AI 알고리즘 사용자의 소비자 웰빙과 상황적 자존감: 소비자 스트레스 맥락에 따른 차이

Ⅰ. 서론

인공지능(AI)의 발전으로 온라인 쇼핑 환경에서 알고리즘 기반 제품 추천은 보편화되고 있다. 대부분의 플랫폼은 소비자의 탐색 부담을 줄이고 구매 전환율을 높이기 위해 다양한 추천 시스템을 활용하며, 이러한 추천은 소비자의 선택 과정 전반에 직ㆍ간접적으로 영향을 미친다(Deloitte 2025). 또한 추천 알고리즘의 영향력과 공정성을 둘러싼 사회적 논의도 확대되고 있으며(Cho & Millman 2025), 이는 알고리즘 추천이 단순한 편의 기능을 넘어 소비자의 선택 환경을 형성하는 핵심 메커니즘임을 보여준다. 이와 함께 추천의 정확성, 다양성, 협업 필터링 방식 등 알고리즘 설계 요소가 실제 구매로 이어지는지에 대한 연구도 활발하다(Kim et al. 2020). 그러나 기존 연구는 주로 개인화 추천이나 트렌드 기반 추천이 소비자의 신뢰, 태도, 구매의도에 미치는 영향에 초점을 두어 왔다. 반면, 알고리즘 추천이 실제 선택 과정에서 소비자에게 어떠한 심리적 경험을 유발하는지, 특히 소비자 웰빙이나 상황적 자존감과 같은 정서적 결과에 대한 논의는 상대적으로 부족하다.

알고리즘 추천은 선택 대안을 축소하고 탐색 비용을 낮추는 기능을 수행하지만, 동시에 추천 결과를 수용할지 다시 판단해야 하는 새로운 선택 상황을 만들 수 있다(Zhang & Wang 2025). 이 과정에서 소비자는 선택이 단순화되었다고 느끼는 동시에, 추천의 적합성에 대한 의문이나 선택 실패 가능성에 대한 부담을 경험할 수 있다. 또한 추천에 의존하는 행위는 자신의 판단 능력이나 의사결정 역량에 대한 평가로 이어질 수 있다(McLaughlin & Spiess 2022). 즉, 알고리즘 추천은 효율성을 높이는 도구이면서도 선택부담인식, 결정책임인식, 상황적 자존감과 같은 심리적 반응을 함께 형성한다. 더욱이 알고리즘 추천의 효과는 모든 소비자에게 동일하지 않다. 인기 기반 또는 집단 기반 추천은 개인 특성이나 상황에 따라 상이한 영향을 미칠 수 있으며(Carnovalini et al. 2025), 특히 스트레스는 정보 처리 방식과 자극 해석에 중요한 영향을 미친다(Lazarus & Folkman 1984). 따라서 동일한 추천 환경에서도 소비자가 경험하는 스트레스 유형에 따라 추천 정보의 의미와 의사결정 과정은 달라질 수 있다.

이에 본 연구는 알고리즘 추천을 기술적 효율성의 문제를 넘어 소비자의 심리적 맥락에서 접근하고자 한다. 구체적으로 사회비교 스트레스, 불확실성 불안, 정서적 소진 수준에 따라 알고리즘 추천 사용 소비자를 유형화하고, 집단 간 소비자 웰빙, 상황적 자존감, 선택부담인식, 결정책임인식의 차이를 검증하고자 한다.

• RQ1. 스트레스 유형에 따라 소비자 웰빙과 상황적 자존감에는 차이가 존재하는가?
• RQ2. 스트레스 유형에 따라 선택부담인식과 결정책임인식에는 차이가 존재하는가?

Ⅱ. 이론적 배경

Ⅲ. 연구방법

본 연구는 대한민국 20~30대 남녀 중 최근 3개월 이내 알고리즘 쇼핑 앱 이용 경험이 있는 소비자를 대상으로 설문조사를 실시하였다. 총 200명의 응답을 서베이 전문업체를 통해 수집하였으며, 결과는 Table 1에 제시하였다. 설문지는 스트레스 프로파일은 사회비교 스트레스(Gibbons & Buunk 1999) 2문항, 불확실성ㆍ후회 불안(Zeelenberg & Pieters 2007) 2문항, 정서적 소진(Maslach & Jackson 1981) 2문항으로 구성하였다. 소비자 웰빙은 Lee & Sirgy(2011) 4문항, 상황적 자존감은 Heatherton & Polivy(1991) 4문항을 활용하였다. 또한 선택부담인식은 Schwartz et al.(2002) 4문항, 결정책임인식은 Dietvorst et al.(2015)와 Logg et al.(2019)을 바탕으로 3문항으로 측정하였다. 수집된 자료는 SPSS 21을 활용하였으며 스트레스 유형을 분류하기 위해 K-means 군집분석을 실시하였다. K-means 군집분석은 연속형 변수에 기반하여 유사한 특성을 지닌 집단을 분류하고, 해석 가능한 군집 프로파일을 도출하는 데 적합한 기법이다. 본 연구는 스트레스 수준에 따른 사용자 집단을 탐색하는 것이 목적이므로 K-means 군집분석을 적용하였다. 이후 집단 간 차이 검증을 위해 ANOVA와 LSD 사후검정을 수행하였다.

