활용하더라도 AI 솔루션을 개발하기 위한 상당한 내부 자원이 사용 가능하다.

Additionally, organizational affiliation – which refers to potential conflicts between the organizational units developing and using the AI solutions – is more important.

또한 조직 소속, 즉 AI 솔루션을 개발하고 사용하는 조직 단위 간의 잠재적 갈등은 더 중요한 요인으로 나타난다.

As AI becomes more widespread, issues such as the ‘not-invented-here syndrome’ (Antons and Piller 2015) and technology acceptance issues (Marangunić and Granić 2015) may become more relevant.

AI가 더 널리 퍼지면서 ‘외부에서 발명된 것은 거부하는 증후군’(Antons 및 Piller 2015)과 기술 수용 문제(Marangunić 및 Granić 2015)와 같은 문제들이 더 중요해질 수 있다.

Again, we find little evidence of the relevance of environmental factors at this level, leading us to the following theoretical proposition:

다시 한번, 이 수준에서 환경적 요인의 관련성에 대한 증거가 거의 없음을 발견하였으며, 다음과 같은 이론적 제안을 도출하게 되었다.

Proposition 3: More AI-experienced organizations may be viewed as inspiring early adopters by other public organizations. State-owned enterprises may play a significant role in this, as they often possess more innovation resources than other public organizations and can develop complex AI solutions in-house. However, with the intra-organizational diffusion of AI, resistance may increase.

제안 3: AI 경험이 많은 조직은 다른 공공 조직에게 영감을 주는 초기 수용자로 간주될 수 있다. 국영 기업은 종종 다른 공공 조직보다 더많은 혁신 자원을 보유하고 있으며, 복잡한 AI 솔루션을 내부적으로 개발할 수 있기 때문에 이러한 역할을 수행할 수 있다. 그러나 AI의조직 내 확산이 진행됨에 따라 저항이 증가할 수 있다.

While ethical aspects of AI have recently received much scholarly attention, surprisingly, none of our respondents mentioned ethics in the unstructured parts of the interview.

AI의 윤리적 측면이 최근 많은 학문적 관심을 받고 있지만, 놀랍게도 비구조화된 인터뷰 부분에서 윤리 문제를 언급한 응답자는 없었다.

Given the inherent dangers of the reinforcement of inequalities (Eubanks 2017) and threats to democracy (O’Neil 2016), we consider it imperative for public administrators to proactively ensure their AI applications safeguard public values such as efficiency, fairness, accountability, transparency, and human responsiveness (Schiff, Jackson Schiff, and Pierson 2021).

불평등의 강화(Eubanks 2017)와 민주주의에 대한 위협(O’Neil 2016)이라는 고유의 위험을 고려할 때, 공공 관리자들이 AI 애플리케이션이 효율성, 공정성, 책임성, 투명성, 인간 대응성 등의 공공 가치를 보호하도록 능동적으로 보장하는 것이 필수적이라고 본다(Schiff, Jackson Schiff, 및 Pierson 2021).

Specific ethical concerns such as biases in AI-driven decision-making are already noticeable in the political arena (Manyika, Silberg, and Presten 2019); however, ‘[g]overnance of emerging technologies is a highly complex endeavour’ (Ulnicane et al. 2021, 85).

AI 기반 의사결정에서 발생하는 편향과 같은 특정 윤리적 문제는 정치 분야에서 이미 두드러지고 있지만(Manyika, Silberg, 및Presten 2019), ‘신흥 기술의 거버넌스는 매우 복잡한 작업’이다(Ulnicane 등, 2021, 85).

We anticipate that regulations and closer monitoring of AI initiatives in the public sphere will be introduced soon (Desouza, Dawson, and Chenok 2020; Sun and Medaglia 2019; Wirtz, Weyerer, and Geyer 2019), leading to an increased influence of these factors on AI adoption, as has been the case with social media regulations (Mergel 2015).

우리는 공공 영역에서 AI 이니셔티브에 대한 규제와 더 가까운 모니터링이 곧 도입될 것으로 예상하며(Desouza, Dawson, 및Chenok 2020; Sun 및 Medaglia 2019; Wirtz, Weyerer, 및 Geyer 2019), 이는 소셜 미디어 규제에서 그랬던 것처럼 AI 도입에대한 이러한 요인들의 영향을 증가시킬 것이다(Mergel 2015).

Strengths and Limitations of the Study

One strength of this study has been to use exploratory qualitative methods to deepen our understanding of the nascent and important topic of AI adoption in the public sector and offer insights into different factors when public organizations adopt AI.

이 연구의 강점 중 하나는 탐색적 정성적 방법을 사용하여 공공 부문에서 AI 도입이라는 초기 단계의 중요한 주제에 대한 이해를 심화하고, 공공 기관이 AI를 도입할 때의 다양한 요인에 대한 통찰을 제공한 것이다.

A second strength is understanding AI adoption as a process and distinguishing between different adoption stages.

두 번째 강점은 AI 도입을 하나의 과정으로 이해하고, 다양한 도입 단계 간의 차이를 구분했다는 점이다.

Our interdisciplinary approach, connecting public administration and information systems research, is the third strength.