Table 1.

Description of participants

Ⅳ. 결과 및 고찰

AI 알고리즘 추천 사용자의 스트레스 요인에 따른 소비자 웰빙 및 다양한 차이를 분석하기에 앞서, 스트레스 관련 문항들의 요인 구조를 탐색하고, 이후 군집분석에 활용할 요인 점수를 산출하기 위해 탐색적 요인분석을 실시하였다. 소비자 웰빙, 선택부담인식, 정서적 소진, 사회적 비교, 상황적 자존감, 불확실성/후회 불안, 결정책임인식 순으로 도출되었다(Table 2). 모든 요인이 Eigenvalue가 1 이상으로 나타났으며, 총 설명력은 79.36%, Cronbach’s α 는 결정책임인식을 제외한 모두 0.70 이상으로 기준치를 충족하였다. 결정책임인식의 Cronbach’s α가 0.66로 0.70 미만이었으나, 탐색적 연구 단계에서 0.60대는 경계선이지만 실무적으로 보고되는 범위로 해석할 수 있어 채택하였다(George & Mallery 2019).

Table 2.

Results of exploratory factor analysis

AI 알고리즘 추천 사용자의 스트레스 프로파일은 사회비교 스트레스, 정서적 소진, 불확실ㆍ후회 불안의 세 차원으로 측정하였다. 이를 바탕으로 K-means 군집분석을 실시하였으며, 군집 특성 검증을 위해 군집 형성 변수들에 대한 일원배치분산분석(ANOVA)을 추가로 수행하였다. 분석 결과, 세 변수 모두에서 유의한 집단 차이가 나타나 세 개의 군집이 명확히 구분되었다(Table 3). 정서적 소진은 F=14.57^***, 사회비교 스트레스는 F=140.48^***, 불확실ㆍ후회 불안은 F=93.02^***로 확인되었다. 군집 1은 사회비교 스트레스가 가장 높고 정서적 소진도 상대적으로 높아 사회 비교 스트레스 집단(social comparison stress group) 으로 명명하였다. 군집 2는 불확실ㆍ후회 불안 수준이 가장 높아 불확실ㆍ후회 불안 집단(uncertainty-regret anxious group) 으로 명명하였다. 군집 3은 전반적으로 모든 스트레스 수준이 낮아 탈관여 집단(disengaged group) 으로 명명하였다.

Table 3.

Cluster profiles based on algorithm recommendation–related stress factors

위의 분석에서 나타난 3개의 군집을 기반으로 소비자웰빙, 상황적 자존감, 결정책임인식, 선택부담인식에 대해서 그 차이가 존재하는지 ANOVA 및 사후 분석을 위한 LSD을 시행하였다(Table 4). 그 결과, 소비자 웰빙인식(F=8.42^***)과 선택부담인식(F=11.84^***)에서는 집단간 차이가 존재하는 것으로 나타났지만, 상황적 자존감(F=1.37)과 결정책임인식(F=0.61)에서는 집단간 차이가 존재하지 않은 것으로 나타났다. 우선 소비자 웰빙인식을 살펴보면, 불확실-후회 불안집단이 M=3.81, 사회적 비교 스트레스 집단이 M=3.76으로 탈관여 집단의 M=3.03과는 차이가 있는 것으로 나타났다. 마찬가지로 선택부담인식에서 불확실-후회 불안집단이 M=5.08, 사회적 비교 스트레스 집단이 M=5.02로 탈관여 집단의 M=4.04와는 차이가 있는 것으로 나타났다.

Table 4.

Differences in outcome variables across clusters (ANOVA)

사회비교 스트레스 집단은 사회적 비교 민감도가 높고 정서적 소진 수준도 상대적으로 높게 나타났다. 이는 온라인 환경에서 타인의 선택 정보와 인기 지표 노출이 비교 압력을 강화할 수 있다는 사회비교 이론(Festinger 1954)과 일치한다. 특히 알고리즘 추천이 집단 기반 데이터나 인기 지표를 강조할 경우, 일부 사용자에게는 사회적 평가 자극으로 작용할 수 있다. 또한 반복적 정보 노출이 정서적 피로를 유발할 수 있다는 Mick & Fournier (1998)의 논의와도 연결된다. 불확실ㆍ후회 불안집단은 선택 결과에 대한 예상 후회와 불확실성이 두드러진 집단이었다. 이는 소비자가 선택 이전 단계에서 잠재적 후회를 예측하며 판단한다는 후회 이론(Bell 1982)을 뒷받침한다. 알고리즘 추천이 존재하더라도 추천의 신뢰성이나 근거가 충분히 투명하지 않다고 인식될 경우, 선택 확신이 강화되지 않아 불안 완화 효과가 제한될 수 있다. 탈관여 집단은 모든 스트레스 수준이 낮았으며, 특히 불확실ㆍ후회 불안이 매우 낮게 나타났다. 이는 해당 집단이 알고리즘 추천을 핵심 판단 기준보다는 보조적 참고 정보로 활용할 가능성을 시사한다. 후속 분석 결과, 사회비교 스트레스 집단과 불확실ㆍ후회 불안 집단은 탈관여 집단보다 소비자 웰빙과 선택부담 인식이 모두 높게 나타났다. 이는 알고리즘 추천이 부담을 동반하면서도 동시에 선택 효율성과 정보 처리의 간소화를 통해 긍정적 경험을 제공할 수 있음을 보여준다. 즉, 기술 소비가 편의성과 심리적 긴장을 동시에 유발할 수 있다는 이중성 논의(Mick & Fournier 1998)를 지지하는 결과이다. 반면 상황적 자존감과 결정책임 인식에서는 집단 간 유의한 차이가 나타나지 않았다. 이 결과는 알고리즘 추천 환경에서 경험하는 스트레스가 소비자의 일시적 자기평가 수준에 직접적인 영향을 미치지 않을 가능성을 시사한다. 즉, 추천은 선택 과정의 부담에는 영향을 줄 수 있으나, 자기 가치감이나 판단 능력 평가까지 즉각적으로 변화시키지는 않을 수 있다. 이는 알고리즘 추천이 선택 구조에는 영향을 미치더라도, 소비자의 최종 판단 주체성 자체를 근본적으로 약화시키지는 않을 가능성을 시사한다.

Ⅴ. 요약 및 결론

본 연구는 AI 알고리즘 추천 사용자들의 스트레스 맥락에 따라 소비자 웰빙, 상황적 자존감, 선택부담인식, 결정책임인식이 어떻게 달라지는지를 살펴보았다. 분석 결과, 알고리즘 추천 사용자는 단일한 방식으로 반응하지 않으며, 스트레스 유형에 따라 상이한 심리적 경험을 보이는 것으로 확인되었다.

시사점은 알고리즘 추천 효과를 평균적 효용 중심으로 설명해 온 기존 연구를 확장하여, 스트레스 기반 사용자 이질성 관점에서 접근하였다는 점에서 의의가 있다. 기존 연구가 추천 정확성, 신뢰, 구매의도와 같은 인지적ㆍ태도적 반응에 주목했다면, 본 연구는 사회비교 스트레스, 불확실ㆍ후회 불안, 정서적 소진이라는 정서적 차원을 중심으로 사용자 프로파일을 도출하였다. 이는 알고리즘 추천을 단일 자극이 아니라 사용자 심리 상태에 따라 다르게 해석되는 상호작용적 시스템으로 이해할 필요성을 제시한다. 또한 알고리즘 추천과 소비자 웰빙의 관계를 보다 입체적으로 보여주었다. 기존 연구가 자율성 침해, 알고리즘 회피, 효율성 증대에 초점을 두었다면, 본 연구는 스트레스 수준이 높은 집단에서도 웰빙 인식이 높게 나타날 수 있음을 확인하였다. 이는 스트레스와 웰빙의 관계가 단선적이지 않으며, 정보 효율성과 함께 복합적으로 작동할 수 있음을 시사한다. 아울러 선택부담 인식과 결정책임 인식을 구분하여 분석함으로써 알고리즘 추천 환경의 책임 구조에 대한 이해를 확장하였다. 분석 결과, 부담은 증가할 수 있으나 책임 전가가 반드시 동반되지는 않았으며, 이는 알고리즘 추천이 소비자의 주체성을 완전히 대체하지 않음을 보여준다. 실무적으로는 스트레스 유형에 따른 차별적 추천 설계의 필요성을 제시한다. 사회비교 스트레스가 높은 사용자에게는 인기 지표보다 개인 취향 중심 추천이, 불확실ㆍ후회 불안이 높은 사용자에게는 추천 근거의 투명성과 선택 정당화 정보 제공이 효과적일 수 있다. 따라서 플랫폼은 일괄적 개인화 전략을 넘어 사용자 심리 특성을 반영한 추천 전략을 고려할 필요가 있다.