공공 행정과 정보 시스템 연구를 연결하는 학제 간 접근 방식을 채택한 것이 세 번째 강점이다.

Lastly, as this study focuses on how best to implement AI, our findings, theoretical contributions, and propositions support practitioners by answering relevant questions about the use of AI in public organizations, heeding the call by Pencheva, Esteve, and Jankin Mikhaylov (2020).

마지막으로, 본 연구는 AI를 어떻게 최적으로 구현할지에 중점을 두었으며, 공공 기관에서 AI를 사용하는 데 있어 관련된 질문에 답함으로써 실무자들에게 지원을 제공하고, Pencheva, Esteve 및 Jankin Mikhaylov (2020)의 요청에 부응하고자 한다.

This study also has its limitations. For example, all cases were Swiss, and we did not distinguish between different types of AI applications in the public sector, thereby impeding broader generalization, especially beyond Switzerland and other developed countries.

본 연구에는 몇 가지 한계점도 있다. 예를 들어, 모든 사례가 스위스에 국한되었고, 공공 부문에서 사용되는 다양한 AI 애플리케이션 유형을 구분하지 않았기 때문에, 특히 스위스와 다른 선진국을 넘어서는 일반화에 제한이 있을 수 있다.

Future studies on AI adoption should focus more on differences between organizations in various nations (see Mikalef et al. 2021), between whole nations as in the case of e-government (Lee, Chang, and Stokes Berry 2011), and consider AI adoption from an individual citizen perspective (see also Wirtz, Langer, and Fenner 2021).

향후 AI 도입에 관한 연구는 다양한 국가 간의 조직 차이(Mikalef 등, 2021 참조), 전자정부의 사례처럼 국가 간의 차이(Lee, Chang, 및 Stokes Berry 2011 참조), 그리고 개별 시민의 관점에서 AI 도입을 고려하는 것에 중점을 두어야 한다(Wirtz, Langer, 및 Fenner 2021 참조).

Furthermore, our results reflect the views of those involved in the projects and therefore constitute a form of self-assessment.

또한, 본 연구의 결과는 프로젝트에 참여한 사람들의 견해를 반영하고 있으므로 일종의 자기 평가 형태를 취하고 있다.

Subsequent research might focus on long-term evaluations involving more stakeholders and striving for more generalizable results.

후속 연구는 더 많은 이해관계자가 참여하는 장기적인 평가에 중점을 두고, 보다 일반화 가능한 결과를 도출하기 위해 노력할 수 있다.

Since our study deliberately focuses on adoption factors of AI in the public sector, it does not consider further the application risks within the public sector (Eubanks 2017; Janssen and Kuk 2016; Maciejewski 2017; O’Neil 2016), nor does it discuss the question of how public organizations might deal with algorithmic transparency (Giest et al. 2020).

본 연구는 의도적으로 공공 부문에서의 AI 도입 요인에 초점을 맞추고 있기 때문에, 공공 부문 내에서의 AI 응용 위험성(Eubanks 2017; Janssen and Kuk 2016; Maciejewski 2017; O’Neil 2016)을 추가로 고려하지 않았으며, 공공 기관이 알고리즘 투명성을어떻게 처리할 것인지에 대한 논의(Giest 등 2020)도 포함하지 않았다.

6. Conclusion

AI could be described as a double-edged sword for the public sector. It has excellent potential to improve the inner workings of public organizations as well as some key outcomes such as the quality of public services and public value creation.

AI는 공공 부문에서 양날의 검으로 묘사될 수 있다. 이는 공공 기관의 내부 작동 방식과 공공 서비스의 품질, 공공 가치 창출과 같은 주요결과를 개선할 수 있는 훌륭한 잠재력을 가지고 있다.

Conversely, AI implementation is more complex than other IT innovations, and many public organizations face sector-specific obstacles.

반면, AI 구현은 다른 IT 혁신보다 더 복잡하며, 많은 공공 기관들은 분야 특유의 장애물에 직면해 있다.

Against this backdrop, the present study supports the call for more research on drivers and hindering factors of AI adoption – shedding light on different factors and extending the TOE framework by adding a time dimension to observe different stages of organizational AI maturity.

이러한 배경에서, 본 연구는 AI 도입의 촉진 및 저해 요인에 대한 연구 필요성을 지지하며, 다양한 요인을 조명하고 조직의 AI 성숙도 단계별로 관찰할 수 있도록 TOE 프레임워크에 시간 차원을 추가하여 확장했다.

Despite this, public organizations should never lose sight of the broader implications of AI technology, such as fairness and accountability.

그럼에도 불구하고, 공공 기관은 AI 기술의 공정성과 책임성과 같은 더 넓은 의미를 결코 간과해서는 안 된다.

Lastly, AI should be adopted for the right reasons, as one of our interviewees succinctly summarized:

마지막으로, AI는 올바른 이유로 도입되어야 하며, 한 인터뷰 대상자가 이를 간결하게 요약했다.

‘AI is a means to solve previously unsolved problems, not for solving problems you first have to create’. (Case A, interview c)

‘AI는 이전에 해결되지 않은 문제를 해결하기 위한 수단이지, 문제를 먼저 만들어 해결하려는 것이 아닙니다’. (A 사례, 인터뷰 c)