더불어, 본 연구 결과는 알고리즘 추천의 효과가 모든 소비자에게 동일하지 않음을 보여준다. 이는 AI 추천 기술의 보편적 확대가 항상 소비자 효용의 극대화로 이어지는 것은 아님을 시사한다. 특히 스트레스 수준이 높거나 추천을 핵심 판단 기준으로 수용하지 않는 집단의 경우, AI 추천 서비스의 효용은 제한적일 수 있다. 따라서 플랫폼은 일률적인 AI 적용 확대보다 소비자 특성에 기반한 선택적 추천 전략과 사용자 통제권 제공 방안을 함께 고려할 필요가 있다. 이와 함께, AI 기술 확산은 소비자 편익뿐 아니라 전력 소비 증가, 데이터 인프라 부담, 환경적 비용과 같은 사회적 비용도 수반한다. 이에 따라 정부와 산업계는 AI 활용의 무조건적 확대보다 소비자 후생과 사회적 지속가능성을 함께 고려한 정책적 접근이 필요하다. 예를 들어, 알고리즘 투명성 강화, 에너지 효율적 AI 인프라 구축, 취약 소비자 보호 가이드라인 마련 등이 요구된다. 향후 연구에서는 AI 추천의 소비자 효용과 사회적 비용을 통합적으로 평가하는 관점이 필요하다.

본 연구의 한계는 다음과 같다. 첫째, 횡단적 설문 자료를 활용하여 변수 간 인과관계를 명확히 규명하는 데 한계가 있다. 둘째, 스트레스 프로파일은 자기보고식 응답과 K-means 군집분석에 기반하므로 표본과 분석 방법에 따라 결과가 달라질 수 있다. 셋째, 알고리즘 추천을 단일 개념으로 다루어 추천 유형이나 설명 방식의 차이를 충분히 반영하지 못하였다. 향후 연구에서는 실험ㆍ종단 설계, 다양한 표본, 추천 유형별 비교를 통해 이를 보완할 필요가 있다.

Acknowledgments

This work was supported by the Ministry of Education of the Republic of Korea and the National Research Foundation of Korea (NRF-2023S1A5B5A16078539)

References

• Bell DE(1982) Regret in decision making under uncertainty. Oper Res 30(5), 961-981. [https://doi.org/10.1287/opre.30.5.961]
• Carnovalini F, Rodà A, Wiggins GA(2025) Popularity bias in recommender systems: the search for fairness in the long tail. Inform 16(2), 151. [https://doi.org/10.3390/info16020151]
• Cho E(2024) The role of consumer autonomy in AI-driven product recommendation system. Dissertation, Seoul National University, pp151-155
• Cho W, Millman E(2025) Why does spotify keep recommending drake? A new class action challenges “Pay-for-Play” regime. Available from https://www.hollywoodreporter.com/business/business-news/spotify-class-action-lawsuit-1236419218/, [cited 2025 January 9]
• Deloitte(2025) 2025 Digital media trends: social platforms are becoming a dominant force in media and entertainment. Available from https://www.deloitte.com/us/en/insights/industry/technology/digital-media-trends-consumption-habits-survey/2025, [cited 2025 January 9]
• Dietvorst BJ, Simmons JP, Massey C(2015) Algorithm aversion: people erroneously avoid algorithms after seeing them err. J Exp Psychol Ge 144(1), 114-126. [https://doi.org/10.1037/xge0000033]
• Eppler MJ, Mengis J(2004) The concept of information overload: a review of literature from organization science, accounting, marketing, MIS, and related disciplines. Inf Soc 20(5), 325-344 [https://doi.org/10.1080/01972240490507974]
• Festinger L(1954) A theory of social comparison processes. Hum Relat 7(2), 117-140. [https://doi.org/10.1177/001872675400700202]
• George D, Mallery P(2019) IBM SPSS Statistics 26 step by step: a simple guide and reference. 16th ed. New York, NY: Routledge, pp245-249 [https://doi.org/10.4324/9780429056765]
• Gibbons FX, Buunk BP(1999) Individual differences in social comparison: development of a scale of social comparison orientation. J Pers Soc Psychol 76(1), 129-142. [https://doi.org/10.1037/0022-3514.76.1.129]
• Heatherton TF, Polivy J(1991) Development and validation of a scale for measuring state self-esteem. J Pers Soc Psychol 60(6), 895-910. [https://doi.org/10.1037/0022-3514/19/S3.00]
• Im M(2024) How preceding choice behavior manipulation affects confidence and intent to buy in high uncertainty purchase situations. Korean J Cons Adv Psy 25(2), 213-231. [https://doi.org/10.21074/kjlcap.2024.25.2.213]
• Iyengar SS, Lepper MR(2000) When choice is demotivating: Can one desire too much of a good thing?. J Pers Soc Psychol 79(6), 995. [https://doi.org/10.1037/0022-3514.79.6.995]
• Kelley HH(1973) The processes of causal attribution. Am Psychol 28(2), 107-128. [https://doi.org/10.1037/h0034225]
• Kim PS, Kim KB, Cho YT, Shin YT(2020) A study on the effect of personalized product recommendation on purchasing intention : focused on matrix factorization algorithm. J Korea Soc Inf Technol Policy Manag 12(4), 1847-1852. [https://doi.org/10.33097/JNCTA.2024.08.6.1388]
• Kim TE, Ma YJ, Oh NY, Kim GD(2023) Webtoon platform that enhances communication between readers by applying a new comment system. J Digi Cont Soc 24(5), 955-965 [https://doi.org/10.9728/dcs.2023.24.5.955]
• Koo J(2021) The influence of AI recommendation on consumer reactance. J Consum Stud 32(5), 51-67. [https://doi.org/10.35736/JCS.32.5.3]
• Lazarus RS, Folkman S(1984) Stress, appraisal, and coping. New York, NY: Springer Publishing Company, pp19-32
• Lee DJ, Sirgy MJ(2011) Consumer well-Being (CWB): Various conceptualizations and measures. In Handbook of social indicators and quality of life research. Dordrecht: Springer Netherlands, pp331-354 [https://doi.org/10.1007/978-94-007-2421-1_15]
• Lee H(2021) The influence of self-construal and uncertainty on status-quo bias in subscription choice. Kor J Cons Adv Psy 22(1), 25-47. [https://doi.org/10.21074/kjlcap.2021.22.1.25]
• Logg JM, Minson JA, Moore DA(2019) Algorithm appreciation: people prefer algorithmic to human judgment. Organ Behav Hum Decis Process 151, 90-103. [https://doi.org/10.1016/j.obhdp.2018.12.005]
• Maslach C, Jackson SE(1981) The measurement of experienced burnout. J Organ Behav 2(2), 99-113. [https://doi.org/10.1002/job.4030020205]
• McLaughlin B, Spiess J(2022) Algorithmic assistance with recommendation-dependent preferences. arXiv preprint arXiv:2208.07626, . [https://doi.org/10.48550/arXiv.2208.07626]
• Mick DG, Fournier S(1998) Paradoxes of technology: consumer cognizance, emotions, and coping strategies. JJ Consum Res 25(2), 123-143. [https://doi.org/10.1086/209531]
• Peng M, Xu Z, Huang H(2021) How does information overload affect consumers’ online decision quality? Front Psychol 12, 724101. [https://doi.org/10.3389/fnins.2021.695852]
• Schwartz, B(2004) Cortical neural prosthetics. Annu Rev Neurosci 27(1), 487-507 [https://doi.org/10.1146/annurev.neuro.27.070203.144233]
• Schwartz B, Ward A, Monterosso J, Lyubomirsky S, White K, Lehman DR(2002) Maximizing versus satisficing: happiness is a matter of choice. J Pers Soc Psychol 83(5), 1178. [https://doi.org/10.1037/0022-3514.83.5.1178]
• Sirgy MJ, Lee DJ(2008) Well-being marketing: an ethical business philosophy for consumer well-being. J Bus Ethics 77, 377-403. [https://doi.org/10.1007/s10551-007-9363-y]
• Weiner B(1985) An attributional theory of achievement motivation and emotion. Psychol Rev 92(4), 548-573. [https://doi.org/10.0033-295X/85/S00.75]
• Zeelenberg M, Pieters R(2007) A theory of regret regulation 1.0. J Consum Psychol 17(1), 3-18. [https://doi.org/10.1207/s15327663jcp1701_3]
• Zhang W, Wang Y(2025) The impact of different recommendation algorithms on consumer search behavior and merchants competition. Int Rev Econ Finance 98, 103943. [https://doi.org/10.1016/j.iref.2025.103943]